面向与通信信号耦合的干扰信号检测与识别方法及装置制造方法及图纸

本发明专利技术涉及一种面向与通信信号耦合的干扰信号检测与识别方法及装置。本发明专利技术针对干扰与通信信号的时频域特征差异，通过自编码器输入

Interference signal detection and identification method and device for coupling with communication signal

【技术实现步骤摘要】
面向与通信信号耦合的干扰信号检测与识别方法及装置


[0001]本公开涉及通信信号处理技术能力，尤其涉及一种面向与通信信号耦合的干扰信号检测与识别方法及装置，可用于面向战场环境的抗干扰通信系统，为抗干扰决策提供识别信息。

技术介绍

[0002]在战场环境中，以单音干扰、多音干扰、线性调频干扰等为主要样式的干扰，通过产生大功率的干扰信号，降低信宿端的输入信噪比，严重影响我方正常通信。抗干扰技术通过干扰认知，针对不同的干扰类型采用特异性强的抗干扰手段，提升通信的顽存性。因此，如何对干扰信号实现精确的检测与识别成为抗干扰的关键。针对干扰信号检测，由于干扰信号功率大，而通信信号功率相对较小，现有方法多采用基于时域和频域的能量检测算法，根据接收信号的能量分布特征对信号是否受干扰进行检测。然而，考虑到对抗环境的时变性所产生的噪声功率的高动态变化特征，造成了检测门限难以确定，严重降低了干扰检测的准确率。另一方面，针对干扰信号的识别，现有技术主要依赖专家知识提取干扰信号的时频域特征，但考虑到瞄准式干扰信号，其与通信信号时频特征深度耦合，很难直接根据接收到的信号提取干扰信号的独有特征进行判识。因此，单纯依赖专家知识的干扰类型识别不仅鲁棒性差，而且由于特征提取的不全面，也难以实现精准的干扰类型判识，这就造成了现有的干扰识别算法在复杂的电磁环境中，无法精准地识别瞄准式干扰信号类型。

