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。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：