[发明专利]一种无人机数据链电磁干扰效应评估方法及系统

说明书

本发明涉及一种无人机数据链电磁干扰效应评估方法及系统，涉及电磁干扰效应评估技术领域。所述方法包括根据待训练无人机数据链的数据集采用SSA算法对双通道卷积神经网络的超参数进行调优得到SSA‑DCNN模型；根据待训练无人机数据链的数据集对SSA‑DCNN模型进行训练得到SSA‑DCNN预测模型，SSA‑DCNN预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级，数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级。本发明可以提高模型的收敛速度和评估准确度。

技术领域

本发明涉及电磁干扰效应评估技术领域，特别是涉及一种无人机数据链电磁干扰效应评估方法及系统。

背景技术

随着无人机技术的进步和成本降低，无人机系统在军用、农林、执法等应用领域发展迅猛，无人机使用数据链设备来控制和传递数据，对于超视距的中远程无人机来说，数据链通信的可靠性尤其重要。然而空间中可能存在的有意或无意的大功率电磁干扰，导致数据链通讯稳定性受到威胁，因此对无人机数据链的智能化和自主化程度提出了更高的要求。

电磁干扰对数据链的电磁效应建模，通常使用单一且特定的干扰类型提取干扰特征，然而在复杂电磁环境中，干扰类型具有多样性，难以用固定的参数进行表征，另外数据链受干扰的程度不仅与干扰源类型和功率有关，还与数据链工作距离有关。目前的电磁干扰效应建模方法研究主要包括：仿真分析法、机理建模法、机器学习方法。仿真分析法和机理建模法依赖于对受试系统结构详细的先验知识，模型的可扩展性存在一定的局限，难以在充满变化的实际场景中得到应用。随着人工智能在各领域的发展，机器学习方法在电磁兼容和通信领域也引起了学者的广泛关注和应用。

卷积神经网络是Hubel和Wiesel通过研究猫大脑皮层神经元的局部敏感和定向选择而提出的，由于网络避免了对图像进行复杂的预处理，具有一定的深度学习能力，它可以直接输入原始图像，因此得到了广泛的应用。但随着网络层数的加深，超参数维数的复杂度也大大增加，需要采取一定的方法选取最优化的超参数组合。一般来说，超参数优化有许多方法，比如：手动调参、网格搜索和贝叶斯优化方法等，但是这些方法在对卷积神经网络进行超参数调整时收敛速度和评估准确度低造成后续进行干扰评估时得到的干扰性能等级准确度低。

发明内容

本发明的目的是提供一种无人机数据链电磁干扰效应评估方法及系统。本发明提供的电磁干扰效应评估方法可以提高模型的收敛速度和评估准确度，评估得到的无人机数据链干扰性能等级可以用于评估无人机数据链的受扰程度，为后续采取抗干扰措施提供决策依据。

为实现上述目的，本发明提供了如下方案：

一种无人机数据链电磁干扰效应评估方法，包括：

获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；

根据所述待训练无人机数据链的数据集采用SSA算法对双通道卷积神经网络的超参数进行调优得到SSA-DCNN模型；

根据所述待训练无人机数据链的数据集对所述SSA-DCNN模型进行训练得到SSA-DCNN预测模型，所述SSA-DCNN预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。

可选地，所述获取待训练无人机数据链的数据集，具体包括：

获取待训练无人机数据链的电磁信号的IQ数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率；

根据所述电磁信号的IQ数据得到电磁干扰时频谱图；

根据所述性能参数得到数据链性能参数直方图。