本发明专利技术公开了一种基于深度支持向量数据描述的干扰检测装置及方法，装置包括数据预处理、深度学习训练模块、干扰检测和干扰识别模块；方法包括以下步骤：通过天线采集空间信号并作IQ调制，经混频、数字滤波、降采样和FFT，将信号的一维数据格式转化为四维矩阵数据格式；构建、优化、训练深度学习网络架构，获得网络最优参数；根据需求调用对应算法，在基于CPU的操作系统上实现在线干扰检测和调制识别；最后在基于pyQT的显控界面上输出结果。本发明专利技术通过结合深度支持向量描述和调制识别的优势，解决了复杂环境下干扰样式未知及信号特征提取难的问题，实现高检测率、低虚警率的开集识别，保证了在复杂信道环境下的干扰检测与识别效果。了在复杂信道环境下的干扰检测与识别效果。了在复杂信道环境下的干扰检测与识别效果。
【技术实现步骤摘要】
一种基于深度支持向量数据描述的干扰检测装置及方法
[0001]本专利技术属于通信系统的信号感知
，更具体地，涉及一种基于深度支持向量数据描述的干扰检测装置及方法。
技术介绍
[0002]在诸如战车、飞机和军舰等空间受限的作战平台中，部署着大量不同功能的雷达通信电子战设备，且空间拥挤。位于作战平台的通信接收机除收到友方有用通信信号外，还收到平台上其他电子设备外漏的电磁信号，以及来自敌方平台的电磁干扰信号，电磁环境复杂。干扰检测与识别作为通信抗干扰的前提和干扰认知的基础，研究复杂信道环境下的干扰检测与识别方法，对确保作战平台在复杂环境下全链路信息通畅具有重要意义。在复杂电子对抗环境中，干扰样式无法穷尽，属于开集问题，因此需要采用干扰检测技术解决；而调制识别技术应用的前提是电磁环境中信号样式已知且有限，属于闭集问题。因此，单独采用其中一种技术，难以实现鲁棒的干扰检测与识别。
[0003]根据实现方式不同，当前干扰检测方法主要可分为：能量检测、匹配滤波检测和循环平稳检测；当前调制识别方法主要可分为：基于假设检验的似然比识别方法和基于特征提取的统计模式识别方法。针对以上两种技术，分别阐述如下：干扰检测的传统方法有能量检测、匹配滤波检测和循环平稳检测。能量检测是以通信信号与干扰信号在指定频带内功率的差异性作为判决准则，实现干扰检测。难点在于需要干扰信号的功率等先验信息，通常信噪比需求较高，无法克服低信噪比或复杂信道下的干扰检测难题。匹配滤波检测是假设通信信号已知，计算接收信号与通信信号的数量积，作为检验统计量。难点在于需要准确的通信信号先验信息，保证精准的时间同步和载波同步来进行相干检测，因此实用性不高。循环平稳检测是利用利用信号的循环平稳特性，求取循环谱密度函数，作为检验统计量。难点同样在于需要准确的通信信号先验信息，通常运算复杂度较高，工程实践上实用性不强。
[0004]调制识别的传统方法有基于假设检验的似然比识别和基于特征提取的统计模式识别方法。基于假设检验的似然比识别方法是利用随机信号的概率密度函数建立假设，确定代价函数，通过似然比求取最小代价，对众多信号类型建立判决准则。难点在于需要确知信号的某些先验概率信息，通常计算量较大，运算过程优化困难，工程实践上实用性不强。基于特征提取的统计模式识别方法可分为信号特征提取和分类器构造两步，常用的特征参数有瞬时幅度相位特征，高阶统计量特征，小波变换特征以及循环平稳特征等。但是，它们也存在诸多缺陷，比如瞬时特征对信噪比要求高，高阶统计量特征需要精确载波码元同步，小波特征对尺度鲁棒性较差，循环平稳特征通常运算量较大。目前，随着信号体制和样式日益复杂，传统调制识别方法存在问题日益突出，在非理想信道环境下的应用受限，且考虑的信号调制类型覆盖有限，工程化应用困难，难以实现稳健的多类型实时识别。
