基于卷积神经网络的大动态信噪比下通信干扰信号识别方法与流程

本发明涉及基于卷积神经网络的大动态信噪比下通信干扰信号识别方法。属于干扰信号类型识别领域。

背景技术：

由于现代通信技术采用开放的通信传输信道，通信系统很有可能遭受着有意或无意的干扰。因此，无论是民用或军用系统都必须要采用有效的抗干扰方法来抑制系统中的干扰。然而，实际通信系统的干扰信号复杂多样，一些抗干扰措施不可避免的会对有用信号产生损害。而且，一种干扰抑制方法通常只对一种干扰类型有效，实际通信对抗中由于干扰手段复杂多样，接收信号中可能存在未知的一种或多种干扰类型，因此，实际可行的干扰抑制必须对接收信号中的干扰类型进行准确实时的分类识别，增加干扰抑制的目的性和有效性。

干扰信号的类型识别是一种对干扰信号进行分类的技术。目前，干扰类型识别主要分为特征提取以及应用特征分类两个部分，特征提取部分又可分为人工提取特征与自动提取特征，传统方法大多为人工提取出统计量以及高阶累积量等特征，其特征提取难度大，形式较为复杂。

技术实现要素：

本发明是为了解决现有的对干扰信号的类型识别方式采用人工提取出统计量以及高阶累积量等特征，存在特征提取难度大，形式复杂，并且对干扰信号分类的准确率低的问题。现提供基于卷积神经网络的大动态信噪比下通信干扰信号识别方法。

基于卷积神经网络的大动态信噪比下通信干扰信号识别方法，它包括以下步骤：

步骤一、收集任意信噪比范围内的干扰信号，作为干扰样本；

步骤二、将步骤一中的干扰样本进行滤波，将滤波后的干扰样本从卷积神经网络中的输入层传播到softmax层，对比softmax层和步骤一中干扰样本分类结果之间的误差，修正误差值，得到一组用于干扰分类的相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数，其中softmax层用于对数据进行分类；

步骤三、将待分类的干扰信号输入到含有各层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数的卷积神经网络中，由卷积神经网络的全连接层输出特征值，将该特征值送入用于干扰信号分类的支持向量机分类器中，根据支持向量机分类器的输出值划分待分类的干扰信号的类别，从而实现对待分类的干扰信号的类型识别。

优选地，步骤二中，对比softmax层和步骤一中干扰样本分类结果之间的误差的代价函数j(w,b)实现，

式中，λ为权重衰减的参数，λ＝0，j(w,b)为最小均方误差，w为神经元的权重矩阵，b为每个神经元的权值偏移，m表示有训练样本的数量，hw,b(x⁽ⁱ⁾)为在输入样本为x的情况下当前卷积神经网络的输出值，y⁽ⁱ⁾为卷积神经网络理想的输出值，nl为层数，sl为第l层神经元的单元的数量，为第l层第j单元与第l+1层第i单元之间的联接参数。

优选地，步骤二中，采用随机梯度下降法修正误差值，得到一组用于干扰分类的相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数：

式中，lr为学习率，ρ为冲量，为第l层第i单元的权重漂移。

优选地，步骤二中，卷积神经网络共有15层，依次排列为输入层、2个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层和1个softmax层，

干扰样本由输入层输入进入3个卷积层，相邻卷积层中神经元单元之间部分连接，相邻全连接层中神经元单元之间全部连接，每个卷积层的输出端和每个全连接层的输出端分别连接一个激活函数，

