基于大數據的通信干擾信息識別方法

王 偉

（河南工業貿易職業學院 信息工程系，河南 鄭州 451191）

0 引 言

利用大數據新一代信息化技術，通過特征提取和降噪提高通信干擾信息識別精度。結合先進科學技術不斷優化，致力于實現通信干擾信息識別信息空間化和應用可視化，為通信干擾信息識別提供完善的運營指標[1]。結合楊纓提出的艦船大數據網絡干擾信息高效識別方法表明，網絡干擾信息高效識別工作中大數據技術運用的亮點之處在于通過大數據技術能夠綜合提取網絡干擾信息的瞬時特征，從而提高網絡干擾信息高效識別精度[2]。本文以此為研究依據，設計基于大數據的通信干擾信息識別方法，致力于能夠更好地指導通信干擾信息識別。

1 基于大數據的通信干擾信息識別方法

1.1 建立通信干擾信息特征識別矩陣

大數據技術對通信干擾信息原始數據處理分為兩部分。按照Row Key對數據進行排序，每個數據都有一個指定的Row Key。在創建Row Key時，可以對其最大長度和內容通過二進制字符串進行編制。通信網絡內所有的數據會根據Row Key進行動態的切分，數據切分后的單位為tablet，標志著數據所屬類型。將節分后數據的若干字段進行Column Group定義，其定義的目的是為后續提取數據瞬時特征提供方便[3]。在通信干擾信息識別中，首先要建立通信干擾信息特征識別矩陣，其次將干擾信息映射到同一個特征表示空間，最后得到維數一致的特征向量[4]。設干擾信息特征識別參數E，則其計算公式如下所示：

式中，M是干擾信息的字符長度；N指的是干擾信息的語義特征；x(i,j)是干擾信息在共享空間的投影位置坐標；i是干擾信息在共享空間的橫坐標；j是干擾信息在共享空間的縱坐標。利用式（1）可得出干擾信息特征識別投影，使大數據網絡中干擾信息瞬時特征提取成為可能。

1.2 大數據網絡中干擾信息瞬時特征提取

在建立通信干擾信息特征識別矩陣的基礎上，通過分析大數據網絡中時域、頻域以及時頻3類干擾信息，將幾何特征、空間、方向、匹配特征、距離以及語義特征作為干擾信息瞬時特征指標[5]。對干擾信息瞬時特征進行離散化處理。設離散化處理后的干擾信息瞬時特征為T，則其計算公式如下所示：

式中，R是干擾信號的波動幅度譜；e是離散系數；l是干擾信息頻譜；m是干擾信息的時域特征；F是波動信號的歸一化處理函數；n是干擾信息個數，為實數。根據式（2）可推導出干擾信息的空間峰值比。設干擾信息的空間峰值比為則其計算公式如下所示：

式中，N是干擾信號的波動幅度；J是通信過程中所有干擾信號的波動幅度之和。在得出干擾信息空間峰值比的基礎上，采用Welch平均周期法，提取出大數據網絡中干擾信息瞬時特征系數。設大數據網絡中干擾信息瞬時特征系數為Y，則其計算公式如下所示：

式中，X是對應階次；p是增益效果。通過式（2）～式（4）實現大數據網絡中干擾信息瞬時特征提取。

1.3 處理干擾信息局部特征描述子

將高頻干擾信息劃分到信息空間，低頻干擾信息劃分到物理空間，在多維空間中尋找出訓練數據的最佳擬合平面。將原干擾信息與進行處理后干擾信息設定為兩組通道，根據特征描述子的向量進行干擾信息輸出處理?；诖髷祿蜃臃治鏊惴ㄌ幚砀蓴_信息局部特征描述子可用方程式的手段進行表示，設處理后的干擾信息局部特征描述子為D(x,y)，則其計算公式如下所示：

