[发明专利]一种基于深度学习网络的干扰知识库构建方法

说明书

本发明涉及一种基于深度学习网络的干扰知识库构建方法，属于干扰识别技术领域，包括以下步骤：S1：分析干扰信号在复杂场景中的特点，通信终端设备周围环境中不同种类的干扰信号给出不同的干扰抑制策略；S2：构建干扰知识库离线训练模块：基于场景分析，利用原始干扰数据来建立初始知识库并训练深度学习网络，得到具有在线识别能力的干扰识别模型；S3：构建干扰知识库在线学习模块：将实时采集的干扰数据经模块识别后所得到的特征数据集与初始数据库进行匹配，若为新的数据集，则进行在线更新知识库，即得到具备在线学习能力的干扰知识库构建模块。

技术领域

本发明属于干扰识别技术领域，涉及一种基于深度学习网络的干扰知识库构建方法

背景技术

复杂电磁环境导致实际环境中面临着不同形式的干扰，使得终端设备在通信时，其信息传输的有效性和可靠性受到了严重影响。因此，为了提升终端设备在已知、部分已知、未知电磁环境中的自适应通信能力，迫切需要相应的抗干扰技术来满足实际通信环境下抗干扰的波形设计和抗干扰决策需求。

在抗干扰技术中，通常采用决策树、BP(Back propagation)神经网络、深度神经网络(deep neural network,DNN)等算法进行干扰知识库构建，然而相较于决策树和BP神经网络等算法，DNN在低干噪比(jamming-to-noise ratio,JNR)条件下的识别准确率最高。因此，大量学者研究了在无线网络场景下基于DNN算法的干扰分类器应用。例如，基于DNN雷达干扰信号识别方法、基于DNN的多节点协同干扰识别算法，这些算法都能够提升了低信噪比下的干扰识别率。

但是，上述文献忽略了复杂电磁环境下的干扰识别及知识库构建且缺少对知识库应用方法的考虑。事实上，干扰知识库对干扰的识别与指定干扰抑制方案有重要影响。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习网络的干扰知识库构建方法，提高在复杂电磁环境下多种干扰的识别效率与准确率，支持终端设备制定合适的干扰抑制方案，提高通信质量。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习网络的干扰知识库构建方法，包括以下步骤：

S1：分析干扰信号在复杂场景中的特点，通信终端设备周围环境中不同种类的干扰信号给出不同的干扰抑制策略；

S2：构建干扰知识库离线训练模块：基于场景分析，利用原始干扰数据来建立初始知识库并训练深度学习网络，得到具有在线识别能力的干扰识别模型；

S3：构建干扰知识库在线学习模块：将实时采集的干扰数据经模块识别后所得到的特征数据集与初始数据库进行匹配，若为新的数据集，则进行在线更新知识库，即得到具备在线学习能力的干扰知识库构建模块。

进一步，步骤S1中所述通信终端设备周围环境中干扰信号包括以下种类：干扰中心频率、干扰功率、干扰周期。

进一步，步骤S2所述构建干扰知识库离线训练模块，具体包括以下步骤：

S21：基于场景分析，构建单类、多类混合干扰原始数据生成模块；

S22：构建基于原始数据提取3域10维特征向量数据集的特征提取模块；

S23：构建基于深度学习网络的干扰识别模块。

进一步，步骤S21所述构建单类、多类混合干扰原始数据生成模块包括：根据场景分析，得到不同干扰信号的分布特点并用其生成初始数据集，具体包括以下步骤：

S211：设置生成各干扰信号的输入参数；

S212：然后，基于已知的输入参数，通过加入不同干燥比下的噪声，调用各干扰信号生成函数，获取各干扰信号在不同干燥比下的多组时域与频域数据以及其对应的标签数据；