魏 迪,曾海彬,洪 鋒,馬 松,4,袁 田

(1.中國西南電子技術(shù)研究所，成都 610036;2.北京跟蹤與通信技術(shù)研究所，北京 100094;3.中國人民解放軍63750部隊(duì)，西安 710043;4.電子科技大學(xué) 通信抗干擾技術(shù)國家級重點(diǎn)實(shí)驗(yàn)室，成都611731)

0 引 言

隨著電磁環(huán)境日益復(fù)雜的變化，各種有意或者無意干擾信號使得通信系統(tǒng)面臨著嚴(yán)峻的挑戰(zhàn)。為了保證通信系統(tǒng)在干擾環(huán)境下能夠保持可靠工作，需要采取干擾防護(hù)措施[1-2]。在復(fù)雜的電磁環(huán)境中，一種干擾防護(hù)手段往往只能針對一種干擾類型，很難有干擾防護(hù)手段能夠?qū)顾懈蓴_類型，不同干擾防護(hù)手段在對抗干擾的同時(shí)需要付出不同程度的代價(jià)[3]。為了保證通信系統(tǒng)保持穩(wěn)定可靠的工作，以較小的代價(jià)實(shí)現(xiàn)有效的干擾防護(hù)，首先需要進(jìn)行干擾類型識別。對干擾信號類型的識別，可以為系統(tǒng)決策最佳干擾防護(hù)手段提供重要的依據(jù)，是通信干擾防護(hù)系統(tǒng)的關(guān)鍵技術(shù)之一[4]，具有非常重要的研究價(jià)值。

傳統(tǒng)的干擾識別方法是基于特征提取的方法。文獻(xiàn)[5]提出了一種基于支持向量機(jī)(Support Vector Machine，SVM)的干擾自動(dòng)分類識別方法，首先從多個(gè)維度提取干擾信號的特征參數(shù)，然后構(gòu)建決策樹SVM進(jìn)行分類，實(shí)現(xiàn)了干擾信號的自動(dòng)分類。文獻(xiàn)[3]提出了一種聯(lián)合多維特征的干擾識別方法，首先從多個(gè)域提取多維特征，然后分別基于SVM和決策樹作為分類器進(jìn)行干擾識別。基于特征提取的干擾識別方法需要人工設(shè)計(jì)特征提取器，干擾識別的性能受限于提取的特征，導(dǎo)致干擾識別性能較差。

近年來，深度學(xué)習(xí)算法突飛猛進(jìn)，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是兩種經(jīng)典的深度學(xué)習(xí)算法，在分類識別領(lǐng)域中具有較為廣泛的應(yīng)用[6-19]。文獻(xiàn)[12]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的干擾信號識別方法，主要利用Inception結(jié)構(gòu)[8]構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行干擾識別。文獻(xiàn)[16]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的干擾識別算法，該算法利用頻譜瀑布圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行識別，可以實(shí)現(xiàn)對干擾信號的分類。上述基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識別方法只利用了信號的頻域信息，且對信號時(shí)序變化特征的提取能力不足，干擾識別性能不高。文獻(xiàn)[18]提出了一種基于長短時(shí)記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)的雷達(dá)干擾信號識別方法，將時(shí)頻域序列作為網(wǎng)絡(luò)的輸入進(jìn)行干擾識別，通過LSTM網(wǎng)絡(luò)預(yù)測信號的類別。該方法僅利用了單個(gè)域的數(shù)據(jù)，僅從一個(gè)角度提取信號特征，特征提取不夠全面，性能有待提升。

綜上，本文提出一種基于LSTM網(wǎng)絡(luò)和特征融合的通信干擾識別方法。所提方法基于LSTM網(wǎng)絡(luò)優(yōu)異的時(shí)序特征提取能力，提取輸入信號的特征，克服了現(xiàn)有技術(shù)存在的特征提取性能不足的問題，提升了干擾信號特征提取的性能；所提方法提取信號的時(shí)域和頻域特征后進(jìn)行特征融合，使用全連接分類器進(jìn)行分類識別，相比僅利用信號單域數(shù)據(jù)的方法，對數(shù)據(jù)的利用更加充分，提升了特征提取的完整性和干擾識別的性能?；诜抡鎸?shí)驗(yàn)的結(jié)果說明，在正確率為98%時(shí)，所提方法的性能相比于現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識別方法[12]提升了6 dB。

