融合深度學習和棧式自編碼算法的異常無線電信號監測方法

魏小忠，申浩，劉紅杰

（1.江西省無線電監測站，江西 南昌 330000；2.江西省工業和信息化廳鷹潭市無線電管理局，江西 鷹潭 335000；3.北京博識廣聯科技有限公司，北京 100098）

0 引言

隨著5G 的發展，無線電的應用需求顯著增加，無線電監測也上升到前所未有的重要戰略地位。無線電應用需求和現有空間電磁環境復雜多變成為無線電管理機構必須面對的迫切問題。

無線電信號監測是采用特定的手段對無線電信號的頻譜使用情況和時空占用情況進行監測，并對異常的干擾源、非法使用的無線電源進行消除，維持合法的電波秩序。目前無線電信號監測相關的研究包括：Yin 等人[1]利用歷史無線電頻譜測量數據的周期性特征構建時域-頻域時空模型，并采用馬氏距離測量任意時隙的頻譜資源測量數據時空特征與模型頻譜數據時空特征的偏差，進而來實現頻譜資源的異常告警；閆戈[2]融合邏輯回歸算法和樸素貝葉斯算法統計頻譜監測數據的特征屬性規律性，實現對頻譜測量數據的異常監測；Jordan 等人[3]針對異常無線電信號特征不確定性，采用自編碼網絡技術提取無線電信號的特征編碼，探求無線電信號特征的分布情況，提升異常信號的識別與分辨的性能；Oshea 等人[4]針對無線電存在大量噪音和頻譜相互干擾的問題，采用深度學習神經網絡獲取無線電頻譜的高層次特征，提升異常信號的識別精度；NE West 等人[5]采用融合卷積神經網絡和長短期記憶網絡來提取無線電信號的時空特征，實現無線電信號的自動識別；孫倩彤[6]從大量實際樣本提取無線電信號的特征，結合無監督的異常監測方法生成異常無線電信號的判別標準。劉觀華[7]采用模糊C 均值聚類方法獲取無線電信號的特征權重，結合有序加權聚合算子對特征權重進行聚合，實現無線電異常信號的判別；Li 等人[8]采用改進BP 神經網絡對大量帶標識的無線電信號進行分類，實現無線電異常信號的識別；劉栩楠[9]針對無線電監測數據采樣率不高的問題，提出基于局部可達距離的離群點檢測和非離群點分類方法實現異常無線電的監測；馮博[10]針對無線電信號存在人工操作的工作量過大和人工經驗限制等問題，提出一種基于支持向量機的無線電異常信號識別方法，提升無線電信號識別的效率。然而，無線電信號存在采樣率過低、數據量大、信息特征高維、隨機干擾因素多、多種業務信號互相干擾導致電磁環境復雜多變等特征，對異常無線電信號監測與識別帶來很大的難度，傳統的方法往往存在信號特征提取不完備、噪音干擾過大、異常信號閾值確定難度大、預警虛報率過高等問題。

本文針對上述情況，提出一種融合深度學習和棧式自編碼算法的無線電異常信號監測方法，該方法基于正常無線電信號頻譜的使用周期和頻率具有高度相似性，頻譜使用空間具有固定性的特征，采用滑動窗口的方法重構無線電信號數據的時空特征；針對無線電信號特征提取的不完備的問題，在重構時空數據的基礎上，采用深度學習的方法提取無線電信號的時空特征；針對無線電信號的噪音干擾過大的問題，采用棧式自編碼網絡對時空特征進行稀疏編碼再重構，剔除噪音干擾對無線電信號時空特征的影響，增強時空特征的抗干擾能力，最后，針對動態復雜電磁環境導致的異常信號閾值確定難度大的問題，采用聚類算法對重構特征進行聚類，自適應門限值技術獲取動態、自適應的閾值，實現無線電異常信號的智能監測。

1 無線電信號異常分析

由于頻譜資源的使用具有周期性，因此，掃描的無線電頻譜數據會呈現出高度的相似性。無線電信號監測通常對頻譜數據進行異常指數轉化，然后對業務頻段和空閑頻段的頻譜異常指數時間序列圖進行人工檢測，如果異常指數的偏離度超出容忍值，那么就判斷無線電信號存在異常。圖1 顯示某天空閑頻段的頻譜異常指數時間序列圖。

圖1 空閑頻段的頻譜異常指數時間序列圖

從圖1 可知，空閑頻段一般情況下僅僅受到噪音的影響，工作人員對空閑頻段的頻譜異常指數時間序列圖進行異常監測相對簡單，如果頻段異常指數超出某個容忍值則可以判斷為異常值，圖1 有兩處是異常值，分別是15—20 與180—200 這兩個位置存在異常。

