融合通信及多業務的網絡抗干擾研究

摘要：海上作業面臨環境復雜、信號被嚴重干擾等問題。而微波傳輸過程中的多徑干擾、同頻干擾和環境干擾可能導致通信質量下降，增加數據傳輸中的誤碼率。通過使用抗干擾模型，可以減小各類干擾對通信系統的影響，提高通信的可靠性，確保數據的準確傳輸。為此，本文通過構建協同網絡結構，并采用BP神經網絡模型構建抗干擾算法，以提高網絡的抗干擾能力。

關鍵詞：通信網絡；網絡抗干擾；BP神經網絡

一、引言

南海東部海域的油田開發面臨諸多挑戰，存在站點遠離岸基、海上環境多變等情況?？朔h距離高帶寬通信傳輸問題以及處理多路徑干擾一直是海上作業網絡健壯性面臨的主要挑戰。在海上油田開發過程中，通信網絡須具有一定的抗干擾能力，以確保通信系統能夠在極端環境下可靠運行，保障數據傳輸和信息交流的順暢，提高油田開發的安全性和效率，保證遠程監控和應急響應的順利實施。

在這一背景下，本文設計了一個網絡抗干擾模型，旨在降低微波傳輸過程中的多徑干擾、同頻干擾和環境干擾。該模型的應用有助于提高微波通信的可靠性和性能。通過組網技術，對無線網絡傳輸質量進行實時監測和調優，進一步增加微波通信的傳輸距離和帶寬，提升通信鏈路的可靠性，為海上作業的遠距離通信提供有效的保障。

二、協同網絡構建

激光星間鏈路構成的激光網絡在通信領域具有重要特點，如穩定的連通性、低延遲和強大的數據傳輸能力。然而，考慮到通信網絡的復雜性和多樣性，將微波星間鏈路與激光網絡融合具有重要意義，能夠進一步提升通信網絡的性能和多功能性。

首先，將微波星間鏈路與激光網絡整合可以在多個領域帶來顯著改進，包括提高原本由微波星間鏈路構成的網絡連通性和數據傳輸能力。微波星間鏈路具有廣泛的通信覆蓋范圍和傳輸能力，可以彌補激光網絡在某些情況下的局限性，例如在不透明障礙物或惡劣天氣條件下進行通信時微波網絡容易被干擾。整合不同的網絡能夠確保在各種環境下都能保持高度可靠的連通性。

其次，通過網絡整合能夠發揮激光網絡的數據傳輸能力。激光網絡本身在數據傳輸方面表現出色，引入微波星間鏈路可以提供額外的帶寬和冗余性，提升數據傳輸的吞吐量和可靠性，對于傳輸大規模數據、高清視頻、遠程傳感和應急通信等方面具有巨大幫助。

最后，微波星間鏈路的靈活性和指向性對激光網絡的對外服務能力產生積極影響，可以更靈活地滿足不同海上區域的通信需求。將微波星間鏈路融合到激光網絡中，是一項具有發展前景的舉措，能夠提供更強大、更靈活的通信解決方案，有助于滿足未來通信網絡的多樣性需求。協同網絡結構如圖1所示。

首先，需要建立協同網絡的基本骨干，可以通過部署一部分衛星通信來實現。這些衛星構成區域范圍內的激光骨干網絡，為區域的通信用戶提供低時延和高帶寬的通信服務能力，這將顯著改善原有星間鏈路網絡的通信性能，確保通信的可靠性和質量。其次，進一步提升微波衛星的通信性能，并逐步替換原有的微波衛星，允許更多衛星加入激光網絡，逐漸增強協同網絡的全球覆蓋范圍和通信性能。持續更新網絡并最終將所有導航星座的衛星納入激光網絡，拓展協同網絡規模并實現資源平衡。

通過微波衛星網絡建設，提高通信質量，改善通信網絡性能，滿足日益增長的海上作業通信需求。確保協同網絡覆蓋全球海域，降低海上作業中的通信風險，確保網絡可持續性和適應性，推進微波衛星通信技術的發展，以迎接未來海上作業中通信領域的新挑戰，為用戶提供更好的通信服務。

三、基于BP神經網絡的抗干擾算法設計

BP神經網絡是一種廣泛應用的神經網絡。它以其優越的學習能力和函數逼近能力在各種領域中得到應用，主要包括模式識別、圖像處理、自然語言處理和預測分析等方面。BP神經網絡的基本構建單元是人工神經元，也被稱為節點或神經元。每個神經元接收多個輸入，執行計算，然后產生輸出。BP神經網絡的核心過程包括前向傳播和反向傳播。

在前向傳播中，輸入信號從網絡的輸入層經過權重和激活函數的計算傳播到輸出層。這一過程是從數據輸入到產生預測結果的階段。在反向傳播過程中，網絡通過迭代學習調整權重和結構。學習率是BP神經網絡模型中的重要參數，決定了權重更新的步長。過高的學習率可能導致網絡不穩定，而太低的學習率可能使訓練速度過慢。梯度下降是用來最小化誤差函數的優化算法，通過計算誤差函數對權重的梯度來更新權重，朝著誤差最小化的方向不斷迭代。BP神經網絡可以采用不同的拓撲結構，包括單層前饋網絡、多層前饋網絡和循環神經網絡。

