基于神經網絡算法的智能抗干擾系統設計

，，，麗哲

(1.中國電子科技集團公司 第五十四研究所，石家莊 050081;2.中國人民解放軍96902部隊，北京 100015)

0 引言

隨著信息技術的迅速發展，通信設備海量涌入，電磁環境日趨復雜。與此同時，授權用戶的不規律頻段占用以及非授權用戶有意無意的電子干擾，使得可用通信頻譜離散且不易被充分利用，對傳統通信技術帶來了挑戰。另一方面，隨著通信業務種類的增多，未來信息化發展對通信系統的寬帶化、智能化提出了更高的要求。

為了實現在復雜電磁環境下進行有效通信，傳統抗干擾技術通過人工判斷高速波形是否可用，當達不到誤碼率(BER)等要求時則使用以跳、擴頻為代表的抗干擾波形。

而跳擴頻技術具有頻譜利用率低、傳輸速率低的特點，適合傳輸話音、窄帶數據等業務，難以傳輸視頻等寬帶業務，已經不能滿足日益增長的帶寬需求。與此同時，以人工的方式判斷干擾情況、切換通信波形不能及時應對電磁環境的瞬息萬變，針對復雜干擾情況也難以選擇最佳的傳輸手段，無法滿足抗干擾技術的智能化需求。

為了解決通信抗干擾的寬帶化問題，新型抗干擾技術蓬勃發展，基于認知無線電[1]的非連續正交頻分復用技術(non-continuous orthogonal frequency division multiplexing，NC-OFDM)、變換域通信系統(transform domain communication system，TDCS)被認為是兩種具有極大發展潛力的新型寬帶抗干擾手段。這兩種技術都是通過剔除被干擾頻點，實現“見縫插針”式的不連續頻譜的高效利用，在具有較高抗干擾能力的同時又有高于跳擴頻的傳輸速率[2]，其能量分布如圖1所示。

圖1 非連續正交頻分復用技術/變換域通信系統能量分布

為了達到通信抗干擾智能化的需求，一方面是在傳統的跳擴頻基礎上發展自適應跳頻、變速跳頻等技術，另一方面則是將多種抗干擾手段相結合，根據頻譜環境的不同選擇最佳的抗干擾策略。由于人工智能算法的廣泛普及，在通信領域使用人工智能算法實現抗干擾技術的智能化也成為了一個重點研究方向。

作為智能抗干擾技術[3]的一種新思路，借助人工智能算法將多種抗干擾波形在不同干擾情況下進行實時切換，理論上可以達到理想情況下頻譜利用率與可靠性的最大化。本次研究以認知無線電技術為基礎，通過頻譜感知、干擾分類、基于神經網絡算法的波形判決模塊最終得到針對實時干擾的最佳抗干擾波形。與傳統通信技術相比，本系統具備靈活抵抗突發干擾的能力，適用于多種應用場景，而且能夠更大限度的提高頻譜利用率及通信可靠性。

1 系統結構及原理

系統分為頻譜感知[4]、干擾識別、波形選擇、仿真驗證、反饋修正等五個部分。為了達到自適應切換波形的目的，首先進行頻譜感知，繼而從感知結果分析出干擾類型[5]，之后再根據干擾的不同類型使用對應的波形決策算法，得到三種模式的判決結果與具體的波形參數，即可得到該種干擾情況下的最佳波形。最后對決策算法進行仿真驗證，并做出反饋修正。整體框架如圖2所示。

圖2 系統整體框架

具體來看，頻譜感知結果是通過頻譜掃描實時得到的一個隨機序列，通過干擾分類算法將該序列提取特征，識別為窄帶干擾、寬帶干擾、梳狀干擾中的一種，以此簡化干擾模型。針對每種干擾類型設計不同的波形判決模塊，該模塊又分為NC-OFDM、TDCS、擴頻三種波形決策算法，將干擾分類結果作為參數之一輸入以上三種算法(輸入參數還包括本次通信的最低需求以及其他約束條件)，根據算法結果得到各個模式的最佳波形，三種最佳波形相互比較即可得到系統最佳波形。其中波形決策算法需要在事先經過大量數據樣本進行訓練。

