一种基于自编码器与元学习的自适应抗干扰算法，它涉及一种自适应抗干扰算法。本发明专利技术为了解决传统抗干扰算法不能针对不同类型的干扰、已知或未知的干扰，自动调整参数以适应当前干扰的问题。本发明专利技术的步骤为：步骤一、离线元学习；步骤二、在线学习微调。本发明专利技术属于通信技术领域。技术领域。技术领域。
【技术实现步骤摘要】
一种基于自编码器与元学习的自适应抗干扰算法
[0001]本专利技术涉及一种自适应抗干扰算法，属于通信
技术介绍
[0002]在现代信息化协作中，如无人机网络，往往是多节点离散化，不同的节点之间依靠数据链进行沟通协作，因此保持数据链的可靠性传输是重点的研究方向。对于无线数据链信道，影响其通信质量的主要是信道本身的质量以及敌方的通信干扰。然而，无线信道开放暴露的特性造成了无线信道极易受到干扰，因此在进行通信的过程中，对当前的信道和受到的干扰进行估计，并自适应地对通信设备参数进行调整，以适应不同的信道场景和不同的干扰类型就显得尤为重要。
[0003]在传统的抗干扰算法中，通常需要根据干扰的类型、频点和功率去调整自身的调制编码方式以及所在频点的大小，在信道条件较好、敌方干扰功率较低时，往往可以牺牲一点传输效率，如采用低阶的调制编码方式来提高系统的误码率性能；在信道条件不好、敌方干扰功率较高、干扰类型复杂时，往往会选择逃避当前的干扰频点，选用跳频的方式不断改变当前通信的频点来减少干扰对正常通信的影响，提高系统的可靠性。这样通过改变传统通信系统中某一模块的参数来抗干扰的方式，虽然很简单快捷，但往往具有以下几个缺陷。
[0004]首先是最优性，传统抗干扰算法所预设的调制、编码方式、频点往往是预设的、固定的，如调制往往是不同阶数的固定调制星座图，编码是不同码率和码型的卷积码或LDPC码等，将他们进行不同的组合以适应不同的干扰类型和强度固然是可行的，但他往往不是最优的；
[0005]其次是局限性，传统的抗干扰手段往往建立在干扰能被识别的前提下，但如今通信对抗中，敌方的干扰往往是多种干扰的叠加或智能体干扰，很难通过传统的数学方法推导出对抗当前干扰的最佳编码方式，而且对于宽带干扰，传统跳频技术的频点往往会全被淹没，此时如何对抗干扰就会成为一个难题；最后就是鲁棒性，当敌方的干扰实时变化且快速时，传统抗干扰方式因为需要先识别再调整，往往会因为延时问题产生较大的性能损失，且对于不同的干扰类型，固定的调制方式带来的抗干扰收益往往是不稳定的。
技术实现思路
[0006]本专利技术为解决传统抗干扰算法不能针对不同类型的干扰、已知或未知的干扰，自动调整参数以适应当前干扰的问题，进而提出一种基于自编码器与元学习的自适应抗干扰算法。
[0007]本专利技术为解决上述问题采取的技术方案是：本专利技术具体步骤如下：
[0008]步骤一、离线元学习；
[0009]步骤二、在线学习微调。
[0010]进一步的，步骤一中离线元学习的步骤为：
[0011]步骤A、建立离线训练系统模型：离线训练时，发射端、接收端的编码器和解码器神
经网络参数为随机初始化；对于每一轮迭代周期，发射端随机生成二进制比特序列，经过编码器通过信道后，会受到信道的污染与干扰的影响，在不同的任务下，训练时添加的干扰种类以及功率大小均不同，接收机收到信号后，送入解码器得到预测结果；在一个迭代周期内，元学习器会根据每个任务中的支持集进行梯度下降得到暂存的接收机参数θ
R
，再通过任务中的查询集得到模型参数实际应该更新的方向；完成一轮迭代中所有任务的上述内循环后，综合得到解码器模型更新后的参数φ
R
；由于是离线训练，接收方可将训练后的参数传递给发送方的编码器，联合更新发射端编码器的参数φ
T
；重复上述的迭代过程，直至接收机的损失逐渐收敛，完成本系统的离线训练过程；
[0012]步骤B、生成干扰集；
[0013]步骤C、构建元训练任务集。
[0014]进一步的，步骤A中离线训练算法的步骤为：
[0015]步骤1、随机初始化编码器与译码器参数φ
T
、φ
R
，α表示内循环步长，β表示外循环步长；
[0016]步骤2、循环步骤3至步骤8；
[0017]步骤3、当前干扰任务集采样为T
i
～p(T)；p(T)表示干扰任务集分布；
[0018]步骤4、对所有任务循环步骤5至步骤6；
[0019]步骤5、求当前任务T
i
上的损失函数对应梯度在解码器θ
R
处的值
[0020]步骤6、根据反馈链路求对应梯度在编码器θ
T
处的值
[0021]步骤7、内循环更新暂存模型参数
[0022]步骤8、利用联合更新编码器与译码器参数，知道迭代收敛，循环结束。
[0023]进一步的，步骤B中Bi
‑
Pilot MetaNet系统所选择的干扰类型为常见的6种，分别是单音干扰RS、多音干扰RM、线性扫频干扰RL、跟踪式干扰RF、带阻式干扰RB和脉冲干扰RP，本系统仿真时根据干扰的数学建模在数值仿真软件中生成相应的干扰波形，采样获得其在基带的干扰数据集。
