基于頻帶相關性Deep Learning的無線通信干擾智能識別

楊嵐 肖海濤 張渭樂

摘要：近年來，隨著無線通信技術在軍事領域的發展及各類無線通信裝備數量的增加，戰場電磁環境變得越來越復雜，其要求通信系統具有更強的抗干擾能力，而智能干擾識別是抗干擾的前提?；趥鹘y機器學習的各類干擾識別算法存在干擾前期特征提取繁雜、低干噪比（JNR）下識別正確識別率低的問題。本文針對上述問題，引入了并行多路多尺度卷積，通過增加網絡寬度、提升網絡識別速度和精度，解決前期特征提取繁雜的問題；結合頻帶相關性長短時記憶網絡（LSTM）創新性地提出了基于LSTM的頻帶相關性無線通信干擾智能識別網絡，該方法利用LSTM探知干擾信號頻帶相關性，提升低干噪比下的干擾識別正確率。通過仿真證明了多尺度并行卷積比普通卷積網絡更穩定，識別速度和泛化性更佳，該網絡提升了低干噪比下的識別正確率，平均識別正確率達99.86%?？梢?，本文所提的網絡模型是解決復雜電磁環境下的智能干擾識別的一種有效可用模型。

關鍵詞：復雜電磁環境認知；干擾識別；頻帶相關性；長短時記憶網絡；并行多路多尺度卷積

中圖分類號：TN975文獻標識碼：ADOI：10.19452/j.issn1007-5453.2022.04.014

基金項目：航空科學基金（2019ZC070002）

未來作戰環境不同于傳統作戰環境，未來作戰高度依賴無線通信進行信息作戰[1]。電磁頻譜作為戰場信息的核心載體，對其進行正確的認知有著十分重大的意義，不僅可以快速獲取戰場信息，而且使無線通信系統更為可靠[2]。無線通信處在一個較為開放的環境，因此更容易受到各方干擾信號及噪聲的影響，使信息傳輸準確率、通信系統安全率下降[3]。及時感知電磁環境的變化[4]，可以更好地適應戰場環境，其中最重要的一步是識別干擾信號，國內外學者也對各類識別方法進行了大量探索。

傳統的干擾檢測方式有能量檢測、匹配濾波檢測、循環平穩檢測等。1967年，參考文獻[5]中提出的能量檢測算法，在沒有得到干擾信號先驗信息的前提下，做出干擾存在與否的兩種檢驗假設，接收檢測統計量與門限閾值進行比較后，判斷干擾存在與否，參考文獻[6]對該方法進行了改進，提高了低信噪比下的識別準確率。參考文獻[7]提出一種兩級盲頻譜檢測算法，利用空域匹配濾波優勢，使提出的新算法在低信噪比和低采樣率下有更高的檢測正確率。為了進一步提高干擾信號檢測準確率，引入基于特征提取的干擾識別算法，通過人工提取各類特征后進行干擾分類，綜合分析提取信號頻域、時域等多個維度的特征參數，并提出了一種基于決策樹算法的干擾信號識別算法[8]，仿真結果表明其識別性能較好。參考文獻[9]提取信號時頻域圖像的特征，輸入特征到支持向量機（SVM）進行分類前降維操作。參考文獻[10]研究了基于SVM和反向傳播神經網絡（BP神經網絡）干擾信號識別模型，對比了不同訓練數據數目、不同特征預處理情況下的算法識別性能。采用上述方法，信號需要先經過復雜的前期處理，網絡泛化能力也不強，對于低干噪比下的干擾信號存在識別準確率不高的問題，面對復雜的電磁環境無所適從。

