基于長短期記憶網絡的無線通信智能抗干擾研究

摘" 要： 為提高無線通信網絡的抗干擾能力，提出一種基于長短期記憶（LSTM）網絡的無線通信智能抗干擾方法。首先，結合無線通信抗干擾的原理，提出深度學習的通信抗干擾基本思路；其次，采用基于長短期記憶網絡的逐時隙頻譜狀態(tài)預測方案進行空閑頻譜預測；最后，根據預測結果進行空閑頻段優(yōu)化選擇，以實現跳頻通信。實驗結果表明，在3 GHz頻點中，逐時隙預測的信道狀態(tài)信息與真實信道狀態(tài)信息相同，預測結果與真實結果一致，說明采用所提方法可準確預測到下一時隙的信道狀態(tài)并進行跳頻頻段選擇，這有助于用戶提前避開干擾，保障用戶的通信質量。

關鍵詞： 無線通信； 抗干擾； 深度學習； 長短期記憶網絡； 空閑頻段； 跳頻通信； 信道狀態(tài)

中圖分類號： TN921?34； TP392" " " " " " " " " "文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）14?0035?06

Research on intelligent wireless communication anti interference based on

long short?term memory networks

SHI Jintao1， 2

（1. Shaanxi Provincial Government Offices Affairs Service Center， Xi’an 710004， China; 2. Xidian University， Xi’an 710126， China）

Abstract： A wireless communication intelligent anti?interference method based on long short?term memory network （LSTM） is proposed to improve the anti?interference ability of wireless communication networks. The basic idea of deep learning communication anti?interference is proposed based on the principle of wireless communication anti?interference. A time?slot spectrum state prediction scheme based on LSTM is used to predict the idle spectrum. The idle frequency band is optimized according to the predicted results to realize frequency?hopping communication. The experimental results show that， in the 3 GHz frequency point， the predicted channel state information and the real channel state information are the same， and the prediction results are consistent with the real results， indicating that the proposed method can accurately predict the channel state of the gap and select the frequency hopping frequency band， which can help users to avoid interference in advance and guarantee the communication quality of users.

Keywords： wireless communication; anti interference; deep learning; long short?term memory network; idle frequency band; frequency hopping communication; channel status

0" 引" 言

跳頻技術作為當前通信抗干擾的主流技術，其本質是不斷改變載波頻率，從而避開通信的干擾。而該技術的關鍵是跳頻序列，如能實時獲取通信信道信息，就可根據這些信息實現跳變，進而達到抗干擾的目的。姬智等為實現無線通信的抗干擾，設計了一個智能反射面，通過此設計對無人機通信進行能效優(yōu)先輔助，從而提升了抗干擾技術的魯棒性[1]。張拓針對無線電子通信中的跳頻選擇問題，提出一種TDMA跳頻系統，并通過頻率自適應選擇方法進行頻譜狀態(tài)區(qū)分，便于后續(xù)占用和空閑跳頻優(yōu)選[2]。章辰等以通信電子戰(zhàn)爭中的通信設備為研究對象，提出基于矩陣求逆型DFRFT，構建一個抗干擾通信系統，通過此系統降低了無線干擾和系統誤碼率，具有一定的可行性[3]。以上研究為通信抗干擾和調頻的處理提供了參考，但信道狀態(tài)信息獲取是關鍵。傳統的獲取方式是采用頻譜感知來完成，耗費大量資源和時間。為此，部分學者提出頻譜預測的方法，即采用深度學習的方式來挖掘頻譜的潛在規(guī)律，進而實現信道狀態(tài)的預測。基于此，本文提出一種基于長短期記憶（LSTM）網絡的無線通信智能抗干擾技術，并對該方法的可行性進行驗證。

1" 通信抗干擾問題描述

無線通信干擾系統中，通信干擾問題主要包括干擾與通信鏈路間的天線增益、路徑損耗與功率間關系公式的確定。通過以上兩個公式，可求出無線通信的干擾功率和作用范圍，進而采取有效的抗干擾措施。

