一种面向无线通信系统的智能认知与干扰方法及系统技术方案

本发明专利技术公开了一种面向无线通信系统的智能认知与干扰方法及系统，其中，该方法通过设计无线通信信号特征提取、无线通信信号参数识别、无线通信信号逆向解析、对抗决策、基于基因编程的干扰生成等，形成闭合的智能认知与干扰流程。本发明专利技术可用于对无人机、无人艇等载体上的无线通信系统进行智能认知和干扰，解决了智能干扰系统在特征提取、信号识别、逆向解析、干扰决策、干扰生成等环节的面临的不全面、不系统、环境适应性差、手段单一等问题。手段单一等问题。手段单一等问题。

【技术实现步骤摘要】
一种面向无线通信系统的智能认知与干扰方法及系统


[0001]本专利技术属于无线通信
，尤其涉及一种面向无线通信系统的智能认知与干扰方法及系统。

技术介绍

[0002]随着认知无线电技术的迅速发展，无线通信系统正逐步具备对环境的适应能力，对其进行有效干扰的难度也越来越大。传统自适应干扰系统的干扰模式相对固定，多以带宽、频点等作为模式切换的依据；敏捷性不足，对无线通信系统信号发生的变化调整难以察觉或反应滞后；干扰有效性有限，依靠功率压制和简单的欺骗式干扰仅可实现信号级干扰，而难以实现信息级干扰。