此后，將波形決策算法的波形選擇結果與相同干擾情況下的三種模式的多種波形仿真結果進行比較，驗證波形決策算法的正確性，同時結果可以作為對算法的反饋或者作為下一次的訓練樣本，在豐富樣本庫的同時，不斷修正數學模型，使之越來越符合這一信道模型。具體實現如圖3所示。

圖3 系統具體實現框圖

2 三種抗干擾模式原理

2.1 NC-OFDM基本原理

NC-OFDM可以看作是一種不連續的OFDM[6]，其基本原理如圖4所示。主要包括頻譜感知、調制解調、信噪比估計、信道估計等模塊。與傳統OFDM技術相比，NC-OFDM的基本結構是在收發端多了動態頻譜感知部分，將頻譜感知結果與預先設置好的閾值進行比較以便剔除不可用子載波。

圖4 非連續正交頻分復用原理框圖

2.2 TDCS基本原理

TDCS可以看作認知無線電技術與擴頻技術的結合，作為一種傳輸速率與抗干擾性能介于NC-OFDM與擴頻之間的抗干擾技術，正在被廣泛研究[7]。其基本思想是在頻域構造不含干擾頻點的信號波形，結合擴頻的方式，將有用信號擴展到整個可用頻段，有較低的功率譜密度。TDCS基本原理如圖5所示。

圖5 變換域通信系統硬件原理框圖

TDCS波形的產生首先需要對環境進行頻譜掃描，并將目標頻段量化成N個子載波，以便硬件實現方便。然后，通過將掃描結果的頻譜幅值與預設的閥值進行比較，并將第k個子載波的可用性標記為Ak。通過該方式，收發機得到了TDCS中所有子載波效用序列，記為A={A0,A1,…,AN-1}。該序列決定了TDCS信號的頻譜形狀[8]。

發射機首先通過隨機相位映射器產生一組N點長的偽隨機多相位序列，即以下序列P={ejm0,ejm1,…,ejmN-1}，其相位映射方式可使用線性反饋移位寄存器(Linear Feedback Shift Register， LFSR)產生。然后，將所得到的偽隨機相位序列與上述頻譜矢量A逐點相乘，得到TDCS系統頻域編碼序列，即:

B=[B0,B1,...Bk,...BN-1]=λ·A?P(1)

Bk=λAkejmk,k∈{0,1,...,N-1}

(2)

b={b0,b1,...bn,...bN-1}=IFFT{B}

(3)

bn=

(4)

式(3)中的b又被稱為基礎調制波形，被緩存起來供后續的調制操作繼續使用。

TDCS中典型的調制方式為圓周移位鍵控[9]，其采用基礎調制波形作為基函數[10]實現有效數據比特的調制發射。相應的接收機采用類似RAKE接收機的方法完成信號解調。

2.3 擴頻基本原理

擴頻是一種傳統且成熟的通信抗干擾技術[11]，在此只簡要介紹其基本原理與參數擴頻因子。擴頻通信系統發射端輸入的信息經過信息調制形成數字信號，然后由擴頻碼發生器產生的擴頻碼序列進行調制以展寬信號的頻譜，再由該信號對載頻進行調制發射。在接收端則用使用同樣的擴頻碼進行相關同步接收、解擴及恢復所傳信息數據。

擴頻因子是擴頻通信中的一個重要參數[12]，它是每個符號被轉化成的碼片數目，也是擴頻后碼片速率和擴頻前信號速率的比值，直接反映了擴頻增益。

3 系統算法設計

3.1 算法設計思路與方法

1)干擾分類算法設計，由于電磁環境的復雜性與隨機性，頻譜感知的結果是一個隨機序列，很難從該序列中直觀的得到干擾類型。而且干擾的分類需要滿足后續波形決策算法的需求，能夠有針對性的簡化后續計算。本次研究中首先將干擾情況進行預處理，忽略影響小的擾動，提取主要特征，分為窄帶、寬帶、梳狀干擾，以此簡化干擾模型，同時便于干擾分類算法實現。