無線通信干擾系統的功率傳輸模型如圖1所示[4]。

圖1中，接收機的通信干擾公式表示為：

[PjiPsi=PTjPTsGTjGTsGRjGRsLsLj1LfLtLp]" " " " "（1）

式中：[PTs]和[PTj]分別表示發(fā)射機信號和干擾機干擾的發(fā)射功率；[Lp]表示極化損耗；[Ls]和[Lj]均為傳輸路徑損耗；[Lt]和[Lf]分別為干擾與信號的時頻域濾波損耗；[GTs]和[GTj]分別為發(fā)射機和干擾機的發(fā)射增益[5]；[GRs]和[GRj]分別表示接收機接收到的信號和干擾的接收增益；[Psi]和[Pji]分別為信號和干擾的輸入功率。

在無線通信抗干擾系統中，干擾容量[Mj]為一種度量方式，其代表系統在正常運行時，接收機能夠忍受的最大干信比。干擾容量[Mj]與干擾方式、信號類型和數據接收方法等均存在關聯性。

基于以上分析可知，無線通信系統中出現干擾信息后，系統可正常工作的基本條件表示為：

[PjiPsilt;Mj]" " " " " "（2）

式中：[Mj]表示系統的干擾容量；[PjiPsi]表示系統接收機的輸入干信比[6]。

為保證無線通信系統能夠正常運行，通常采用兩種方式提升系統的抗干擾能力，具體表現如下。

1） 降低接收機的輸入干信比[PjiPsi]

基于式（1）可知，可采用提高[PTs]、[GTs]、[Lj]、[Lp]、[Lt]、[Lf]和減小[Ls]的方式降低接收機的干信比。

2） 提高系統的干擾容量[Mj]

[Mj=PjiPsimax=Gp-Lsys+PsoPjomin]" "（3）

式中：[PsoPjo]表示接收機中進行信號處理后的輸出干信比；[Gp=PsoPjo-PsiPji]表示接收機中進行信號處理后得到的干信比處理增益；[Lsys]表示實現此處理增益過程中的干信比損耗。采用提高[Gp]和降低[Lsys]、[PsoPjomin]的方式能夠提高系統的干擾容量[7]。

2" 基于LSTM預測的通信抗干擾模型構建

2.1" 本文研究思路

基于以上無線通信抗干擾原理，提出的抗干擾通信思路如圖2所示。

由圖2可知，本文的思路是：在功率傳輸模型的基礎上，增加其他通信用戶、深度學習服務器、信號處理中心、多個感知節(jié)點和多個干擾機[8]。

為確保數據傳輸時具有可靠性和穩(wěn)定性，提出采用有線方式對各個節(jié)點進行連接。其中，感知節(jié)點的作用是進行頻點歷史數據收集，并將收集信息作為數據集傳輸至深度學習服務器中；信息處理中心的作用是進行數據處理；深度學習服務器的作用是對長短期記憶網絡程序和深度學習框架進行運行維護。將歷史數據集作為訓練集輸入深度學習服務器后，即可通過深度學習模型進行訓練和預測，并基于輸入各頻點的歷史數據對下一時隙各頻點的頻譜狀態(tài)進行預測。

2.2" 數據集構建

為獲取無線通信系統中的歷史頻譜數據，本文采用頻譜感知方法對不同信道、不同時隙的歷史信息進行采集，即獲取頻譜中各個頻點的功率譜密度數據，再將其與設定的閾值進行對比。若此頻點的功率譜密度高于閾值，則說明此頻點為占用狀態(tài)；反之則為空閑狀態(tài)。頻點狀態(tài)定義的具體表達式為：

[fit=0，" 功率譜密度≤-100 dBm/Hz1，" 功率譜密度gt;-100 dBm/Hz]" " （4）

式中[fit]為時隙t處第i個頻點的狀態(tài)[9]。

為實現頻譜預測，提出采用監(jiān)督學習方法對時間序列進行有效處理，由此可獲得狀態(tài)數據，并將其保存為一個[M×N]的二維矩陣形式。矩陣的行和列分別為某個頻點不同時隙的狀態(tài)信息和某個時隙上各個頻點的狀態(tài)信息。為驗證基于滑動窗口的逐時隙頻譜狀態(tài)預測在跳頻通信系統中是否具備實時性，提出構建一個模型對歷史時隙信息狀態(tài)間的關系進行挖掘，以實現下一時隙各頻點的狀態(tài)預測。即基于最近的[T]個時隙的數據[xt-T+1，xt-T+2，…，xt]，預測下一時隙中各頻點的狀態(tài)信息[xt+1]。

