一种基于深度学习的干扰效果评估方法以及系统技术方案

本发明专利技术涉及一种基于深度学习的干扰效果评估方法以及系统，其方法包括如下步骤：构建神经网络模型，并利用模型训练数据训练神经网络模型，得到干扰评估模型；其中，模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；正常通信数据为未施加干扰时的通信波形数据；干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；采集处于通信干扰下的通信信号，得到感知波形数据；将感知波形数据输入干扰评估模型进行评估，得出干扰效果评估结果；本发明专利技术便于在电子对抗中，干扰方能够正确的判断其干扰是否有效。有效。有效。

【技术实现步骤摘要】
一种基于深度学习的干扰效果评估方法以及系统


[0001]本专利技术涉及通信干扰
，具体涉及一种基于深度学习的干扰效果评估方法以及系统。

技术介绍

[0002]干扰效果评估是电子对抗作战的核心问题，也是电子对抗技术研究、电子对抗设备开发的关键技术。在通信中，干扰方与被干扰方是非合作的，干扰效果干扰方无法直接获取，找到一种合理的方法评估当前所选用的频率以及功率的干扰决策等对通信方的通信效果是否产生影响以及影响程度，为干扰设备提供干扰决策的辅助信息，对干扰决策的选取和学习具有重大的意义。
[0003]由于用户采用不同的通信协议，受到干扰所表现的特征不同，受到干扰的频谱变化规律不同，很难找到一种确知的方式去根据用户的频谱，用户的功率特征行为去判断，用户不会主动告知干扰方是否遭受干扰，因此干扰方必须通过对环境的感知和观察来判断用户遭受干扰的情况，但是由于用户采用不同的干扰系统，通信协议及波形都不相同，很难有一种闭合的函数关系能够通过传统的公式来确定当前感知的状态和用户受到干扰的状态。

技术实现思路

[0004]为了解决现有电子对抗技术中，难以确定当前感知的状态和用户受到干扰的状态等技术问题，本专利技术提供一种基于深度学习的干扰效果评估方法以及系统。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]一种基于深度学习的干扰效果评估方法，包括如下步骤：
[0007]构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；
[0008]采集处于通信干扰下的通信信号，得到感知波形数据；
[0009]将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
[0010]本专利技术的有益效果是：本专利技术基于神经网络，收集非合作的关系的干扰方与被干扰的通信数据集，通过神经网络模型对数据集的训练与学习，得到干扰评估模型，并通过干扰评估模型判断是否干扰成功。便于在电子对抗中，干扰方能够正确的判断其干扰是否有效。
[0011]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0012]进一步，其特征在于，构建神经网络模型，具体为：构建LSTM网络模型。
[0013]采用上述进一步方案的有益效果是，LSTM的全称是Long Short Term Memory，是具有记忆长短期信息的能力的神经网络。与RNN同属于循环神经网络，但是当输入序列过长
时RNN的权重矩阵要循环相乘，所以会产生梯度消失和梯度爆炸的问题，因此RNN不能解决长期依赖问题。LSTM的提出正是为了解决长期依赖问题。RNN表示神经循环网络。
[0014]进一步，利用模型训练数据训练所述神经网络模型，得到干扰评估模型，包括如下步骤：
[0015]利用所述正常通信数据以及所述干扰通信数据训练所述LSTM网络模型，得到初步训练网络模型；
[0016]将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；
[0017]计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；
[0018]若d1<D_th，则将所述复合通信数据打上(0,1)标签；若d2<D_th，则将所述复合通信数据打上(1,0)标签；其中，所述D_th为预设距离值；
[0019]利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。
[0020]进一步，在利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型之后还包括如下步骤：
[0021]利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
[0022]为了解决上述技术问题，本专利技术还提供一种基于深度学习的干扰效果评估系统，具体
技术实现思路
如下：
[0023]一种基于深度学习的干扰效果评估系统，包括，
[0024]模型建立模块，用于构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；
[0025]数据采集模块，用于采集处于通信干扰下的通信信号，得到感知波形数据；
[0026]干扰评估模块，用于将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
[0027]进一步，所述模型建立模块具体用于构建LSTM网络模型。
[0028]进一步，所述模型建立模块还具体用于，利用所述正常通信数据以及所述干扰通信数据训练所述LSTM网络模型，得到初步训练网络模型；将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；若d1<D_th，则将所述复合通信数据打上(0,1)标签；若d2<D_th，则将所述复合通信数据打上(1,0)标签；其中，所述D_th为预设距离值；利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。
[0029]进一步，所述基于深度学习的干扰效果评估系统，还包括模型测试模块；所述模型测试模块用于利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
附图说明
[0030]图1为本专利技术实施例中一种基于深度学习的干扰效果评估方法的流程框图；
[0031]图2为本专利技术实施例中通信系统模型结构示意图；
[0032]图3为本专利技术实施例中通信干扰仿真结果图一；
[0033]图4为本专利技术实施例中通信干扰仿真结果图二；
[0034]图5为本专利技术实施例中通信干扰仿真结果图三。
具体实施方式
[0035]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0036]如图1所示，本实施例提供一种基于深度学习的干扰效果评估方法，包括如下步骤：
[0037]S1、构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，神经网络模型为LSTM网络模型，所述模型训练数据包括正常通信数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的干扰效果评估方法，其特征在于，包括如下步骤：构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；采集处于通信干扰下的通信信号，得到感知波形数据；将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。2.根据权利要求1所述的基于深度学习的干扰效果评估方法，其特征在于，构建神经网络模型，具体为：构建LSTM网络模型。3.根据权利要求2所述的基于深度学习的干扰效果评估方法，其特征在于：利用模型训练数据训练所述神经网络模型，得到干扰评估模型，包括如下步骤：利用所述正常通信数据以及所述干扰通信数据训练所述LSTM网络模型，得到初步训练网络模型；将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；若d1<D_th，则将所述复合通信数据打上(0,1)标签；若d2<D_th，则将所述复合通信数据打上(1,0)标签；其中，所述D_th为预设距离值；利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。4.根据权利要求3所述的基于深度学习的干扰效果评估方法，其特征在于：在利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型之后还包括如下步骤：利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。...

【专利技术属性】
技术研发人员：刘鑫，罗素梦，王玫，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：