基于深度學習的無線通信干擾信號識別與處理

練東海

（中國人民解放軍78167部隊，四川 成都 610500）

0 引 言

隨著現代通信技術的不斷進步，許多大型無線通信網絡正在加快建設，無線通信面臨更嚴重的電磁干擾，其穩定性受到威脅。有效的抗干擾技術必須能夠快速準確地識別出干擾信號，從而采取針對性的技術手段消除干擾，確保通信正常[1]。干擾抑制是確保信號可靠的另一個重要手段，通常用于時域、頻域以及空域中，但是通信抗干擾技術涉及很多因素，往往同時多種干擾信號并存，而單一干擾抑制算法的適用范圍較小，難以有效應對各種干擾信號。由于接收機的復雜性，很難同時采取所有抗干擾措施，另外在對干擾信號進行抑制的同時也會影響正常通信[2]。基于此，找到可以快速精準識別干擾信號的方法，以最小可能的損害有效抑制干擾信號對于提高無線通信方銳抗干擾性能非常重要。

1 基于深度學習的無線通信干擾信號識別框架

基于深度學習的無線通信干擾信號識別框架如圖1所示，主要包括獲取數據、數據預處理與特征處理以及分類3個步驟。

圖1 基于深度學習的無線通信干擾信號識別架構

首先獲取所選頻率范圍和區域的源數據。其次對信號數據進行預處理，再通過深度卷積神經網絡（Convolutional Neural Networks，CNN）提取信號數據的特征，預處理后的輸入數據格式主要有Fre/Fim、快速傅里葉變換（Fast Fourier Transform，FFT）后的實部和虛部I/Q、星座圖、幅度和相位A/Φ以及周期頻譜特性[3]。最后通過深度學習算法識別目標信號，以便進行后續的信號處理。

2 基于深度學習的干擾信號識別

根據上文給出的干擾識別框架設計無線通信干擾信號識別網絡，該網絡包含時域和頻域兩種輸入數據格式。

2.1 數據預處理

對復雜的基帶信號x(n)執行功率歸一化操作，以防止干擾信號影響分類特性，同時可以提高干擾信號識別網絡的學習速度，具體為：

式中，N表示信號采樣點數，為了減少頻譜能量損失，需用窗函數對時域信號加窗。本次研究選用具有高旁瓣衰減的漢寧窗，接收到的干擾信號經過預處理以兩種格式輸入信號數據[4]。一是時域數據，包括干擾信號I通道和Q通道的數據，其維度為N×2；二是頻域數據，包括FFT的實部和虛部，其維度為N×2。另外采用獨熱編碼（One-Hot）作為網絡標簽[5]。

2.2 基于CNN的干擾信號識別

干擾信號識別網絡基于卷積神經網絡CNN的基本元素，這是一種常見且相對簡單的網絡結構，通常用作構建網絡模型的基礎[6]。如圖2所示，實際的CNN和構建在復雜CNN之上的干擾檢測網絡具有相同的網絡結構。實數/復數卷積單元（Real/Complex Conv Unit）包括批量歸一化層、激活函數層以及卷積層，如圖3所示。

圖2 基于CNN的干擾信號識別網絡

圖3 實數/復數卷積單元

輸入數據尺寸為N×2，其中N表示采樣點個數，2表示特征通道個數，經Reshape（矩陣變換）將輸入數據轉換為干擾識別網絡適合處理的三維尺寸N×1×2。通過由實數/復數卷積單元、池化層構成的卷積網絡，在確保準確表達數據特征的前提下避免網絡過擬合。池化為層平均池化，窗口大小為3×1，步長為2，對特征圖進行采樣，再通過全連接層，最后通過softmax函數分類[7]。實數CNN中激活函數選用修正線性單元（Rectified Linear Unit，ReLU），該函數收斂較快，可以緩解梯度消失問題，復數CNN中激活函數選用級聯整流線性單元（Concatenated Rectified Linear Units，CReLU），該函數基于相位信息進行識別，可以保留更多信息。

