【技术实现步骤摘要】
本专利技术涉及信号处理，特别是一种基于多任务学习的小样本单通道源分离抗干扰方法及装置。
技术介绍
1、在无线通信技术迅猛发展的今天，通信链路的稳定性和可靠性成为了信息传递的关键。然而，通信信号在传输过程中不可避免地会受到自然噪声、技术设备的干扰，甚至是恶意的干扰攻击。这些干扰严重影响通信质量，甚至可能导致通信失败。因此，研究如何在各种干扰中恢复有用信号，成为了通信抗干扰领域的一个核心课题。
2、传统抗干扰技术，如跳频扩谱、直接序列扩谱、自适应滤波和波束成形等，虽然在一定程度上能够识别和抑制干扰，但在复杂多变的干扰环境下，特别是面对未知或新型干扰时，往往难以达到理想效果。此外，传统方法在仅有少量干扰样本的情况下，难以有效制定干扰特征分析和抗干扰策略。具体而言，跳频扩谱依赖于频率跳变模式来躲避干扰，但当面临宽带干扰时可能难以躲避；直接序列扩谱通过将信号能量扩展到较宽频率范围来抗干扰，但更适合具有高可靠性要求的场景；自适应滤波技术需要根据接收信号的特性不断调整其参数，面对未知干扰，滤波器可能需要较长时间来收敛到合适的参数设置，这期间通信质量可能受到影响，而且如果干扰特性快速变化，滤波器可能难以跟上这种变化；波束成形技术通过多天线技术定向传输和接收信号来增强信号并抑制干扰，但在单通道场景下并不适用。
3、盲源分离试图从混合信号中恢复出独立源，是一种有效地分离同频干扰的手段。传统的盲源分离方法有ica、nmf等，但此类方法通常采用多通道分离，单通道分离效果不佳。单通道盲源分离技术一直是信号处理领域的研究前沿，它旨在
4、为了克服这些问题，深度学习技术被引入单通道盲源分离的研究之中。深度学习方法利用其强大的特征提取和表征学习能力，在语音信号分离方面取得了突破性进展。这些方法主要分为两类：一类是在时频域中进行操作的方法，如深度聚类学习、置换不变训练等，它们通过将语音信号从时域转换到时频域来捕捉信号的频率成分；另一类则是直接在时域中进行处理的方法，例如利用长短期记忆(lstm)递归网络和卷积递归网络(crn)，这些网络能够处理时序数据并学习信号的时间动态特性。随着这些语音分离技术的快速发展，它们在无线通信领域的应用也展现出巨大的潜力。深度学习模型不仅能够处理复杂的信号混合问题，还能够适应多变的通信环境，从而提高信号分离的准确性和鲁棒性。此外，深度学习模型的自适应学习能力使其在面对未知或动态变化的信号源时，仍能保持较高的分离性能。
5、深度学习在单通道盲源分离领域的应用虽然充满潜力，但也面临着一些挑战，特别是在抗干扰通信场景中，由于新出现的干扰类型难以获取足够的干扰样本，往往只有少量样本可用以训练模型，因此限制了深度学习模型的学习和适应能力。
6、深度学习的核心目标之一是模仿人类的感知系统，人类视觉系统能够凭借极少的标记样本快速识别新类别，这种能力启发了小样本迁移学习在图像分类领域的快速发展。该领域的研究已经取得了显著进展，涉及多种迁移学习策略，包括初始化参数、距离度量和域自适应等。在初始化参数策略中，多任务学习(multi-task learning，mtl)因其在提高模型泛化能力和效率方面的潜力而备受关注。多任务学习通过硬参数共享(hard parametersharing)和软参数共享(soft parameter sharing)等学习策略，来提升模型性能。
技术实现思路
1、本专利技术的目的在于提供一种能够在单根天线接收情况下实现通信信号和干扰信号有效分离，有效应对未知或少量样本的干扰情况，显著提升分离模型的泛化能力，从而提高无线通信抗干扰能力的小样本单通道源分离抗干扰方法及装置。
2、实现本专利技术目的的技术解决方案为：一种基于多任务学习的小样本单通道源分离抗干扰方法，包括多任务训练阶段、微调阶段和应用阶段，其中：
3、多任务训练阶段包括以下步骤：
4、步骤a1、创建训练数据集，包括通信信号、多种已知干扰信号以及两者的混合信号；
5、步骤a2、搭建信号分离网络，包括编码器、分离器以及解码器模块；
6、步骤a3、创建多任务学习的联合训练目标函数；
7、步骤a4、基于联合训练目标函数，使用步骤a1得到的信号数据集，对步骤a2的信号分离网络进行训练，得到训练好的预训练信号分离网络；
8、小样本微调阶段包括以下步骤：
9、步骤b1、创建微调数据集，包括通信信号和小样本目标干扰信号以及两者的混合信号；
10、步骤b2、创建微调阶段目标函数；
11、步骤b3、基于微调阶段目标函数，利用步骤b1得到的微调数据集对步骤a4得到的训练好的预训练信号分离网络进行微调，得到微调后的信号分离网络；
12、应用阶段包括以下步骤：