[0005]同时，近年来深度学习技术逐渐兴起，推动了干扰检测和信号调制技术的快速发展。深度学习技术借助强大的拟合能力，运用多层神经网络实现高维数据特征提取和分类，
对干扰检测与调制识别技术带来了巨大挑战。
[0006]中国专利一种基于支持向量数据描述的超短波威胁信号感知方法（申请号CN202010230505.2）、一种软件无线电调制信号识别平台及识别方法（申请号CN201010516145.9）主要存在实时性较差，对电磁环境变化敏感，无法克服复杂信道下通信信号的实时干扰检测难题。
技术实现思路
[0007]针对现有的干扰检测与识别方法中存在的复杂信道下检测性能以及实时性较差问题，本专利技术提供了一种基于深度支持向量数据描述的干扰检测装置及方法，借助软件无线电将射频信号转换为基带信号，通过信号预处理和引入信道噪声构造训练数据集，设计优化深层支持向量描述网络和深层卷积神经网络架构，迭代优化网络权值，完成通信系统干扰检测与识别。
[0008]本专利技术提供的基于深度支持向量数据描述的干扰检测装置，包括：数据预处理模块、数据集构建模块、架构优化模块、深度学习训练模块和在线检测模块；数据预处理模块的输入端连接接收链路，数据预处理模块用于滤除信号中的冗余信息和干扰信息，并将一维采样数据格式转化为时频域IQ样本的四维矩阵数据格式；数据集构建模块的输入端连接至所述数据预处理模块的第一输出端，数据集构建模块用于引入信道噪声，增强深度学习网络的泛化能力；架构优化模块的输入端连接至数据集构建模块的输出端，架构优化模块用于优化深度学习网络超参数，提高检测性能，降低计算复杂度；深度学习训练模块的输入端连接至所述架构优化模块的输出端，深度学习训练模块用于优化深度学习网络参数，提高检测性能；在线检测模块的第一输入端连接至数据预处理模块的第二输出端，在线检测模块的第二输入端连接至深度学习训练模块的输出端；在线检测模块用于实时采集空间信号并输出干扰检测和识别结果。
[0009]更进一步地，在线检测模块包括：连续波干扰检测检测模块、连续波干扰识别模块、数据帧干扰检测模块和数据帧干扰识别模块；连续波干扰检测检测模块的输入端连接至所述数据预处理模块的第二输出端，连续波干扰检测检测模块用于连续波模式下的初步干扰检测；连续波干扰识别模块的输入端连接至所述连续波干扰检测检测模块的输出端；连续波干扰识别模块用于连续波模式下的干扰检测结果验证及调制识别；数据帧干扰检测模块的输入端连接至数据预处理模块的第二输出端，数据帧干扰检测模块用于数据帧模式下的初步干扰检测；数据帧干扰识别模块的输入端连接至所述数据帧干扰检测模块的输出端；数据帧干扰识别模块用于数据帧模式下的干扰检测结果验证及调制识别。
[0010]本专利技术还提供了一种基于上述的干扰检测装置实现的干扰检测方法，包括下述步骤：S1对采集的链路信号进行预处理，将所述链路信号的一维数据格式转化为四维矩阵数据格式并以定长帧格式进行保存；S2对步骤S1预处理后的定长帧数据进行数据集构建，通过引入白噪声、频偏和相噪，扩充深度学习训练数据集；S3在步骤S2构建的训练数据集基础上，通过仿真分步优化深度学习网络的输入维度、卷积核个数和长度、残差单元个数以及网络输出维度实现架构模块的优化；
S4利用步骤S2构建的深度学习训练数据集，采用步骤S3中深度学习网络的各项最优超参数，调用深度学习训练模块，获得深度支持向量网络及深度调制识别网络的最优参数，并保存在大数据存储系统的模型数据中；S5根据通信系统工作模式选择工作模式，通过加载采用步骤S1中预处理方法后的数据以及步骤S4所得的模型数据，并调用对应工作模式下的干扰检测识别策略，判断实时帧数据是否存在干扰，并获得对应的调制方式。