對于業務頻段數據則沒有那么簡單，由于業務頻段數據自身具有一定的周期性，因此需要采用分段的方式構建業務頻譜異常指數的時間序列圖。

從圖2 可知，業務頻段不僅受到外部噪音的影響，還會由于接收儀器本身的不穩定而造成信號波動，工作人員對業務頻段的頻譜異常指數時間序列圖進行異常監測則相對復雜，不僅要考慮業務頻段在不同時間段的周期特征，還要判斷信號產生波動原因。

為了應對信號周期性、外部噪音引起的波動性、接收儀器不穩定引起的波動性，本文采用數據重構的方法對信號的周期性進行提取，并結合深度學習提取信號的特征；在此基礎上，借助棧式自編碼網絡進行特征重構，以期剔除由于外部噪音和接收儀器不穩定對頻譜數據的干擾，提高信號時空特征的“純度”；最后，考慮到電磁環境的復雜性，采用固定的閾值法對異常信號進行識別不具有實操性，因此，本文采用聚類和閾值法實現異常無線電信號的動態識別，增強異常檢測模型的自主性。下面詳細說明如何采用深度學習和棧式自編碼算法的無線電信號異常監測過程。

2 無線電信號時空特征的提取

（1）重構無線電信號時空數據

影響異常無線電信號監測與識別的因素維度包括信號數據的空間屬性、時間屬性以及采樣率、獲取隨機性等。空間屬性包括不同信號源方向性、正交性、頻譜占用度等；時間屬性包括信號的頻率、持續時間、周期等特征以及信號發射之間的先后與同時的關系。異常無線電信號監測與識別受到現有的采樣率、采樣數據獲取的隨機性影響，因此需要對無線電信號數據進行重構，重構數據不僅需要考慮到信號的時間屬性和空間相互影響的關系，還要考慮采樣率、獲取數據的隨機性、信號的持續時間、周期特征等因素。

本文重構無線電信號的時空數據的思路：結合采樣率、信號的持續時間、周期特征確定滑動周期，以單個網格截取的所有空間數據來重構單個樣本的時空數據。比如：以某一個無線電監測的網格的廣播電臺頻段（87—108 MHz）為例，以100 kHz 為采樣步長切分為211維，按照采樣率為5 分鐘/次，以4 小時為滑動周期來構造該網格的某一個樣本的二維矩陣，那么樣本大小為48×211。按照上述的方法，重構無線電信號的時空數據。如圖3 所示。

（2）采用卷積神經網絡獲取無線電信號時空數據的特征

圖2 業務頻段的頻譜異常指數時間序列圖

重構的時空數據具有時間和空間不同維度的性質，其特征融合無線電信號的時空特征，更具可讀性。本文采用深度學習的經典算法之一——卷積神經網絡對重構的無線電信號時空數據進行特征提取，在卷積層對特征進行高層語義提取，在池化層對語義特征進行降維操作。卷積層進行高層語義提取，從空間尺度上，減少了噪音對無線電信號時空特征提取的影響，從空間維度上提升了無線電信號特征信息提取的精度。池化層面進行降維操作，從時間尺度上更好地提取無線電信號的周期特征，從時間維度上展現無線電信號特征的“動態”變化。

3 基于棧式自編碼網絡的時空特征重構

基于卷積神經網絡提取的無線電信號時空特征雖然在一定程度上降低了噪音對無線電信號的影響，考慮到無線電環境具有高度復雜性，本文采用棧式自編碼網絡對無線電信號進行時空特征重構，以期進一步抑制噪音的干擾，提升了異常無線電信號識別的準確率。

基于棧式自編碼網絡的時空特征重構過程：對無線電信號時空特征進行稀疏編碼再重構，通過棧式自編碼網絡的前幾層，完成對上一步卷積神經網絡提取的無線電信號時空特征進行再提取，獲得高階特征；在網絡的最后一層隱含層獲取到重構的特征s 以及重構基向量A。其中重構特征s 是網絡最后一層隱含層的激活值，重構基向量A 是最后一層隱含層與輸出層神經元之間連接的權重。為了實現時空特征的重構，棧式自編碼網絡的目標函數可以表示為：

式(1)的第一部分表示無線電信號時空特征重構與上一步卷積神經網絡提取時空特征的差異性，通過規則化，將誤差最小化，保證關鍵的有效特征被保留；式(1)的第二部分表示稀疏懲罰項，采用近似值平滑策略來實現重構特征的懲罰，由于本文的無線電信號時空特征沒有進行縮放操作，因此不需要對重構基向量A 進行約束。