深度神經網絡在圖像和語音處理等領域有著非常突出的表現，有著極好的數據表達能力。因此，深度學習強大的特征表達能力在識別干擾信號領域有很大的潛力[11]。參考文獻[12]設計了基于深度學習的干擾識別實數卷積網絡，與基于特征提取的干擾識別算法進行對比，識別性能有了很大的提升。為了防止網絡破壞信號實部與虛部相關性，復數識別網絡[13]被提出，不同網絡輸入數據格式對識別性能產生影響且復數干擾識別網絡中采用頻域數據格式比起時域數據識別效果更好。上述各類干擾識別方式在高干噪比下取得了不錯的識別效果，但在低干噪比下的識別率普遍不高，本文就低干噪比下識別率不高的問題，創新性地提出了利用長短時記憶網絡（LSTM）探知干擾信號頻帶相關性，提升低干噪比下的干擾識別正確率。

本文希望通過挖掘干擾信號頻帶相關性提高干擾信號的識別正確率，基于該想法構建了一個新的基于LSTM的多尺度并行卷積網絡。首先，利用改進的并行卷積網絡拓寬網絡寬度、提高網絡泛化性，自動提取數據特征進行干擾分類；然后，利用長短時記憶網絡挖掘頻帶相關性提高干擾信號在低干噪比下的識別正確率，最后將識別結果與普通智能干擾信號識別結果進行對比，為復雜電磁環境下的干擾識別提供一種新的思路[14-20]。

1基礎理論

1.1卷積神經網絡

普通的全連接神經網絡具有梯度消失、可擴展性差等缺點，卷積神經網絡大大改善了這些缺點，避免了對原始數據復雜的前期處理，真正實現了端到端的學習過程。卷積神經網絡典型結構如圖1所示，從圖中可以看出，進入全連接層之前，數據要經過多個卷積層和池化層的處理。

經過卷積層對數據進行特征提取后，利用池化層減小、壓縮特征圖，提取有用信息，常見方法有最大值池化、均值池化等。其中，h與w分別代表池化窗口的高和寬。

卷積層是CNN的核心結構，通過對輸入數據的降維處理自動提取原始數據的特征。激活層與全連接層中的激活層相同，令上一層的數據具有非線性，引入激活函數增加了神經網絡模型的非線性學習。池化層又稱子采樣層或下采樣層，目的在于降低數據規模，增強網絡的泛化處理能力。此后再加入全連接層，此時數據特征已經過卷積層和池化層反復提煉，因此比直接采用原始數據所取得的效果更好。

1.2長短時記憶神經網絡

與其他神經網絡不同，循環神經網絡（Recurrent Neural Network）結構每一個神經元中都有自身的循環，除去神經元之間的連接，每個神經元與自身也有連接。這種結構使得該網絡獲得了“記憶”功能，可以“記住”網絡之前的輸入信息。

循環神經網絡處理時間序列問題的效果很好，但后期容易出現梯度爆炸、梯度消失等問題。為了克服這些問題，后期引入“門”結構去掉或者增加神經元狀態信息，即選擇性保留重要內容，本文選用的是LSTM。

LSTM內部結構如圖2所示，從左到右依次為遺忘門、輸入門和輸出門。上一個時間的神經元狀態量與上一個時間的輸出進入遺忘門，“遺忘”掉部分信息，輸入門主要負責通過的信息內容。通過遺忘門剩下的信息與通過輸出門新加的信息共同更新神經元狀態。最后輸出門的設計起到調優的作用，通過該門之后，輸出變為符合模型輸出的信息形式。

2基于頻帶相關性的LSTM無線通信干擾智能識別

2.1模型架構

現有的深度學習模型并沒有很好地解決低干噪比下的干擾信號識別問題。本文中提出的模型立足實現智能識別、高噪聲下的高識別正確率，稱為基于頻帶相關性的LSTM無線通信干擾智能識別。下面將介紹該模型的詳細結構。

本研究構建的干擾識別模型結構圖如圖3所示，模型結構表見表1。輸入數據為需要進行判別的頻段及該頻段之前的N個頻段數據，將其進行歸一化操作。整個模型大體由兩部分組成，即基于頻帶相關性LSTM的干擾預測模塊和基于并行多路多尺度卷積的干擾識別模塊。首先基于頻帶相關性LSTM的干擾預測模塊將需要頻段前的N個頻段數據輸入LSTM網絡，對下一個頻段（即需要判別的頻段）進行初步預測是否有干擾存在。然后再將需要判別頻段的數據及初步預測結果輸入兩層CNN網絡進行初步特征提取，通過三層并行卷積進一步提取數據深層特征提升識別率，最終通過全連接層和softmax分類器確認分類結果。

