基于深度卷積神經網絡的多節點協同干擾識別方法

沈鈞仁，李玉生，施育鑫，安 康

(1.國防科技大學第六十三研究所，江蘇 南京 210007；2.國防科技大學 電子科學學院，湖南 長沙 410000)

0 引言

無線信道由于其開放性和廣播性，其傳輸的無線通信信號容易受到敵方惡意干擾的攻擊，是威脅通信生存能力的主要因素[1]。針對這一問題，人們提出了多種抗干擾技術，如跳頻[2]、直接序列擴頻[3]以及基于博弈論的抗干擾方法[4]、最優功率控制方法等[5]。值得注意的是，有效實施這些抗干擾方法的前提是正確的干擾感知和識別。干擾識別方法一般分為基于特征提取的方法[6]和基于機器學習的方法[7]兩種?；谔卣魈崛〉姆椒ㄖ饕杏嬎愀蓴_信號的C、FSE等參數[8]以及提取信號時頻圖[9]等，這類方法在很大程度上依賴門限的設定，容易損失有用的信息，且識別結果受環境影響較大；基于機器學習的方法主要有決策樹分類算法[10]、深度神經網絡方法[11-13]等，這類方法能夠充分利用原始信息進行深層次的特征映射，從而獲得更好的識別性能。

在無線通信網絡中，單節點干擾識別方法使用一個節點完成干擾信號的接收、處理和識別，該方法性能容易受信道環境影響。值得借鑒的是，在認知無線電協作頻譜感知方法中，多個認知節點共同感知頻譜狀態和進行數據處理，并將感知結果匯總至中心節點，中心節點將各個認知節點的信息進行數據融合后給出全局感知結果。該方法有效克服了頻譜感知中低信噪比及深度衰落等問題。

為了解決單節點干擾識別方法在低干信比(Jammer-to-Signal Ratio,JSR)條件下正確識別率不高等問題，借鑒認知無線電協作頻譜感知方法，本文提出一種基于深度卷積神經網絡的多節點協同干擾識別方法，采用多個節點共同進行干擾信號認知，并采用深度卷積神經網絡進行干擾信號識別。

1 系統模型

假設多節點協同干擾識別網絡由1個中心節點和M個協同認知節點構成[14-15]，如圖1所示。第i個認知節點接收到的信號yi(n)可以表示為：

圖1 多節點協同干擾識別框架

yi(n)=Si(n)+Ji(n)+vi(n)n=1,2,…,N，

(1)

其中，Si(n)為通信信號，Ji(n)為干擾信號，vi(n)為噪聲信號，且該噪聲信號服從均值為0、方差為σ2的復高斯分布，N為信號采樣點數。

M個認知節點在第n時刻接收到的樣點矢量可以表示為[16-17]：yn=[y1(n),y2(n),…,yM(n)]T。將接收到的信息匯總至中心節點，用y=[y1,y2,…,yN]表示在認知時間段內M個認知節點構成的接收信號矩陣，即

(2)

本文中，待分類的6種常見惡意干擾樣式[18]分別為單音干擾、多音干擾、窄帶干擾、寬帶干擾、梳狀干擾和掃頻干擾。圖2給出了6種干擾信號在干噪比(Jammer-to-Noise Ratio,JNR)為10 dB時的幅度譜。

(a) 單音干擾

2 多節點協同干擾識別方法

參考多節點協作頻譜感知方案并結合深度學習技術[19-20]，提出一種基于深度卷積神經網絡的多節點協同干擾識別方法，其流程如圖3所示。多個協同認知節點認知干擾信號,將其回傳至中心節點進行數據融合，并對神經網絡進行訓練。之后中心節點接收當前干擾信號信息,并使用訓練好的神經網絡進行干擾識別。

圖3 多節點協同干擾識別流程

2.1 基于CNN的干擾識別模型

本文采用圖4所示的多節點協同干擾識別網絡結構。接收信號采樣矩陣作為神經網絡的輸入，經預處理后，通過卷積層(Convolution Layer)、池化層(Pooling Layer)、批歸一化層(Batch Normalization,BN)和全連接層(Full Connection Layer)等自動提取特征，最后利用所提取的特征對干擾信號進行識別。

圖4 神經網絡結構

2.1.1 數據預處理

本文通信信號采用QPSK信號，信道為加性高斯白噪聲信道。中心節點在接收到各個協同認知節點的信息后，將信息匯總至神經網絡輸入。輸入層將接收信號矩陣進行FFT變換，即Y=FFT{y}，則接收信號矩陣FFT的實部以及虛部可以分別表示成：

(3)

(4)

將YI和YQ以頁的形式作為神經網絡模型輸入，即神經網絡輸入為兩頁矩陣。相比于將I路和Q路信息按行輸入神經網絡訓練，按頁輸入能夠在網絡訓練時更加充分利用I路和Q路之間的相互關系，獲得更多的信息，使得最終訓練的網絡性能得到提升[21]。

2.1.2 網絡結構

如圖4所示，神經網絡輸入經預處理后，通過6個卷積模塊，其中每一個卷積模塊都包含一個卷積層、批歸一化層及最大池化層。最后通過一個平均池化層以及全連接層進行分類輸出。

