一种数据链宽带噪声电磁信号干扰预测方法及系统技术方案

本发明专利技术涉及一种数据链宽带噪声电磁信号干扰预测方法及系统，涉及电磁干扰效应领域，方法包括：获取宽带电磁干扰时频谱图像和数据链性能参数直方图；根据所述宽带电磁干扰时频谱图像和所述数据链性能参数直方图构建样本集；将所述样本集分为训练集和测试集；利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型；所述双通道CNN模型包括依次连接的特征提取层、特征融合层和预测回归层；利用所述测试集对所述双通道CNN预测模型进行预测，得到数据链性能预测结果。本发明专利技术利用双通道CNN模型实现对数据链受干扰程度进行预测。道CNN模型实现对数据链受干扰程度进行预测。道CNN模型实现对数据链受干扰程度进行预测。

【技术实现步骤摘要】
一种数据链宽带噪声电磁信号干扰预测方法及系统


[0001]本专利技术涉及电磁干扰效应领域，特别是涉及一种数据链宽带噪声电磁信号干扰预测方法及系统。

技术介绍

[0002]无人机作为新兴的空中作战力量，以其多载荷、高效能、低成本的优势开辟了现代战争新模式。数据链是无人机与地面进行信息交互的通信枢纽，也是对电磁干扰最为敏感的“神经元”。由于复杂的战场电磁环境下各种电磁信号密集交错，无人机数据链受到来自多方的威胁，严重影响数据链的通信性能，从而降低了无人机的整体作战效能。
[0003]宽带噪声信号是战场复杂电磁环境中的一种典型的干扰信号样式，战场环境下，当大量电子设备同时工作、空间电磁信号任意交错组合时，可以视为对无人机数据链构成低功率的无意噪声干扰；此外，敌方电磁干扰机也会有针对性地对我方数据链的通信频带发射高功率的噪声电磁干扰。这些有意或无意的噪声干扰均会不同程度地造成数据链信噪比降低、误码率升高，影响我方对无人机的控制指令的传输。
[0004]目前，机器学习方法在电磁兼容和通信领域也引起了广泛关注和应用。其中，卷积神经网络可以直接输入原始图像，避免了对图像进行复杂的预处理，具有一定的深度学习能力，因此得到了广泛的应用。但未有将机器学习应用到电磁干扰预测的方法。