技术实现思路

[0003]本专利技术解决的技术问题是：克服现有技术的不足，提供了一种面向无线通信系统的智能认知与干扰方法及系统，具有认知速度更快、准确度更高、干扰模式多样的优点，具备更强的综合干扰能力。
[0004]本专利技术目的通过以下技术方案予以实现：一种面向无线通信系统的智能认知与干扰方法，所述方法包括如下步骤：(1)对样本库中的无线通信信号特征提取，从多层次、多维度、多尺度的角度对无线通信信号进行处理得到多层次特征、多维度特征和多尺度特征，多层次特征、多维度特征和多尺度特征构建特征集合；(2)根据特征集合中的多层次特征中的信号级特征结合多维度特征和多尺度特征，对本次收到的无线通信信号通过迁移学习或在线半监督学习进行信号级参数识别得到信号级参数；(3)以信号级参数为基础，根据特征集合中的多层次特征中的信息级特征，结合对应的多维度和多尺度特征，对本次收到的无线通信信号通过专家经验与迁移学习相结合的方式进行信息级逆向解析，实现对应的编码、加密、协议解析，反向推测出本次收到的无线通信信号的部分或全部信息级参数；(4)将信号级参数、部分或全部信息级参数和上次干扰效果评估情况作为输入，得到对本次收到的无线通信信号最有效的干扰方式；(5)将信号级参数、部分或全部信息级参数加入到特征集合以丰富特征集合。
[0005]上述面向无线通信系统的智能认知与干扰方法中，在步骤(1)中，多层次特征包括信号级特征和信息级特征；其中，信号级特征包括频点、带宽、体制、调制特征，信息级特征包括编码、加密、协议特征。
[0006]上述面向无线通信系统的智能认知与干扰方法中，在步骤(2)中，所述迁移学习为通过将以往的学习经验存储到迁移学习经验库中，利用学习迁移算法对当前环境所需的最优迁移算法进行选择，以提高算法选择的效率，实现模型的快速适应。
[0007]上述面向无线通信系统的智能认知与干扰方法中，在步骤(2)中，所述在线半监督学习为利用在变换空间的数据相似性，以欧式距离进行衡量，并通过在线更新样本库和神经网络模型，控制运算复杂度，提高训练效率。
[0008]上述面向无线通信系统的智能认知与干扰方法中，在步骤(3)中，所述专家经验与迁移学习相结合的方式为对专家经验库中的知识提取，形成关于无线通信信号的特征描述，并将其作为少量有标签数据通过迁移学习到当前目标域，参与对当前目标域识别模型的训练；其中，专家经验库用于存储专家的知识经验。
[0009]上述面向无线通信系统的智能认知与干扰方法中，在步骤(4)中，采用基因编程方式对本次收到的无线通信信号生成干扰。
[0010]一种面向无线通信系统的智能认知与干扰系统，包括：信号特征提取模块，用于对样本库中的无线通信信号特征提取，从多层次、多维度、多尺度的角度对无线通信信号进行处理得到多层次特征、多维度特征和多尺度特征，多层次特征、多维度特征和多尺度特征构建特征集合；信号参数识别模块，用于根据特征集合中的多层次特征中的信号级特征结合多维度特征和多尺度特征，对本次收到的无线通信信号通过迁移学习或在线半监督学习进行信号级参数识别得到信号级参数；信号逆向解析模块，用于以信号级参数为基础，根据特征集合中的多层次特征中的信息级特征，结合对应的多维度和多尺度特征，对本次收到的无线通信信号通过专家经验与迁移学习相结合的方式进行信息级逆向解析，实现对应的编码、加密、协议解析，反向推测出本次收到的无线通信信号的部分或全部信息级参数；干扰生成模块，用于将信号级参数、部分或全部信息级参数和上次干扰效果评估情况作为输入，得到对本次收到的无线通信信号最有效的干扰方式；丰富特征集合模块，用于将信号级参数、部分或全部信息级参数加入到特征集合以丰富特征集合。
[0011]上述面向无线通信系统的智能认知与干扰系统中，多层次特征包括信号级特征和信息级特征；其中，信号级特征包括频点、带宽、体制、调制特征，信息级特征包括编码、加密、协议特征。
[0012]上述面向无线通信系统的智能认知与干扰系统中，所述迁移学习为通过将以往的学习经验存储到迁移学习经验库中，利用学习迁移算法对当前环境所需的最优迁移算法进行选择，以提高算法选择的效率，实现模型的快速适应。
[0013]上述面向无线通信系统的智能认知与干扰系统中，所述在线半监督学习为利用在变换空间的数据相似性，以欧式距离进行衡量，并通过在线更新样本库和神经网络模型，控制运算复杂度，提高训练效率。
[0014]本专利技术与现有技术相比具有如下有益效果：
[0015](1)本专利技术相比传统干扰系统，认知速度更快、准确度更高、干扰模式多样，具备更强的综合干扰能力；
[0016](2)本专利技术提出包括特征提取、信号识别、逆向解析、对抗决策和干扰生成的五个执行环节，可通过对无线通信系统的干扰评估形成完整闭环；
[0017](3)本专利技术提出从信号识别和逆向解析两个层次分别针对无线通信信号的信号级特征(频点、带宽、体制、调制等)和信息级特征(编码、加解密、协议等)，可实现对无线通信信号的深度解构；
[0018](4)本专利技术干扰生成采用基因编程的方式，将信号级特征和信息级特征充分利用于干扰波形生成，可支撑欺骗式、复合式、入侵式等更有效的干扰模式。
附图说明
[0019]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0020]图1为本专利技术智能认知与干扰方法总体流程；
[0021]图2为本专利技术无线通信信号特征提取流程；
[0022]图3为本专利技术无线通信信号识别与逆向解析流程；
[0023]图4为本专利技术智能对抗决策流程；
[0024]图5为本专利技术基于基因编程的干扰生成流程。
具体实施方式
[0025]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0026]图1为本专利技术智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向无线通信系统的智能认知与干扰方法，其特征在于，所述方法包括如下步骤：(1)对样本库中的无线通信信号特征提取，从多层次、多维度、多尺度的角度对无线通信信号进行处理得到多层次特征、多维度特征和多尺度特征，多层次特征、多维度特征和多尺度特征构建特征集合；(2)根据特征集合中的多层次特征中的信号级特征结合多维度特征和多尺度特征，对本次收到的无线通信信号通过迁移学习或在线半监督学习进行信号级参数识别得到信号级参数；(3)以信号级参数为基础，根据特征集合中的多层次特征中的信息级特征，结合对应的多维度和多尺度特征，对本次收到的无线通信信号通过专家经验与迁移学习相结合的方式进行信息级逆向解析，实现对应的编码、加密、协议解析，反向推测出本次收到的无线通信信号的部分或全部信息级参数；(4)将信号级参数、部分或全部信息级参数和上次干扰效果评估情况作为输入，得到对本次收到的无线通信信号最有效的干扰方式；(5)将信号级参数、部分或全部信息级参数加入到特征集合以丰富特征集合。2.根据权利要求1所述的面向无线通信系统的智能认知与干扰方法，其特征在于：在步骤(1)中，多层次特征包括信号级特征和信息级特征；其中，信号级特征包括频点、带宽、体制、调制特征，信息级特征包括编码、加密、协议特征。3.根据权利要求1所述的面向无线通信系统的智能认知与干扰方法，其特征在于：在步骤(2)中，所述迁移学习为通过将以往的学习经验存储到迁移学习经验库中，利用学习迁移算法对当前环境所需的最优迁移算法进行选择，以提高算法选择的效率，实现模型的快速适应。4.根据权利要求1所述的面向无线通信系统的智能认知与干扰方法，其特征在于：在步骤(2)中，所述在线半监督学习为利用在变换空间的数据相似性，以欧式距离进行衡量，并通过在线更新样本库和神经网络模型，控制运算复杂度，提高训练效率。5.根据权利要求1所述的面向无线通信系统的智能认知与干扰方法，其特征在于：在步骤(3)中，所述专家经验与迁移学习相结合的方式为对专家经验库中的知识提取，形成关于无线通信信号的特征描述，并将其作为少量有标签数据通过迁移学习到当前目标域，参与对当...

【专利技术属性】
技术研发人员：常诚，祝兴晟，杨利民，李喆，陆婷婷，张尧，夏耘，顾鑫，邓志均，岑小锋，杨玉生，刘洋，吴海华，
申请(专利权)人：中国运载火箭技术研究院，
类型：发明
国别省市：