2)波形決策算法的設計，首先，選擇人工智能算法。能達到本次研究數據擬合要求的常用前向非線性神經網絡算法有BP神經網絡算法、徑向基神經網絡算法[13]、廣義回歸神經網絡算法。由于徑向基神經網絡算法與BP神經網絡算法相比具有更快的收斂速度以及準確度，而廣義回歸神經網絡算法雖然在樣本數據精度較差的時候有更大的優勢，但是在樣本數據精度高的時候準確度低于徑向基神經網絡算法，本次研究采用實際仿真結果作為樣本數據，樣本質量較高，因此采用徑向基神經網絡算法實現波形決策引擎。

其次，算法輸入輸出參數的設計。對于窄帶干擾和寬帶干擾，輸入參數應該包括：干擾強度、干擾帶寬、信噪比(SNR)，由于各頻點干擾強度可能不一致，因此用平均干擾能量描述帶寬強度；針對梳狀干擾，相當于多個窄帶、寬帶干擾的組合，但是位置不同，對誤碼率的影響也不同，因此參數設置至少應該有：干擾強度、干擾帶寬、干擾數量、干擾間隔、干擾能量、SNR等，提取梳狀干擾的最主要影響的特征參數是在這種干擾下解決波形選擇的關鍵問題，本次研究中將梳狀干擾中的幅度最高、能量最大區域的干擾情況作為影響通信的最主要參數。此外，徑向基神經網絡算法需要設置擴散速度(spread)與誤差作為輸入參數，這兩個參數影響收斂速度與神經元數量，誤差根據精度需求進行設置，spread一般通過人工經驗設置。

閾值是用來判決NC-OFDM、TDCS中頻點是否可用的標準，干擾強度超過閾值的頻點將被剔除，低于閾值的頻點被認為可用。閾值過低，則該波形的誤碼率達不到要求，可能會漏選速率高的波形，閾值過高，可能會浪費本來能滿足誤碼率要求的頻點。因此選擇合適的閾值才能得到NC-OFDM/TDCS模式下的最佳波形。理想情況下閾值應由人工智能算法計算得到，應該作為波形決策算法的一個輸出參數。本次研究為了精簡算法，暫時設置閾值為一個固定值。

至此，算法的輸入參數應該包括由上述頻譜感知信息歸類得到的干擾分析結果、最低誤碼率等通信需求參數、其他約束條件以及大量仿真得到的數據組成的樣本庫。輸出參數包括傳輸模式選擇結果及相應參數(如NC-OFDM的具體調制方式、TDCS的基函數、擴頻的擴頻因子、NC-OFDM/TDCS的閾值等)，由此即可得到這種干擾情況下的最佳傳輸波形。

3)波形切換與算法驗證。在三種模式分別得到最佳波形參數后，通過判斷三種傳輸速率，即可得到整個系統的最佳波形。此后，通過與不使用智能算法下的人工仿真結果比較，驗證算法性能，倘若波形判斷失誤則修正本次波形選擇結果，選擇第二合適的波形，同時將結果作為樣本數據，豐富樣本庫。

3.2 波形決策算法原理圖

波形決策算法首先使用樣本庫對徑向基神經網絡算法進行訓練，樣本庫是由仿真得到的多種干擾情況下的誤碼率結果，算法收斂后，輸入本次各種參數對該干擾情況進行預測，得出此種參數下的誤碼率及可用頻點數，經判斷選擇該模式的符合誤碼率要求的最高速波形，然后計算該波形的最大吞吐量，并作為本模式的最佳傳輸波形，隨后與其他模式的最佳波形的吞吐量進行比較。詳細過程可見圖6。