[0011]更进一步地，步骤S1具体包括：S11对采集的链路信号进行混频处理，将所述链路信号由射频搬移至基带100kHz；S12对混频处理后的信号进行数字滤波处理，滤除本振以及带外干扰；S13对滤波后的信号进行降采样处理，将所述链路信号的采样率降至与通信信号带宽一致，去除所述链路信号中的无效信息；S14将降采样后信号的时频IQ序列拼接，转化为四维矩阵数据格式，其中矩阵四行分别为时域I路数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度支持向量数据描述的干扰检测装置，其特征在于，包括：数据预处理模块（00）、数据集构建模块（01）、架构优化模块（02）、深度学习训练模块（03）和在线检测模块；所述数据预处理模块（00）的输入端连接接收链路，所述数据预处理模块（00）用于滤除信号中的冗余信息和干扰信息，并将一维采样数据格式转化为时频域IQ样本的四维矩阵数据格式；所述数据集构建模块（01）的输入端连接至所述数据预处理模块（00）的第一输出端，所述数据集构建模块（01）用于引入信道噪声；所述架构优化模块（02）的输入端连接至所述数据集构建模块（01）的输出端，所述架构优化模块（02）用于优化深度学习网络超参数；所述深度学习训练模块（03）的输入端连接至所述架构优化模块（02）的输出端，所述深度学习训练模块（03）用于优化深度学习网络参数；所述在线检测模块的第一输入端连接至所述数据预处理模块（00）的第二输出端，所述在线检测模块的第二输入端连接至所述深度学习训练模块（03）的输出端；所述在线检测模块用于实时采集空间信号并输出干扰检测和识别结果。2.如权利要求1所述的干扰检测装置，其特征在于，所述在线检测模块包括：连续波干扰检测检测模块（04）、连续波干扰识别模块（05）、数据帧干扰检测模块（06）和数据帧干扰识别模块（07）；所述连续波干扰检测检测模块（04）的输入端连接至所述数据预处理模块（00）的第二输出端，所述连续波干扰检测检测模块（04）用于连续波模式下的初步干扰检测；所述连续波干扰识别模块（05）的输入端连接至所述连续波干扰检测检测模块（04）的输出端；所述连续波干扰识别模块（05）用于连续波模式下的干扰检测结果验证及调制识别；所述数据帧干扰检测模块（06）的输入端连接至所述数据预处理模块（00）的第二输出端，所述数据帧干扰检测模块（06）用于数据帧模式下的初步干扰检测；所述数据帧干扰识别模块（07）的输入端连接至所述数据帧干扰检测模块（06）的输出端；所述数据帧干扰识别模块（07）用于数据帧模式下的干扰检测结果验证及调制识别。3.一种基于权利要求1或2所述的干扰检测装置实现的干扰检测方法，其特征在于，包括下述步骤：S1对采集的链路信号进行预处理，将所述链路信号的一维数据格式转化为四维矩阵数据格式并以定长帧格式进行保存；S2对步骤S1预处理后的定长帧数据进行数据集构建，通过引入白噪声、频偏和相噪，扩充深度学习训练数据集；S3在步骤S2构建的训练数据集基础上，通过仿真分步优化深度学习网络的输入维度、卷积核个数和长度、残差单元个数以及网络输出维度实现架构模块的优化；S4利用步骤S2构建的深度学习训练数据集，采用步骤S3中深度学习网络的各项最优超参数，调用深度学习训练模块，获得深度支持向量网络及深度调制识别网络的最优参数，并保存在大数据存储系统的模型数据中；S5根据通信系统工作模式选择工作模式，通过加载采用步骤S1中预处理方法后的数据
以及步骤S4所得的模型数据，并调用对应工作模式下的干扰检测识别策略，判断实...
【专利技术属性】
技术研发人员：吴灏，康颖，孟进，葛松虎，李亚星，郭宇，邢金岭，何方敏，王青，杨凯，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。