一种新环境下干扰识别的鲁棒性方法技术

本发明专利技术公开了一种新环境下干扰识别的鲁棒性方法，属于信号干扰领域。本发明专利技术首先设置基于卷积神经网络的干扰识别模型，并采用静默期的采集信号作为第一训练集，对干扰识别模型进行基础训练；再采用非静默期的采集信号作为第二训练集，对步骤2训练好的干扰识别模型进行第二次训练，并将第二次训练好的干扰识别模型作为干扰识别器；其中，第二训练与基础训练采用的损失函数和优化函数相同，第二训练过程中采用的学习率低于基础训练采用的学习率；对待识别信号信号进行预处理后输入干扰识别器获取识别结果。本发明专利技术对干扰识别效果良好，且本发明专利技术适用于当信道环境发生变化，噪声改变时等新环境下的干扰识别。等新环境下的干扰识别。等新环境下的干扰识别。

【技术实现步骤摘要】
一种新环境下干扰识别的鲁棒性方法


[0001]本专利技术属于信号干扰领域，具体涉及一种对非静默期的干扰信号的识别方法。

技术介绍

[0002]现有技术中，对于干扰信号的识别，无论是基于传统的特征提取还是基于卷积神经网络的识别方案，都是在无通信信号下(即静默期)进行的识别处理，在有通信信号的情况下(即非静默期)进行干扰信号识别分类鲜有，其中有研究跳频信号中的干扰信号识别，其通过跳频信号的通信时隙规律将有通信信号下(即非静默期)的干扰信号识别转化为静默期干扰识别。
[0003]在本专利技术的技术方案的实现过程中，专利技术人发现：对低轨卫星上行链路中的8种干扰信号进行识别时，干扰类型有6种典型单一压制式干扰信号，包括单音干扰、多音干扰、线性扫频干扰、部分带噪声干扰、高斯脉冲干扰和噪声调频干扰以及2种复合干扰：单音+线性扫频，多音+部分带噪声干扰。基于设置的CNN(卷积神经网络)自动特征提取的干扰识别算法进行干扰识别，如图1所示的识别仿真结果显示，干噪比在
‑
4dB以上时，干扰整体识别准确率基本能够接近100％，识别性能良好。
[0004]然而静默期的干扰信号识别算法应用在非静默期效果并不理想。以加入BPSK基带调制通信信号为例，进行新环境下干扰识别仿真研究。如图2所示，将原训练模型直接应用在加入通信信号后，识别性能明显下降，尤其是无干扰信号(有通信信号和高斯白噪声)时识别性能非常不理想，即将通信信号被识别成了干扰信号。无干扰情况下的平均识别正确率仅为15％。

