基于自编码器信号重构的无线信号干扰检测与分离方法技术

本发明专利技术公开了一种基于自编码器信号重构的无线信号干扰检测与分离方法，包括步骤如下：S1：构建基于自编码器的信号重构模型；S2：将无干扰信号作为训练数据集，输入基于自编码器的信号重构模型进行训练，在损失函数小于0.1％的条件下，得到信号重构模型输出的第一重构信号和训练好的信号重构模型；S3：利用无干扰信号与第一重构信号的差值，作为正样本训练一个二分类器，该二分类器将用于后续干扰检测判决；S4：将有干扰信号输入训练好的信号重构模型，输出得到第二重构信号，将有干扰信号与第二重构信号的差值作为负样本，输入步骤S3得到的二分类器进行测试；S5：若测试达到预设的效果，则训练完成，利用训练好的信号重构模型、分类器进行干扰检测；否则返回步骤S2继续执行。执行。执行。

【技术实现步骤摘要】
基于自编码器信号重构的无线信号干扰检测与分离方法


[0001]本专利技术涉及信号处理
，更具体的，涉及一种基于自编码器信号重构的无线信号干扰检测与分离方法。

技术介绍

[0002]无线通信解决方案中存在着各种各样的问题，干扰信号的存在是其中一个普遍且非常关键的问题。传输数据的通信信号在信道中传输时很容易叠加同频的干扰信号，这种情况下倘若直接对接收信号进行译码会出现很多错误，严重影响通信的正常进行。为了保证无线通信的通信质量，干扰检测功能必不可少。
[0003]传统通信中一般用时频变换提取特征或对信号进行循环平稳分析等检测干扰信号的存在。但是实际通信环境中存在着一些干扰信号，其功率较小且频率与原始信号相同，这种干扰很难被检测出来，而且只能完成干扰的检测而无法将干扰信号分离，以支持对干扰信号的进一步分析处理的工作。同时，由于干扰信号的复杂多变性，针对不同的干扰信号，基于特征提取的干扰检测方式不适用于普遍情况。因此，提出适用于普遍通信场景的干扰检测算法十分必要。