卷积层用于提取干扰样本中的特征参数，池化层用于对卷积层提取的特征参数进行降维，全连接层用于接收降维后的数据，再次进行参数提取，

批规范化层用于在每次随机梯度下降法时，对相应的激活函数输出值做规范化操作，使得输出信号各个维度的均值为0，方差为1。

优选地，步骤三中，根据支持向量机分类器的输出值划分待分类的干扰信号的类别，从而实现对待分类的干扰信号的类型识别的具体过程为：

干扰样本包括k个类别，在任意两类样本之间设置一个支持向量机分类器，k个类别的干扰样本需要k(k-1)/2个支持向量机分类器，

每个支持向量机分类器采用径向基核函数k(x1,x2)：

式中，x1、x2为径向基核函数的两个输入参数，σ＝1/15，

每个支持向量机分类器在训练时引入了松弛变量εi，松弛变量εi限制条件为：

yi(u^txi+b)≥1-εi公式五；

式中，xi为样本，yi为样本的分类标签，取值为1或者-1，t为向量转置，

使最优函数j(u)在公式yi(u^txi+b)≥1-εi的限制条件下取到最小值：

找到一组待优化的参数u，

式中，c为惩罚因子，

从每个支持向量机分类器的输出函数f(x)：

f(x)＝k(u,x)+b公式七；

式中，k(u,x)为径向基核函数，输入参数x为特征值，b为偏置，

获得每个支持向量机分类器的输出值，输出值中数值相同的为一类，根据多个值中出现相同值确定干扰信号的样本的类别。

优选地，步骤二中，将步骤一中的干扰样本进行滤波采用fir带通滤波器实现。

本发明的有益效果为：

收集任意信噪比范围内的干扰信号，作为已知样本，用该已知样本训练卷积神经网络，得到卷积神经网络内的未知参数：相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数，将待分类的干扰信号输入到训练好的含有各层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数的卷积神经网络中，输出的特征值送入支持向量机分类器中，任意两种样本之间设计一个支持向量机分类器，根据支持向量机分类器的输出值划分待分类的干扰信号的类别，从而实现对待分类的干扰信号的类型识别。

本发明能够识别的干扰信号为5种常见的干扰信号以及这5种干扰信号的两两组合，总共是15种干扰信号，5种干扰信号分别为音频干扰、同频段窄带干扰、扫频干扰、矩形脉冲干扰以及扩频干扰。

由多层卷积神经网络构成的深度模型，具有自动获取由低级到高级、由简单到复杂、通用到专用的特征的特点。层次越低提取到的特征越简单，越通用，并逐步提取目标任务相关的特征。

基于卷积神经网络(cnn)的干扰信号识别采用cnn自动的提取信号特征，最终将信号送入支持向量机分类器(svm分类器)进行分类的形式，减少了传统的复杂的人工提取特征的部分，大大增加了便捷程度，并且分类准确率较传统的方法提升了40％以上。

附图说明

图1为具体实施方式一所述的基于卷积神经网络的大动态信噪比下通信干扰信号识别方法的流程图；

图2为训练时的卷积神经网络的结构图；

图3为非训练时的卷积神经网络的结构图。

具体实施方式

基于卷积神经网络的大动态信噪比下通信干扰信号识别方法，它包括以下步骤：

步骤一、收集任意信噪比范围内的干扰信号，作为干扰样本；

步骤二、将步骤一中的干扰样本进行滤波，将滤波后的干扰样本从卷积神经网络中的输入层传播到softmax层，对比softmax层和步骤一中干扰样本分类结果之间的误差，修正误差值，得到一组用于干扰分类的相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数，其中softmax层用于对数据进行分类；

步骤三、将待分类的干扰信号输入到含有各层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数的卷积神经网络中，由卷积神经网络的全连接层输出特征值，将该特征值送入用于干扰信号分类的支持向量机分类器中，根据支持向量机分类器的输出值划分待分类的干扰信号的类别，从而实现对待分类的干扰信号的类型识别。

本实施方式的效果为：收集任意信噪比范围内的干扰信号，作为已知样本，用该已知样本训练卷积神经网络，得到卷积神经网络内的未知参数：相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数，将待分类的干扰信号输入到训练好的含有各层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数的卷积神经网络中，输出的特征值送入支持向量机分类器中进行分类。

由多层卷积神经网络构成的深度模型，具有自动获取由低级到高级、由简单到复杂、通用到专用的特征的特点。层次越低提取到的特征越简单，越通用，并逐步提取目标任务相关的特征。

基于卷积神经网络(cnn)的干扰信号识别采用cnn自动的提取信号特征，最终将信号送入svm分类器进行分类的形式，减少了传统的复杂的人工提取特征的部分，大大增加了便捷程度，并且分类准确率较传统的方法提升了40％以上。