采用LSTM網絡對無線通信的頻譜進行預測前，需通過收集歷史數據集信息對模型進行訓練，模型訓練后達到預測精度要求，即可進行頻點狀態(tài)信息預測。逐時隙數據集采用滑動窗口進行構建，具體如圖3所示[10]。

圖3中，[wi]和[ei]分別表示訓練輸入的樣本和樣本標簽。隨著時隙的不斷增加，滑動窗口向前滑動時隙，由此可獲得不同頻點的信息狀態(tài)，從而形成一個樣本，并構成神經網絡的數據集。對訓練數據集[wi]進行不斷輸入后，深度學習模型即可輸出預測值[ei]；之后對模型參數進行不斷調整和優(yōu)化，即可使得預測值[ei]逐漸接近標簽值[ei]。

2.3" 基于LSTM的頻譜預測跳頻策略設計

2.3.1" 長短期記憶網絡

長短期記憶（LSTM）網絡是一種時間循環(huán)神經網絡（Recurrent Neural Network， RNN），其是為解決RNN網絡中存在的長期時間依賴問題進化而來的[11]。LSTM網絡具備超強的記憶功能，在RNN網絡的基礎上加入門控機制的存儲單元后，即可解決RNN的長期依賴問題。LSTM網絡的存儲單元結構主要由輸入門、輸出門和遺忘門組成。LSTM網絡結構如圖4所示。

三個門控機制的計算公式為：

[it=σ（Wix?xt+Wih?ht-1+Wic?ct-1+bi）]" " （5）

[ot=σ（Wox?xt+Woh?ht-1+Woc?ct-1+bo）]" "（6）

[ft=σ（Wfx?xt+Wfh?ht-1+Wfc?ct-1+bf）]" （7）

存儲單元的輸入和輸出狀態(tài)分別表示為：

[ct=tanh（Wcx?xt+Wch?ht-1+bc）]" "（8）

[ct=it?ct+ft?ct-1]" " （9）

隱藏層輸出結果的計算公式表示為：

[ht=ot?tanhct]" " "（10）

式中：[xt]和[ht]分別為LSTM網絡在[t]時刻的輸入向量和隱藏狀態(tài)向量；[it]、[ft]和[ot]分別為LSTM存儲單元的輸入門、遺忘門和輸出門[10]；[ct]為存儲單元狀態(tài)；[Wix]、[Wox]、[Wfx]和[Wcx]分別為連接輸入門、輸出門、遺忘門和單元狀態(tài)與輸入向量間的權重矩陣；[Wih]、[Woh]、[Wfh]和[Wch]為連接隱藏狀態(tài)矩陣和輸入門、輸出門、遺忘門以及單元狀態(tài)間的權重矩陣；[Wic]、[Woc]、[Wfc]為將單元狀態(tài)連接到輸入門、輸出門和遺忘門的窺視孔連接矩陣；[bi]、[bo]、[bf]和[bc]為偏置向量；[tanh?]為激活函數，并將結果控制在[-1，1]范圍內；[σ?]表示sigmoid函數，可將結果控制在[0，1]區(qū)間內。

2.3.2" 預測模型構建

為達到逐時隙頻譜狀態(tài)預測的目的，提出采用LSTM網絡構建預測模型。基于LSTM預測的網絡模型結構如圖5所示[12?13]。

基于LSTM預測的網絡模型主要由一個LSTM層、一個全連接層和一個輸出層組成。模型工作原理為：利用LSTM輸入數據xt+1，通過LSTM層進行處理后即可將其處理結果傳輸至全連接層中，最后利用輸出層輸出時隙t的預測結果。

2.4" 基于LSTM預測的通信抗干擾流程設計

基于以上的預測網絡模型，將抗干擾通信的預測分為兩部分：深度學習模型訓練和基于訓練好的模型進行頻譜狀態(tài)預測，以指導跳頻通信。具體思路為：進行深度學習模型訓練前，首先收集歷史數據，并將數據分為訓練集、驗證集和測試集；之后將訓練集和驗證集輸入至深度學習模型中進行訓練；完成訓練后，即可通過測試集對模型性能進行驗證，以檢測模型的預測精度。