1 信號模型

常見的通信干擾信號分為單音干擾、多音干擾、部分頻帶干擾、線性掃頻干擾、噪聲調(diào)頻干擾和脈沖干擾[3,12]。

采樣后的接收信號是通信信號、干擾信號和噪聲的疊加，記為

r(n)=s(n)+j(n)+w(n)。

(1)

式中：s(n)表示通信信號，j(n)表示干擾信號，w(n)表示高斯白噪聲信號。

當(dāng)接收信號中不存在干擾信號時(shí)，采樣信號中只含有通信信號和噪聲信號。本文將針對分別包含上述干擾信號和無干擾的共7種類型接收信號進(jìn)行干擾識別研究。

2 干擾識別方法

2.1 總體架構(gòu)

本文提出一種基于LSTM網(wǎng)絡(luò)和特征融合的通信干擾識別方法，其總體架構(gòu)如圖1所示。

圖1 干擾識別方法總體架構(gòu)

(1)預(yù)處理模塊

將接收機(jī)接收的信號輸入預(yù)處理模塊，通過時(shí)域加窗、功率歸一化和傅里葉變換等獲得時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)。

(2)特征提取模塊

特征提取模塊含有兩個(gè)分支，分別是時(shí)域特征提取支路和頻域特征提取支路。將時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)輸入特征提取模塊，通過兩個(gè)支路分別提取信號的時(shí)域特征和頻域特征。

(3)融合模塊

將時(shí)域特征和頻域特征輸入融合模塊，通過特征拼接的融合方式得到信號的融合特征。

(4)分類模塊

將融合后的特征輸入分類模塊，通過全連接分類器得到干擾信號的識別結(jié)果。

其中，特征提取模塊、融合模塊和分類模塊共同構(gòu)成一個(gè)完整的深度神經(jīng)網(wǎng)絡(luò)，預(yù)處理模塊得到的時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)是深度神經(jīng)網(wǎng)絡(luò)的輸入。

2.2 預(yù)處理模塊

預(yù)處理部分主要包括時(shí)域加窗、功率歸一化和傅里葉變換。首先對接收到的信道采樣復(fù)基帶數(shù)據(jù)進(jìn)行時(shí)域加窗，然后進(jìn)行功率歸一化，將功率歸一化之后得到的I、Q兩路數(shù)據(jù)及其模值組成的三通道數(shù)據(jù)作為時(shí)域數(shù)據(jù)；最后進(jìn)行長度為N的傅里葉變換，將得到的I、Q兩路數(shù)據(jù)及其模值組成的三通道數(shù)據(jù)作為頻域數(shù)據(jù)。時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)用矩陣分別表示為

(2)

(3)

式中：N表示時(shí)域加窗的長度，i=1,2,…,N表示信號向量元素序號的索引；T表示時(shí)域，F(xiàn)表示頻域；I表示實(shí)部，Q表示虛部；A表示幅度值；XT表示時(shí)域數(shù)據(jù)，XF表示頻域數(shù)據(jù)，XT和XF共同構(gòu)成識別網(wǎng)絡(luò)部分的輸入數(shù)據(jù)。

2.3 特征提取模塊

特征提取模塊由時(shí)域特征提取支路和頻域特征提取支路組成，兩個(gè)支路都通過基于LSTM的特征提取網(wǎng)絡(luò)來提取信號的特征。

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層只有一個(gè)狀態(tài)，對短期的輸入非常敏感，LSTM在隱藏層中增加了一個(gè)狀態(tài)ct，用來保存長期狀態(tài)。相比于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM增加的狀態(tài)ct可以保留長期的記憶信息，對時(shí)序信息的學(xué)習(xí)更加完整，具有更好的性能表現(xiàn)。LSTM單元的內(nèi)部結(jié)構(gòu)如圖2所示，其輸入和輸出的關(guān)系為

圖2 LSTM單元結(jié)構(gòu)

ft=σ(Wf[ht-1,xt]+bf)，

(4)

it=σ(Wi[ht-1,xt]+bi)，

(5)

