基于Harr-SCML的军事空中对抗通信抗干扰方法研究*

苗英恺(濮阳职业技术学院实训中心，河南濮阳457000)



基于Harr-SCML的军事空中对抗通信抗干扰方法研究*

苗英恺*
(濮阳职业技术学院实训中心，河南濮阳457000)

摘要:由于受到敌方电磁波等特定干扰，会造成军事通信信号信噪降低。提出了一种基于Harr小波与强分类器机器学习算法的军事空中对抗通信中抗干扰方法。建立通信抗干扰模型，判断出通信波形中的特征点的种类;利用Harr特征分类器样本进行分类。对于提取样本的Harr特征，利用决策树算法进行训练，能够将训练样本进行逐步分类，最终进行准确的军事通信。实验结果表明，改进方法能够获取准确的通信信号，误码率比传统方法降低了45%左右。

关键词:强分类器机器学习;空中对抗; Harr小波;抗干扰

在进行军事空中对抗的过程中，由于敌方会使用各种功能的电磁信号干扰设备［1－2］，对我方正常的通信造成极大的干扰，导致通信信号信噪比变差，通信质量难以保障，需要及时采取抗干扰措施［3］。军事空中对抗通信中的抗干扰方法已经成为军事通信领域需要研究的核心问题，受到很多专家的重点关注［4］。当前阶段，主流的军事空中对抗通信中抗干扰方法有基于小波变换算法的军事空中对抗通信中抗干扰方法［5］、基于聚类算法的军事空中对抗通信中抗干扰方法和基于蚁群算法的对抗通信中抗干扰方法［6］。其中，最常用的是基于小波变换算法的军事对抗通信中抗干扰方法［7］。由于军事空中对抗通信中抗干扰方法是保证我方战机在空中对抗中重要的安全基础，发挥着难以替代的作用，具有广阔的发展前景，成为很多专家的重点研究课题。

利用传统的抗干扰方法进行军事空中对抗通信的过程中，误码率较高，从而导致通信效率降低，通信信号质量无法得到保障。提出了一种基于Harr小波与强分类器机器学习算法的军事空中对抗通信中抗干扰方法。建立通信抗干扰模型，判断出通信波形中的特征点的种类。利用Harr特征分类器样本进行分类。对于提取样本的Harr特征，利用决策树算法进行训练，能够将训练样本进行逐步分类，最终进行准确的军事通信。实验结果表明，改进方法能够获取准确的通信信号，误码率比传统方法降低了45%左右。

1　基于Harr小波变换的模型建立

Harr小波变换是信号分析的常用方法。基于Harr小波变换的模型建立过程如下:

设置t(l)={t1(l)，t2(l)，…，tp(l)}用来描述采集的军事空中对抗通信中初始通信信号构成的n维空间方向向量。y(l)={y1(l)，y2(l)，…，yn(l)}用来描述n维空间数值向量。则利用下述公式能够描述采集的初始通信信号:

设置α(u)∈M2(S)，α(珔ψ)用来描述军事空中对抗通信中小波变换过程中的小波函数。假设该军事空中对抗通信中波满足下述条件，则该小波是基本波

将基本波进行平移处理，能够获取下述公式:

对采集的军事空中对抗通信中通信信号进行小波变换处理，处理后的信号能够用下述公式进行描述:

利用下述公式能够获取军事空中对抗通信中通信信号特征分离的目标函数:

上述目标函数G(X，y)的极值点是零点，则能够获取下述公式:

上述式中，^X的特征分量是(x1，x2，…，xp)。假设上述特征分量与特征矩阵D和珟D存在正交关系，则能够得到下述公式:

假设ey=1，则能够获取下述结果:

将式(9)代入式(10)，则能够获取军事空中对抗通信中通信信号特征分离的期望函数:

根据上述公式能够得知，只要分离出军事空中对抗通信中通信信号zj=xjy与zk=xky没有关联性，且通信信号的导数=xjy'没有关联性，则能够获取目标函数的极值点。由于根据^X能够得知军事空中对抗通信中通信信号是独立进行统计的，则能够根据目标函数获取正常通信信号。