式中，K是干擾信號局部特征向量維度；k是維度，通常情況下取值為1；y是空間模態下的干擾信號；rk是在k維度下提取的干擾信號局部特征向量維度元素值。

1.4 基于大數據干擾信息識別數據降噪處理

為確保干擾信息局部特征描述子的誤差能夠通過修正系數進行改進，且在過程中不會出現權重比例失調的情況，可將干擾信息識別偏差值設為MSE，利用大數據云計算可得MSE的計算公式如下所示：

式中，A是干擾信息均值；D是干擾信息識別特征維數；B是干擾信息識別的邏輯系數。在求得干擾信息識別偏差值的基礎上，對分割出邊緣信息的干擾信息進行降噪處理。將干擾信息識別降噪處理表達式設為m，其計算公式如下所示：

式中，I是干擾信息識別的相關字向量；f是干擾信息的傳輸角速度。完成基于大數據干擾信息識別降噪處理后，可通過干擾信息高效識別算法取得高精度的通信干擾信息識別結果。

1.5 取得高精度的通信干擾信息識別結果

得到基于大數據干擾信息識別降噪處理結果后，構建一個通信干擾信息識別數據集，通過重構權值的方法直接省略前期的預處理流程，識別計算通信過程中產生的干擾信息。面對在通信干擾信息識別中運算復雜的情況，以瞬時特征參數作為通信干擾信息高精度識別依據，計算瞬時干擾信號的波動幅度標準差。設瞬時干擾信號的波動幅度標準差為v，則其計算公式如下所示：

式中，γ是大數據網絡中待識別信號的最大參數值。根據式（8）判斷波動幅度標準差，通過大數據網絡通信過程中干擾信號的正交分量與正常信號的同相分量的絕對值，得出干擾信息高效識別算法表達式。設干擾信息高效識別算法表達式為τ，則其計算公式如下：

通過式（9）得出τ的具體數值。在lm與lj均為正數的前提下，當τ≤m時，所有干擾信息均進行識別決策，能夠取得高精度的通信干擾信息識別結果；當τ＞m時，則證明該次通信干擾信息識別結果無效。至此，完成基于大數據的通信干擾信息識別方法設計。

2 對比實驗

2.1 實驗準備

以下將采用設計仿真實驗的方式，驗證本文設計的通信干擾信息識別方法在實際的應用中能否起到提升干擾信息識別瞬時特征之間同向性的作用。為了保證實驗數據的準確性，整體實驗在Matalb平臺上進行。隨機選取一臺運行系統為XP的計算機，在計算機上安裝雙端口萬兆位的路由協調控制器，安裝流程需要嚴格遵循互聯網連通標準，并允許地方局域網或存儲網絡對其共享，將網絡格局實施統一化的處理。定義通信網絡節點通信范圍為（2.4×103×2.4×103）m2的二維矩形區域，打亂區域內數據，設置通信網絡參數，信號傳遞耗能15 kJ，結合設定的通信參數，確定干擾信息形式參數。用傳統識別方法識別干擾信號，收集5組實驗數據，記為對照組。再用本文設計的識別方法進行相同步驟的操作，記為實驗組，實驗所得同步率越高證明該識別方法的識別精度越高。

2.2 實驗結果與分析

根據實驗結果得出兩種識別方法下的同步率，具體結果如表1所示。

表1 實驗組與對照組實驗結果對比

從表1中的數據結果可以看出，實驗組的同步率明顯高于對照組的同步率。因此，通過對比結果進一步證明，本文提出的識別方法具有更高的同步率，識別精度更高，更適用于實際通信干擾信息識別。

3 結 論

根據目前對通信行業的深入研究，文章提出了基于大數據的通信干擾信息識別方法。通過仿真實驗證明了設計的識別方法能夠有效提升通信干擾信息識別的質量。因此，應加大該識別方法在通信干擾信息識別方面的應用。需要注意的是，盡管本文上述的設計已經趨近于完善，但在后期的發展中仍需要建立一個相對完善的數據管理機制，用來管理識別出的干擾信息。并從節點的角度進一步深入研究基于大數據的通信干擾信息識別方法，為通信干擾信息識別方法的優化設計提供幫助。