技术实现思路

[0003]针对上述现有技术，本专利技术所解决的技术问题至少是：与通信信号耦合的干扰信号检测门限难以确定、特征提取带来的干扰识别算法准确率低和普适性差、瞄准式干扰与通信信号特征深度耦合所造成的识别精度差的问题。
[0004]为了解决上述技术问题，本专利技术的技术方案如下：
[0005]第一方面，本专利技术提出了一种面向与通信信号耦合的干扰信号检测与识别方法，所述方法包括：
[0006]从原信号中读取待检测信号，基于待检测信号利用自编码器进行信号重构，计算重构信号与待检测信号的重构误差，若误差大于检测阈值，则进一步从原信号中读取待识别信号，基于待识别信号进行干扰信号识别；
[0007]所述自编码器依次包括信号编码模块、隐变量特征提取模块、以及信号解码模块；
[0008]所述信号编码模块将待测检测信号作为输入，提取时域波形特征；
[0009]所述隐变量特征提取模块以时域波形特征作为输入，输出第一信号隐变量；
[0010]所述信号解码模块以第一信号隐变量为输入，输出重构信号。
[0011]在上述技术方案中，针对不同干扰均会对通信信号产生显著的时频域畸变特征，本专利技术利用重构信号与待检测信号的重构误差，检测干扰信号的存在性；并在检测到干扰信号时，进行干扰信号识别。较传统基于能量的干扰信号检测，本专利技术在重构误差中，提出
一种自编码器来重构信号，通过自编码器解决检测门限难以确定的问题，屏蔽噪声的起伏性和高动态性对干扰检测精度的影响。
[0012]作为本专利技术的进一步改进，针对干扰与通信信号的时频特征耦合性，从时频特征深度耦合复合信号中分离出干扰，以实现干扰信号精准识别。在基于待识别信号进行干扰信号识别时，包括下述步骤：
[0013]基于待识别信号，获取纯干扰信号；
[0014]按下式计算循环谱P
α
(f)、频谱FFT(f)、时频谱STFT(m，f)：
[0015][0016][0017][0018][0019]式中：纯干扰信号循环谱P
α
(f)是循环自相关函数R
α
(τ)的离散傅里叶变换；s(n)为纯干扰信号，s
*
(n)为s(n)的共轭信号，r为纯干扰信号时域长度，α为循环频率，f为谱频率，τ为相关时间间隔；w(n)是窗函数，m为窗口长度，n为时域变量；基于循环谱P
α
(f)、频谱FFT(f)、时频谱STFT(m，f)，获取干扰信号的类型特征，进而得到识别结果，解决了瞄准式干扰与通信信号特征深度耦合所造成的识别精度差等问题。
[0020]作为本专利技术的进一步改进，通过建立信号分离模型进行提取纯干扰信号，以达到提高纯干扰信号准确度的目的，并对信号分离模型细化为三个模块，依次实现提取时域波形特征、获得第二信号隐变量和干扰隐变量，输出分离的无干扰信号和纯干扰信号。即：所述信号分离模型包括时频耦合信号编码模块、干扰信号特征提取模块，干扰信号分离模块；所述时频耦合信号编码模块将待识别信号作为输入，提取时域波形特征；所述干扰信号特征提取模块以时域波形特征为输入，获得第二信号隐变量和干扰隐变量；所述干扰信号分离模型以第二信号隐变量和干扰隐变量作为输入，输出无干扰信号和纯干扰信号。
[0021]作为本专利技术的进一步改进，将信号分离模型通过Stacked
‑
LSTM网络实现，通过神经网络强大的计算能力和学习能力，提高干扰信号特征提取的准确度和精度，以实现干扰信号的准确分类。具体的一种实施方式为：所述时频耦合信号编码模块包括三个串联的第一卷积单元；所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成；所述干扰信号特征提取模块包括六个串联的Stacked
‑
LSTM单元和双通道全连接单元；所述Stacked
‑
LSTM 单元由双向LSTM层、压缩
‑
激励自注意力子单元、分组归一化层、双正切层依次构成；所双通道全连接单元由两个第一全连接单元进行并行计算，所述第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层构成；所述干扰信号分离模块由两个第二全连接单元、双通道反卷积单元构成，所述第二全连接单元由全连接层、一维批量归一
化层、双正切层构成；所述双通道反卷积单元两个第一反卷积模块和一个第二反卷积模块串联进行并行计算，所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成，所述第二反卷积单元由一个一维反卷积层构成。
[0022]作为本专利技术的进一步改进，本专利技术中自编码器通过建立LSTM
‑
CNN网络进行无监督训练实现，通过训练建立无干扰信号的时频表征模型，从而在干扰信号对通信信号造成时频域畸变时，可通过自编码器输入
‑
输出信号间的重构误差，检测到信号是否受到干扰。通过提高LSTM
‑
CNN网络的训练精度以提高干扰信号检测的准确性，解决现有技术中干扰信号检测准确度低的问题，也就解决了检测门限难以确定的问题。具体的一种实施方式为：
[0023]所述信号编码模块包括三个串联的第一卷积单元；所述隐变量特征提取模块包括串联的Bi
‑
LSTM单元和第一全连接单元；所述信号解码模块由两个第二全连接单元、两个第一反卷积单元构成、一个第二反卷积单元构成；所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成；所述Bi
‑
LSTM单元由两个Bi
‑
LSTM层串联构成；所述第一全连接单元由全连接层、一维批本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向与通信信号耦合的干扰信号检测与识别方法，其特征在于，所述方法包括：从原信号中读取待检测信号，基于待检测信号利用自编码器进行信号重构，计算重构信号与待检测信号的重构误差，若误差大于检测阈值，则进一步从原信号中读取待识别信号，基于待识别信号进行干扰信号识别；所述自编码器依次包括信号编码模块、隐变量特征提取模块、以及信号解码模块；所述信号编码模块将待测检测信号作为输入，提取时域波形特征；所述隐变量特征提取模块以时域波形特征作为输入，输出第一信号隐变量；所述信号解码模块以第一信号隐变量为输入，输出重构信号。2.根据权利要求1所述的方法，其特征在于，所述基于待识别信号进行干扰信号识别，包括下述步骤：基于待识别信号，获取纯干扰信号，并按下式计算循环谱P
α
(f)、频谱FFT(f)、时频谱STFT(m，f)：STFT(m，f)：STFT(m，f)：STFT(m，f)：式中：纯干扰信号循环谱P
α
(f)是循环自相关函数R
α
(τ)的离散傅里叶变换；s(n)为纯干扰信号，s
*
(n)为s(n)的共轭信号，r为纯干扰信号时域长度，α为循环频率，f为谱频率，τ为相关时间间隔；w(n)是窗函数，m为窗口长度；n为时域变量；基于循环谱P
α
(f)、频谱FFT(f)、时频谱STFT(m，f)，获取时频图的全局特征，进而得到识别结果。3.根据权利要求2所述的方法，其特征在于：所述纯干扰信号基于信号分离模型进行提取，所述信号分离模型包括时频耦合信号编码模块、干扰信号特征提取模块，干扰信号分离模块；所述时频耦合信号编码模块将待识别信号作为输入，提取时域波形特征；所述干扰信号特征提取模块以时域波形特征为输入，获得第二信号隐变量和干扰隐变量；所述干扰信号分离模型以第二信号隐变量和干扰隐变量作为输入，输出无干扰信号和纯干扰信号。4.根据权利要求3所述的方法，其特征在于：所述时频耦合信号编码模块包括第一卷积单元，所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成；
所述干扰信号特征提取模块包括Stacked
‑
LSTM单元和双通道全连接单元；所述Stacked
‑
LSTM单元由双向LSTM层、压缩
‑
激励自注意力子单元、分组归一化层、双正切层依次构成；所双通道全连接单元由两个第一全连接单元进行并行计算，所述第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层构成；所述干扰信号分离模块包括第二全连接单元、双通道反卷积单元；所述第二全连接单元由全连接层、一维批量归一化层、双正切层构成；所述双通道反卷积单元由两个第一反卷积模块和一个第二反卷积模块串联进行并行计算，所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成，所述第二反卷积单元由一个一维反卷积层构成。5.根据权利要求1所述的方法，其特征在于：所述信号编码模块包括三个串联的第一卷积单元；所述隐变量特征提取模块包括串联的Bi
‑
LSTM单元和第一全连接单元；所述信号解码模块包括两个第二全连接单元、两个第...

【专利技术属性】
技术研发人员：王超，曾心远，郭康，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：