圖6 波形決策原理框圖

4 實驗結果與分析

4.1 對三種抗干擾模式的仿真

4.1.1 實驗步驟和方法

本次仿真參數的設置為：傳輸帶寬為20 MHz；NC-OFDM的FFT點數為256，循環前綴長度為64，調制方式使用QPSK、16-QAM兩種波形[14]；TDCS的基礎調制波形頻點數為256，循環前綴長度為64；擴頻的擴頻因子256；系統BER要求：10-3(不考慮編碼)。

通過在4種不同干擾情況下對三種抗干擾模式的仿真結果進行對比，分析三種傳輸模式的抗干擾能力，以此驗證三種模式在不同干擾情況下正確切換的必要性。

4.1.2 仿真曲線圖

仿真曲線如圖7所示。

圖7 三種模式誤碼率仿真對比

圖8 三種模式吞吐量對比

4.1.3 仿真結果分析

圖7(a)和圖8(a)是沒有干擾時的仿真結果；圖7(b)和圖8(b)是有二分之一帶寬存在信干比10 dB的干擾時的仿真結果；圖7(c)圖8(c)是有四分之三的帶寬存在信干比10 dB的干擾時的仿真結果；圖7(d)和圖8(d)是有99%帶寬存在信干比10 dB的干擾時的仿真結果。

從圖7(a)和圖8(a)可以看出，要滿足誤碼率低于10-3的要求，當SNR在10 dB以上時可以采用NC-OFDM的波形進行高速率數據傳輸，吞吐量最大，若SNR低于10 dB，則只能使用TDCS甚至擴頻；從圖7(b)和圖8(b)可以看出NC-OFDM的波形已經基本不能滿足誤碼率要求，當SNR在-10 dB以上時，選擇TDCS的波形能最大限度的滿足速率要求，具有較高的吞吐量，SNR不滿足時只能使用擴頻；圖7(c)和圖8(c)可以看出，由于干擾較大，要求SNR在-4 dB以上時才能使用TDCS，此時吞吐量最大，否則，只能使用擴頻；圖7(d)和圖8(d)仿真結果表明，當幾乎整個頻段存在信干比為10 dB的干擾時，NC-OFDM、TDCS都無法滿足誤碼率要求，只能使用擴頻波形。

由以上結果可知，在不同干擾情況下選擇合適的波形可以獲得更大的吞吐量，能夠提升頻譜利用率，因此驗證了三種模式在不同干擾下切換的必要性。

4.2 對波形決策模塊的仿真

4.2.1 實驗步驟和方法

設置系統參數為傳輸帶寬為20 MHz、頻點個數為2 048個。對信噪比從-30 dB到40 dB、多種不同類型干擾的情況下NC-OFDM、TDCS、擴頻進行仿真分別得到萬余種情況下的結果，作為訓練樣本通過徑向基神經網絡算法進行仿真得到該信道下的數學模型。其中添加的干擾為信干比從30～-20 dB、被干擾頻點從0到2 048個的多種情況下的干擾。

由于樣本數據是0.5～10-5之間的數，變化太快導致曲線不可微，因此將樣本數據全部取對數，然后再對算法進行訓練。

得到算法對三種模式的仿真結果后與實際仿真結果進行比較，可以看出智能算法對各個信噪比情況下的數據的擬合情況，此后僅需簡單的判斷相應SNR下的滿足誤碼率波形的傳輸速率即可得到最終結果。由于最低速率的NC-OFDM也比最高速率的TDCS的速率快，最低速率的TDCS也比擴頻的最高速波形速率快，因此編程更加容易，僅需依次判斷NC-OFDM、TDCS、擴頻的波形是否滿足誤碼率等要求而存在，如果存在，則不必繼續判斷，直接得到最佳波形。

4.2.2 實驗數據及曲線圖

驗證單一波形的算法收斂情況，經反復調整擴散速度(spread)，設置spread為10時收斂速度最快，使用神經元數最少。圖9為NC-OFDM使用64-QAM調制方式下擴散速度為10時的收斂過程。