(6)

(7)

ot=σ(Wo[ht-1,xt]+bo)，

(8)

ht=ot?tanh(ct)。

(9)

如圖3所示，所提基于LSTM的特征提取網(wǎng)絡(luò)由1個(gè)數(shù)據(jù)分割層和3個(gè)LSTM層組成。特征提取網(wǎng)絡(luò)的輸入是預(yù)處理部分得到的時(shí)域數(shù)據(jù)或者頻域數(shù)據(jù)，輸入數(shù)據(jù)的尺寸為2 048×3。首先，數(shù)據(jù)分割層將輸入數(shù)據(jù)按順序滑窗分割成多個(gè)子矩陣，滑窗窗口尺寸為8×3，滑窗步長為4×1，滑窗分割可以得到511個(gè)子矩陣，然后將每個(gè)子矩陣都拉成向量，得到511個(gè)向量，記為input_i，i取1～N，N表示滑窗得到的向量總數(shù)。特征提取支路含有3個(gè)LSTM層，每層由511個(gè)LSTM單元組成，LSTM單元中隱藏層節(jié)點(diǎn)長度為64。然后，將數(shù)據(jù)分割層得到的511個(gè)向量分別輸入到第一個(gè)LSTM層的511個(gè)LSTM單元中，第二個(gè)和第三個(gè)LSTM層的輸入分別是前一個(gè)LSTM層的輸出。最后，將第三層最后一個(gè)時(shí)間節(jié)點(diǎn)的特征作為該特征提取支路的輸出，該特征包含輸入數(shù)據(jù)中蘊(yùn)含的復(fù)雜特征。

圖3 基于LSTM的特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖

在特征提取模塊中，時(shí)域特征提取支路和頻域特征提取支路都通過基于LSTM的特征提取網(wǎng)絡(luò)提取特征，分別得到時(shí)域特征和頻域特征。

2.4 融合模塊

融合模塊將時(shí)域特征提取支路提取的時(shí)域特征和頻域特征提取支路提取的頻域特征進(jìn)行融合。由于信號的全部特征存在于信號的時(shí)域和頻域中，僅從時(shí)域或者頻域提取特征會出現(xiàn)部分信號信息的缺失，特征提取不夠全面，因此有必要充分挖掘數(shù)據(jù)中蘊(yùn)含的信息，通過同時(shí)提取時(shí)域頻域特征并進(jìn)行融合的方式來獲取干擾信號的特征。所提方法采用特征拼接的方式進(jìn)行特征融合，公式表示如下：

Ffusion=[Ft,Ff]。

(10)

式中：Ft表示時(shí)域特征；Ff表示頻域特征；Ffusion表示融合特征，融合特征的向量長度是時(shí)域特征長度與頻域特征長度之和。將時(shí)域特征和頻域特征進(jìn)行特征融合，可以提升信號特征提取的性能，提升干擾信號識別的性能。

2.5 分類模塊

分類模塊將融合特征輸入全連接分類器對干擾信號進(jìn)行分類識別。首先，將融合特征輸入第一個(gè)全連接層和激活函數(shù)層，該全連接層隱藏節(jié)點(diǎn)個(gè)數(shù)為64，輸出特征為feature1；然后，將feature1輸入第二個(gè)全連接層，該全連接層隱藏節(jié)點(diǎn)個(gè)數(shù)為7，與干擾信號的類別個(gè)數(shù)相等，輸出特征為feature2；最后，將feature2輸入到Softmax激活函數(shù)中進(jìn)行歸一化，得到分類置信度向量，向量長度為7，歸一化后向量中各元素之和為1，每個(gè)元素值代表對應(yīng)類別的預(yù)測概率。

3 仿真分析

3.1 仿真參數(shù)及評價(jià)準(zhǔn)則

本文通過仿真分析所提方法的干擾識別性能，采用加性高斯白噪聲(Additive White Gaussian Noise，AWGN)信道，使用BPSK調(diào)制信號，擴(kuò)頻增益為1 023，根據(jù)表1所示的干擾信號參數(shù)構(gòu)建干擾信號數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集信號的干信比(Jamming-to-Signal Ratio，JSR)為20～50 dB，間隔10 dB，干噪比(Jamming-to-Noise Ratio，JNR)為-10～20 dB，間隔2 dB，每類干擾信號在每種JSR和JNR下的樣本數(shù)量為100。驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集信號的JSR為20～50 dB，間隔10 dB，JNR為-20～20 dB，間隔2 dB，每類干擾信號在每種JSR和JNR下的樣本數(shù)量為50。