2　基于Harr-SCML的干扰信号检测方法

本文提出的基于Harr-SCML(Harr Wavelet-Strong Classifier Machine Learning)的干扰信号检测算法主要包括3个步骤:创立训练数据样本，选择通信波形特征和训练分类器，具体方法如下所述。

2.1创立训练数据样本

为了确保分类器的可靠性，需要保证足够大的军事空中对抗通信中信号训练数据样本。文中的算法选取的1.5 kHZ的军事空中对抗通信中通信波形作为训练数据，将训练数据划分为正样本和负样本，其中正样本是通信波形中中心点为干扰信号点的通信波形，负样本是指其它任意通信波形。文中采用Berkeley sementation dataset中的军事空中对抗通信中通信信号作为实验数据。利用图1能够描述随机选取的原始通信信号与其人工标注的通信波形。

图1　原始通信信号与人工标注通信信号

根据人工标注的干扰信号波形，能够获取如图2中描述的正样本和负样本。本文中正样本和负样本的数量都是5 000。

图2　通信信号的正样本和负样本

2.2军事空中对抗通信中干扰信号特征选择

对军事空中对抗通信中通信波形中的特征点进行分类的过程中，能够将通信波形中的某一特征作为弱分类器，通过运算将多个弱分类器训练成一个强分类器，从而实现对通信信号进行分类的目的。文中选取Harr特征分类器进行训练，由于上述特征是干扰信号的普遍具有的特征，从而使得干扰信号检测算法具有更防范的应用领域。并且上述两种信号的特征能够保留通信信号中层波形信息，从而提高了军事空中对抗通信中干扰信号检测的准确性。

Harr特征是根据Harr小波变换处理后得到的通信信号特征，通常情况下，Harr特征能够分为4 种:干扰信号特征，线信号特征，中心特征和对角信号特征。由2个～4个波形窗口组合构成的特征模板，每一种波形的特征都由白色和黑色这两种区域构成。定义特征模板的特征值是通信波形中所有的波形值之和的差值。由于单个Harr特征分类性能较弱，因此需要利用有关级联算法将简单的Harr特征分类应用到干扰信号的检测。根据图3中的4种Harr特征分类器可知，能够将上述Harr特征分类器进行旋转，从而得到不同方向的Harr特征。

图3　种通信波形Harr特征分类器

设置通信波形中的任意一点P(i，j)的积分值是P'(i，j)，能够描述原始通信波形中该点上方和左方所有特征点向量之和，则能得到下述公式:

根据上述公式能够得知，只要知道窗口中的开始点和结束点，就能计算出任意一个窗口中的波形特征向量值之和，并且通过对上述波形特征模板的缩放，能够获取多个尺度的Harr特征向量值。运算的整个过程中只对原始通信信号波形进行了一次遍历，从而降低了运算的复杂度。

2.3强分类器的训练方法的引入

对于提供的训练样本，需要提取样本的Harr特征，获取一组高纬特征向量数据，利用决策树算法相关原理进行训练。决策树算法能够逼近函数的离散值，具有分类精度高、运算简单、并且对干扰信号具有较强的鲁棒性，因此被广泛应用到各种归纳推理的过程中。利用决策树算法能够将一组无规则的样本数据中训练出一种树形表示的分类规则。通信过程中的干扰信号和正常通信信号分别分布在左右子树上。根据决策树算法，能够将训练样本S划分为两种新的样本集合，分别用Sleft和Sright进行描述。分别位于树形结构的左子树和右子树。利用这种方法，能够将训练样本进行逐步分类，从而获取不同种类的干扰信号波形。利用下图4能够描述通信信号的分类过程。

图4　通信信号的分类过程

3　实验与分析

为了验证本文算法的有效性，需要进行一次实验。实验环境是windows 7系统，利用Visnal C++ 6.0软件建立空中对抗中通信模拟环境，利用Matlab 7.1仿真软件编辑算法程序。