2.3 基于ResNet的干擾信號識別

網絡訓練速度與網絡深度成反比，為提高網絡訓練速度，可以通過殘差網絡（Residual Network，ResNet）基于ID索引加快網絡訓練速度。本次提出的基于殘差網絡構建的干擾信號識別網絡結構如圖4所示。

圖4 基于ResNet的干擾信號識別網絡

其中實數/復數殘差單元包括卷積層、批量歸一化層以及激活函數層，具體如圖5所示。

圖5 實數/復數殘差單位

基于ResNet的干擾信號識別網絡的輸入數據尺寸、輸入數據矩陣變換操作與基于CNN的干擾信號識別網絡相同，輸入數據尺寸為N×2，其中N表示采樣點個數，2表示特征通道個數，經Reshape（矩陣變換）將輸入數據轉換為干擾識別網絡適合處理的三維尺寸N×1×2，通過卷積層、批歸一化層以及激活函數層構成的特征提取層提取數據特征。其中實數卷積層通道數是32、卷積步長是2、卷積核大小為3×1。復數卷積層的卷積核大小是3x1，通道數為32，卷積步長為2。然后數據通過由6個實數殘差單元和平均池化層構成的網絡以及實數/復數全連接層，最后，數據通過一個實數全連接層和softmax函數進行歸一化，激活函數分別使用線性整流單元ReLU和CRelu。

3 基于深度學習的無線通信干擾信號抑制算法

3.1 基本算法步驟

基于不同時域干擾信號和頻域干擾信號的特性差異，抑制算法分可分為時域干擾信號抑制算法和頻域干擾信號抑制算法。相較于頻域干擾信號抑制算法，時域干擾抑制算法更簡單，將時域IQ信號直接輸入時域干擾信號抑制網絡可以抑制干擾信號。而頻域干擾信號抑制算法單次只能處理一定時間內的干擾信號，會導致頻譜泄露，影響系統性能。因此，在執行離散傅立葉變換之前需要給信號加窗，目的是減少頻譜損失，但這樣會使信號失真，增加信噪比[8]。為了解決這個問題可以采取疊加窗的方式，如1/2疊加漢明窗的方式可以有效減少頻譜損耗，盡量降低信噪比損失。該算法的基本步驟是將接收信號分成雙通道，其中一個通道延遲N/2個采樣點，然后將這兩個信號通道加窗，通過快速傅里葉變換后再執行反向快速傅里葉變換（Invert Fast Fourier Transformation，IFFT）生成時域信號，將兩個信號通道的數據疊加作為干擾信號抑制網絡的輸出信號。頻域干擾抑制算法的處理流程如圖6所示。

圖6 頻域干擾信號抑制算法基本步驟

3.2 基于語義分割網絡U-Net的干擾信號抑制網絡

基于不同時域干擾信號和頻域干擾信號的特性差異，選擇合適的訓練數據，基于語義分割網絡U-Net網絡建立干擾信號抑制網絡，利用復數卷積神經網絡提取數據特征[9]。語義分割網絡U-Net被廣泛用于醫學成像領域，是一種包括下采樣和上采樣在內的全卷積神經網絡，之所以稱為U-Net，是因為網絡的結構呈U形[8]。網絡下采樣通過減小池化層特征空間維度，增加感受野（卷積神經網絡各層輸出特征圖上的一個點對應的輸入圖區域），可以逐漸顯示有關周圍環境的信息。上采樣將每層信息的下采樣與輸入信息相結合可以恢復詳細信息，從而逐漸還原圖像。通過組合編碼器和解碼器的結構和功能將目標信號從接收信號中還原出來，圖7為基于復數U-Net的干擾信號抑制網絡的基本結構。

圖7 基于U-Net的干擾信號抑制網絡的基本結構

4 結 論

當前無線通信系統處在日益復雜的電磁環境中，容易受到干擾信號的影響，快速準確識別干擾信號并有效抑制干擾信號是確保無線通信質量的關鍵。近年來，隨著深度學習的不斷和應用，其強大的非線性關聯和數據表示能力得到展現。基于此，將深度學習用于無線通信干擾識別和處理領域可以有效提高無線通信網絡的抗干擾性能。