技术实现思路

[0005]本专利技术提供了一种新环境下干扰识别的鲁棒性方法，用于实现非静默的干扰识别。
[0006]本专利技术采用的技术方案如下：
[0007]一种新环境下干扰识别的鲁棒性方法，包括下列步骤：
[0008]步骤1：设置基于卷积神经网络的干扰识别模型；
[0009]步骤2：采用静默期的采集信号作为第一训练集，对干扰识别模型进行基础训练，其中，第一训练集中的每个训练样本的数据包括信号时域实部、虚部和频域数据；
[0010]步骤3：采用非静默期的采集信号作为第二训练集，对步骤2训练好的干扰识别模型进行第二次训练，并将第二次训练好的干扰识别模型作为干扰识别器，其中，第二训练集中的每个训练样本的数据包括信号时域实部、虚部和频域数据；
[0011]其中，第二训练与基础训练采用的损失函数和优化函数相同，第二训练过程中采用的学习率低于基础训练采用的学习率；
[0012]步骤4：对待识别信号信号进行预处理，得到待识别信号数据，以使得待识别信号数据与干扰识别器的输入相匹配；
[0013]将待识别信号数据输入干扰识别器中，基于输出的最大类别概率确定当前带识别信号的识别结果。
[0014]进一步的，步骤1中，干扰识别类别包括9类，分别为：高斯噪声、单音干扰、多音干扰、线性扫频干扰、部分带噪声干扰、高斯脉冲干扰、噪声调频干扰、单音+线性扫频干扰、多音+部分带噪声干扰。
[0015]进一步的，步骤1中，所述干扰识别模型包括依次连接的第一卷积层、最大池化层、第二卷积层、第一模块单元、三个第二模块单元构成的堆叠结构、平均池化层和带Softmax函数的全连接层；
[0016]其中，第一模块单元采用第一Inception结构；
[0017]第二模块单元包括两个结构不同的Inception结构，该两个结构不同的Inception结构组成残差网络；
[0018]带Softmax函数的全连接层用于输出所配置的每种干扰识别类别的类别概率。
[0019]本专利技术提供的技术方案至少带来如下有益效果：
[0020]在本专利技术中，通过将干扰识别基础模型，在新环境下进行训练微调的方式，仅需要极少量的目标域样本，能够快速适应目标域识别任务。实施中以加入BPSK通信信号为例，基于基础模型应用在静默期干扰识别中，效果不理想，通过本方法调整后，干扰识别效果良好。同时本方法适用于当信道环境发生变化，噪声改变时等新环境下的干扰识别。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其它的附图。
[0022]图1是现有技术中，静默期干扰识别效果；
[0023]图2是静默期模型应用在非静默期的干扰识别性能；
[0024]图3是迁移学习的处理过程示意图；
[0025]图4是本专利技术实施例中，基于FT的干扰识别过程示意图；
[0026]图5是本专利技术实施例中，采用的Inception的结构与参数示意图；
[0027]图6是本专利技术实施例中，采用的Inception_ResNet的结构与参数示意图；
[0028]图7是本专利技术实施例中，不同训练模型在目标域的识别准确率对比图；
[0029]图8是本专利技术实施例中，迁移学习后目标域干扰识别正确率示意图。
具体实施方式
[0030]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0031]针对非静默期干扰识别，本专利技术实施例提供了一种新环境下干扰识别的鲁棒性方法，其利用迁移学习中的Fine Tune(FT)和预适应的方法解决非静默期的干扰识别问题，即本专利技术实施例提供了一种新环境下基于FT的干扰识别。
[0032]迁移学习(Transfer Learning，TL)中给定一个基于目标域D
T
的学习任务T
t
，模型
能从源域D
s
的学习任务T
s
中学习知识用于目标域任务T
t
。迁移学习的目标是通过发现和迁移源域D
s
与任务T
s
中的隐含知识来提高预测函数f
τ
(
·
)在学习任务T
t
上的性能表现。如图3所示。迁移学习通过将源域中更加丰富的知识迁移到目标域中，可以有效的提升模型的性能。FT，即在源域训练模型的基础上做微调参数，从而实现目标域的分类任务，FT不需要从头开始训练，因此不需要大量的数据，计算时间，仅需要少量带标签的目标域样本再次对预训练模型再次进行训练就可以实现较好的识别效果。
[0033]本专利技术实施例中，将静默期干扰信号的场景看作源域，将加入基带调制通信信号后的场景即非静默期看作目标域，任务分别是对源域和目标域下8种单一干扰信号种类和无干扰信号情况下进行识别分类。
[0034]参见图4，本专利技术实施例提供的新环境下干扰识别的鲁棒性方法包括：首先在静默期中对所配置的网络模型进行预训练。预训练中需要收集源域数据，即仅干扰存在时采集数据，并对数据进行预处理(包括转换成频谱数据、归一化等)，对基础CNN模型进行预训练。而后利用FT方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新环境下干扰识别的鲁棒性方法，其特征在于，包括下列步骤：步骤1：设置基于卷积神经网络的干扰识别模型；步骤2：采用静默期的采集信号作为第一训练集，对干扰识别模型进行基础训练，其中，第一训练集中的每个训练样本的数据包括信号时域实部、虚部和频域数据；步骤3：采用非静默期的采集信号作为第二训练集，对步骤2训练好的干扰识别模型进行第二次训练，并将第二次训练好的干扰识别模型作为干扰识别器，其中，第二训练集中的每个训练样本的数据包括信号时域实部、虚部和频域数据；其中，第二训练与基础训练采用的损失函数和优化函数相同，第二训练过程中采用的学习率低于基础训练采用的学习率；步骤4：对待识别信号信号进行预处理，得到待识别信号数据，以使得待识别信号数据与干扰识别器的输入相匹配；将待识别信号数据输入干扰识别器中，基于输出的最大类别概率确定当前带识别信号的识别结果。2.如权利要求1所述的方法，其特征在于，步骤1中，干扰识别类别包括9类，分别为：高斯噪声、单音干扰、多音干扰、线性扫频干扰、部分带噪声干扰、高斯脉冲干扰、噪声调频干扰、单音+线性扫...

【专利技术属性】
技术研发人员：韩欢，彭启航，李磊，李雪迎，王军，尹建凤，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：