深度學習模型的訓練流程如圖6所示。

深度學習模型訓練流程主要分為6步，具體如下。

1） 收集各頻譜數據并傳輸至信號處理中心。

2） 信號處理中心將數據進行預處理，并將數據轉換為深度學習服務器可接收的數據集類型。

3） 使用訓練集和驗證集進行深度學習模型的訓練和參數調整，并不斷對模型進行觀測。

4） 使用測試集評估觀測模型的預測精度。

5） 如果預測精度低于設定標準，重新調整和訓練模型。

6） 當觀測模型預測精度達到設定標準時，結束模型訓練，并應用于跳頻通信系統中，以預測頻點狀態(tài)并進行跳頻決策。

基于深度學習預測的抗干擾通信系統流程如圖7所示。該系統流程主要分為4步，具體如下。

1） 將收集到的各頻譜數據進行預處理后，利用訓練好的深度學習模型預測下一時隙的頻譜狀態(tài)。

2） 判斷傳輸頻段是否可用，若可用則進行正常傳輸，否則根據預測結果進行跳頻決策。

3） 接收機接收信息。

4） 用戶完成通信，結束系統抗干擾。

3" 實驗結果與分析

3.1" 實驗環(huán)境

為驗證所提方法的可行性，實驗硬件平臺選擇采用個人主機和軟件無線電平臺USRP RIO，軟件代碼選用LabVIEW 2015編寫程序和Matlab仿真軟件進行實現。

3.2" 實驗數據

無線通信系統在700 MHz的頻譜范圍內運行，將這700 MHz頻譜分為7個100 MHz寬的頻段。為展示系統的頻段選擇性能，實驗將在無線通信信號中加入單音、多音和掃頻干擾信號，掃頻干擾信號可在600 s內掃描800 MHz寬的頻譜。系統測試頻段范圍設置在2～4 GHz，用戶端的發(fā)射增益與接收增益均為0 dBm，干擾機端的發(fā)射增益為20 dBm。

3.3" 實驗結果

為驗證所提出的深度學習預測模型的性能，在Matlab軟件中進行仿真實驗。首先對收集的頻譜數據進行預處理，并按照6∶3∶1的分配比例將數據集分為訓練集、驗證集和測試集。最終得到的LSTM網絡預測模型的訓練曲線如圖8所示。

由圖8可知，在200次迭代過程中，LSTM網絡模型在迭代至40次時即可實現收斂，模型訓練效果顯著。

為驗證構建的LSTM網絡預測模型在不同滑動窗口中的預測效果，分別在滑動窗口為1、5、10、20四種不同數據時進行均方根誤差對比，對比結果如圖9所示。

由圖9對比結果可知，在不同的滑動窗口下，LSTM網絡預測模型的RMSE隨著時隙量的增加而不斷降低，在時隙量為30時逐漸趨于平緩。由此說明，在滑動窗口為10以上時可取得較好的預測結果，預測結果與真實結果間的誤差更小，可有效提升模型預測精度。為進一步驗證LSTM網絡預測模型在測試集中的逐時隙預測效果，對2 GHz頻點的數據集進行預測分析。原始數據處理后的測試結果如圖10所示。

由圖10預測結果可知，在適宜的滑動窗口中，采用LSTM網絡預測模型可實現測試集的逐時隙預測，很大程度上驗證了該模型的有效性。基于以上深度學習預測模型的驗證結果，實驗將在軟件無線電平臺USRP RIO上對設計的基于深度學習預測的抗干擾通信系統進行實現。其中，軟件無線電平臺USRP RIO上LSTM網絡的訓練過程如圖11所示。由圖11訓練結果可知，在軟件無線電平臺USRP RIO上，LSTM網絡預測模型在迭代至100次時即可實現收斂，說明該網絡的最佳收斂參數為100。

基于圖11訓練結果，將處理后的測試集應用到系統中進行預測分析，預測結果如圖12所示。

由圖12測試結果可知，在設定閾值為0.4時對測試集進行處理，本文系統的預測結果與真實結果間的誤差較小，兩者間的變化曲線基本一致。由此說明，在進行閾值設定時，對測試集進行處理，能夠提升系統的干擾預測精度。為進一步驗證系統的預測性能，在3 GHz頻點中進行逐時隙預測，由此得到系統的預測結果與真實結果的對比結果，如圖13所示。

