一种数据链干扰识别方法技术

本发明专利技术公开一种数据链干扰识别方法，包括：获取干扰信号，以得到所述干扰信号的时域特征参数；根据所述时域特征参数，并利用自适应模糊神经网络构建初始干扰识别模型；利用学习算法对所述初始干扰识别模型进行训练，以得到优化后干扰识别模型；以及利用所述优化后干扰识别模型对被干扰的数据链进行干扰识别

【技术实现步骤摘要】
一种数据链干扰识别方法


[0001]本专利技术涉及数据链通信
，尤其涉及一种数据链干扰识别方法
。

技术介绍

[0002]数据链通信是
C4ISR(
指挥
、
控制
、
通信
、
计算机
、
情报
、
监视和侦察
)
系统的主要通信传输方式，借助于数据链可以沟通从传感器到武器发射
、
作战平台之间的信息流动，从而引导武器发射以及实现多平台的火力协同，进而实现战场的无缝连接
。
[0003]在未来战场上，电磁干扰
(
包括各种自然干扰和人为干扰
)
日益增多致使电磁环境日益恶劣；因此，武器电子对抗能力在战技指标性能中处于突出的位置
。
对于武器电子对抗能力，首先是要避免被对方侦察到数据链信号的工作频率及波形参数；其次在被侦察到的条件下，数据链必须具备各种抗干扰技术手段，从而避免被干扰，完成数据链的战术使命任务
。
可见，抗干扰技术成为保障战时数据链通信系统正常运行的必要条件，是电子战的重要组成部分，已成为影响战争进程乃至战争胜负的重要因素
。
[0004]由于战时对方的电磁干扰可能在全频段对电子设备进行干扰，干扰精度达千赫，干扰跟踪速度高，伴随着智能干扰机的出现，未来战争中的数据链通信设备必须具有良好的抗干扰能力
。
因此，必须采取抗干扰能力强的通信体制和有效的措施加强数据链设备自身抗干扰能力，应对战时的复杂电磁环境
。
但是通信中的多径效应
、
电磁兼容
、
时延扩展和多址干扰，特别是在对方的恶意干扰等对设备非常不利
。
[0005]以往干扰认知识别技术，可以通过获取信号的瞬时信息，建立特征参量直方图，搜寻统计峰值点为信号分类标准，但在信噪比较低的情况下，分类识别效果并不理想
。
利用功率谱积累的方法，可以检测噪声调频干扰信号
。
但其适用范围有一定局限性
。
通过提取复杂度和盒维数参数，并运用门限判决的方法，也可对干扰信号进行分类识别，但在不同噪声环境下，门限调整难度较大
。
为了克服这些困难，需要研究新的干扰识别方法
。

