基于SSA优化BP神经网络的无人机通信干扰检测方法技术

本发明专利技术提供了基于SSA优化BP神经网络的无人机通信干扰检测方法，其包括以下步骤：获取无人机接收模块接收到的信号，提取的信号特征生成数据集，划分训练集和测试集并进行数据归一化处理，将信号特征作为输入变量，将输入变量对应的信号类型作为输出变量构建BP神经网络训练模型，设计SSA寻优模块，将BP网络结合SSA寻优模块不断迭代求出最优参数，BP网络根据最优参数进行训练得到检测模型，将无人机接收模块接收到的信号，提取的信号特征输入到该检测模型中，通过信号的特征计算出是否为干扰信号，这有助无人机准确的判断周围是否存在干扰信号，以及下一步采取何种方式对抗干扰，提高无人机通信的安全性。高无人机通信的安全性。高无人机通信的安全性。

【技术实现步骤摘要】
基于SSA优化BP神经网络的无人机通信干扰检测方法


[0001]本专利技术涉及无线通信干扰检测
，具体涉及基于SSA优化BP神经网络的无人机通信干扰检测的方法。

技术介绍

[0002]随着无线通信技术的飞速发展，无人机已经广泛应用于各种领域，因为他们可以人们执行危险、枯燥的任务，例如农业监测、森林防火与救援、交通监测、商品运输等，这使得无人机成为了有效的人工替代物。目前对于无人机的控制和导航方面，研究人员已经做了不少努力，然而很少有人去解决无人机通信的安全问题。无人机与地面互动的前提是通信，无人机需要把收集的信息传输到人们手中，但是由于空对地无线通信链路的开放性，信息的传输容易受到干扰攻击，比如攻击者可以设计一架无人机来探测附近其他无人机的无线通信信号，将其从合法网络断开，使其不能与地面进行通信。
[0003]对于通信干扰的处理之前都是抗干扰技术，比如直接序列扩频、功率控制等，随着恶意干扰模式的增加，传统的通信抗干扰技术难以处理恶意干扰，近年来研究人员也提出了几种类型干扰检测检测技术，比如模糊逻辑、时间序列和机器学习等，其中基于机器学习的干扰检测技术效率最高，检测性能最好。
[0004]BP神经网络，即误差反馈神经网络算法，它是由正向传播网络和误差的反向传播网络两个模块构成，通过误差函数反向传播，不断更新修正各个神经元的权值。现有的对欺骗信号的干扰检测采用BP神经网络进行检测，但是BP神经网络在对干扰信号进行预测的过程中，会出现陷入局部最小值的情况，造成无法准确的检测出是否为干扰信号
专利
技术实现思路

