微波通信抗干擾仿真訓(xùn)練平臺構(gòu)建研究

中圖分類號：TN97 文獻(xiàn)標(biāo)志碼：A

0 引言

在海上油田通信中，跨海骨干鏈路需同時應(yīng)對復(fù)雜電磁干擾（如船舶雷達(dá)、鹽霧衰減）與高可靠性要求（控制信號誤碼率 lt;10^-6 ）。傳統(tǒng)散射通信技術(shù)雖能實現(xiàn)超視距傳輸，但其固定調(diào)制方式難以適應(yīng)動態(tài)干擾環(huán)境[1]。近年來，人工智能技術(shù)的快速發(fā)展為通信抗干擾領(lǐng)域帶來了新的解決方案，為構(gòu)建智能化的抗干擾系統(tǒng)提供了新的技術(shù)路徑[2]。但仍存在以下問題：干擾生成的真實性與多樣性不足，難以完全模擬實戰(zhàn)電磁環(huán)境；抗干擾決策模型在動態(tài)信道條件下的泛化能力有限[3]。針對這些問題，本研究提出構(gòu)建一個融合生成對抗網(wǎng)絡(luò)與深度強化學(xué)習(xí)的微波通信抗干擾仿真訓(xùn)練平臺，通過高保真干擾樣本生成和智能決策算法優(yōu)化的協(xié)同作用，提升通信系統(tǒng)在復(fù)雜電磁環(huán)境下的生存能力。

1系統(tǒng)建模

1.1 方法基礎(chǔ)

本研究涉及的核心理論包含3個層面：

（1）在電磁傳播理論方面，采用改進的Rayleigh衰落信道模型描述微波通信信道特性，其信道沖激響應(yīng)可表示為：

其中， α_n 為第 n 條路徑的衰減系數(shù) ;f_d 為多普勒頻移； θ_n 為人射角； θ_n 為相位偏移。通過引入時變參數(shù) α_n（t） ，可更準(zhǔn)確模擬動態(tài)信道環(huán)境。

（2）在干擾建模方面，基于Wasserstein距離的生成對抗網(wǎng)絡(luò)（WGAN-GP）解決了傳統(tǒng)生成對抗網(wǎng)絡(luò)（GenerativeAdversarialNetwork，GAN）訓(xùn)練不穩(wěn)定的問題。其判別器損失函數(shù)定義為：

L_?D=E_x～r[D（x）]-E_z～z[D（G（z））]+

其中， P_r 為真實數(shù)據(jù)分布， P_z 為噪聲分布， λ 為梯度懲罰系數(shù)。如表1所示，WGAN-GP在干擾樣本生成質(zhì)量上顯著優(yōu)于傳統(tǒng)方法。

表1不同生成模型性能對比

1.2系統(tǒng)建模與架構(gòu)設(shè)計

基于上述理論，構(gòu)建如圖1所示的聯(lián)合仿真架構(gòu)。

系統(tǒng)包含3個核心模塊：信道仿真器采用改進的Jakes模型實現(xiàn)多徑效應(yīng)模擬，其相干時間 T_c 計算公式為：

圖1聯(lián)合仿真架構(gòu)

干擾生成模塊通過級聯(lián)的生成網(wǎng)絡(luò)產(chǎn)生時-頻二維干擾樣本，測試表明在 2.4GHz 頻段可生成帶寬達(dá)40MHz 的逼真干擾信號[4]。決策模塊采用雙網(wǎng)絡(luò)DQN結(jié)構(gòu)，其中目標(biāo)網(wǎng)絡(luò)參數(shù)每100步更新一次，有效穩(wěn)定了訓(xùn)練過程[5]。

2抗干擾仿真平臺設(shè)計與實現(xiàn)

2.1系統(tǒng)架構(gòu)與功能模塊

本研究提出的微波通信抗干擾仿真訓(xùn)練平臺采用分層分布式架構(gòu)，包含環(huán)境仿真層、智能處理層和決策評估層3個核心層次。

環(huán)境仿真層基于改進的隨機幾何理論構(gòu)建動態(tài)電磁環(huán)境，其空間干擾場強分布可建模為：

其中， N_j 為干擾源數(shù)量; p_j^（i） 表示第 i 個干擾源的發(fā)射功率； h_i 為小尺度衰落系數(shù)； α 為路徑損耗指數(shù)，I（?） 為頻帶指示函數(shù)。

測試數(shù)據(jù)表明，該模型在 5km×5km 仿真區(qū)域內(nèi)可實現(xiàn)0.5dB的場強預(yù)測精度。

平臺核心模塊性能指標(biāo)如表2所示。

表2平臺核心模塊性能指標(biāo)

2.2關(guān)鍵算法實現(xiàn)與優(yōu)化

平臺的核心算法實現(xiàn)路徑：

（1）實時干擾生成算法。

基于條件WGAN-GP架構(gòu)設(shè)計生成網(wǎng)絡(luò)，其生成器 G 的損失函數(shù)改進為：

其中， c 為干擾類型條件向量； λ₁=10 控制梯度懲罰強度； λ₂=100 為感知損失權(quán)重。該算法生成的脈沖干擾信號與真實信號的相關(guān)系數(shù)計算獲得。經(jīng)100次獨立實驗測試，相關(guān)系數(shù)平均值為 0.92±0.03 而傳統(tǒng)方法的相關(guān)系數(shù)為 0.78±0.05 ，差異具有統(tǒng)計顯著性（ _plt;0.01） 。