技术实现思路

[0004]本专利技术为了解决以上现有技术中存在的不足的问题，提供了一种基于自编码器信号重构的无线信号干扰检测与分离方法，不仅能够检测干扰信号的存在，而且实现了干扰信号的分离。
[0005]为实现上述本专利技术目的，采用的技术方案如下：
[0006]一种基于自编码器信号重构的无线信号干扰检测与分离方法，所述的方法包括步骤如下：
[0007]S1：构建基于自编码器的信号重构模型；
[0008]S2：将无干扰信号作为训练数据集，输入基于自编码器的信号重构模型进行训练，在损失函数小于0.1％的条件下，得到信号重构模型输出的第一重构信号，和训练好的信号重构模型；
[0009]S3：利用无干扰信号与第一重构信号的差值，作为正样本训练一个二分类器，该二分类器将用于后续干扰检测判决；
[0010]S4：将有干扰信号输入训练好的信号重构模型，输出得到第二重构信号，将有干扰信号与第二重构信号的差值作为负样本，输入步骤S3得到的二分类器进行测试；
[0011]S5：若测试达到预设的效果，则训练完成，利用训练好的信号重构模型、分类器进行干扰检测；否则返回步骤S2继续执行。
[0012]优选地，所述的信号重构模型包括编码器、解码器；
[0013]所述的编码器由N层第一LSTM网络堆叠搭建而成，从编码器的输入端到输出端，每层第一LSTM网络的输出维度逐渐减小，从而使信号通过编码器压缩为低维信号特征；
[0014]所述的解码器依次由N层第二LSTM网络和1层Dense层堆叠搭建而成；
[0015]从解码器的输入端到输出端所述的第二LSTM网络的输出维度逐渐增加，所述的Dense层的输出维度与输入信号的长度相等。
[0016]进一步地，所述的第一LSTM网络设有3层，其神经元数目分别为256、250、128；相应的，所述的第二LSTM网络设有3层，其神经元数目分别为128、250、256。
[0017]再进一步地，所述的信号重构模型中的激活函数采用tanh激活函数、优化算法采用Adam算法、损失函数采用mse函数。
[0018]再进一步地，所述的无干扰信号包括未受干扰的QPSK信号、未受干扰的16QAM信号、未受干扰的FM信号几种中的一种。
[0019]再进一步地，步骤S2，将无干扰信号作为信号重构模型训练的标签，对信号重构模型进行训练，通过计算损失函数，不断调整网络参数，使得不断减小第一重构信号与无干扰信号的差异，使得第一重构信号接近于无干扰信号。
[0020]再进一步地，步骤S3，采用多元特征训练二分类器，具体地，计算无干扰信号与第一重构信号的差值，对差值采取滑动时间窗的方法，以步进值为1滑动时间窗以提取长度为10的特征作为一帧数据，输入二分类器进行训练。
[0021]再进一步地，所述的分类器采用SVDD算法。
[0022]一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如上述的方法的步骤。
[0023]一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如上述的方法的步骤。
[0024]本专利技术的有益效果如下：
[0025]本专利技术能够适应于多种调制的无线信号，且不因干扰类型或发射信号类型的改变而改变，不用人为提取特征进行计算，自适应学习能力强，并且对特殊情况下，如干扰信号的频率和被干扰信号相同时也有较好的效果。并且，本专利技术不仅能够检测干扰信号的存在，也能确定干扰信号的具体位置，甚至可以对干扰信号进行分离并支持其分析识别。本专利技术为干扰检测与分离提供了一种新的思路，且在多种信号及干扰组合场景下皆取得了优异的表现。
[0026]本专利技术设计了可用于无线信号内干扰检测与分离的信号重构模型和训练方法。信号重构模型作为干扰检测模型的一部分能够在有噪声条件下较好地重构出原始信号，并计算重构信号和输入信号的差值作为特征进行干扰检测。
[0027]本专利技术能在无线信号场景下构建了对原始无干扰信号的信号重构模型，跟传统的预测模型相比能够更加精确地从接收信号中重构被干扰信号，使得干扰信号的存在特征更明显，在低信噪比条件下也能取得较好的检测效果。
附图说明
[0028]图1是实施例1所述的方法的流程图。
[0029]图2是实施例1所述的基于自编码器的信号重构模型的结构图。
[0030]图3是实施例1重构信号和原始信号的对比图。
[0031]图4是实施例1原始发射信号与重构信号星座对比图。
[0032]图5是实施例1干扰信号的重构表现图。
[0033]图6是实施例1QAM
‑
QPSK信号的干扰检测表现图。
具体实施方式
[0034]下面结合附图和具体实施方式对本专利技术做详细描述。
[0035]实施例1
[0036]如图1所示，一种基于自编码器信号重构的无线信号干扰检测与分离方法，所述的方法包括步骤如下：
[0037]S1：构建基于自编码器的信号重构模型；
[0038]S2：将无干扰信号作为训练数据集，输入基于自编码器的信号重构模型进行训练，在损失函数小于0.1％的条件下，得到信号重构模型输出的第一重构信号和训练好的信号重构模型；
[0039]S3：利用无干扰信号与第一重构信号的差值，作为正样本训练一个二分类器，该二分类器将用于后续干扰检测判决；
[0040]S4：将有干扰信号输入训练好的信号重构模型，输出得到第二重构信号，将有干扰信号与第二重构信号的差值作为负样本，输入步骤S3得到的二分类器进行测试；
[0041]S5：若测试达到预设的效果，则训练完成，利用训练好的信号重构模型、分类器进行干扰检测；否则返回步骤S2继续执行。
[0042]在一个具体的实施例中，如图2所示，所述的信号重构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码器信号重构的无线信号干扰检测与分离方法，其特征在于：所述的方法包括步骤如下：S1：构建基于自编码器的信号重构模型；S2：将无干扰信号作为训练数据集，输入基于自编码器的信号重构模型进行训练，在损失函数小于0.1％的条件下，得到信号重构模型输出的第一重构信号和训练好的信号重构模型；S3：利用无干扰信号与第一重构信号的差值，作为正样本训练一个二分类器，该二分类器将用于后续干扰检测判决；S4：将有干扰信号输入训练好的信号重构模型，输出得到第二重构信号，将有干扰信号与第二重构信号的差值作为负样本，输入步骤S3得到的二分类器进行测试；S5：若测试达到预设的效果，则训练完成，利用训练好的信号重构模型、分类器进行干扰检测；否则返回步骤S2继续执行。2.根据权利要求1所述的基于自编码器信号重构的无线信号干扰检测与分离方法，其特征在于：所述的信号重构模型包括编码器、解码器；所述的编码器由N层第一LSTM网络堆叠搭建而成，从编码器的输入端到输出端，每层第一LSTM网络的输出维度逐渐减小，从而使信号通过编码器压缩为低维信号特征；所述的解码器依次由N层第二LSTM网络和1层Dense层堆叠搭建而成；从解码器的输入端到输出端所述的第二LSTM网络的输出维度逐渐增加，所述的Dense层的输出维度与输入信号的长度相等。3.根据权利要求2所述的基于自编码器信号重构的无线信号干扰检测与分离方法，其特征在于：所述的第一LSTM网络设有3层，其神经元数目分别为256、250、128；相应的，所述的第二LSTM网络设有3层，其神经元数目分别为128、250、256。4.根据权利要求...

【专利技术属性】
技术研发人员：何瑞珠，孙卓，乌倩倩，吴皓，
申请(专利权)人：中国电子科技集团公司第七研究所，
类型：发明
国别省市：