卷積層的作用是提取一個局部區域的特征，不同的卷積核相當于不同的特征提取器。目前，卷積網絡的整體結構趨向于使用更小的卷積核(如1×1或者3×3)以及更深的結構。本網絡設置卷積核大小與QPSK信號每符號長度相等，更利于提取信息。為了提取到更多的特征，每一個卷積模塊都使用了數量逐層增多的卷積核。本文網絡結構中，共有6層卷積層，其卷積核的數量分別為16、24、32、48、64、96。f為本層激活函數，能夠增強網絡的非線性。本文采用relu為各個隱藏層的激活函數,即：

(5)

池化層可以顯著降低特征映射維數，減少需要訓練的參數，避免網絡出現過擬合。常用的池化函數主要有最大值池化和均值池化，一般而言最大值池化會有更好的效果。本文主要采用最大值池化。

批歸一化層由谷歌在Inception模型中提出[22]，是一種有效的逐層歸一化方法，可以對神經網絡中間的任意一層進行歸一化操作。該方法能夠加速網絡訓練速度及優化效率，且作為一種隱形的正則化方法，可以解決深度網絡梯度彌散問題。

全連接層一般位于分類網絡結構的最后一層，它將本層以及上一層輸出的特征映射進行全連接，將網絡得到的特征映射轉化為目標分類結果。本文的神經網絡通過最后一層全連接層輸出最終干擾分類結果。

2.1.3 網絡訓練

網絡采用Adam優化算法，采用交叉熵為損失函數，即：

(6)

表1 CNN訓練參數

2.2 基于中心判決的多節點協同干擾識別方法

在中心判決中，中心節點接收來自M個協同認知節點感知的原始信號信息，并將這些信息回傳給中心節點進行處理及神經網絡的訓練。在判決階段，中心節點根據感知信息進行中心判決。給出基于中心判決的多節點干擾識別方法如算法1所示。

算法1 基于中心判決的多節點協同干擾識別方法輸入:M個協同認知節點的感知信息輸出:全局干擾信號分類判決步驟1:(訓練階段)中心節點利用M個協同認知節點的感知信息訓練出一個神經網絡Trainednet,由中心節點儲存網絡參數。步驟2:(數據回傳階段)M個協同認知節點對干擾信息進行感知,將感知信息回傳給中心節點。步驟3:(判決階段)中心節點根據各個協同認知節點的感知信息,隨機選取一個節點信息進行干擾識別,作為網絡全局干擾識別結果。

2.3 基于硬判決的多節點協同干擾識別方法

在中心判決方法中，認知節點未對接收的信息進行本地處理，直接回傳會占用較大通信資源，且隨著協同認知節點數量的增加，會導致需要回傳的數據量急劇上升，對中心節點的數據處理能力提出了更高的要求。為解決此問題，參考協作頻譜感知中數據融合方法[23-25]，提出了一種基于硬判決的多節點協同干擾識別方法。

在該方法中，識別網絡也由1個中心節點和M個協同認知節點構成，區別在于每一個協同認知節點都共享訓練好的全局神經網絡，并依據此神經網絡以及接收到的信號獨立進行干擾識別，產生識別結果Hi，并向中心節點回傳識別結果。中心節點依據多數判決準則給出全局干擾識別結果Hw。此方案綜合考慮了多節點的性能提升以及減少回傳數據量的需求。全局識別結果可以表示為：

Hw=Ψ(H1,H2,…,HM)，

(7)

式中，Ψ函數表示返回變量眾數，即取變量中出現次數最多的值。基于硬判決的多節點干擾識別方法如算法2所示。

算法2 基于硬判決的多節點干擾識別方法輸入:M個協同認知節點的感知信息輸出:全局干擾信號分類判決步驟1:(訓練階段)中心節點利用M個協同認知節點的感知信息訓練出一個神經網絡Trainednet,并將網絡參數下發給各個協同認知節點。步驟2:(測試階段)M個協同認知節點使用訓練好的神經網絡進行分類判決,獨立獲得識別結果Hi,并將識別結果回傳給中心節點。步驟3:(數據融合階段)中心節點根據各個協同認知節點的感知信息,進行數據融合,依據多數判決準則,得出全局識別結果Hw,并將其作為多節點協同干擾識別網絡的最終識別結果。

3 仿真實驗

3.1 參數設置

面向通信中常用的QPSK調制信號以及常見的6種干擾信號，使用Matlab仿真產生干擾信號并作為神經網絡的訓練集和測試集。仿真中，采樣率fs為10 MHz，采樣點數為1 024，QPSK信號載頻fc為2.5 MHz，信道模型為加性高斯白噪聲，SNR=-5 dB。訓練集JSR為-16～10 dB，間隔2 dB，每類干擾信號在每個JSR下的樣本數均為100。測試集JSR為-16～10 dB，間隔2 dB，每類干擾信號在每個JSR下的樣本數為500。干擾信號的參數如表2所示。