（2）自適應(yīng)抗干擾決策算法。

設(shè)計多智能體深度確定性策略梯度（Multi-AgentDeepDeterministicPolicyGradient，MADDPG）框架進行聯(lián)合優(yōu)化，其Actor網(wǎng)絡(luò)更新公式為：

abla_θ^μJ≈E[?_aQ（s，a∣θ^Q）∣_a=μ（s）?_θ^μμ（s∣θ^μ）]

其中， θ^μ 為Actor網(wǎng)絡(luò)參數(shù)向量； J 為策略性能目標(biāo)函數(shù)； E（?） 為期望運算符； Q（s，a∣θ^Q） 為Critic網(wǎng)絡(luò)輸出的動作價值函數(shù)； μ（s∣θ^μ） 為Actor網(wǎng)絡(luò)輸出的確定性策略； s 為狀態(tài)觀測向量； a 為連續(xù)動作向量； abla_aQ 為 Q 函數(shù)對動作的梯度； abla_θ^μμ 為策略對網(wǎng)絡(luò)參數(shù)的梯度。

通過對比實驗，雙流Critic網(wǎng)絡(luò)（分別處理信道狀態(tài)和干擾特征）相比傳統(tǒng)單流結(jié)構(gòu)，在64QAM調(diào)制下：基準(zhǔn)吞吐量：35.6Mbps（單流）；優(yōu)化吞吐量：48.7Mbps（雙流）相對提升： 36.8% （經(jīng)50次實驗驗證， ?plt;0.01 ）。

（3）平臺加速優(yōu)化技術(shù)。

為滿足復(fù)雜電磁環(huán)境下實時仿真的嚴(yán)苛要求，本研究針對計算瓶頸提出了3項創(chuàng)新性優(yōu)化方案：

基于NVIDIACUDA架構(gòu)設(shè)計的多徑信道仿真加速器，采用流式多處理器（StreamingMultiprocessor，SM）并行計算技術(shù)，通過優(yōu)化全局內(nèi)存訪問模式，實現(xiàn)1024個CUDA核心的同步計算，實現(xiàn)時延 2.9ms （使用NVIDIAGPU，1024個CUDA核心），加速比8.1倍。

針對深度強化學(xué)習(xí)模型的計算負(fù)載問題，本研究提出了創(chuàng)新的混合精度量化方案。激活值采用4位整數(shù)存儲，同時保留16位浮點精度用于梯度更新以維持訓(xùn)練穩(wěn)定性[6]。在推理性能方面，實測時延從8.7ms 降至 3.3ms ，降幅達(dá) 62.2% 。

為TB級干擾庫設(shè)計2級緩存架構(gòu)：即GPU顯存緩存和內(nèi)存映射文件，采用改進的LRU-K（ K=2 替換算法，平均數(shù)據(jù)訪問時間從基準(zhǔn)的 12.4ms 降低至1.8ms ，降幅達(dá) 85.5% ： V0 等待時間占比從 27% 優(yōu)化至 4% ，系統(tǒng)效率提升顯著；整體處理帶寬達(dá)到160MHz ，完全滿足5GNR標(biāo)準(zhǔn)要求。

3實驗驗證與性能評估

3.1實驗環(huán)境與參數(shù)配置

為驗證本研究所提抗干擾仿真平臺的有效性，搭建半實物仿真測試環(huán)境，實驗平臺由3部分組成。

（1）信道仿真子系統(tǒng)。

采用USRPX310軟件無線電設(shè)備模擬多徑信道，陸地與海上場景信道仿真參數(shù)對比如表3所示。

表3陸地與海上場景信道仿真參數(shù)對比

基于3GPPTR38.901標(biāo)準(zhǔn)構(gòu)建城市微蜂窩（UMi）場景，路徑損耗模型為：

PL（d）=32.4+21log₁₀（d）+20log₁₀（f_c）+σ_SF

其中， d 為傳輸距離（單位： m ）； f_c 為載波頻率（單位： GHz? ； σ_SF 為陰影衰落標(biāo)準(zhǔn)差，實測值為 7.2dB 。

（2）干擾生成子系統(tǒng)。

通過本研究提出的WGAN-GP模型生成5類典型干擾，包括窄帶干擾（NBI）、寬帶噪聲（BBN）、線性掃頻（LFM）、脈沖干擾（PJ）和組合干擾（CJ）。

（3）抗干擾決策子系統(tǒng)。

部署在NVIDIADGX-2服務(wù)器上，采用PyTorch框架實現(xiàn)，關(guān)鍵訓(xùn)練參數(shù)為：學(xué)習(xí)率 α=5×10^-4 ，折扣因子 γ=0.99 ，經(jīng)驗回放緩存容量 D=10⁶ 。

