基于CNN網絡算法的無線傳感器通信干擾信號識別方法

摘要：通信干擾信號識別方法通常采用LSTM網絡原理設計信號識別算法，這種方法無法深入提取無線傳感器通信干擾信號數據之間的內部聯系，導致識別率較低。基于此，文章引入CNN卷積神經網絡算法原理，提出了一種全新的通信干擾信號識別方法。其針對不同類型的無線傳感器通信干擾信號建立模型表達式，獲取信號的動態變化，在此基礎上，基于CNN網絡原理，設計通信干擾信號識別算法，完成干擾信號測試樣本的識別。通過實驗分析可知，采用本文中提出的方法識別無線傳感器通信干擾信號，在信噪比不斷變化的情況下，干擾信號識別率較高，均在80%以上，優勢顯著。

關鍵詞：CNN網絡算法；無線傳感器；識別；通信；干擾；信號

doi：10.3969/J.ISSN.1672-7274.2023.02.025

中圖分類號：TN 911.7，TN 972" " " " " " " "文獻標示碼：A" " " " " " " "文章編碼：1672-7274（2023）02-00-03

Recognition Method of Wireless Sensor Communication Interference Signal Based on CNN Network Algorithm

SONG Guangwei

（Tianjin Optoelectronic Communication Technology Co.， Ltd.， Tianjin 300221， China）

Abstract： The recognition method of communication interference signals usually adopts the LSTM network principle to design the signal recognition algorithm. This method cannot deeply extract the internal relationship between wireless sensor communication interference signal data， resulting in low recognition rate. Based on this， this paper introduces the principle of CNN convolution neural network algorithm， and proposes a new communication interference signal recognition method. Aiming at different types of wireless sensor communication interference signals， it establishes model expressions to obtain the dynamic changes of signals. On this basis， based on the principle of CNN network， it designs communication interference signal recognition algorithms to complete the identification of interference signal test samples. The experimental analysis shows that the proposed method can identify the interference signal of wireless sensor communication. Under the constant change of SNR， the recognition rate of interference signal is higher， which is more than 80%， with significant advantages.

Key words： CNN network algorithm; wireless sensor; distinguish; signal communication; interference; signal

當前，無線傳感器運行環境日益復雜，部分噪聲以及通信干擾信號對無線傳感器運行產生一定的影響[1]。為提高無線傳感器運行的安全性與通信的可靠性，科學合理的通信干擾信號識別方法至關重要[2]。

CNN卷積神經網絡能夠深入提取通信干擾信號中潛在的特征信息，提高識別方法的精度與效率。本文在傳統通信干擾信號識別方法的基礎上，引入CNN網絡算法，針對無線傳感器，提出了一種全新的識別方法。

1" 無線傳感器通信干擾信號識別方法設計

1.1 建立通信干擾信號模型

本文中設計的無線傳感器通信干擾信號識別方法，首先是對無線傳感器通信干擾信號進行分類處理，分類結果如圖1所示。

如圖1所示，本文共將其劃分為4種不同的干擾類型，根據分類結果，建立對應的通信干擾信號模型，表征干擾信號的動態變化[3]。本文建立的單音通信干擾信號模型表達式為

式中，表示無線傳感器單音通信干擾信號功率；表示無線傳感器單音通信干擾信號頻率；表示單音干擾周期；表示單音通信干擾信號的初始相位。通過建立模型，動態獲取無線傳感器單音通信干擾信號時域與功率的變化，表征并反映其干擾特征。

無線傳感器多音通信干擾信號與單音通信干擾信號存在一定的差異，各個頻點呈現不均勻分布趨勢，隨機分布在無線傳感器特定的通信頻帶中[4]。本文針對該類型干擾信號，建立的模型表達式為

式中，表示無線傳感器多音通信干擾信號的音調數；表示多音通信干擾信號中第個音對應的信號頻率；表示第個音的初始相位，服從均勻分布。通過模型的迭代訓練，獲取多音通信干擾信號的構成，并根據構成與每個音的頻率位置，表征其與單音通信干擾信號之間存在的關聯[5]。

線性掃頻通信干擾信號具有線性變化特點，其瞬時頻率隨著干擾時間的變化會發生改變，在某一特定的時間點，可以將其視作單音通信干擾信號。根據其線性變化特點，建立的模型表達式為

式中，表示無線傳感器線性掃頻通信干擾信號的幅度；表示線性掃頻通信干擾信號的初始頻率；表示線性掃頻通信干擾信號的調頻系數；表示信號初始相位。在模型中，線性掃頻通信干擾信號的幅度與調頻系數屬于影響信號干擾性能的重要參數，根據其動態變化，能夠提取無線傳感器通信信道干擾信號動態掃描的特征。

本文建立的噪聲調頻通信干擾信號模型表達式為

式中，表示無線傳感器噪聲調頻通信干擾信號幅度；表示噪聲調頻通信干擾信號中心頻率；表示噪聲調頻通信干擾信號調頻系數；表示無線傳感器通信信道的窄帶高斯白噪聲；表示干擾信號維納過程。通過模型的迭代訓練，獲取噪聲調頻通信干擾信號的瞬時頻率在載頻附近變化的特征。

上述無線傳感器通信干擾信號模型能夠表征并描述干擾信號的各項特征信息，獲取信號的動態變化，為后續的干擾信號識別提供基礎保障。

1.2 基于CNN網絡設計干擾信號識別算法

接下來，引入CNN卷積神經網絡，設計無線傳感器通信干擾信號識別算法，提取信號中存在的有用的特征信息，減少識別過程中的運算量。本文中設計的無線傳感器通信干擾信號識別算法的流程如圖2所示。