[0024]进一步的，步骤C中元训练、验证、测试是由不同的任务集组成，而每个任务又有支持集和查询集组成，因此从范围上来看，传统机器学习的数据集等价于元学习任务集中单个任务的支持集或查询集。而任务之间的差异主要在于干扰数据的不同，本系统采用了步骤B中所提到的6种不同干扰类型，并配合不同的干扰功率，得到不同的元学习任务集采样。
[0025]进一步的，步骤二中在线学习微调的步骤为：
[0026]步骤a、由接收机经过其编码器编码向发射机发射一个随机导频序列P1，可以假设导频序列经过人为设计，使它可以包含所有的数字组合，避免神经网络训练泛化问题，且收发双方均已知，通过编码后的导频来向发射机传递信道状态信息以及受到的干扰；
[0027]步骤b、发射机接收到受信道影响的导频序列后，先对信道进行训练来复现当前的信道信息，再固定信道层，对一套自编码器进行微调以适应当前信道，其中发射端的编码器和译码器只调整最后几层神经元的权值；这种微调只需要小批量样本，一段导频序列即可满足条件；在发射机微调以适应当前的信道状态信息之后，发射机通过新的编码器也向接
收机发射一段导频P2；
[0028]步骤c、接收机接收到发射机发来的导频后，根据导频信息只更新译码器的参数，使其与发射机的编码器相匹配；
[0029]步骤d、正常通信，发射机发送数据，接收机进行对应的解调。
[0030]进一步的，步骤二中在线学习微调的通用算法为：
[0031]步骤(1)、根据MAML离线训练结果初始化编码器与译码器参数步骤(1)、根据MAML离线训练结果初始化编码器与译码器参数表示发射机编码器神经网络参数，表示发射机解码器神经网络参数，表示接收机编码器神经网络参数，表示接收机解码器神经网络参数，E
T
表示发射机编码器，D
T
表示发射机解码器，E
R
表示接收机编码器，D
R
表示接收机解码器，初始化学习率α1、α2、α3，随机初始化干扰模拟层φ
I
；
[0032]步骤(本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于自编码器与元学习的自适应抗干扰算法，其特征在于：所述一种基于自编码器与元学习的自适应抗干扰算法的具体步骤如下：步骤一、离线元学习；步骤二、在线学习微调。2.根据权利要求1所述的一种基于自编码器与元学习的自适应抗干扰算法，其特征在于：步骤一中离线元学习的步骤为：步骤A、建立离线训练系统模型：离线训练时，发射端、接收端的编码器和解码器神经网络参数为随机初始化；对于每一轮迭代周期，发射端随机生成二进制比特序列，经过编码器通过信道后，会受到信道的污染与干扰的影响，在不同的任务下，训练时添加的干扰种类以及功率大小均不同，接收机收到信号后，送入解码器得到预测结果；在一个迭代周期内，元学习器会根据每个任务中的支持集进行梯度下降得到暂存的接收机参数θ
R
，再通过任务中的查询集得到模型参数实际应该更新的方向；完成一轮迭代中所有任务的上述内循环后，综合得到解码器模型更新后的参数φ
R
；由于是离线训练，接收方可将训练后的参数传递给发送方的编码器，联合更新发射端编码器的参数φ
T
；重复上述的迭代过程，直至接收机的损失逐渐收敛，完成本系统的离线训练过程；步骤B、生成干扰集；步骤C、构建元训练任务集。3.根据权利要求2所述的一种基于自编码器与元学习的自适应抗干扰算法，其特征在于：步骤A中离线训练算法的步骤为：步骤1、随机初始化编码器与译码器参数φ
T
、φ
R
，α表示内循环步长，β表示外循环步长；步骤2、循环步骤3至步骤8；步骤3、当前干扰任务集采样为T
i
～p(T)；p(T)表示干扰任务集分布；步骤4、对所有任务循环步骤5至步骤6；步骤5、求当前任务T
i
上的损失函数对应梯度在解码器θ
R
处的值步骤6、根据反馈链路求对应梯度在编码器θ
T
处的值步骤7、内循环更新暂存模型参数步骤8、利用联合更新编码器与译码器参数，知道迭代收敛，循环结束。4.根据权利要求2所述的一种基于自编码器与元学习的自适应抗干扰算法，其特征在于：步骤B中Bi
‑
Pilot MetaNet系统所选择的干扰类型为常见的6种，分别是单音干扰RS、多音干扰RM、线性扫频干扰RL、跟踪式干扰RF、带阻式干扰RB和脉冲干扰RP，本系统仿真时根据干扰的数学建模在数值仿真软件中生成相应的干扰波形，采样获得其在基带的干扰数据集。5.根据权利要求2或4所述的一种基于自编码器与元学习的自适应抗干扰算法，其特征在于：步骤C中元训练、验证、测试是由不同的任务集组成，而每个任务又有...
【专利技术属性】
技术研发人员：吴少川，王利繁，李壮，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。