基于CNN網絡的通信干擾信號識別

張博軒，王圣舉

（1.寧夏回族自治區無線電監測站，寧夏 銀川 750004；2.長安大學電子與控制工程學院，陜西 西安 710064）

0 引言

隨著日益復雜的電磁環境以及干擾技術的發展，通信干擾對正常的通信交流構成了嚴重的威脅[1]。復雜的電磁環境導致各個電磁器件不可避免地受到干擾，為了保證通信、雷達等設備的正常工作，我們可以提高設備的抗干擾能力，抑制干擾。干擾信號的檢測與識別是抗干擾的前提和基礎，只有知道是哪種干擾才能執行具體的抑制方法來應對干擾。傳統的通信干擾識別方法依賴于通信技術人員的經驗，存在耗時長、無法自動識別、識別率低等缺點[2]。對通信干擾識別的研究，可以減輕技術人員的負擔，減少人為因素帶來的負面影響，從而大大提高識別精度。

目前，對干擾信號識別的研究也越來越多。文獻[3]利用基于特征的模式識別方法，選取了時域特征和頻域特征分別進行識別，然后通過D-S證據理論融合的方法將時域特征和頻域特征的識別結果進行綜合，過程比較復雜。文獻[4]使用支持向量機的方法對干擾信號的時頻特征進行識別，識別精度較低。文獻[5]提出了一種決策樹自動化設計方法，降低了決策樹的復雜度，但沒有分析在低干噪比的情況。

針對上述的一些問題，為了提高識別精度，簡化識別流程，本文提出了一種基于卷積神經網絡和STFT時頻分析的識別方法。首先對典型的4種干擾信號和BPSK通信信號進行時頻分析得到時頻圖像，然后采用卷積神經網絡實現對時頻圖像特征的自動提取，從而完成分類識別。

1 干擾信號與通信信號

通信干擾信號可分為壓制性干擾和欺騙性干擾，本文對壓制性干擾中的4種典型干擾信號和BPSK通信信號進行研究識別。當存在干擾信號時，通信系統接收到的信號為通信信號、干擾信號和信道噪聲三者的疊加。

PSK信號利用載波的相位變化來傳遞信息。在BPSK中，通常用初始相位0和π分別表示二進制“1”和“0”。

（1）線性調頻干擾（Linear Frequency-Modulated Interference, LFM）在一個連續的頻帶上阻礙有用的通信和信號檢測，LFM信號的頻率隨著時間的變化而線性變化。

（2）連續波干擾又稱為單音干擾（Single-tone interference, ST），在某個頻點發射信號，阻礙通信和信號檢測，是一個連續正弦波。

（3）多音干擾（Multitone interference, MT）在幾個特定的頻點發射信號，阻礙通信和信號檢測。

（4）噪聲調頻干擾（Frequency-modulated Interference, FM）信號以噪聲為調制信號對載波信號進行調頻調制，使載波信號的幅度不變，頻率隨基帶噪聲隨機變化。

2 短時傅里葉變換

短時傅里葉變換（Short-Time Fourier Transform,STFT）是一種針對時變非平穩信號的時頻分析方法[6]，其數學表達式為

選取Hamming窗作為窗函數，設置信干噪比為10 dB，利用STFT對干擾信號、通信信號和信道噪聲三者的疊加信號進行時頻分析，時頻圖如圖1所示。

圖1 四類干擾信號的時頻圖

3 卷積神經網絡模型

卷積神經網絡一般由輸入層、卷積層、池化層、全連接層和輸出層組成[7]。卷積神經網絡能夠成功應用于圖像識別的主要原因在于它的三個結構特點：局部連接、下采樣和權值共享。這三個特點使得卷積神經網絡既解決了全連接層訓練時間長、計算量大的問題，又保證了特征識別的準確性。圖2是本文應用于干擾識別的卷積神經網絡模型。

圖2 用于干擾識別的神經網絡模型

卷積層：利用卷積核提取圖像特征，卷積核在圖像中逐像素移動。卷積層的輸出經過激活函數的作用后稱為特征圖。不同的卷積核提取不同的輸入圖像特征，卷積層的操作表示為

池化層：使用最大池化可以降低卷積層對位置的敏感性，同時降低對空間采樣表示的敏感性，保留更詳細的圖像特征信息。同時，避免了平均池化帶來的模糊特征。

Dropout層：在深度學習的過程中，容易出現模型參數過多、訓練樣本不足的情況。Dropout模塊通過丟棄部分神經元，使得某些隱層節點的值為零，減少了隱層節點的相互作用，從而防止了過擬合的發生，增強了模型的泛化能力[9]。

4 實驗仿真與結果分析

4.1 數據集的生成

本文是對四類干擾信號進行識別，由于在實際生活中，對干擾信號的采集比較困難，這里采用MATLAB仿真生成干擾信號和通信信號，并對其兩者的疊加信號進行STFT時頻分析，從而得到時頻圖像。模型的輸入數據為

這4類干擾信號和通信信號的疊加信號在信干噪比[-10 dB,10 dB]內每間隔5 dB生成訓練數據和測試數據，在每種信干噪比下生成500張圖片，一共有4×5×500個樣本，其中90%為訓練數據，10%為訓練數據。

仿真參數設置如下：線性掃頻干擾的初始頻率為（10 kHz, 20 kHz），調頻率為（10 GHz,100 GHz）。單音干擾的頻率范圍為（10 kHz, 20 kHz）。多音干擾的頻率范圍為（10 kHz, 20 kHz），音數目為（2, 7）。噪聲調頻干擾的中心頻率為20 MHz，噪聲有效帶寬為（50 MHz, 100 MHz）調頻斜率為（100 MHz, 200 MHz）。

4.2 實驗流程

本文首先生成干擾信號和通信信號，將兩者疊加后加入高斯白噪聲，得到待處理的信號，然后使用STFT對信號進行時頻分析，得到時頻圖像，調整圖片大小為224×224并送入神經網絡模型中，具體實現過程如圖3所示。

圖3 實驗流程圖

4.3 實驗結果及分析

根據仿真結果，可以得到各類干擾信號的識別率。圖4是信干噪比為[-10 dB, 10 dB]的混淆矩陣圖，矩陣顯示的百分比為混淆矩陣的召回率?？梢钥吹絾我舾蓴_被識別為線性掃頻干擾的數量相對比較多一些，這是因為這兩者的時頻圖具有一定的相似性。

圖5是信干噪比為[0 dB, 10 dB]的混淆矩陣圖，相比較于圖4，識別率有所上升。因此，可以知道信干噪比越高即信道噪聲越小，干擾信號的特征就越容易被神經網絡識別，識別的概率隨著增大。

圖4 測試集的混淆矩陣

圖5 [0 dB,10 dB]測試集的混淆矩陣

5 結束語

鑒于傳統干擾信號識別方法比較復雜，并且識別效果不好，本文使用一種利用卷積神經網絡和STFT時頻分析的方法對幾種常見的通信干擾信號進行識別分類。仿真結果表明，該方法對這4種通信干擾信號都具有較高的識別率，在信干噪比為[-10 dB,10 dB]范圍內的綜合識別率可達到97.8%，在信干噪比為[0 dB,10 dB]范圍內的綜合識別率為99.5%。與傳統的識別方法相比此方法實現比較簡單，并且識別率高。只是神經網絡模型參數比較多，運算比較復雜，要用在實際工程中存在不少難題，同時，本文也沒有對復合干擾信號進行識別，這些問題需要進一步研究?！?/p>