表1從上至下對應模型結構圖，其中LSTM預測模塊中的100/1表示其僅包含一層LSTM，隱含層節點數為100；普通卷積網絡中各參數尺寸為卷積（池化）/步長，并行多路多尺度卷積各參數如圖3所示，括號內數字為各卷積核厚度。

2.2基于頻帶相關性的LSTM預測模塊

2.2.1頻帶相關性

低干噪比下的干擾信號特征不明顯，導致低干噪比下的識別正確率很低，故本文利用頻帶相關性，引入LSTM網絡探知干擾信號頻帶相關性，提升低干噪比下的干擾識別正確率。

雖然每個頻帶的中心頻率各不相同，但它們占據的頻率范圍有一些彼此重疊的情況。以圖4所示的Wi-Fi系統的頻帶劃分圖為例，每個信道在中心頻域兩側都有延展情況，部分覆蓋到了其他頻帶。但認知無線電劃分頻帶時對帶寬有限制要求，劃分頻段的時候帶寬不會過大，所以相鄰頻段一般都會有相同的頻譜狀態。本文利用該特點提升低干噪比下的識別正確率。

2.2.2基于頻帶相關性LSTM的干擾預測

了解LSTM基本結構之后，本文利用其進行完整的LSTM預測模塊搭建，如圖5所示。

本文中提出的LSTM預測模塊旨在提高低干噪比下的干擾識別正確率。LSTM作為循環神經網絡（RNN）的一種變體，是一種時間遞歸神經網絡，常常用來處理具有時間相關的問題。由上一節可知相鄰頻段之間會有相同的頻譜狀態，即有一定的相關性存在，所以本文模型引入LSTM模塊，通過探知頻帶相關性提升識別正確率。

由服從指數分布的參數θ1取整決定干擾連續頻段數，重復若干次生成所需要的數據量。將需要判斷頻段的前N個干擾信號頻帶數據輸入LSTM網絡中，模塊僅含一層LSTM，隱藏層節點個數為100，后跟全連接層與softmax進行初次分類。

2.3基于并行多路多尺度卷積識別模塊

2.3.1 Inception模塊

卷積神經網絡深度加深會帶來參數急劇增加的問題，從而導致過擬合問題；網絡加深也會使梯度在深處消失，導致模型難以訓練。針對這些問題，2014年，谷歌公司提出一種名叫“GoogLeNet”的網絡結構[13]，其模型層數為22層。該模型結構很大程度上解決了參數過多、深層梯度消失等問題。一方面在不同深度增加兩個loss來克服梯度消失的問題，另一方面采用Inception這種并行結構增加網絡寬度。

起初，該結構內部僅對輸入做了四路分支，分別采用不同大小的卷積核對數據從不同角度進行特征提取，如圖6所示。最初的結構直接串聯導致最終得到的數據厚度是普通卷積的4倍，故后期加入1*1卷積對所在分支進行降維，改進后的Inception結構如圖7所示。

2.3.2基于并行多路多尺度卷積干擾識別

了解了Inception的具體結構及其所具有的優勢后，本文引入該模塊并對其進行一定修改，將修改后的Inception結構作為本文提出模型的一部分，稱修改后的模型為并行多尺度卷積網絡。

傳統的CNN卷積網絡因為前后層密集連接，使得網絡訓練參數過多，不僅使訓練難度增大，也更容易出現過擬合現象。為了防止該現象發生，本文在傳統兩層卷積網絡之后加入并行多路多尺度卷積網絡，其結構如圖8所示。兩層普通卷積網絡的輸出作為并行多路多尺度卷積網絡輸入，對上一層結果分為四路進行處理。內部先用1*1卷積核對傳入數據進行厚度減小處理（降維）、增加網絡寬度，再利用不同大小1*3、1*5的卷積核對輸入數據的特征信息從多個尺度進行提取，這些提取出的特征所包含的信息也往往比單一卷積層提取的特征更豐富，而后將處理得到的四路數據在通道維度上進行級聯，進行最大池化得到下一層的輸入數據。