在军事通信空中对抗中的过程中，军事空中对抗通信中通信信号受到的干扰性较强。图5(a)描述空中对抗中通信信号未受到电磁干扰时的原始信号，图5(b)表示原始信号图5(a)受到电磁干扰之后的波形。

图5　空中对抗中的通信信号

分别利用不同算法进行空中对抗中通信过程中的抗干扰实验。利用传统算法获取的实验结果能够用图6进行描述。

图6　传统算法抗干扰实验结果

利用本文算法进行空中对抗中通信过程中的抗干扰实验，获取的实验结果能够用图7进行描述。

图7　本文算法抗干扰实验结果

通过上图实验结果能够得知，利用本文算法进行军事空中对抗通信中抗干扰，获取的通信信号与实际的通信信号更相近，充分表明本文算法的有效性。

实验进行10次，在实验的过程中，随着干扰信号的强度不断增加，利用误码率来描述不同算法进行抗干扰实验的通信效率，获取的实验结果能够用图8进行描述。

图8　不同算法误码率趋势图

通过上图实验结果能够得知，利用本文基于Harr-SCML算法进行军事空中对抗通信中抗干扰实验，随着干扰信号的强度不断增加，误码率比传统基于Harr算法具有更低的误码率，具有较强的鲁棒性，有一定的实际应用价值。

4　结束语

针对传统的抗干扰方法进行军事空中对抗通信的过程中，误码率较高，导致通信效率降低。为了避免上述缺陷，提出基于Harr-SCML的军事空中对抗通信中抗干扰方法。实验结果表明:利用本文算法进行军事空中对抗通信，能够获取准确的通信信号，大大降低了误码率，效果令人满意。

参考文献:

［1］刘文霞.基于兴趣匹配的网络优化通信方法研究［J］.电子科技，2012(8):90－92.

［2］李涛，王瑞林，王宇建，等.某型转管机枪导气装置参数与射频关系研究［J］.科技通报，2013，3(29):116－119.

［3］高世伟，保铮.利用数据矩阵分解实现对空间相干源的超分辨处理［J］.通信学报，1988，9(1):4－13.

［4］张彬，陈放，刘加广.用于军事通信网络规划分析的免疫系统多目标优化算法［J］.国防科技，2012，3(12):27－31.

［5］王宇，余顺争.网络流量的决策树分类［J］.电子器件，2009，32(11):2150－2156.

［6］徐鹏，林森.基于C4.5决策树的流量分类方法［J］.软件学报，2009，20(10):2692－2704.

［7］曾国奇，李思吟，熊小军.复杂电磁环境下电子系统抗干扰性

能仿真平台设计［J］.传感技术学报，2013，21(4):1077－1080.［8］Xie P，Zhou Z，Peng Z，et al.Aqua-Sim:A NS-2 Based Simulator for Underwater Sensor Networks［C］//IEEE/MTS OCEANS，2009:1－7.

苗英恺(1972－)，男，汉族，河南清丰人，硕士研究生，副教授，主要研究领域电子技术应用、网络安全。

Study of Urban Rail Construction Safety Monitoring System Based on LM3S9B92 and Zigbee Technology*

LIU Peng*
(Department of Communication Engineering，Chongqing College of Electronic Engineering，Chongqing 401331，China)

Abstract:An urban rail construction safety monitoring system based on LM3S9B92 and Zigbee wireless sensor network technology can realize environmental parameters of urban rail construction，personnel positioning and equipment remote control.Based on the system functional requirements and the characteristics of the system structure，the system overall scheme，system hardware design and software design scheme are designed.The function of system can perform environment monitoring，personnel positioning and voice communications under urban rail construction.The expected design goal are achieved.

Key words:LM3S9B92; Zigbee; embedded; rail transportation; safety monitoring and control system

doi:EEACC:7200; 852010.3969/j.issn.1005－9490.2015.04.034

收稿日期:2014－11－26修改日期:2014－12－30

中图分类号:TP181

文献标识码:A

文章编号:1005－9490(2015)04－0882－05

项目来源:2011年度河南省教育厅自然科学研究计划项目(2011C520009)