基于改進SVM的通信干擾識別

李敏+李時東+黃欣

摘 要： 目前直擴通信系統的抗干擾算法僅能夠針對一種干擾類型進行抑制，因此有必要對各類干擾進行識別，從而選取相應的抑制算法。針對通信干擾的識別方法進行研究，建立基于SVM算法的通信干擾識別模型。常規SVM算法性能依賴于參數選取，而常規SVM算法參數選取多是通過人工經驗選取，存在較大的隨機性和盲目性，因此該文使用遺傳免疫粒子群優化SVM算法，提高算法和識別模型的性能。使用Matlab針對研究的通信干擾識別模型進行仿真。研究結果表明，所建立的通信干擾識別模型性能優于常規SVM算法和BP算法建立的識別模型。

關鍵詞： 通信干擾識別； 直擴系統； 支持向量機； 粒子群優化算法

中圖分類號： TN911?34； TN911.72 文獻標識碼： A 文章編號： 1004?373X（2016）24?0026?04

Communication jamming recognition based on improved SVM

LI Min， LI Shidong， HUANG Xin

（School of Information Engineering， Hubei University for Nationalities， Enshi 445000， China）

Abstract： The anti jamming algorithm of DSSS communication system can only restrain a type of interference， so it is necessary to identify all kinds of interference， so as to select the corresponding suppression algorithm. The recognition methods of communication jamming are studied in this paper. A communication jamming recognition model based on SVM algorithm is established. Since the properties of conventional SVM algorithm depend on parameter selection， and the parameter selection of the conventional SVM algorithm is selected by means of artificial experience， there are certain randomness and blindness. Therefore， genetic immune particle group optimization SVM algorithm is used in this paper to improve the performances of the algorithm and recognition model. Simulation study on the communication interference recognition model is conducted with Matlab. The results show that the the performance of the communication interference identification model established in this paper is superior to that of the conventional SVM algorithm and BP algorithm.

Keywords： communication interference recognition； direct spread system； support vector machine； particle swarm optimization algorithm

0 引 言

直接序列擴展頻譜通信因其良好的隱蔽性、保密性以及組網方便等優勢在軍事和民用領域得到了廣泛應用。但是在具有較強的干擾空間中，直擴系統的性能會受到強烈干擾。國內外專家針對直擴系統的抗干擾方法進行深入研究，提出了針對各種干擾的抗干擾算法。然后各種抗干擾算法往往僅能夠針對一種干擾類型進行抑制。因此有必要對各類干擾進行識別，從而選取相應的抑制算法。本文針對通信干擾的識別方法進行研究[1?2]。

SVM（Support Vector Mechine）算法因其具有良好的分類識別能力，而被廣泛應用于分類識別領域。但是SVM算法性能依賴于參數選取，而常規SVM算法參數選取多是通過人工經驗選取，存在較大的隨機性和盲目性。本文使用粒子群優化（Particle Swarm Optimization，PSO）算法對SVM參數進行優化，以提高SVM算法性能，建立基于改進SVM算法的通信干擾識別模型。

1 干擾信號及特征提取

直擴通信系統的干擾信號類型繁多，主要可以歸納為CW干擾、線性調頻干擾、跳頻干擾、寬帶梳狀譜干擾、脈沖干擾和BPSK干擾。各類干擾信號的模型如表1所示[3?7]。

2 改進SVM算法

1995年PSO算法首次由專家學者提出。基本PSO算法的思想如下：設定在一個d維的搜索空間內存在一個粒子群，該粒子群由m個粒子組成。設定某個粒子的空間位置表示為xi=（xi1，xi2，…，xid），i=1，2，…，m，該粒子經歷的最優位置設定為Pi，對應的適應度為Fi以及飛行速度為Vi。設定所有m個粒子經歷的最優位置為Pg，對應的適應度為Fg以及慣性權重為Wk。通過下列迭代過程計算第n+1代粒子中第i個粒子的d維[11?12]：

式中：rand（1）和rand（2）是隨機數，范圍在0～1；c1和c2為加速系數；常規的PSO算法初期的收斂效率較高，但是后期收斂效率低，容易陷入局部最小值。本文使用遺傳算法和免疫選擇算法優化PSO算法。使用遺傳組合算子對粒子群的搜索空間進行擴張，同時使用免疫選擇算子加快尋找最優解效率[13]。改進方法如下：

（1） 根據設定雜交概率進行隨機組合，即粒子位置信息雜交：

經雜交操作后，從父代個體中生產2個新位置，從而提高粒子飛行隨機可能性，提高粒子多樣性。

（2） 使用免疫選擇算法對隨機生產的新位置以設定的概率進行免疫選取，從而提高尋找最優解的效率。

（3） 使用獎勵機制在粒子適應度達到設定值時放大適應度值，使用懲罰機制在粒子適應度偏離設定值時縮小適應度值。從而提高在縮小的搜索空間中尋找最優解的概率。適應度函數修改為：

式中：[A0]為用于衡量誤差的平均相對變動值，[A0=i=1Nyi-yi2i=1Nyi-yi2]；懲罰和獎勵因子為[ω=10， A0>A10.1， A0

（4） 使用線性遞減權值優化慣性權重w。

SVM算法中的核函數對算法性能影響重大，因此本文使用結構簡單、易于實現、計算效率較高的高斯徑向基核作為SVM算法的核函數。本文使用的支持向量機參數優化數學模型為：

