一种基于Xgboost的卫星通信干扰样式识别方法技术

本发明专利技术属于通信技术与人工智能技术领域，公开了一种基于Xgboost的卫星通信干扰样式识别方法；首先，对待训练的干扰信号进行预处理，提取信号的九种特征参数，并构建用于训练模型的输入矩阵与输出矩阵；然后，创建Xgboost模型，设置模型参数组合区间，并结合Bayesian Optimization的思想对模型进行训练，寻找最优的参数组合，并得到最终的模型；最后，提取待识别信号的九种特征参数，将提取的特征参数输入训练好的模型，对干扰信号的样式进行识别。本发明专利技术有效地解决了现有识别方法在低干噪比场景中识别率低、需人工手动调参优化、以及稳定性较差的问题，为进行干扰抑制、干扰消除提供依据。

A Recognition Method of Satellite Communication Jamming Style Based on Xgboost

【技术实现步骤摘要】
一种基于Xgboost的卫星通信干扰样式识别方法
本专利技术属于通信技术与人工智能
，尤其涉及一种基于Xgboost的卫星通信干扰样式识别方法。
技术介绍
当今的时代，是信息化的时代，无线通信技术不断发展，可利用的频谱资源越来越稀缺，相互之间的干扰也越来越严重。同时，卫星通信系统也时刻经受着各式各样的人为干扰。如何提供高质量、高可靠性、高安全性的无线通信已经成为通信领域的一个重大的研究课题。目前，最接近的现有技术：对于干扰信号的识别方法主要有两种方式。一是基于最大似然理论的识别方法，首先对信号的似然函数进行处理，得到适用于信号分类的统计量，然后选择一个合适的门限比较，通过判决完成信号识别分类过程。另一种是基于统计模式的识别方法，即通过提取信号的特征参数，设计算法分类器进行判别，这种也是现今应用最广泛的方法。现有技术一提出一种采用决策树的干扰识别方法。该方法首先提取具有鲁棒性的特征参数，通过人为设定的阈值，对干扰样式进行分类判决。该方法实现简单，复杂度低，但是存在不足之处：决策效果主要取决于判决阈值的影响，若阈值选取不合适，那么在干噪比较低的场景下，识别性能很低；另外，使用决策树方法进行干扰样式识别时，识别准确率还受特征参数的选择顺序影响，若先作为划分的特征属性性能较差，会直接影响后续整体的识别性能。现有技术二提出一种采用BP神经网络进行干扰识别的方法。该方法将提取的特征参数通过神经网络自动实现样式识别。该方法虽然自学习和自适应能力强，但是存在不足之处：神经网络模型复杂，训练效率低，参数调节复杂，且隐层数和隐层神经元数选取方面无理论依据。另外，神经网络模型依赖大量的样本数据，若数据样本少，容易过拟合，即在已知的样本上表现良好，但对未知数据的预测能力不足，泛化能力弱。综上所述，现有技术存在的问题是：(1)现有技术采用决策树的干扰识别方法存在决策效果主要取决于判决阈值的影响，若阈值选取不合适，在干噪比较低的场景下，识别性能很低；另外，使用决策树方法进行干扰样式识别时，识别准确率还受特征参数的选择顺序影响，若先作为划分的特征属性性能较差，会直接影响后续整体的识别性能。(2)现有技术采用BP神经网络进行干扰识别的方法存在神经网络模型复杂，训练效率低，参数调节复杂，且隐层数和隐层神经元数选取方面无理论依据；另外，神经网络模型依赖大量的样本数据，若数据样本少，容易只在已知的样本上表现良好，但对未知数据的预测能力不足，泛化能力弱。解决上述技术问题的难度和意义：现有技术中，对于决策树，效果主要取决于判决阈值的影响，判决阈值又是需要提前设定好的，而对阈值的设置没有一个固定的标准。对于神经网络，虽然识别结果较好，但是网络参数设置复杂，参数选取方面也无理论依据，通常需要经过大量的试验，才能得到较好的参数。训练成本高，效率低，解释性也差，因此也很少能够直接应用于工程中。因此，需要设计一种方法，使得能够让学习器不仅能够通过自身训练去得到一个很好的判决效果，而且对于模型参数的选取也能自适应地做出调整，提升模型的准确率和效率。近几年来，人工智能行业发展迅速，将人工智能算法应用于卫星通信场景下的干扰样式识别逐渐成为了一个新的研究热点。