如圖2所示，首先，對無線傳感器產生的BPSK（Binary Phase Shift Keying）調制信號進行預處理，BPSK調制信號作為超短波通信信號，其表達式為

式中，表示超短波通信信號脈寬；表示通信信號的時頻分辨率；表示調制參數；表示信號調制角度；表示信號調制周期；表示調制信號矩形脈沖。完成對BPSK調制信號的預處理后，疊加高斯白噪聲與不同類別的干擾信號，獲取到疊加干擾信號。采用時頻分析算法，在不同信噪比下，對疊加后的干擾信號進行全方位的時頻域分析，得出具有無線傳感器運行信號二維時域分布特征的圖像。根據圖像中的時域分布特征，采集不同干擾類型的通信干擾信號訓練樣本與測試樣本[6]。在此基礎上，將二維時頻域圖像分解處理為大小相同的訓練樣本圖像，有效地突出干擾信號中最重要、最明顯的特征信息。建立CNN卷積神經網絡模型，將無線傳感器通信干擾信號訓練樣本圖像輸入到CNN網絡模型中，通過模型的訓練迭代，對待識別的無線傳感器通信干擾信號測試樣本進行識別。CNN網絡模型能夠快速地提取通信干擾信號的文本特征、時間序列特征、圖像特征等信息。當模型訓練迭代結束后，輸出識別結果，完成對無線傳感器通信干擾信號識別。

2" 實驗分析

為了對本文提出的識別方法的可行性進行驗證，進行了下文所示的實驗。為了使實驗結果更加清晰直觀，將文獻[7]提出的基于LSTM網絡的干擾信號識別方法、文獻[8]提出的基于頻帶相關性的干擾信號識別方法設置為對照組，將本文中提出的基于CNN網絡算法的干擾信號識別方法設置為實驗組，對比三種方法的應用效果。

2.1 實驗準備

選取某實驗室無線傳感器BPSK通信信號數據作為本次研究的目標，在通信信號的基礎上，疊加高斯白噪聲與干擾信號，進而產生無線傳感器通信干擾疊加信號。通過時頻分析方法，對信號進行預處理，獲取四種不同干擾特征的信號，其對應的參數及變化范圍，如表1所示。

表1中給出實驗中四種無線傳感器通信干擾信號對應的參數及變化范圍。在掌握上述信息后，將本文提出的基于CNN網絡算法的無線傳感器通信干擾信號識別方法應用到四種干擾信號的識別中。

2.2 結果分析

選取無線傳感器通信干擾信號識別率作為本次實驗的評價指標，計算公式為

式中，表示無線傳感器通信干擾信號識別率；表示正確識別無線傳感器通信干擾信號數量；表示無線傳感器通信干擾信號總數量。設定無線傳感器通信干擾信號的信噪比JNR分別為-6 dB、-4 dB、-2 dB、0 dB、2 dB、4 dB，采用MATLAB分析軟件分別測試不同信噪比JNR的情況下，三種干擾信號識別方法的識別率變化，并進行對比，結果如圖3所示。

根據圖3的對比結果可知，當信噪比JNR大于2 dB時，三種識別方法的識別率均能達到80%以上，而當JNR由2 dB開始降低到-4 dB時，文獻[7]與文獻[8]提出的識別方法的識別率開始大幅度下降，分別下降到60%與50%，本文提出方法的識別率的變化相對穩定，約為90%；當JNR降低為-6 dB時，文獻[7]提出方法的識別率為50%，文獻[8]提出方法的識別率為40%，本文提出方法的識別率為80%。造成這一問題的原因在于，文獻[7]與文獻[8]提出的兩種識別方法均作為一種淺層的機器學習方法，不能較為深入地描述并反映無線傳感器通信干擾信號數據之間的內部聯系，而本文中提出的基于CNN網絡算法的無線傳感器通信干擾信號識別方法，能夠通過CNN網絡內部卷積層提取干擾信號特征信息，因此，顯示出了良好的魯棒性與識別率。

3" 結束語

為了改善無線傳感器通信干擾信號識別方法在實際應用過程中信號識別精度與效率較低的不足，本文引入CNN網絡算法，提出了一種全新的通信干擾信號識別方法。其能夠有效地提取各個信號的特征，利用訓練好的網絡，對無線傳感器通信干擾信號進行精確分類，顯著提高識別結果的精度。■

參考文獻

[1] 沈鈞仁，李玉生，施育鑫，等．基于深度卷積神經網絡的多節點協同干擾識別方法[J]．無線電通信技術，2022，48（4）：711-717.

[2] 劉明騫，高曉騰，李明，等．空地協同場景下通信干擾智能識別方法[J]．電子與信息學報，2022，44（3）：825-834.

[3] 李東誠，史曉鋒，蘇岳，等．基于無人機和視覺定位的空基GNSS干擾信號檢測方法[J]．西華大學學報（自然科學版），2021，40（6）：7-12.

[4] 王鵬宇，程郁凡，徐昊，等．基于卷積神經網絡聯合多域特征提取的干擾識別算法[J]．信號處理，2022，38（5）：915-925.

[5] 陳宣，李怡昊，陳金立．基于知識圖譜和Softmax回歸的干擾信號識別方法[J]．中國電子科學研究院學報，2021，16（9）：856-861.

[6] 楊曉樂，付天暉，王永斌．基于改進型YOLOV3-Tiny的通信干擾檢測算法[J]．艦船電子工程，2021，41（2）： 60-63，76.

[7] 魏迪，曾海彬，洪鋒，等．基于LSTM網絡和特征融合的通信干擾識別[J]．電訊技術，2022，62（4）：450-456.

[8] 楊嵐，肖海濤，張渭樂．基于頻帶相關性Deep Learning的無線通信干擾智能識別[J]．航空科學技術，2022，33（4）： 108-118.