多層前饋網絡是最常見的形式，包括輸入層、隱藏層和輸出層。其中，隱藏層允許網絡學習復雜的非線性關系，使模型能夠適應各種問題。

在協同網絡的基礎上，本文采用BP神經網絡模型設計了抗干擾算法，旨在提高通信網絡的抗干擾能力。基于BP神經網絡的通信網絡抗干擾算法，是一種利用神經網絡技術來提高通信系統抗干擾性能的重要方法。該算法的核心思想是使用BP神經網絡自動學習和適應不同干擾環境下的通信信號，從而實現更可靠的數據傳輸。

采用BP神經網絡進行通信網絡抗干擾的主要流程如下：

（1）數據收集。收集具有不同干擾水平的通信信號數據，包括受到不同類型和程度干擾的信號樣本，以及無干擾的信號樣本。

（2）數據預處理。對數據進行預處理，包括去噪、降噪和信號特征提取，減小數據中的干擾成分，提高神經網絡的訓練效果。

（3）BP神經網絡設計。通常包括輸入層、隱藏層和輸出層。其中，輸入層接收預處理后的信號特征，輸出層產生網絡的輸出，可以是信號的估計值或糾錯后的信號。其中，隱藏層的節點采用公式（1）進行計算。

其中，x與y分別為輸入及輸出層的神經單元數量，z為常數，一般設置為1到10之間的整數。

（4）網絡訓練。使用訓練數據集對BP神經網絡進行訓練。在訓練過程中，網絡自動調整權重和偏置，以最小化預測信號與實際信號之間的誤差，以便網絡能夠適應各種干擾條件下的信號。

（5）抗干擾性能測試。在訓練后，將BP神經網絡用于實際通信中，以測試其抗干擾性能。BP神經網絡可以實時監測和修復干擾引起的誤碼或信號衰減，提高通信的可靠性。

（6）反饋和優化。根據實際應用中的性能反饋，對BP神經網絡進行進一步的優化和改進，包括增加訓練數據、調整網絡結構或更新網絡參數。

為驗證算法的效果，本文采用MATLAB對網絡的傳輸進行仿真，假設信道的數量為N，發射的總功率為PL，干擾功率為隨機變量PJ，分別采用FSK、BPSK以及QPSK等方式調制信號。

在神經網絡的訓練過程中，采用了輸入參數以及對應的最佳策略集作為訓練數據。訓練數據集包含在各種不同情境下的樣本，這些情境包括了不同的隨機數種子、信道數量、干擾功率水平和發射功率參數。樣本的多樣性確保了的BP神經網絡可以在不同條件表現得更為穩健。

將整個數據集分為兩部分。首先，用其中80%的數據來訓練神經網絡，訓練過程中，BP神經網絡自動調整其權重和偏置，以適應不同的輸入參數組合。通過訓練，BP神經網絡可以更好地適應不同情境下的信號干擾。剩下的20%的數據集則用于驗證神經網絡的預測效果。在驗證階段，將BP神經網絡的輸出與實際的信號值進行比較，以評估BP神經網絡處理干擾信號的性能。驗證過程有助于確定BP神經網絡是否在不同情境下都能正確處理干擾信號，保障BP神經網絡具有一定的可靠性和泛化能力，仿真的結果如圖2所示。

隨著發射總功率的逐漸增加，BP神經網絡的相對誤差逐漸減小。通過增加發射功率可以提高系統的性能，能夠進一步減小BP神經網絡的預測誤差。通過仿真結果，可以看到BP神經網絡具有一定的抗干擾能力。

四、結束語

本文構建的協同網絡抗干擾模型以及BP神經網絡算法在微波傳輸中能夠降低多徑干擾、同頻干擾和環境干擾。這種模型的價值不僅在于提高通信質量和網絡性能，還有助于降低成本，支持數據挖掘在網絡通信抗干擾中的應用。這對于通信系統的可持續發展和競爭力的提升具有重要的作用。

作者單位：林永昌 中海油信息科技有限公司

參考文獻

[1]何云，申敏，張夢.多載波超密集網絡的抗干擾分布式節能功率分配[J].電子與信息學報， 2021， 43（7）：7-12.

[2]丁丹，劉步花，薛乃陽.基于深度神經網絡的OFDM抗干擾技術[J].現代電子技術， 2022，1（17）：45-51.

[3]陳志超.基于計算機神經網絡的雷達自適應抗干擾優化算法研究[J].現代雷達， 2021， 43（11）：6-12.

[4]黃亦豪，余建波.基于抗干擾自適應孿生網絡的運動軌跡檢測方法[J].電視技術， 2023， 47（2）：34-38.

[5]丁丹，劉步花，薛乃陽.基于深度神經網絡的OFDM抗干擾技術[J].現代電子技術， 2022，1（17）：45-51.

[6]韓勇強，張路成，李利華.基于DFI一體化網絡的水下抗干擾目標跟蹤方法[J].中國慣性技術學報， 2022，1（2）：30-35.