表2 干擾信號仿真參數

3.2 性能分析

設計3組仿真實驗來驗證基于深度神經網絡的多節點協同干擾識別的性能，實驗中，以六類干擾信號的平均正確識別率作為主要性能指標。

實驗1 單節點干擾識別網絡與多節點協同干擾識別網絡性能比較

圖5給出了單節點方法的性能曲線以及中心判決方法在不同節點數量下的性能曲線。

圖5 單節點方法以及不同節點數量下的中心判決方法性能比較

從圖5中可以看出，單節點方法的分類性能較差，在低JSR的情況下正確識別率較低，在JSR=-16 dB時正確識別率僅約為55%。在中心判決方法中，隨著協同認知節點數量的增加，正確識別率逐漸增加。這是因為多節點協同方法相比于單節點方法，使用了多個認知節點協同認知干擾信息，在神經網絡訓練時有著更多樣的訓練樣本，使得神經網絡的泛化性得到提升，對干擾的識別性能更好。在JSR=-16 dB時，節點數量為8時正確識別率約為65%，節點數量為16時正確識別率接近70%，可以得到多節點協同認知明顯提升了在低JSR下的正確識別率，且節點數量越多，性能提升越大，在節點數量達到16時，性能與節點數量為12時的相近，可見通過增加認知節點數量來提升中心判決方法性能存在上限，這是因為當節點數量增加時，神經網絡訓練樣本存在飽和情況，此時難以通過增加節點數量提升網絡性能。

實驗2 基于硬判決的方法中不同節點數量下的干擾識別性能比較

圖6給出了不同節點數量下的硬判決方法的性能曲線。從圖中可以看出，基于硬判決的方法的正確識別率都較高。在JSR=-10 dB時，所有曲線的正確識別率均達到了85%以上;在JSR=0 dB時，正確識別率均達到了95%以上。觀察不同節點數量的正確識別率曲線，可以看出，隨著節點數量的增加，正確識別率逐步增加。在節點數量增加到16時，正確識別率與節點數量為12時相近，并沒有明顯提升，可見通過增加協同認知節點數量來提升硬判決方法性能也存在上限。原因是過多的節點數量會增加網絡復雜度，抵消了多節點協同帶來的識別優勢，導致網絡性能受到影響。由此可見在選擇網絡節點數量時，需要綜合考慮進行選擇。

圖6 不同節點數量下的硬判決方法性能比較

實驗3 基于硬判決和基于中心判決的多節點協同干擾識別性能比較

圖7給出了在協同認知節點數量為6時，中心判決方法和硬判決方法的性能曲線。從圖中可以看出，基于硬判決的方法在所有JSR下的正確識別率均比基于中心判決方法的正確識別率高。在JSR低的情況下正確識別率提升更為明顯，約提升3%～7%。隨著JSR的逐漸提高，當JSR>6 dB時，兩類方法性能接近。這是因為在低JSR情況下，相比于中心判決的方法，硬判決的方法使用多節點的綜合判決結果，獲得了更多的信息，提升了網絡性能。代價是硬判決方法需要多個節點的同步判決才能給出最終結果，網絡復雜度有所提升。

圖7 中心判決方法與硬判決方法的性能比較(協同認知節點數量為6)

在實驗3的條件下，為了更進一步查看兩種判決方法對每一種干擾的正確識別情況，在協同認知節點數量為6、JSR=-5 dB時，做出兩種判決方法的干擾識別混淆矩陣。圖8給出了中心判決方法的混淆矩陣，圖9給出了硬判決方法的混淆矩陣。從圖8和圖9可以看出，在錯誤分類的標簽中，主要是窄帶干擾和寬帶干擾之間容易混淆。這是由于神經網絡采用信號的FFT作為訓練輸入，在JSR較低的情況下，兩類干擾的頻譜較為相似，都表現為一段頻帶范圍內的連續干擾。當JSR較低時，神經網絡難以區分兩類干擾信號特征，故容易將兩類信號錯判。當使用硬判決方法時，一定程度上減輕了低JSR的影響，使正確識別率得到提升。觀察兩種判決方法對每一類干擾的正確識別率，可以看到硬判決方法相比于中心判決方法，將窄帶干擾的正確識別率由62%提升至87.8%，寬帶干擾的正確識別率由72.8%提升至78.6%，其余四類干擾的正確識別率提升接近至100%。

圖8 中心判決方法的混淆矩陣(協同認知節點數為6，JSR=-5 dB)

圖9 硬判決方法的混淆矩陣(協同認知節點數為6，JSR=-5 dB)

4 結論

本文研究了一種基于深度卷積神經網絡的多節點協同干擾識別方法，并提出了基于中心判決和基于硬判決的兩種判決算法。通過多節點協同認知干擾信號信息并訓練神經網絡，采用中心判決和硬判決兩種方法來對干擾信號進行識別。仿真實驗結果表明，多節點干擾識別方法較單節點干擾識別方法，能夠明顯提升在低干信比條件下的干擾正確識別率，同時硬判決方法需要回傳數據量更小，正確識別率更高，性能較中心判決方法更好。