技术实现思路

[0005]本专利技术的目的是提供一种数据链宽带噪声电磁信号干扰预测方法及系统，利用双通道CNN模型实现对数据链受干扰程度进行预测。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种数据链宽带噪声电磁信号干扰预测方法，包括：
[0008]获取宽带电磁干扰时频谱图像和数据链性能参数直方图；
[0009]根据所述宽带电磁干扰时频谱图像和所述数据链性能参数直方图构建样本集；
[0010]将所述样本集分为训练集和测试集；
[0011]利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型；所述双通道CNN模型包括依次连接的特征提取层、特征融合层和预测回归层；
[0012]利用所述测试集对所述双通道CNN预测模型进行预测，得到数据链性能预测结果。
[0013]可选地，所述获取宽带电磁干扰时频谱图像和数据链性能参数直方图，具体包括：
[0014]获取通信链路上电磁信号的IQ信息和数据链性能参数；
[0015]将所述IQ信号进行STFT变换，得到宽带电磁干扰时频谱图像；
[0016]对所述数据链性能参数进行归一化处理并根据归一化处理后的数据链性能参数绘制数据链性能参数直方图。
[0017]可选地，所述利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型，具体包括：
[0018]将所述训练集的宽带电磁干扰时频谱图像输入所述特征提取层的第一特征提取模块，得到第一局部特征；
[0019]将所述训练集的数据链性能参数直方图输入所述特征提取层的第二特征提取模块，得到第二局部特征；
[0020]将所述第一局部特征和所述第二局部特征输入所述特征融合层，得到特征向量；
[0021]将所述特征向量输入所述预测回归层，得到数据链性能预测值；
[0022]根据所述数据链性能预测值与所述训练集中的目标值确定损失函数；
[0023]分别根据所述损失函数利用SGDM、RMSProp和Adam优化方法对所述双通道CNN模型进行优化，得到评价指标和多个优化结果；所述评价指标包括均方根误差和准确度；
[0024]根据所述评价指标和多个所述优化结果确定双通道CNN预测模型。
[0025]可选地，所述损失函数的表达式为：
[0026][0027]其中，loss为损失函数，t
i
是在第i类预测结果下的目标值，y
i
为模型预测值，k为批量数。
[0028]可选地，所述均方根误差的表达式为：
[0029][0030]其中，RMSE为均方根误差，y
i
为模型预测值，t
i
为在第i类预测结果下的目标值，N
train
为通道的总样本数。
[0031]可选地，所述准确度的表达式为：
[0032][0033]其中，Acc(y,t)为准确度，y
i
为模型预测值，t
i
为在第i类预测结果下的目标值，N
train
为通道的总样本数，sign(y
i
,t
i
)为符号函数。
[0034]一种数据链宽带噪声电磁信号干扰预测系统，包括：
[0035]获取模块，用于获取宽带电磁干扰时频谱图像和数据链性能参数直方图；
[0036]构建模块，用于根据所述宽带电磁干扰时频谱图像和所述数据链性能参数直方图构建样本集；
[0037]拆分模块，用于将所述样本集分为训练集和测试集；
[0038]训练模块，用于利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型；所述双通道CNN模型包括依次连接的特征提取层、特征融合层和预测回归层；
[0039]预测模块，用于利用所述测试集对所述双通道CNN预测模型进行预测，得到数据链性能预测结果。
[0040]可选地，所述获取模块，具体包括：
[0041]获取单元，用于获取通信链路上电磁信号的IQ信息和数据链性能参数；
[0042]STFT变换单元，用于将所述IQ信号进行STFT变换，得到宽带电磁干扰时频谱图像；
[0043]归一化处理和绘制单元，用于对所述数据链性能参数进行归一化处理并根据归一化处理后的数据链性能参数绘制数据链性能参数直方图。
[0044]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0045]本专利技术获取宽带电磁干扰时频谱图像和数据链性能参数直方图；根据所述宽带电磁干扰时频谱图像和所述数据链性能参数直方图构建样本集；将所述样本集分为训练集和测试集；利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型；所述双通道CNN模型包括依次连接的特征提取层、特征融合层和预测回归层；利用所述测试集对所述双通道CNN预测模型进行预测，得到数据链性能预测结果。本专利技术能够对数据链在宽带噪声干扰下的干扰效应等级进行准确预测，使数据链能够评估宽带噪声干扰的威胁。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0047]图1为本专利技术提供的数据链宽带噪声电磁信号干扰预测方法流程图；
[0048]图2为本专利技术提供的干扰功率
‑
性能参数变化趋势图；
[0049]图3为注入式数据链电磁干扰采集系统示意图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据链宽带噪声电磁信号干扰预测方法，其特征在于，包括：获取宽带电磁干扰时频谱图像和数据链性能参数直方图；根据所述宽带电磁干扰时频谱图像和所述数据链性能参数直方图构建样本集；将所述样本集分为训练集和测试集；利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型；所述双通道CNN模型包括依次连接的特征提取层、特征融合层和预测回归层；利用所述测试集对所述双通道CNN预测模型进行预测，得到数据链性能预测结果。2.根据权利要求1所述的数据链宽带噪声电磁信号干扰预测方法，其特征在于，所述获取宽带电磁干扰时频谱图像和数据链性能参数直方图，具体包括：获取通信链路上电磁信号的IQ信息和数据链性能参数；将所述IQ信号进行STFT变换，得到宽带电磁干扰时频谱图像；对所述数据链性能参数进行归一化处理并根据归一化处理后的数据链性能参数绘制数据链性能参数直方图。3.根据权利要求1所述的数据链宽带噪声电磁信号干扰预测方法，其特征在于，所述利用所述训练集对双通道CNN模型进行训练，得到双通道CNN预测模型，具体包括：将所述训练集的宽带电磁干扰时频谱图像输入所述特征提取层的第一特征提取模块，得到第一局部特征；将所述训练集的数据链性能参数直方图输入所述特征提取层的第二特征提取模块，得到第二局部特征；将所述第一局部特征和所述第二局部特征输入所述特征融合层，得到特征向量；将所述特征向量输入所述预测回归层，得到数据链性能预测值；根据所述数据链性能预测值与所述训练集中的目标值确定损失函数；分别根据所述损失函数利用SGDM、RMSProp和Adam优化方法对所述双通道CNN模型进行优化，得到评价指标和多个优化结果；所述评价指标包括均方根误差和准确度；根据所述评价指标和多个所述优化结果确定双通道CNN预测模型。4.根据权利要求3所述的数据链宽带噪声电磁信号干扰预测方法，其特征在于，所述损失函数的表达式为：其中，loss为损失函数，t
i

【专利技术属性】
技术研发人员：陈亚洲，王玉明，许彤，赵敏，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：