【技术实现步骤摘要】
本专利技术属于通信对抗与人工智能领域，特别是指一种基于注意力深度神经网络的通信干扰下误码率估计方法。
技术介绍
1、通信干扰下误码率估计是通信对抗领域的重要研究内容。协同干扰、干扰资源分配、跳频抗干扰等能力形成都需要基于干扰效果评估，而干扰效果评估的关键在于误码率估计。由于设备数字化建模复杂且无线信道传输衰减等物理模型复杂，如何利用人工智能方法规避上述问题形成智能误码率估计方法称为当前研究重点。
2、在王圆春等发表在《太赫兹科学与电子信息学报》上的《通信语音干扰效果评估方法》一文中，通过提取基于梅尔频率倒谱稀疏特征等特征工程手段，运用卷积神经网络实现对于通信语音干扰效果的评估。但是在该方法中采用的分类方法，对当前效果进行主观分级别，对于客观指标采用的较少，受专家经验影响较大。
3、在汪慧阳等发表在《中国电子科学研究院学报》上《通信对抗训练干扰效果评估方法研究》一文中，通过条件云模型和topsis法构建了干扰效果评估方法，能够有效为非训练场景下干扰效果评估提供参考。但是该方法中大量采用了专家经验和领域知识，该思路受限于专家和学者的认知水平，并且需要专家提炼经验知识，局限性在于专家的水平，性能提升依赖于专家人工对于本方法的改进次数。
4、在由湖南艾科诺维科技有限公司申请，公开号为cn116050053a的《一种对通信卫星的干扰效果评估方法》的专利中，构建多级指标评价体系，构建了评估模型，并采用信号级建模方法进行效果评估。但是，该方法难以完全对设备的所有处理流程进行数字孪生，如热噪声和器件性能热衰减
5、在由北京熵和通信科技有限公司申请，授权公告号为cn116206620b的《训练场景的语音通信干扰效果评估方法及其装置》的专利中，详尽给出了训练场景的语音通信干扰效果评估方法，能够适用于不同类型的语音干扰评估中。但是，该方法计算复杂度极高，处理流程复杂，且对于场景信息考虑较少。
技术实现思路
1、有鉴于此，本专利技术提出一种基于注意力深度神经网络的通信干扰下误码率估计方法。本专利技术面向通信干扰下误码率估计需求，采用实收数据构建数据集，并训练注意力深度神经网络，获得通信干扰下误码率估计，规避了基于电磁辐射的功能级估计考虑维度少和复杂度过低、信号处理级估计处理复杂和运行时间长与传播信道影响难建模的问题，自动化程度高，且给出了获取最佳决策模型的策略。
2、本专利技术采用的技术方案为：
3、基于注意力深度神经网络的通信干扰下误码率估计方法，包括以下步骤：
4、步骤1：收集通信设备和干扰设备的相对位置与误码率，构建特征训练集、标签训练集、特征测试集和标签测试集；具体方式为：
5、步骤1-1：在试验区域内，设置通信信号发送设备、通信信号接收设备和通信干扰设备；第n次试验，通信信号发送设备到通信信号接收设备的距离为，通信干扰设备到通信信号接收设备的距离为，获得的误码率为，，n为总试验次数；
6、第n次试验后，得到的数据特征样本为，结果样本为；
7、n次试验后，得到数据特征集为，结果集为；
8、步骤1-2：按照和的比例，，将数据特征集和结果集切分为特征训练集、标签训练集、特征测试集和标签测试集，其对应维度分别为、、和；
9、步骤2：构造注意力深度神经网络，具体方式为：
10、步骤2-1：构造全连接层作为输入层；输入层的工作方式为：
11、输入数据input，维度为batch_size×input_dim；batch_size为训练迭代中使用的数据量，input_dim为输入层输入数据维度；
12、采用线性全连接神经网络，输入维度为input_dim，输出维度为output_dim，并在线性变换中增加bias偏置；
13、输出数据features，维度为batch_size×output_dim；output_dim为输入层输出数据维度；
14、步骤2-2：构造注意力模块作为隐藏层；隐藏层的工作方式为：
15、输入数据features，维度为batch_size×output_dim；
16、采用线性全连接神经网络linear，输入维度为output_dim，输出维度为output_dim，并在线性变换中增加bias偏置；
17、采用tanh激活函数，获得权重weight，维度为batch_size×output_dim；
18、对权重weight沿第2维求绝对值后求和，如果和小于零，则值为-1；如果和大于等于0，则值为1；将运算结果保存在掩码mask_idx变量中，维度为batch_size×1；
19、将掩码mask_idx变量的第2维进行复制扩充，维度变为batch_size×output_dim；
20、将掩码作用在注意力结果上，遍历掩码mask_idx变量中每一个数值，如果值为1，则保留权重weight中对应值；如果值不为1，则将权重weight中对应值替换为；
21、沿权重weight的第2维度进行softmax运算；
22、遍历权重weight中的每一个值，如果值大于门限hard，则保留权重weight中的对应值；如果小于门限hard，则将权重weight中的对应值替换为0；
23、将输入数据features和权重weight中各值对应相乘，得到输出weight_feature，维度为batch_size×output_dim；
24、步骤2-3：构造全连接层作为输出层；输出层的工作方式为：
25、输入数据weight_feature，维度为batch_size×output_dim；
26、采用线性全连接神经网络，输入维度为output_dim，输出维度为out_dim，并在线性变换中增加bias偏置；
27、采用sigmoid激活函数，并将所得数据乘以-1；
28、输出数据out，维度为batch_size×out_dim；
29、步骤3：利用数据对注意力深度神经网络进行训练，具体方式为：
30、步骤3-1：设置优化函数和学习率，优化函数为adam优化器；
31、步骤3-2：利用注意力深度神经网络得到通信干扰误码率估计；
32、从特征训练集和标签训练集随机抽取batch条数据，其中batch小于等于，组成和；通过注意力深度神经网络映射，得到估计，即
33、
34、其中为注意力深度神经网络，为网络参数；
35、步骤3-3：设置损失函数为均方损失函数，用于衡量估计值和标签训练集之间的差距loss，并利用adam优化器对网络参数进行优化；
36、步骤3-4：利用余弦相似度验证估计性能本文档来自技高网...
【技术保护点】
1.基于注意力深度神经网络的通信干扰下误码率估计方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.基于注意力深度神经网络的通信干扰下误...
【专利技术属性】
技术研发人员：畅鑫，李艳斌，陈金勇，闫红超，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。