3仿真試驗結果

3.1仿真數據和環境構建

3.1.1仿真數據

試驗仿真數據集由單音干擾、多音干擾、掃頻干擾及部分頻帶干擾、噪聲調頻干擾5種典型的干擾類型組成。

（1）單音干擾

單音干擾復基帶表達式

模型具體的網絡參數見表2，訓練樣本信號JNR為-5dB到20dB，步長為0.5dB，每種干擾在每個JNR下的樣本數為200；為測試網絡泛化性，設測試樣本信號JNR為-20～30dB，步長為0.5dB，每種干擾在每個JNR下的樣本數為100。頻帶是否存有干擾由兩個服從指數分布的參數θ1和參數θ2取整產生，重復若干次，直到產生所需的數據量為止。網絡學習率為0.001，batch_size設置為100。

3.2仿真結果分析

3.2.1兩層普通卷積網絡和并行多路卷積網絡的仿真結果分析

首先，模型不考慮頻帶相關性，僅用兩層卷積層和并行多路卷積網絡進行干擾識別，識別結果如圖11～圖12所示，記兩層CNN網絡為普通CNN，兩層CNN加上三層多尺度并行卷積結構為圖中的并行多路卷積。

由圖11的識別結果可以看出，JNR為-15dB時，并行多路卷積網絡開始捕捉到掃頻干擾特征從而進行識別。圖11（d）為兩網絡的識別率對比，由圖可見，兩網絡由JNR為-15dB時開始捕捉信號特征，JNR為-5dB時已經可以達到98%以上的識別正確率。兩網絡看似產生效果相同，但具體看圖11（e）損失函數變化圖發現，并行卷積網絡在迭代次數10次左右時，網絡模型就已經達到穩定狀態。圖12為5層CNN網絡與本文所用的并行多路卷積模型的運行總時間與網絡達到穩定時間的對比圖。由圖可見，本文提出的模型每層運行時間大約為15.27min，而五層卷積網絡每層運行時間為19.8min，并行多路卷積網絡增加了網絡寬度，減少了計算量，不僅節省了運行總時間，也能使網絡更快達到穩定狀態。

3.2.2并行多路卷積網絡和本文所提網絡結構結果對比

考慮具有頻帶相關性的數據，將加入LSTM結構之后的模型稱本文所提模型，將該模型識別結果與并行多路卷積（未加LSTM網絡）進行對比，仿真結果如圖13所示。

由仿真結果圖13可以看出，除了單音干擾在高干噪比下的識別正確率有些許波動外，掃頻干擾、噪聲調頻干擾、部分頻帶干擾的識別正確率比并行多路卷積網絡的識別率更穩定，保持在99.8%以上；低干噪比下，并行多路卷積網絡在JNR為-13dB左右才開始有干擾識別趨勢，但本文提出模型識別率在JNR為-20dB時就達到了98%。其中，單音干擾和多音干擾識別率有不平穩的現象，單音干擾識別率有10%左右的波動情況，多音干擾波動情況在0.03%左右，噪聲調頻干擾、掃頻干擾及部分頻帶干擾識別正確率均無明顯波動。

對比其他的普通卷積網絡，本文所提模型在低干噪比下的識別率有著非常顯著的提升。低干噪比下的干擾信號特征不太明顯，所以以提取特征為主的卷積網絡沒辦法有效捕捉到各類干擾特征，導致識別率過低。本文引入LSTM預測模塊后，通過探知頻帶相關性得到初步結論，即干擾是否存在，將該結果作為主要參考與需要判別頻帶數據同時輸入并行卷積網絡之后，不僅提升了網絡穩定性，且大大提升了在低干噪比下的識別正確率。