4 基于聚類和閾值法的異常無線電信號快速識別

由于本文采用滑動窗口的方法來重構無線電信息的時空數據，因此，重構特征會克服由于電磁環境本身發生輕微干擾時所出現的暫時性“偏離”的現象。重構樣本的時空數據本身就反映整個時間周期內的時空特征，因此，無線電信號長時間“偏離”的現象就可以認定為異常無線電信號的關鍵特征。

本文在重構無線電時空特征的基礎上，采用k-means 聚類方法實現實時監測數據正常信號和異常的相似度度量。

隨機選取上一步獲得的棧式自編碼網絡重構時空特征是si，找到與該重構時空特征sj距離最近的樣本，采用向量的余弦值衡量兩個特征的相似性，公式如式(2)。

判斷兩個特征的相似性是否達到閾值，如果達到閾值就做出同樣類別的標記，否則，做出不一樣類別的標記，不斷迭代，直至迭代完畢。通過聚類，找出正常無線電信息的某類相似特征。為了適應不同電磁環境和監測的實際監測管理要求，對無線電信號的相似性特征采用自適應門限值技術設置一個報警閾值，增強異常檢測模型的自主性，實現無線電異常信號的智能監測。

圖3 基于無線電時空數據提取的時空特征示意圖

5 實驗驗證

本文通過實驗模擬廣播發射信號場景，在實驗中模擬5 個授權電臺和2 個非法電臺，共模擬523 條無線電信號，其中有17 條是非法無線電臺所發出的異常無線電信號。在本次實驗中，為了檢驗本文提出算法的可靠性和擴展性，對上述的數據集分別進行15 次實驗，每次實驗采用隨機抽取的方式抽取1/3 數據集作為訓練數據，剩下的2/3 數據集作為測試數據。在設置固定的正常信號和異常信號閾值的基礎上，采用Matlab 對本文的算法進行編程，并對上述的訓練集和測試集數據進行仿真分析，得到的仿真結果如圖4 所示。

從圖4 可知，每次實驗都有訓練準確率和測試準確率，一般來說，訓練準確率越高越好，但是如果訓練準確率過高，有可能帶來泛化效果不好，圖4 第2 次、第12 次和第15 次的仿真結果表明，雖然訓練模型的準確率很高，但是該模型用于測試數據確不如人意。因此，為了保證模型的泛化能力，不僅要考慮訓練準確率和測試準確率的平均值大小，還要考慮訓練準確率和測試準確率兩者之間的差異，讓它們之間的差異盡可能減小。因此，本文選擇第11 次的仿真結果作為本文的最終模型選擇。

為了驗證本文所選模型的有效性，讓授權電臺發送7 次正常信號，讓非法電臺發送5 次異常信號，在采集信號數據的基礎上，分別讓人工經驗和本文所選擇的最終模型對信號的異常性進行判斷，得到的結果如表1 所示。

從表1 可知，采用人工經驗的方法對異常信號進行經驗值判別，其準確率只有66.7%，而本文算法準確率平均值為83.3%，說明本文算法對異常無線電信號的識別準確率比傳統算法高。這是因為本文的算法采取以下步驟來提升異常無線電信號識別的精度：（1）在重構無線電信號時空數據基礎上，采用卷積神經網絡進行時空特征提取，在一定程度上剔除噪音和隨機因素的干擾；（2）采用棧式自編碼網絡進一步抑制噪音和隨機因素的干擾，為異常無線電信號精準識別提供基礎；（3）基于k-means 聚類，采用自適應門限值技術對信號特征設置一個報警閾值，實現異常無線電信號的動態、自適應監測，能夠動態應對無線電復雜環境的變化。基于上述分析，本文提出融合深度學習和棧式自編碼算法的無線電信號異常監測方法具有一定的可靠性和擴展性。

表1 人工算法與本文算法準確率對比

圖4 訓練集和測試集的仿真結果

6 結束語

本文提出一種融合深度學習和棧式自編碼算法的無線電異常信號監測方法，該方法不僅考慮了無線電信號的時空信息，還考慮無線電信號的噪音干擾對異常無線電信號識別的影響。由于無線電信息本身具有高維性，因此需要采用深度學習方法和棧式自編碼網絡提取數據的低維特征，使得提取的低維特征的表達能力更強、更具可讀性。最后，考慮到無線電磁環境的復雜性，采用聚類算法和自適應門限值技術，設置一個動態的閾值來識別異常無線電信號，使之動態適應無線電環境的變化和實際監測管理的要求，增強異常檢測模型的自主性。通過實驗表明，融合深度學習和棧式自編碼算法的監測方法在異常無線電信號識別上比人工經驗模型更有效，預測精度更高，具有一定的擴展性。