优选实施例中、步骤二中，对比softmax层和步骤一中干扰样本分类结果之间的误差采用最小均方误差的代价函数j(w,b)实现，

式中，λ为权重衰减的参数，λ＝0，j(w,b)为最小均方误差，w为神经元的权重矩阵，b为每个神经元的权值偏移，m表示有训练样本的数量，hw,b(x⁽ⁱ⁾)为在输入样本为x的情况下当前卷积神经网络的输出值，y⁽ⁱ⁾为卷积神经网络理想的输出值，nl为层数，sl为第l层神经元的单元的数量，为第l层第j单元与第l+1层第i单元之间的联接参数。

本实施方式中，步骤一中的干扰样本为已知样本，对该样本进行分类做好标签。

本实施方式的效果为：公式一中等号后面第一项为均方项，第二项为权重衰减项，所以，采用最小均方误差的代价函数j(w,b)对比批规范化层和输入层数据之间的误差的目的是为了防止过拟合。

优选实施例中、步骤二中，采用随机梯度下降法修正误差值，得到一组用于干扰分类的相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数：

式中，lr为学习率，ρ为冲量，为第l层第i单元的权重漂移。

本实施方式的效果为：为参数w更新方法，为参数b的更新方法，并且每次迭代的时候，打乱训练样本，每批取出128个训练样本，采用随机选取128个样本计算梯度的随机梯度下降法(sgd)。在本模型训练过程中，学习率lr的取值为0.001。在梯度更新时，采用冲量(momentum)方法对更新方式进行优化，即式中的ρ，取值为0.3。

优选实施例中、步骤二中，卷积神经网络共有15层，依次排列为输入层、2个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层、1个全连接层、1个批规范化层和1个softmax层，

干扰样本由输入层输入进入3个卷积层，相邻卷积层中神经元单元之间部分连接，相邻全连接层中神经元单元之间全部连接，每个卷积层的输出端和每个全连接层的输出端分别连接一个激活函数，

卷积层用于提取干扰样本中的特征参数，池化层用于对卷积层提取的特征参数进行降维，全连接层用于接收降维后的数据，再次进行参数提取，

批规范化层用于在每次随机梯度下降法时，对相应的激活函数输出值做规范化操作，使得输出信号各个维度的均值为0，方差为1。

本实施方式的效果为：训练的时候卷积神经网络的各层作用：

全连接层：提取特征，具有神经元之间全连接的特性，计算复杂度大，效率低。

卷积层：也是提取特征，不过神经元之间部分连接，每个隐含单元仅仅只能连接输入单元的一部分，减少了计算的复杂度。

批规范化层(batchnormalization层)(bn层)：在每次随机梯度下降法(sgd)时，对相应的激活函数输出值做规范化操作，使得输出信号各个维度的均值为0，方差为1，每层神经网络的激活函数是指数线性单元(elu)，激活函数的作用是：给线性模型引入非线性因素，增强模型的表达能力。