表1 信號類型和參數(shù)

模型的訓(xùn)練和測試過程采用Keras深度學(xué)習(xí)平臺，使用Adam優(yōu)化算法，學(xué)習(xí)率設(shè)置為0.000 1，數(shù)據(jù)集訓(xùn)練次數(shù)epoch設(shè)置為100，在訓(xùn)練過程中保存對驗(yàn)證集測試精度最高的模型。

本文通過各類別識別正確率和總體識別正確率對干擾識別算法進(jìn)行評估。各類別識別正確率是該類干擾信號識別正確的樣本個(gè)數(shù)與測試樣本總數(shù)的比值，總體識別正確率是各類別識別正確率的平均值。此外，通過比較兩種算法達(dá)到相同總體識別正確率時(shí)的最小JNR差值，可以量化算法性能提升的程度。

3.2 模型收斂性分析

為了評估所提方法的識別性能與訓(xùn)練數(shù)據(jù)集樣本數(shù)量之間的關(guān)系，本文通過構(gòu)建多個(gè)樣本量不同的訓(xùn)練數(shù)據(jù)集對所提方法進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果確認(rèn)最佳的訓(xùn)練樣本數(shù)量。將N0定義為訓(xùn)練數(shù)據(jù)集中每類干擾信號在每種JSR和JNR下的樣本數(shù)量。首先，按照表1的信號參數(shù)，分別取N0為10，20，30，…，150，構(gòu)建15個(gè)數(shù)據(jù)集。根據(jù)3.1節(jié)的敘述，各數(shù)據(jù)集樣本總數(shù)量等于448與N0的乘積。然后，使用這15個(gè)數(shù)據(jù)集分別對所提的干擾識別網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后，分析驗(yàn)證集總體識別正確率與訓(xùn)練樣本數(shù)量之間的關(guān)系，結(jié)果如圖4所示。通過圖4可以看出，當(dāng)N0小于100時(shí)，正確率先快速上升，然后在波動(dòng)中緩慢上升；當(dāng)N0大于100時(shí)，正確率基本不再提升，此時(shí)模型已經(jīng)收斂。因此為了減少不必要的時(shí)間代價(jià)和存儲代價(jià)，后續(xù)實(shí)驗(yàn)均將N0設(shè)置為100。

圖4 識別性能與訓(xùn)練數(shù)據(jù)集大小的關(guān)系

在訓(xùn)練過程中，所提方法的誤差函數(shù)值和總體識別正確率的關(guān)系如圖5所示，其中，圖5(a)表示訓(xùn)練集誤差函數(shù)值與驗(yàn)證集誤差函數(shù)值曲線圖，圖5(b)表示訓(xùn)練集正確率與驗(yàn)證集正確率曲線圖。通過圖5可以看出，當(dāng)epoch<20時(shí)，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的誤差函數(shù)值快速降低，正確率快速增加；當(dāng)20≤epoch<85時(shí)，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的誤差函數(shù)值和正確率都有小幅度的波動(dòng)；當(dāng)epoch≥85時(shí)，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的誤差函數(shù)值和正確率都趨于平穩(wěn)，此時(shí)模型已經(jīng)收斂。

(a)誤差函數(shù)值曲線圖

3.3 模型結(jié)構(gòu)分析

為了評估所提方法的特征提取模塊和特征融合模塊對識別性能的影響，本文構(gòu)建了6種不同的模型，分別對其訓(xùn)練后通過測試識別正確率評估模型的性能。6種模型使用的結(jié)構(gòu)參數(shù)如表2所示。VGG網(wǎng)絡(luò)是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，本文將基于VGG網(wǎng)絡(luò)的提取特征方法與所提基于LSTM網(wǎng)絡(luò)的提取特征方法進(jìn)行對比，分析LSTM網(wǎng)絡(luò)對識別性能的影響；將僅提取時(shí)域或者頻域特征的方法與提取時(shí)域頻域特征后融合的方法進(jìn)行對比，分析特征融合對識別性能的影響。通過仿真分析，計(jì)算各個(gè)模型的總體識別正確率與信號JNR的關(guān)系，如圖6所示。