圖9 單一波形收斂過程

驗證整個系統的仿真結果：圖10、圖11、圖12為系統在1 000個子載波存在信干比為10 dB的干擾時三種模式的神經網絡算法仿真結果與實際仿真結果的對比。

圖10 非連續正交頻分復用模塊波形決策算法仿真結果對比

圖11 變換域通信模塊波形決策算法仿真結果對比

圖12 擴頻通信模塊波形決策算法仿真結果對比

4.2.3 仿真結果分析

從圖10、圖11、圖12分別可以看出在NC-OFDM、TDCS、擴頻的波形決策算法能對各個模式的三種波形進行數據擬合，當產生隨機干擾時，訓練過的神經網絡能及時得到各種波形的仿真結果，決策算法仿真曲線平滑，趨勢正確。由圖10的虛實線結果得出當通信需求的SNR在15dB以上時64-QAM與16-QAM不滿足要求，QPSK調制的NC-OFDM誤碼率在10-3以下，即認為是此時刻NC-OFDM模式的最佳波形；TDCS三種波形與擴頻三種波形誤碼率都在10-3以下，但顯然速率與NC-OFDM相比較低，得出使用QPSK調制的NC-OFDM為最佳傳輸波形，與人工選擇結果一致。當系統要求SNR低于15 dB時，如-20 dB，算法得出NC-OFDM三種波形無法滿足誤碼率要求，TDCS中擴頻點數為2 048時的波形滿足要求，擴頻三種波形全都滿足，選擇TDCS作為最佳波形；而人工仿真結果認為-20 dB時TDCS擴頻點數為2 048時誤碼率為10-2.5左右，不滿足要求，而擴頻三種波形全部滿足要求，因此選擇擴頻最佳波形即擴頻因子為512倍的波形，與算法結果不一致，這是由于人工仿真樣本數量少導致的算法精度較低，實際結果也是在滿足與不滿足之間，此時在實際系統中增加反饋，不滿足要求時選擇第二合適的波形來糾正這種現象。

5 總結與展望

隨著通信環境日漸惡劣、通信需求日益提升，研究新型的抗干擾技術及策略成為重要議題。高速抗干擾波形是一個重要的研究方向，新興技術NC-OFDM與TDCS都可以通過頻譜感知模塊達到剔除不可用子載波的目的，其中NC-OFDM可以實現較小較弱窄帶干擾情況下的高速數據傳輸，TDCS可以實現較大窄帶干擾情況下速率高于擴頻的可靠傳輸，而傳統擴頻技術則可以滿足無頻譜空穴情況下的數據傳輸。通過切換三種模式的不同波形，能夠在某些干擾情況下顯著提高頻譜利用率，改善通信質量。基于此目的，本系統針對電磁環境進行實時波形切換，以此彌補單一模式、單一波形對環境適應性不足的問題，在提升頻譜利用率的同時，也提升了系統的魯棒性，實現頻譜資源、系統資源利用的最大化。

由于各個頻點處的能量具有隨機性、分散性與復雜性的特點，而本次研究中的干擾分類算法目前較為理想，因此需要對干擾分類算法進行優化，為了改善這種情況，可以使用一維卷積神經網絡[15]來對干擾進行識別，再根據分類結果對波形決策算法進行優化。由于梳狀干擾的形態復雜，針對梳狀干擾的波形決策算法也難以在復雜情況下分析最優波形，因此對梳狀干擾的波形決策算法的設計有待改善，比如對梳狀干擾進行進一步分類。

隨著計算能力與日俱增引起的人工智能崛起，必將成為通信領域的一大助力，無論是針對不同干擾選擇最佳的通信波形，或是針對不同干擾進行相應的抵消，還是更高階的實時波形創造，都是基于人工智能與模式識別的大時代贈與我們解決通信問題的一種新思路。通過人工智能算法與先進抗干擾波形相結合，從而實現通信領域中抗干擾的寬帶化與智能化，是人工智能與通信技術相互融合進化一個必然方向。