13、步骤c1、通过单根天线获取待分离的小样本目标干扰混叠信号；
14、步骤c2、利用步骤b3微调后的信号分离网络，从混叠信号中分离出目标通信信号和干扰信号，完成混叠信号的盲分离；
15、步骤c3、将步骤c2得到的分离信号送入解调器解调，恢复分离信号的比特数据。
16、进一步地，步骤a1中所述的创建训练数据集，采用以下两种方式中的任一种：
17、第一种方式：采用计算机软件生成多种不同调制方式的通信信号以及干扰信号，调制方式为数字调制或者模拟调制，干扰信号包括数字调制干扰信号、模拟调制干扰信号、噪声调频干扰信号、噪声调幅干扰信号、单音干扰信号、多音干扰信号、梳状谱干扰信号、宽带噪声干扰、扫频干扰；
18、基于生成的目标通信信号和干扰信号，将目标通信信号和多种干扰信号随机混合组成混叠信号，干信比isr设置为0-8db，向混叠信号添加噪声生成混叠通信信号，信噪比snr为-5db到20db；
19、混叠通信信号如下式所示：
20、
21、式中，x(t)为时频混叠通信信号，si(t)∈c1×t表示源信号，t表示信号长度，i＝1,2,...,λ，i表示第i个源信号，λ表示源信号的总数，ai表示第i个源信号对应的未知混合系数，n(t)表示高斯白噪声；
22、多任务训练数据集中包含目标通信信号与多种干扰信号，目标通信信号和每种干扰信号单独混合；
23、第二种方式：对实际通信设备和干扰设备进行采样，得到目标通信信号、干扰信号以及混叠信号的数据集。
24、进一步地，步骤a2所述的搭建信号分离网络，具体如下：
25、单通道源分离任务的目标是从混合信号x∈rt中分离出n个源信号s1,s2,...,sn∈rt；采用修改过的分离变换器即sepformer模型，具有无循环神经网络r本文档来自技高网...
【技术保护点】
1.一种基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，包括多任务训练阶段、微调阶段和应用阶段，其中：
2.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤A1中所述的创建训练数据集，采用以下两种方式中的任一种：
3.根据权利要求2所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤A2所述的搭建信号分离网络，具体如下：
4.根据权利要求3所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤A3所述的创建多任务学习的联合训练目标函数，具体如下：
5.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤A4所述的基于联合训练目标函数，使用步骤A1得到的信号数据集，对步骤A2的信号分离网络进行训练，得到训练好的预训练信号分离网络，具体如下：
6.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤B1所述的创建微调数据集，包括通信信号和小样本目标干扰信号以及两者的混合信号，具体如下：
...【技术特征摘要】
1.一种基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，包括多任务训练阶段、微调阶段和应用阶段，其中：
2.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤a1中所述的创建训练数据集，采用以下两种方式中的任一种：
3.根据权利要求2所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤a2所述的搭建信号分离网络，具体如下：
4.根据权利要求3所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤a3所述的创建多任务学习的联合训练目标函数，具体如下：
5.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤a4所述的基于联合训练目标函数，使用步骤a1得到的信号数据集，对步骤a2的信号分离网络进行训练，得到训练好的预训练信号分离网络，具体如下：
6.根据权利要求1所述的基于多任务学习的小样本单通道源分离抗干扰方法，其特征在于，步骤b1所述的...
【专利技术属性】
技术研发人员：郭鹏程，于淼，李程，杨旭，
申请(专利权)人：中国人民解放军国防科技大学，
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。