[0005]因此，本专利技术要解决的技术问题在于提供基于SSA优化BP神经网络的无人机通信干扰检测的方法，能够解决BP神经网络在训练过程中陷入局部最小值的情况，造成输出的结果与实际值有较大的误差，进而无法准确的检测出是否为干扰信号。本方法依赖于无人机接收模块接收的信号数据。
[0006]为解决上述问题，本专利技术提供了基于SSA优化BP神经网络的无人机通信干扰检测的方法，包括如下步骤：
[0007]S1：获取无人机接收模块接收到的信号与提取的信号特征；
[0008]S2：将获取的信号数据进行归一化处理，得到干扰信号检测模型的输入变量和输出变量，形成归一化数据集X，Y，其中X表示信号的各个特征，Y表示信号类型，并对处理后的数据集按照7：3比例划分为训练样本集和测试样本集；
[0009]S3：根据归一化处理后的信号数据，建立BP神经网络模型，确定隐藏层的层数、输入层、隐藏层、输出层神经元数量、激活函数和损失函数；
[0010]S4：基于建立的BP神经网络模型，初始化SSA以下参数：麻雀种群的空间维度D、最大迭代次数N，种群规模n、发现者数量P、安全值S；
[0011]S5：基于S4中初始化SSA参数，开始迭代，对麻雀种群中各个麻雀的个体适应度f
i
进行计算，对麻雀种群的位置进行更新X
i,j
，更新发现者、加入者、侦察者位置，通过将麻雀种群位置X
i,j
赋予到BP神经网络的权值和阈值并进行网络训练，获取更新的麻雀种群适应度f
i
，通过对比麻雀种群当前适应度f
i
，获取麻雀种群最优适应度值F
best
，基于当前的麻雀种群最优值F
best
获取麻雀种群的最优位置X
best
，当达到最大迭代次数时，输出麻雀种群的最优位置X
best
；
[0012]S6：基于S5输出的麻雀种群最优位置X
best
，作为最终BP模型的初始网络权值和阈值并进行训练仿真，计算得到均方误差，如果均方误差满足误差的精度范围，输出检测结果，如果不满足，采用梯度下降法调整BP模型的网络权值和阈值，直到满足误差精度范围或达到最大迭代次数为止。最后将准确率Acc和F值作为检测指标。
[0013]可选的，步骤S2中将检测到的信号数据特征进行归一化处理，如下公式(1)：
[0014][0015]其中X为归一化后的数值，x为数据集中的输入特征数值，x
max
、x
min
分别为数据集中输入特征的最大值和最小值。
[0016]可选的，步骤S3包括：
[0017]步骤S3.1：隐藏层层数的确定，对于一般的数据集，一两层隐藏层通常就足够了。但对于涉及时间序列或计算机视觉的复杂数据集，则需要额外增加层数；
[0018]步骤S3.2：根据输入层和输出层的神经元个数，确定隐藏层的神经元个数，如下公式(2)：
[0019][0020]其中，L、m、n分别为输入层、隐藏层、输出层神经元个数；α为调节参数α∈(1，2，3，
……
，10)；
[0021]步骤S3.3：激活函数为双极性S函数tansig，损失函数为均方差函数MSE，激活函数表达式如下公式(3)，均方误差函数表达式如下公式(4)：
[0022][0023][0024]其中，n为神经元个数；为目标信号；y为网络输出的信号，e为自然常数，x为输入量，E为均方误差。
[0025]可选的，步骤S4中初始化SSA麻雀种群的参数，其中，麻雀种群的空间维度计算公式如下公式(5)：
[0026]D＝L
×
m1+m1+
…
+m
i
‑1×
m
i
+m
i
+m
i
×
n+n(5)
[0027]其中，L、m
i
、n分别为输入层、第i层隐藏层、输出层神经元个数。
[0028]可选的，步骤S5中对麻雀种群中的发现者、加入者、侦察者位置进行更新的更新公式如下，其中发现者位置的更新公式如下公式(6)，加入者位置的更新公式如下公式(7)，侦察者位置的更新公式如下公式(8)：
[0029][0030][0031][0032]其中X
i
,表示第i个麻雀在第j维中的位置信息，t表示当前迭代次数，N为最大迭代次数，R2为预警值，ST为安全值，Q为服从正态分布的随机数，L为单位行向量，a为[0 1]之间的随机数；
[0033]X
′
worst
为适应度最低的麻雀位置，A
+
为只随机包含1与
‑
1两个元素的行向量。当i>/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量；
[0034]是当前的全局最优位置,β作为步长控制参数,是服从均值为0，方差为1的正态分布的随机数,K∈[
‑
1,1]是一个随机数，f
i
则是当前麻雀个体的适应度值。f
best
和f
worst
分别是当前全局最佳和最差的适应度值。ε是常数，以避免分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SSA优化BP神经网络的无人机干扰检测的方法，其特征在于包括如下步骤：S1：获取无人机接收模块接收到的信号与提取的信号特征；S2：将获取的信号数据进行归一化处理，得到干扰信号检测模型的输入变量和输出变量，形成归一化数据集X，Y，其中X表示信号的各个特征，Y表示信号类型，并对处理后的数据集按照7：3比例划分为训练样本集和测试样本集；S3：根据归一化处理后的信号数据，建立BP神经网络模型，确定隐藏层的层数、输入层、隐藏层、输出层神经元数量、激活函数和损失函数；S4：基于建立的BP神经网络模型，初始化SSA以下参数：麻雀种群的空间维度D、最大迭代次数N，种群规模n、发现者数量P、安全值S；S5：基于S4中初始化SSA参数，开始迭代，对麻雀种群中各个麻雀的个体适应度f
i
进行计算，对麻雀种群的位置进行更新X
i,j
，更新发现者、加入者、侦察者位置，通过将麻雀种群位置X
i,j
赋予到BP神经网络的权值和阈值并进行网络训练，获取更新的麻雀种群适应度f
i
，通过对比麻雀种群当前适应度f
i
，获取麻雀种群最优适应度值F
best
，基于当前的麻雀种群最优值F
best
获取麻雀种群的最优位置X
best
，当达到最大迭代次时，输出麻雀种群的最优位置X
best
；S6：基于S5输出的麻雀种群最优位置X
best
，作为最终BP模型的初始网权值和阈值并进行训练并仿真，计算得到均方误差，如果均方误差满足误差的精度范围，输出检测结果，如果不满足，采用梯度下降法调整BP模型的网络权值和阈值，直到满足误差精度范围或达到最大迭代次数为止。最后将识别准确率作为指标。2.根据权利要求1所述的基于SSA优化BP神经网络的无人机干扰检测的方法，其特征在于，步骤S2中获取的信号数据进行归一化处理，如下公式：其中X为归一化后的数值，x为数据集中的输入特征数值，x
max
、x
min
分别为数据集中输入特征的最大值和最小值。3.根据权利要求1所述的基于SSA优化BP神经网络的无人机干扰检测的方法，其特征在于，步骤S3包括：步骤3.1根据输入层和输出层的神经元个数，确定隐藏层的神经元个数，如下公式(2)：其中，L、m、n分别为输入层、隐含层、输出层神经元个数；α为调节参数α∈(1，2，3，
……
，10)；步骤S3.2：激活函数为双极性S函数tansig，损失函数为均方差函数MSE，激活函数表达式如下公式(3)，均方误差函数表达式如下公式(4)：式如下公式(3)，均方误差函数表达式如下公式(4)：其中，n为神经元个数；为目标信号；y为网络输出的信号，e为自然常数，x为输入量，...

【专利技术属性】
技术研发人员：郭滨，李相昆，马卫娇，郭谦锐，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：