本专利技术将人工智能算法之一——Xgboost算法与BayesianOptimization的思想结合起来，应用到卫星通信干扰样式识别的场景下，只需设置参数区间，可实现模型参数的自动最优选择，在低干噪比下有很高的识别性能，而且运算速度快，效率高，在小样本数据上，同样具有较强的泛化能力，稳定性高。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于Xgboost的卫星通信干扰样式识别方法。本专利技术是这样实现的，一种基于Xgboost的卫星通信干扰样式识别方法，首先，对待训练的干扰信号进行预处理，提取信号的九种特征参数，并构建用于训练模型的输入矩阵与输出矩阵；然后，创建Xgboost模型，设置模型参数组合区间，并结合BayesianOptimization的思想对模型进行训练，寻找最优的参数组合，并得到最终的模型；最后，提取待识别信号的九种特征参数，将提取的特征参数输入训练好的模型，对干扰信号的样式进行识别。本专利技术的另一目的在于提供一种模型参数自动调整的方法，基于BayesianOptimization的思想对模型进行训练，避免传统网格搜索，随机搜索的调参方式容易陷入局部最优解的问题。综上所述，本专利技术的优点及积极效果为：本专利技术通过将Xgboost算法与BayesianOptimization的思想结合起来，应用到卫星通信干扰样式识别的场景下，只需设置参数区间，即可通过训练完成模型参数的自动最优选择，实现了卫星通信系统中六种典型干扰样式的自动识别，在低干噪比下有很高的识别率。避免了传统决策树方法需要提前设置门限阈值、准确率低的缺点；同时，也无神经网络模型调参复杂，缺乏理论依据等缺点。且运算速度快，效率高，在小样本数据上，同样具有较强的泛化能力，不容易过拟合，稳定性高。附图说明图1是本专利技术实施例提供的基于Xgboost的卫星通信干扰样式识别方法流程图。图2是本专利技术实施例提供的在不同干噪比下干扰样式识别的性能图。图3是本专利技术实施例提供的与现有技术在不同干噪比下干扰样式识别的性能对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术具体涉及在卫星通信场景下一种基于Xgboost的卫星通信干扰样式识别方法，可用于卫星地面监测站进行卫星信号频谱监测场景中的干扰样式方式识别。下面结合附图对本专利技术的应用原理作详细的描述。如图1所示，本专利技术实施例提供的基于Xgboost的卫星通信干扰样式识别方法包括以下步骤：S101：对待训练干扰信号进行功率归一化预处理，分析信号的时频域特性，提取待训练信号的九种特征参数；S102：构建用于训练Xgboost模型的输入矩阵与输出矩阵；S103：创建Xgboost模型，设置模型参数组合区间，结合BayesianOptimization的思想，不断训练，通过评价函数来评判每个组合参数的结果，找到组合参数的全局最优解。将最优参数组合带入Xgboost算法，得到最终分类模型；S104：对待识别干扰信号进行功率归一化处理，并提取待识别信号的九种特征参数，并构建待识别信号的特征参数向量；S105：将构建的待识别干扰信号的特征参数向量输入训练好的模型，对干扰信号的样式进行判别，得到识别后的结果。下面结合附图对本专利技术的应用原理作进一步的描述。本专利技术实施例提供的基于Xgboost的卫星通信干扰样式识别方法包括以下步骤：步骤一，对待训练干扰信号进行功率归一化预处理，分析信号的时频域特性，提取待识别信号的九种特征参数；待训练干扰信号的六种样式分别为：单频干扰、多频干扰、扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰；信号预处理功率归一化方式如下：其中，x(n)表示经过采样后的原始信号序列，x′(n)表示原始信号功率归一化后的信号，N表示信号的采样点数；提取干扰信号的九种特征参数分别为：(1)信号的时域矩偏度T3：其中，A(n)表示归一化信号的时域包络，定义为A(n本文档来自技高网...