表2 各個(gè)模型的結(jié)構(gòu)參數(shù)

通過圖6可以得出，T-LSTM的識別正確率比T-VGG高，F(xiàn)-LSTM的識別正確率比F-VGG高，TF-LSTM的識別正確率比TF-VGG高，說明基于LSTM特征提取方法比基于VGG方法的識別性能高，因此基于LSTM方法的干擾信號特征提取能力優(yōu)于VGG;F-VGG的識別正確率比T-VGG高，TF-VGG的識別正確率比F-VGG高，F(xiàn)-LSTM的識別正確率比T-LSTM高，TF-LSTM的識別正確率比F-LSTM高，說明基于頻域特征融合方法的識別性能優(yōu)于單個(gè)域的識別性能。綜上可知，基于LSTM的特征提取方法和時(shí)域頻域特征融合方法都可以提升干擾識別的性能，因此本文最終采用基于LSTM的特征提取網(wǎng)絡(luò)和時(shí)域頻域特征融合的方法進(jìn)行干擾識別。

3.4 識別性能對比分析

為了評估所提方法的識別性能，將所提方法的干擾識別正確率與干噪比的關(guān)系進(jìn)行分析，并與SVM、BP神經(jīng)網(wǎng)絡(luò)和CNN方法[12]對比。

所提方法的各類型識別正確率如圖7所示。通過圖7可以得出，在JNR≥-12 dB時(shí)，無干擾和單音干擾的識別正確率約為100%；在JNR≥-10 dB時(shí)，多音干擾和噪聲調(diào)頻干擾的識別正確率為100%；在JNR≥-8 dB時(shí)，所有干擾類別的識別正確率均為100%。

將所提方法各類型識別正確率取平均值，即可得到總體識別正確率。其他方法采取相同的方式計(jì)算得到總體識別正確率，各種方法的總體識別正確率結(jié)果如圖8所示。通過圖8可以得出，傳統(tǒng)的SVM方法和BP神經(jīng)網(wǎng)絡(luò)方法的識別正確率較低，CNN的識別正確率較高，所提方法的識別正確率最高；SVM方法在JNR≥0 dB時(shí)正確率大于等于98%，BP神經(jīng)網(wǎng)絡(luò)方法在JNR≥2 dB時(shí)正確率大于等于98%，CNN方法在JNR≥-2 dB時(shí)正確率大于等于98%，所提方法在JNR≥-8 dB時(shí)正確率就已經(jīng)大于等于98%。綜上，所提方法的識別正確率優(yōu)于其他方法，在正確率為98%時(shí)，相比現(xiàn)有最優(yōu)的基于CNN的干擾方法性能提升了6 dB。

圖8 所提方法與其他方法的總體識別正確率對比

4 結(jié)束語

本文針對復(fù)雜電磁環(huán)境下的干擾識別問題，提出了一種基于LSTM網(wǎng)絡(luò)和特征融合的干擾識別方法。所提方法利用LSTM網(wǎng)絡(luò)構(gòu)建特征提取支路提取信號的特征，克服了現(xiàn)有技術(shù)特征提取性能不足的問題，提升了干擾信號特征提取的性能。采用時(shí)域特征提取支路和頻域特征提取支路分別提取時(shí)域特征和頻域特征，并將時(shí)域特征和頻域特征融合后進(jìn)行分類識別，克服了現(xiàn)有技術(shù)僅利用信號單個(gè)域作為神經(jīng)網(wǎng)絡(luò)的輸入造成的信息利用不充分的問題，提高了干擾識別的性能。仿真表明，在正確率為98%時(shí)，所提方法的性能相比于現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識別方法提升了6 dB，是復(fù)雜電磁環(huán)境下一種有效的干擾識別方法。

后續(xù)將研究基于深度神經(jīng)網(wǎng)絡(luò)的混合干擾信號分類方法。