由圖13結果可知，本文系統在3 GHz頻點的逐時隙預測結果與真實結果基本相同，說明本文系統能夠對下一時隙的信道狀態(tài)進行準確預測。基于以上實驗結果，可得到本文系統對10個頻點的多時隙真實信息狀態(tài)強度和多時隙預測信息狀態(tài)強度，如圖14、圖15所示。由圖14、圖15對比結果可知，在10個頻點的多時隙預測結果與真實結果十分吻合，說明基于LSTM網絡預測模型的無線網絡通信抗干擾系統可進行跳頻通信的逐時隙預測。

4" 結" 語

基于機器學習的無線通信智能抗干擾技術采用LSTM網絡預測模型，能夠實現頻譜狀態(tài)分析和預測，從而有效預測惡意抑制和外界干擾，提升無線通信效果。通過Matlab仿真實驗驗證，該技術能夠利用LSTM網絡進行空閑頻譜預測，區(qū)分占用頻段和空閑頻段，并基于選擇的空閑頻段進行跳頻通信，實現智能抗干擾。仿真結果表明，本文預測模型能夠提升預測精度，降低誤差，可滿足無線通信抗干擾系統的設計需求，具備推廣和應用的潛力。

參考文獻

[1] 姬智，高玉芳.能效優(yōu)先的智能反射面輔助無人機通信抗干擾魯棒設計[J].通信技術，2022，55（12）：1568?1575.

[2] 張拓.一種TDMA跳頻系統中頻率自適應選擇方法研究[J].現代導航，2020，11（1）：41?45.

[3] 章辰，王湘寅，吳林健，等.基于矩陣求逆型DFRFT的抗干擾通信系統[J].艦船科學技術，2021，43（z1）：82?88.

[4] 趙跟黨，張揚.基于無線局域網的CBTC車地無線通信系統抗干擾性能提升方案研究[J].城市軌道交通研究，2021，24（12）：205?209.

[5] 管金稱.基于迭代自適應方法的跳頻信號缺失數據恢復[J].電訊技術，2020，60（7）：791?797.

[6] 孫永林，李大成，劉飛.基于分數傅立葉變換的通信抗干擾性能研究[J].無線互聯科技，2020，17（15）：10?14.

[7] 宋佰霖，許華，蔣磊，等.一種基于深度強化學習的通信抗干擾智能決策方法[J].西北工業(yè)大學學報，2021，39（3）：641?649.

[8] 肇曉楠，謝新連，趙瑞嘉.基于滑動窗口動態(tài)輸入LSTM網絡的鐵路運輸系統碳排放量預測方法[J].交通信息與安全，2023，41（1）：169?178.

[9] 李璐，張風麗，邵蕓，等.基于滑動窗口的高分辨率SAR圖像點目標積分響應能量計算方法研究[J].遙感技術與應用，2023，38（1）：182?189.

[10] 何雨桐，朱立東，施文軍.基于GRU神經網絡的自適應跳頻技術研究[J].無線電通信技術，2022，48（6）：1074?1079.

[11] 安寧，張之棟.基于深度強化學習的D2D通信網絡抗干擾資源調度方法[J].電力信息與通信技術，2022，20（9）：108?114.

[12] 張惠婷，張然，劉敏提，等.基于深度強化學習的無人機通信抗干擾算法[J].兵器裝備工程學報，2022，43（10）：27?34.

[13] 王任之，潘克剛，趙瑞祥.跳頻抗干擾通信系統中LDPC碼的編碼優(yōu)化設計[J].系統工程與電子技術，2022，44（11）：3548?3555.

[14] 王健，王仲陽，劉勁峰，等.基于渦旋電磁波的無線通信技術[J/OL].激光與光電子學進展：1?42[2023?11?02].http：//kns.cnki.net/kcms/detail/31.1690.TN.20240422.1637.108.html.

[15] 謝聯蓮，虞凱，劉孜學，等.長大干線高速磁浮無線通信系統工程方案研究[J].鐵路通信信號工程技術，2023，20（6）：20?25.

[16] 張敏，方健，王勇，等.基于ZigBee無線通信的變電站端子箱溫濕度傳感器系統設計[J].制造業(yè)自動化，2023，45（2）：169?174.