4結束語

軍事電子對抗中快速獲取電磁干擾信息和穩定可靠的無線通信鏈路尤為重要，因此快速判斷識別戰場干擾具有十分重大的意義。本文提出并行多路多尺度卷積提高了網絡識別的穩定性，減少了網絡運行時間。并行多路多尺度卷積與LSTM相結合的網絡通過學習頻帶相關性，大大提升了低干噪比下的干擾識別正確率。仿真試驗和分析結果證明了本文所提模型的有效性和優越性。未來將在真實干擾信號場景下驗證模型的有效性和識別性能，并進一步改進模型。

參考文獻

[1]張澎，張成，管洋陽，等.關于電磁頻譜作戰的思考[J].航空學報，2021，42（8）：94-105. Zhang Peng， Zhang Cheng， Guan Yangyang， et al. Reflections on electromagnetic spectrum operations[J]. Chinese Journal of Aeronautics， 2021，42（8）： 94-105. （in Chinese）

[2]羅富剛，李文元，唐思維.從電磁頻譜戰看未來軍事通信的發展趨勢[J].中國戰略新興產業，2017（24）：50. Luo Fugang， Li Wenyuan， Tang Siwei. Looking at the future development trend of military communications from the perspective of electromagnetic spectrum warfare[J]. China Strategic Emerging Industry， 2017（24）： 50. （in Chinese）

[3]逄天洋，李永貴，牛英滔，等.通信電子干擾的分類與發展[J].通信技術，2018，51（10）：2271-2278. Mei Tianyang， Li Yonggui， Niu Yingtao， et al. Classification and development of communication electronic interference[J]. Communications Technology， 2018， 51（10）： 2271-2278. （in Chinese）

[4]胡新宇.基于認知的戰場電磁環境偵察技術[J].空天防御， 2019，2（4）：40-45. Hu Xinyu. Cognition-based battlefield electromagnetic environment reconnaissance technology[J]. Air & Space Defense， 2019，2（4）： 40-45. （in Chinese）

[5]Urkowitz H. Energy detection of unknown deterministic signals[J]. Proceedings of the IEEE，2005，55（4）：523-531.

[6]張天林.基于信號能量的干擾檢測技術研究[D].重慶：重慶大學，2018. Zhang Tianlin. Research on interference detection technology based on signal energy[D]. Chongqing： Chongqing University， 2018. （in Chinese）

[7]包志強，崔妍蕊，徐笑.一種關于空間譜的兩級多天線盲頻譜檢測[J].電信科學，2018，34（3）：59-66. Bao Zhiqiang， Cui Yanrui， Xu Xiao. A two-stage multi antenna blind spectrum detection on spatial spectrum[J]. Telecommunications Science， 2018， 34（3）： 59-66. （in Chinese）

[8]方芳，李永貴，牛英滔，等.基于決策樹算法的干擾信號識別[J].通信技術，2019，52（11）：2617-2623. Fang Fang， Li Yonggui， Niu Yingtao， et al. Interference signal recognition based on decision tree algorithm[J]. Communication Technology， 2019，52（11）：2617-2623. （in Chinese）

[9]郝萬兵，馬若飛，洪偉.基于時頻特征提取的雷達有源干擾識別[J].火控雷達技術，2017，46（4）：11-15. Hao Wanbing， Ma Ruofei， Hong Wei. Radar active jamming identification based on time-frequency feature extraction[J]. Fire Control Radar Technology， 2017，46（4）：11-15. （in Chinese）

[10]徐國進.典型通信干擾信號識別技術研究[D].成都：電子科技大學，2018. Xu Guojin. Research on identification technology of typical communication interference signals[D]. Chengdu： University of Electronic Science and Technology， 2018. （in Chinese）

[11]劉強.基于深度學習的雷達干擾識別技術[D].成都：電子科技大學，2020. Liu Qiang. Radar jamming identification technology based on deep learning[D]. Chengdu： University of Electronic Science and Technology， 2020. （in Chinese）

[12]練東海.基于深度學習的無線通信干擾信號識別與處理[J].通信電源技術，2021，38（2）：104-107. Lian Donghai. Wireless communication interference signal recognition and processing based on deep learning[J]. Telecom Power Technologies， 2021，38（2）：104-107. （in Chinese）

[13]黨澤.基于深度學習的無線通信干擾信號識別與處理技術研究[D].成都：電子科技大學，2020. Dang Ze. Research on wireless communication interference signal recognition and processing technology based on deep learning[D]. Chengdu： University of Electronic Science and technology， 2020. （in Chinese）

[14]Szegedy C，Liu W，Jia Y，et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2015.