技术实现思路

[0006]本专利技术的目的在于提供一种数据链干扰识别方法，基于干扰信号的时域特征参数，可以对被干扰的数据链进行精确地干扰识别，并具有提取特征容易
、
自适应性和自学习的特点
。
[0007]为了达到上述目的，本专利技术通过以下技术方案实现：
[0008]一种数据链干扰识别方法，包括：
[0009]获取干扰信号，以得到所述干扰信号的时域特征参数；
[0010]根据所述时域特征参数，并利用自适应模糊神经网络构建初始干扰识别模型；
[0011]利用学习算法对所述初始干扰识别模型进行训练，以得到优化后干扰识别模型；以及
[0012]利用所述优化后干扰识别模型对被干扰的数据链进行干扰识别
。
[0013]可选的，所述时域特征参数包括时域矩偏度
、
时域矩峰度和包络起伏度
。
[0014]可选的，所述时域矩偏度采用如下公式计算：
[0015][0016]其中，
F1表示时域矩偏度；
y(t)
表示干扰信号；
t
表示时间，
M
表示周期时长；
u
表示干扰信号的均值；
σ
表示干扰信号的标准差；
[0017]所述时域矩峰度采用如下公式计算：
[0018][0019]其中，
F2表示时域矩峰度；
[0020]所述包络起伏度采用如下公式计算：
[0021][0022]其中，
F3表示包络起伏度；
σ
e
表示干扰信号包络平方的方差；
u
e
表示干扰信号包络平方的均值
。
[0023]可选的，所述自适应模糊神经网络包括输入层
、
全连接层
、
标准化层
、
模糊化层
、
推理层和去模糊化层；且构建所述初始干扰识别模型的步骤包括：
[0024]将所述时域矩偏度
、
所述时域矩峰度和所述包络起伏度分别记为第一输入数据
、
第二输入数据和第三输入数据；
[0025]通过所述全连接层将所述第一输入数据
、
所述第二输入数据和所述第三输入数据分别映射到第一神经元组
、
第二神经元组和第三神经元组，以得到第一向量
、
第二向量和第三向量；
[0026]通过所述标准化层将所述第一向量
、
所述第二向量和所述第三向量分别映射到
[0
，
1]区间，以得到第一标准化向量
、
第二标准化向量和第三标准化向量；
[0027]通过所述模糊化层计算所述第一标准化向量
、
所述第二标准化向量和所述第三标准化向量隶属于不同模糊子集的隶属度，以得到第一隶属度值
、
第二隶属度值和第三隶属度值；
[0028]根据所述第一隶属度值
、
所述第二隶属度值和所述第三隶属度值，计算所述推理层中每个节点对应的模糊规则的激励；
[0029]根据所述模糊规则的激励和对应的所述模糊规则，并通过所述去模糊化层计算模型实际输出
。
[0030]可选的，所述第一神经元组
、
所述第二神经元组和所述第三神经元组皆包括若干个神经元
。
[0031]可选的，所述第一标准化向量采用如下公式计算：
[0032][0033]其中，
s
1j
表示第一标准化向量；
f
1j
表示第一向量，且
j∈[1
，第一神经元组中神经元总数
]；
a1和
b1分别表示第一参数和第二参数；
[0034]所述第二标准化向量采用如下公式计算：
[0035][0036]其中，
s
2k
表示第二标准化向量；
f
2k
表示第二向量，且
k∈[1
，第二神经元组中神经元总数
]；
a2和
b2分别表示第三参数和第四参数；
[0037]所述第三标准化向量采用如下公式计算：
[0038][0039]其中，
s
3l
表示第三标准化向量；
f
3l
表示第三向量，且
l∈[1
，第三神经元组中神经元总数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据链干扰识别方法，其特征在于，包括：获取干扰信号，以得到所述干扰信号的时域特征参数；根据所述时域特征参数，并利用自适应模糊神经网络构建初始干扰识别模型；利用学习算法对所述初始干扰识别模型进行训练，以得到优化后干扰识别模型；以及利用所述优化后干扰识别模型对被干扰的数据链进行干扰识别
。2.
如权利要求1所述的数据链干扰识别方法，其特征在于，所述时域特征参数包括时域矩偏度
、
时域矩峰度和包络起伏度
。3.
如权利要求2所述的数据链干扰识别方法，其特征在于，所述时域矩偏度采用如下公式计算：其中，
F1表示时域矩偏度；
y(t)
表示干扰信号；
t
表示时间，
M
表示周期时长；
u
表示干扰信号的均值；
σ
表示干扰信号的标准差；所述时域矩峰度采用如下公式计算：其中，
F2表示时域矩峰度；所述包络起伏度采用如下公式计算：其中，
F3表示包络起伏度；
σ
e
表示干扰信号包络平方的方差；
u
e
表示干扰信号包络平方的均值
。4.
如权利要求2所述的数据链干扰识别方法，其特征在于，所述自适应模糊神经网络包括输入层
、
全连接层
、
标准化层
、
模糊化层
、
推理层和去模糊化层；且构建所述初始干扰识别模型的步骤包括：将所述时域矩偏度
、
所述时域矩峰度和所述包络起伏度分别记为第一输入数据
、
第二输入数据和第三输入数据；通过所述全连接层将所述第一输入数据
、
所述第二输入数据和所述第三输入数据分别映射到第一神经元组
、
第二神经元组和第三神经元组，以得到第一向量
、
第二向量和第三向量；通过所述标准化层将所述第一向量
、
所述第二向量和所述第三向量分别映射到
[0
，
1]
区间，以得到第一标准化向量
、
第二标准化向量和第三标准化向量；通过所述模糊化层计算所述第一标准化向量
、
所述第二标准化向量和所述第三标准化向量隶属于不同模糊子集的隶属度，以得到第一隶属度值
、
第二隶属度值和第三隶属度值；根据所述第一隶属度值
、
所述第二隶属度值和所述第三隶属度值，计算所述推理层中每个节点对应的模糊规则的激励；
根据所述模糊规则的激励和对应的所述模糊规则，并通过所述去模糊化层计算模型实际输出
。5.
如权利要求4所述的数据链干扰识别方法，其特征在于，所述第一神经元组
、
所述第二神经元组和所述第三神经元组皆包括若干个神经元
。6.
如权利要求5所述的数据链干扰识别方法，其特征在于，所述第一标准化向量采用如下公式计算：其中，
s
1j
表示第一标准化向量；
f
1j
表示第一向量，且
j∈[1
，第一神经元组中神经元总数
]
；
a1和
b1分别表示第一参数和第二参数；所述第二标准化向量采用如下公式计算：其中，
s
...

【专利技术属性】
技术研发人员：肖群力，费聚锋，顾杰，芮正雄，汪吕喜，欧鹏，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：