【技术保护点】
1.一种基于Xgboost的卫星通信干扰样式识别方法，其特征在于，所述基于Xgboost的卫星通信干扰样式识别方法包括：第一步，对待训练干扰信号进行功率归一化预处理，分析信号的时频域特性，提取待训练信号的九种特征参数；第二步，构建用于训练Xgboost模型的输入矩阵与输出矩阵；第三步，创建Xgboost模型，设置模型参数组合区间，结合Bayesian Optimization的思想，不断训练，通过评价函数来评判每个组合参数的结果，找到组合参数的全局最优解；将最优参数组合带入Xgboost算法，得到最终分类模型；基于Bayesian Optimization的寻参方式如下：(1)设定Xgboost算法的参数区间，其中，模型参数包括学习率、基分类器个数、最大树深度、叶节点最小权值、行抽样率、列抽样率、正则化项1、正则化项2；(2)将得到的用于训练的输入矩阵X、输出矩阵Y输入Xgboost模型中进行训练，将Bayesian Optimization思想运用在Xgboost算法中用于参数的选择，如下公式：xt＝argmaxμt‑1(x)+kσt‑1(x)；其中，xt表示下一次采样的位置，考虑最大值函数值的情况，首先使用已有的观测值构建一个高斯过程的回归模型，并预测出输入位置上的均值μt‑1(x)和标准差σt‑1(x)；选择均值和标准差的加和最大的输入位置作为下一个采样的点，其中k为权重参数；(3)基于Bayesian Optimization算法，找出组合参数的惩罚函数的最优值；(4)将全局最优的参数组合带入Xgboost算法进行训练，测试Xgboost算法模型，并计算分类精度；(5)如果满足要求，则输出最优参数值，如果不符合再次返回(3)，直到满足要求；第四步，对待识别干扰信号进行功率归一化处理，提取待识别信号的九种特征参数，并构建待识别信号的特征参数向量；第五步，将构建的待识别干扰信号的特征参数向量输入训练好的模型，对干扰信号的样式进行判别，得到识别后的结果。...

【技术特征摘要】
1.一种基于Xgboost的卫星通信干扰样式识别方法，其特征在于，所述基于Xgboost的卫星通信干扰样式识别方法包括：第一步，对待训练干扰信号进行功率归一化预处理，分析信号的时频域特性，提取待训练信号的九种特征参数；第二步，构建用于训练Xgboost模型的输入矩阵与输出矩阵；第三步，创建Xgboost模型，设置模型参数组合区间，结合BayesianOptimization的思想，不断训练，通过评价函数来评判每个组合参数的结果，找到组合参数的全局最优解；将最优参数组合带入Xgboost算法，得到最终分类模型；基于BayesianOptimization的寻参方式如下：(1)设定Xgboost算法的参数区间，其中，模型参数包括学习率、基分类器个数、最大树深度、叶节点最小权值、行抽样率、列抽样率、正则化项1、正则化项2；(2)将得到的用于训练的输入矩阵X、输出矩阵Y输入Xgboost模型中进行训练，将BayesianOptimization思想运用在Xgboost算法中用于参数的选择，如下公式：xt＝argmaxμt-1(x)+kσt-1(x)；其中，xt表示下一次采样的位置，考虑最大值函数值的情况，首先使用已有的观测值构建一个高斯过程的回归模型，并预测出输入位置上的均值μt-1(x)和标准差σt-1(x)；选择均值和标准差的加和最大的输入位置作为下一个采样的点，其中k为权重参数；(3)基于BayesianOptimization算法，找出组合参数的惩罚函数的最优值；(4)将全局最优的参数组合带入Xgboost算法进行训练，测试Xgboost算法模型，并计算分类精度；(5)如果满足要求，则输出最优参数值，如果不符合再次返回(3)，直到满足要求；第四步，对待识别干扰信号进行功率归一化处理，提取待识别信号的九种特征参数，并构建待识别信号的特征参数向量；第五步，将构建的待识别干扰信号的特征参数向量输入训练好的模型，对干扰信号的样式进行判别，得到识别后的结果。2.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法，其特征在于，所述第一步中待训练干扰信号的六种样式分别为：单频干扰、多频干扰、扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰。3.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法，其特征在于，所述第一步中信号功率归一化预处理方式如下：其中，x(n)表示经过采样后的原始信号序列，x′(n)表示原始信号功率归一化后的信号，N表示信号的采样点数。4.如权利要求1所述的基于Xgboost的卫星通信干扰样式识别方法，其特征在于，所述第一步中提取干扰信号的九种特征参数分别为：(1)...

【专利技术属性】
技术研发人员：任光亮，李越，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61