[15]陳晶晶.認知無線電中基于次用戶節點選擇的頻譜感知方法研究[D].南京：南京郵電大學，2020. Chen Jingjing. Research on spectrum sensing method based on secondary user node selection in cognitive radio[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2020.（in Chinese）

[16]王方勇，杜栓平.基于調頻信號子帶相關性分析的回波特征提取方法[J].應用聲學， 2010，29（5）：344-351. Wang Fangyong， Du Shuanping. Echo feature extraction method based on frequency modulated signal subband correlation analysis[J]. Journal of Applied Acoustics， 2010，29 （5）： 344-351.（in Chinese）

[17]蘭博.基于譜相關的自適應能量檢測[D].北京：北京郵電大學，2020. Lan Bo. Adaptive energy detection based on spectral correlation[D]. Beijing： Beijing University of Posts and Telecommunications， 2020. （in Chinese）

[18]Bello I，Pham H，Le Q V，et al. Neural combinatorial optimization with reinforcement learning[J/OL].[2016-11-29]. https：//doi.org/10.48550/arXiv.1611.09940.

[19]吳明忠，劉永志.人工智能技術在直升機領域的應用及發展展望[J].航空科學技術，2021，32（1）：29-34. Wu Mingzhong， Liu Yongzhi. Application and development prospect of artificial intelligence technology in helicopter field[J]. Aeronautical Science & Technology， 2021，32（1）： 29-34. （in Chinese）

[20]何曉驍，姚呈康.人工智能等新技術在航空訓練中的應用研究[J].航空科學技術，2020，31（10）：7-11. He Xiaoxiao， Yao Chengkang. Application of artificial intelligence and other new technologies in aviation training[J]. Aeronautical Science & Technology， 2020，31（10）：7-11.（in Chinese）

Intelligent Jamming Identification Based on Deep Learning with Frequency Band Correlation for Wireless Communication

Yang Lan，Xiao Haitao，Zhang Weile

Key Laboratory of Intelligent Network and Network Security，Ministry of Education，Xi’an Jiaotong University，Xi’an 710072，China

Abstract： In recent years， with the development of wireless communication technology in the military field and the increase of the number of all kinds of wireless communication equipment， the battlefield electromagnetic environment has become more and more complex， which requires the communication system with stronger anti-jamming capability. Intelligent jamming recognition is the precondition of anti-jamming. Various jamming recognition algorithms based on traditional machine learning have the problems of complex interference feature extraction and the low recognition accuracy under low jammer-to-noise ratio （JNR）. Therefore， aiming at the problem of intelligent recognition of various typical interference signals， a parallel convolution module with multi-channel and multi-scale is introduced to increase network width， improve network recognition speed and accuracy， and solve the problem of complex feature extraction in the previous period. Combining the parallel convolution based CNN with the band correlation based longterm and short-term memory network （LSTM）， an innovative intelligent wireless communication jamming recognition network based on deep learning with band-correlation is proposed in this paper. This method uses LSTM to detect the band correlation of interference signals and to improve the accuracy of jamming recognition at low jammer-to-noise ratio. Simulations show that our proposed network is more stable， faster and more generalized than ordinary convolution network. The band correlation based LSTM improves the recognition accuracy of our method under low jammer-to-noise ratio （with an average recognition accuracy of 99.86%）. Therefore， the network model proposed in this paper is an effective and available model to solve the intelligent interference recognition in complex electromagnetic environment.

Key Words：cognition of complex electromagnetic environment；disturbance recognition；frequency band correlation； long and short memory network； parallel multichannel multiscale convolution