softmax层：逻辑回归在多分类上的推广，是一个多分类的分类器。

通过多层的卷积神经网络结构，由低级到高级、由简单到复杂、由通用到专用的逐步提取特征值，减少了传统的复杂的人工提取方式，大大增加了便捷程度。

优选实施例中、步骤三中，根据支持向量机分类器的输出值划分待分类的干扰信号的类别，从而实现对待分类的干扰信号的类型识别的具体过程为：

干扰样本包括k个类别，在任意两类样本之间设置一个支持向量机分类器，k个类别的干扰样本需要k(k-1)/2个支持向量机分类器，

每个支持向量机分类器采用径向基核函数k(x1,x2)：

式中，x1、x2为径向基核函数的两个输入参数，σ＝1/15，

每个支持向量机分类器在训练时引入了松弛变量εi，松弛变量εi限制条件为：

yi(u^txi+b)≥1-εi公式五；

式中，xi为样本，yi为样本的分类标签，取值为1或者-1，t为向量转置，

使最优函数j(u)在公式yi(u^txi+b)≥1-εi的限制条件下取到最小值：

找到一组待优化的参数u，

式中，c为惩罚因子，

从每个支持向量机分类器的输出函数f(x)：

f(x)＝k(u,x)+b公式七；

式中，k(u,x)为径向基核函数，输入参数x为特征值，b为偏置；

获得每个支持向量机分类器的输出值，输出值中数值相同的为一类，根据多个值中出现相同值确定干扰信号的样本的类别。

本实施方式的效果为：将基于卷积神经网络与支持向量机分类器进行结合，分类的准确率较传统的方法提升了提升了40％。

优选实施例中、步骤二中，将步骤一中的干扰样本进行滤波采用fir带通滤波器实现。

本实施方式的效果为：采用fir带通滤波器对任意频段内的干扰信号进行滤波。

实施例：

图1显示了实施例中基于卷积神经网络的大动态信噪比下通信干扰信号识别方法的流程图。该基于卷积神经网络的大动态信噪比下通信干扰信号识别方法用于提取干扰信号，然后对干扰信号进行分类，从而对相应的干扰类型进行有效的抑制。

图2显示了实施例中训练时的卷积神经网络的结构图，卷积神经网络的具体结构参数如表1所示。

图3显示了实施例中非训练时的卷积神经网络的结构图，

表1卷积神经网络网络结构参数

参照图1至图3，本实施例的基于卷积神经网络的大动态信噪比下通信干扰信号识别方法包括步骤一至步骤三。

步骤一、收集信噪比范围为-10db～10db的15种干扰信号，每个信噪比下每种干扰共有900个样本，在-10db～10db信噪比的范围内15种干扰信号共有15×21×900个干扰样本；

步骤二、将步骤一中的15种干扰信号的所有干扰样本分别输入到fir带通滤波器中，将fir带通滤波器输出的干扰样本进入卷积神经网络，卷积神经网络内的结构排布依次为输入层、2个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层、1个批规范化层、1个全连接层、1个bn层、1个全连接层、1个bn层、1个全连接层、1个bn层和softmax层，使用最小均方误差的代价函数j(w,b)对比softmax层和步骤一中干扰样本分类结果之间的误差：

式中，λ为权重衰减的参数，λ＝0，j(w,b)为最小均方误差，w为神经元的权重矩阵，b为每个神经元的权值偏移，m表示有训练样本的数量，hw,b(x⁽ⁱ⁾)为在输入样本为x的情况下当前卷积神经网络的输出值，y⁽ⁱ⁾为卷积神经网络理想的输出值，nl为层数，sl为第l层神经元的单元的数量，为第l层第j单元与第l+1层第i单元之间的联接参数，

采用随机梯度下降法修正误差值：

得到一组用于干扰分类的相邻层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数

式中，lr为学习率，取值为0.001；ρ为冲量，取值为0.3；j(w,b)为最小均方误差，为第l层第i单元的权重漂移，

步骤三、将待分类的15种干扰信号分别输入到含有各层中神经元单元之间的联接参数和各层中神经元单元的权值偏移参数的卷积神经网络中，由卷积神经网络的全连接层共输出15个特征值，将该15个特征值送入用于15种干扰信号分类的支持向量机分类器中，在任意两种样本之间设计一个支持向量机分类器，15种扰信号需要105个支持向量机分类器，

每个支持向量机分类器采用径向基核函数k(x1,x2)：

式中，x1、x2为径向基核函数的两个输入参数，σ＝1/15，

每个支持向量机分类器在训练时引入了松弛变量εi，其限制条件为：

yi(u^txi+b)≥1-εi公式五；

式中，xi为样本，yi为样本的分类标签，取值为1或者-1，t为向量转置，

根据需优化的代价函数j(u)：

找到一组待优化的参数u，

式中，c为惩罚因子，惩罚因子c取值为1.0，εi为松弛变量，

使最优函数j(u)在公式yi(u^txi+b)≥1-εi的限制条件下取到最小值，

从每个支持向量机分类器的输出函数f(x)：

f(x)＝k(u,x)+b公式七；

式中，k(u,x)为径向基核函数，输入参数x为特征值，b为偏置，

获得每个支持向量机分类器的输出值，输出值中数值相同的为一类，根据多个值中出现相同值确定15种干扰信号的样本的类别。