3.2性能對比與分析

3.2.1干擾生成質(zhì)量評估

采用兩種指標(biāo)評價生成干擾的逼真度對比見表

4，其中FSS 指頻域相似度（Frequency SpectrumSimilarity），TDER指時域誤差率（TimeDomainErrorRate）。

表4干擾生成性能對比

實驗結(jié)果表明，本研究方法生成的干擾信號均優(yōu)于傳統(tǒng)方法。

3.2.2抗干擾性能驗證

在 -10dB 干信比條件下測試不同調(diào)制方式的誤碼率（BitErrorRate，BER），對比基于傳統(tǒng)LMS自適應(yīng)濾波、標(biāo)準(zhǔn)DQN算法、本研究改進的MADDPG算法的3種對比方案。定量分析顯示，在 SNR=15 dB時：對于QPSK調(diào)制，本研究方法BER為 2.3×10^-5 ，較LMS提升2個數(shù)量級;在16QAM高階調(diào)制下，系統(tǒng)吞吐量達(dá)到 48.7Mbps ，比標(biāo)準(zhǔn)DQN 提高 62%

實驗驗證表明，本平臺在干擾模擬真實性和抗干擾策略有效性2方面均優(yōu)于傳統(tǒng)方法，為復(fù)雜電磁環(huán)境下的通信系統(tǒng)性能評估提供了可靠工具。

4結(jié)語

本研究針對復(fù)雜電磁環(huán)境下微波通信系統(tǒng)的抗干擾需求，構(gòu)建了基于生成對抗網(wǎng)絡(luò)與深度強化學(xué)習(xí)的仿真訓(xùn)練平臺，通過理論建模、算法優(yōu)化與實驗驗證3個層面的研究，實現(xiàn)了動態(tài)干擾環(huán)境下的高效抗干擾策略生成與評估。研究表明，WGAN-GP干擾生成模型能夠有效解決訓(xùn)練數(shù)據(jù)稀缺問題，生成的干擾信號在時頻域特性上與真實電磁環(huán)境保持高度一致性，其FID分?jǐn)?shù)較傳統(tǒng)方法提升 41.2% 。結(jié)合改進的雙網(wǎng)絡(luò)深度Q學(xué)習(xí)算法，平臺實現(xiàn)了通信參數(shù)的智能自適應(yīng)調(diào)整，在強干擾條件下顯著降低了系統(tǒng)誤碼率，驗證了深度學(xué)習(xí)技術(shù)在抗干擾領(lǐng)域的應(yīng)用潛力。當(dāng)然，當(dāng)前仿真平臺對寬帶噪聲與多用戶干擾的聯(lián)合建模精度有待進一步提升；深度強化學(xué)習(xí)策略在實時性要求極高的場景下可能面臨計算延遲挑戰(zhàn)。后續(xù)研究將重點探索輕量化網(wǎng)絡(luò)架構(gòu)設(shè)計，引入聯(lián)邦學(xué)習(xí)框架以實現(xiàn)多節(jié)點協(xié)同抗干擾訓(xùn)練。

參考文獻(xiàn)

[1]楊一桐，沈一鳴，侯帥，等.電磁場與微波衛(wèi)星通信實驗平臺開發(fā)與實踐應(yīng)用[J].實驗室研究與探索，2024（12） ：19-23.

[2]米映霖.基于HHT的海上微波通信信號識別方法[J].長江信息通信，2024（11）：133-134，166.

[3]李俊.PtMP微波通信系統(tǒng)物理層關(guān)鍵技術(shù)研究[J].長江信息通信，2023（4）：190-192.

[4]王玉龍.微波技術(shù)在現(xiàn)代通信系統(tǒng)中的應(yīng)用分析[J].中國新通信，2020（11）：19.

[5]莊禮賢.數(shù)字微波通信技術(shù)在海上鉆井平臺的應(yīng)用研究[J].中國新通信，2024（16）：1-3.

[6]黎志強.移動船舶微波通信關(guān)鍵技術(shù)研究[J].數(shù)字通信世界，2024（2）：38-40.

（編輯 戴啟潤）

Abstract：To addressthechallenges of scarcereal interference data and insufficient generalization capabilityof antijamming decision-making indynamic channel conditions，an innovative solution is proposed.This solution employs a gradient-penalized Wassrstein Generative Adversarial Network（WGAN-GP）to generate high-fidelityelectromagnetic interference samples，overcoming the low-quality generation isues of traditional methods.This approach achieves a 26% improvement in sample quality compared to the Deep Convolutional Generative Adversarial Network （DCGAN）. Also，adual-network deep Q-learning framework is designed tooptimize anti-jamming strategies through dynamic channel-interference joint modeling. Experimental results demonstrate that under a -10 dB Interference-to-Signal Ratio （ISR），the platform significantly reduces the Bit Eror Rate （BER）of BPSK-modulated signals.The platform supports configurable simulations for multiple scenarios，including narowband interference，impulse noise，and frequencyselective fading，providingastandardizedtool for evaluatingand training the anti-jamming capabilitiesof communication devices and significant theoretical value and practical application prospects.

Key words：generative adversarial network；dep learning；microwave communication；anti-interference；simulation training platform