通過求取特定空間中的懲罰系數C和核函數參數[σ]，使用訓練樣本得到基于SVM算法的識別模型，使得對測試樣本進行識別準確率達到最大[14?15]。

綜上，使用遺傳免疫粒子群優化SVM算法過程如下[16]：

步驟1：對基本粒子群進行初始化。

步驟2：針對粒子當前位置，確定懲罰系數C和核函數參數[σ]。使用訓練樣本建立基于SVM算法的識別模型，使用測試數據確定適應度函數，使用獎勵和懲罰機制確定適應度函數值。

步驟3：由粒子適應度值對Pbest，Gbest及群體的位置、速度進行確定。

步驟4：使用遺傳算法和免疫選擇算法對粒子進行雜交和免疫選擇操作。

步驟5：當算法滿足收斂條件，確定懲罰系數C和核函數參數[σ]，結束算法優化；若收斂條件不滿足，則跳至步驟2。

3 通信干擾識別仿真研究

使用Matlab針對本文研究的通信干擾識別模型進行仿真研究。所使用的直接序列擴展頻譜通信系統的主要參數為：

碼速率為1 Kb/s；擴頻增益為31；采樣點為31 744個；采樣速率為chip速率[17]。

改進的SVM算法中，粒子群種群規模設置為20，最大迭代次數為200，加速因子c1和c2設定為1.5，慣性權重設定為[0.5，1.5]，雜交概率為0.5，免疫選擇概率設定為0.3，懲罰系數設定為[1，1 000]，核參數設定為[0.1，5]。使用0～30 dB范圍內的干信比數據對本文研究的通信干擾識別模型進行訓練和測試。使用常規SVM算法和BP神經網絡算法建立通信干擾識別模型與本文研究的改進SVM算法進行對比。三種模型在不同干信比下的識別結果如圖1～圖3所示。

對比常規SVM算法、BP神經網絡算法以及本文研究的改進型SVM算法建立的通信干擾識別模型的識別準確率，可以看出，使用BP神經網絡算法的模型識別性能最弱，僅當干信比超過20 dB時，模型識別率方能達到100%，使用常規SVM算法的模型識別性能較弱，當干信比超過11 dB時，模型識別率方能達到100%，使用改進SVM算法的模型識別性能最好，當干信比超過6 dB時，模型識別率能夠達到100%。

4 結 論

本文針對通信干擾的識別方法進行研究，建立基于SVM算法的通信干擾識別模型。常規SVM算法性能依賴于參數選取，而常規SVM算法參數選取多是通過人工經驗選取，存在較大的隨機性和盲目性，因此本文使用遺傳免疫粒子群優化SVM算法，提高算法和識別模型的性能。使用Matlab針對本文研究的通信干擾識別模型進行仿真研究。研究結果表明，本文建立的通信干擾識別模型能夠對干信比超過6 dB的干擾信號進行100%識別，而使用BP神經網絡算法的模型識別能夠對干信比超過20 dB的干擾信號進行100%識別，使用SVM算法的模型識別能夠對干信比超過11 dB的干擾信號進行100%識別。

參考文獻

[1] 邵高平，安建平，沈庭芝.直擴系統中基于匹配追蹤的調頻干擾識別方法研究[J].信號處理，2010（1）：115?120.

[2] 邵高平，安建平.基于匹配信號變換的非線性調頻干擾抑制方法[J].北京理工大學學報，2010（1）：83?87.

[3] 殷復蓮，盧滿宏，郭黎利.測控通信干擾抑制技術綜述[J].宇航學報，2009（5）：1757?1764.

[4] 佘沛.直擴系統中寬帶非線性調頻干擾抑制技術研究[D].鄭州：解放軍信息工程大學，2010.

[5] 于波.直擴系統中的干擾類型識別方法研究[D].鄭州：解放軍信息工程大學，2010.

[6] 王洋.直擴系統中線性調頻干擾抑制技術研究[D].哈爾濱：哈爾濱工程大學，2010.

[7] 任孝民.DSSS通信中非平穩干擾抑制方法研究[D].鄭州：解放軍信息工程大學，2009.

[8] 李林甫.干擾識別技術研究與實現[D].西安：西安電子科技大學，2014.

[9] 沈家瑞.通信對抗中的干擾識別技術研究[D].成都：電子科技大學，2011.

[10] 申麗然，郭黎利，尹清波.基于分數階傅里葉變換的直擴通信快速線性調頻干擾抑制[J].科學技術與工程，2014（1）：59?65.

[11] 鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進粒子群優化算法的電力變壓器故障診斷方法[J].高電壓技術，2014（11）：3424?3429.

[12] 莊夏，戴敏，何元清.基于改進粒子群優化LSSVM的飛機發動機故障診斷[J].實驗技術與管理，2013（2）：54?57.

[13] 楊柳松，何光宇.基于改進粒子群優化的SVM故障診斷方法[J].計算機工程，2013（3）：187?190.

[14] 鄭含博.電力變壓器狀態評估及故障診斷方法研究[D].重慶：重慶大學，2012.

[15] 沙立成，宋珺琤.基于改進粒子群優化LS?SVM的變壓器故障氣體預測[J].華北電力大學學報（自然科學版），2011（1）：35?38.

[16] 徐甜麗.基于改進粒子群算法的軌道電路故障診斷方法研究[D].蘭州：蘭州交通大學，2014.

[17] 于波，邵高平，孫紅勝，等.直擴系統中基于SVM的干擾自動分類識別方法[J].信號處理，2010（10）：1539?1543.