[发明专利]基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法

说明书

一种基于深度卷积神经网络的干扰识别模型及智能识别算法，对该基于深度卷积神经网络的干扰识别模型做如下刻画：用于干扰识别的接收机对单个或多个干扰机发出的干扰信号进行收集数据，将作为接收端该接收机的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后，根据已训练保存模型及其接收端的频谱瀑布，作为网络输入进行在线识别。结合其它结构或方法使得模型完备，物理意义清晰，设计算法合理有效，能够较好的刻画基于深度卷积神经网络算法的干扰识别场景。

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法

背景技术

通信对抗是指敌对双方利用普通的无线电通信设备及专门的通信对抗设备,在无线电通信领域内进行的电磁斗争。由于通信环境当中的用频设备与日俱增，通信对抗已成为热门的话题，在通信方如何更好地避免敌方及己方对自己用频影响方面展开深入研究已成为重中之重。随着机器学习的飞速发展，使得各类设备智能化水平不断提高，智能化干扰与智能化抗干扰也成为通信领域的研究主题之一。通信抗干扰包含两个方面：一是利用一定的手段去扰乱或破坏敌方的侦查设备；二是对己方通信采取电磁加固和干扰抑制措施，增强己方的通信设备本身的反侦察与抗干扰能力。其中抗干扰能力主要指的是对敌方的通信干扰的抑制能力。然而就现在研究现状，干扰信号的识别大部分研究集中在不同通信系统的不同干扰信号的特征提取上，对分类算法的研究比较少，这也表明了基于特征提取的干扰识别这类方法中特征提取的重要性，对于卷积神经网络这类通用性干扰信号分类算法还有较大研究空间。接收机将接收到的频谱信息与智能化代理相结合成为干扰模式识别的新方法。

由于环境中通信与干扰并存的复杂动态特性，智能化干扰识别方法成为干扰识别问题的重要解决方案之一，深度卷积神经网络成为热门分类工具(参考文献：LeCun Y,Bottou L,Bengio Y,et al.,Gradient-based learning applied to documentrecognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.)，但是应用何种网络，如何更好建模以适应待解决问题也是研究重点。

发明内容

为解决上述问题，本发明提供了一种基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法，很好地刻画基于深度学习算法的干扰识别场景。

为了克服现有技术中的不足，本发明提供了一种基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法的解决方案，具体如下：

一种基于深度卷积神经网络的干扰识别模型的智能识别系统，包括：

对该基于深度卷积神经网络的干扰识别模型做如下刻画：用于干扰识别的接收机对单个或多个干扰机发出的干扰信号进行收集数据，将作为接收端该接收机的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后，根据已训练保存模型及其接收端的频谱瀑布，作为网络输入进行在线识别。

作为接收端的所述接收机的功率谱密度s_t(f)的表达式为公式(1)所示：

公式(1)中，第j个干扰机可以选择其在第t次采样的频率f_t^j和功率谱密度函数当接收机感知全频段时，干扰信号和噪声同时被接收；g_j是来自干扰机到接收机的信道链路增益，f是接收机的频率，n(f)是噪声的PSD函数，j为正整数，J为正整数且为干扰机的数量，t为正整数并表示接收机采样次数的序列号。

所述基于深度卷积神经网络的干扰识别模型中的离散值采样谱s_t,i定义为公式(2)：