基于改进SVM的通信干扰识别

李敏+李时东+黄欣

摘 要： 目前直扩通信系统的抗干扰算法仅能够针对一种干扰类型进行抑制，因此有必要对各类干扰进行识别，从而选取相应的抑制算法。针对通信干扰的识别方法进行研究，建立基于SVM算法的通信干扰识别模型。常规SVM算法性能依赖于参数选取，而常规SVM算法参数选取多是通过人工经验选取，存在较大的随机性和盲目性，因此该文使用遗传免疫粒子群优化SVM算法，提高算法和识别模型的性能。使用Matlab针对研究的通信干扰识别模型进行仿真。研究结果表明，所建立的通信干扰识别模型性能优于常规SVM算法和BP算法建立的识别模型。

关键词： 通信干扰识别； 直扩系统； 支持向量机； 粒子群优化算法

中图分类号： TN911?34； TN911.72 文献标识码： A 文章编号： 1004?373X（2016）24?0026?04

Communication jamming recognition based on improved SVM

LI Min， LI Shidong， HUANG Xin

（School of Information Engineering， Hubei University for Nationalities， Enshi 445000， China）

Abstract： The anti jamming algorithm of DSSS communication system can only restrain a type of interference， so it is necessary to identify all kinds of interference， so as to select the corresponding suppression algorithm. The recognition methods of communication jamming are studied in this paper. A communication jamming recognition model based on SVM algorithm is established. Since the properties of conventional SVM algorithm depend on parameter selection， and the parameter selection of the conventional SVM algorithm is selected by means of artificial experience， there are certain randomness and blindness. Therefore， genetic immune particle group optimization SVM algorithm is used in this paper to improve the performances of the algorithm and recognition model. Simulation study on the communication interference recognition model is conducted with Matlab. The results show that the the performance of the communication interference identification model established in this paper is superior to that of the conventional SVM algorithm and BP algorithm.

Keywords： communication interference recognition； direct spread system； support vector machine； particle swarm optimization algorithm

0 引 言

直接序列扩展频谱通信因其良好的隐蔽性、保密性以及组网方便等优势在军事和民用领域得到了广泛应用。但是在具有较强的干扰空间中，直扩系统的性能会受到强烈干扰。国内外专家针对直扩系统的抗干扰方法进行深入研究，提出了针对各种干扰的抗干扰算法。然后各种抗干扰算法往往仅能够针对一种干扰类型进行抑制。因此有必要对各类干扰进行识别，从而选取相应的抑制算法。本文针对通信干扰的识别方法进行研究[1?2]。

SVM（Support Vector Mechine）算法因其具有良好的分类识别能力，而被广泛应用于分类识别领域。但是SVM算法性能依赖于参数选取，而常规SVM算法参数选取多是通过人工经验选取，存在较大的随机性和盲目性。本文使用粒子群优化（Particle Swarm Optimization，PSO）算法对SVM参数进行优化，以提高SVM算法性能，建立基于改进SVM算法的通信干扰识别模型。

1 干扰信号及特征提取

直扩通信系统的干扰信号类型繁多，主要可以归纳为CW干扰、线性调频干扰、跳频干扰、宽带梳状谱干扰、脉冲干扰和BPSK干扰。各类干扰信号的模型如表1所示[3?7]。

2 改进SVM算法

1995年PSO算法首次由专家学者提出。基本PSO算法的思想如下：设定在一个d维的搜索空间内存在一个粒子群，该粒子群由m个粒子组成。设定某个粒子的空间位置表示为xi=（xi1，xi2，…，xid），i=1，2，…，m，该粒子经历的最优位置设定为Pi，对应的适应度为Fi以及飞行速度为Vi。设定所有m个粒子经历的最优位置为Pg，对应的适应度为Fg以及惯性权重为Wk。通过下列迭代过程计算第n+1代粒子中第i个粒子的d维[11?12]：

式中：rand（1）和rand（2）是随机数，范围在0～1；c1和c2为加速系数；常规的PSO算法初期的收敛效率较高，但是后期收敛效率低，容易陷入局部最小值。本文使用遗传算法和免疫选择算法优化PSO算法。使用遗传组合算子对粒子群的搜索空间进行扩张，同时使用免疫选择算子加快寻找最优解效率[13]。改进方法如下：

（1） 根据设定杂交概率进行随机组合，即粒子位置信息杂交：

经杂交操作后，从父代个体中生产2个新位置，从而提高粒子飞行随机可能性，提高粒子多样性。

（2） 使用免疫选择算法对随机生产的新位置以设定的概率进行免疫选取，从而提高寻找最优解的效率。

（3） 使用奖励机制在粒子适应度达到设定值时放大适应度值，使用惩罚机制在粒子适应度偏离设定值时缩小适应度值。从而提高在缩小的搜索空间中寻找最优解的概率。适应度函数修改为：

式中：[A0]为用于衡量误差的平均相对变动值，[A0=i=1Nyi-yi2i=1Nyi-yi2]；惩罚和奖励因子为[ω=10， A0>A10.1， A0

（4） 使用线性递减权值优化惯性权重w。

SVM算法中的核函数对算法性能影响重大，因此本文使用结构简单、易于实现、计算效率较高的高斯径向基核作为SVM算法的核函数。本文使用的支持向量机参数优化数学模型为：

通过求取特定空间中的惩罚系数C和核函数参数[σ]，使用训练样本得到基于SVM算法的识别模型，使得对测试样本进行识别准确率达到最大[14?15]。

综上，使用遗传免疫粒子群优化SVM算法过程如下[16]：

步骤1：对基本粒子群进行初始化。

步骤2：针对粒子当前位置，确定惩罚系数C和核函数参数[σ]。使用训练样本建立基于SVM算法的识别模型，使用测试数据确定适应度函数，使用奖励和惩罚机制确定适应度函数值。

步骤3：由粒子适应度值对Pbest，Gbest及群体的位置、速度进行确定。

步骤4：使用遗传算法和免疫选择算法对粒子进行杂交和免疫选择操作。

步骤5：当算法满足收敛条件，确定惩罚系数C和核函数参数[σ]，结束算法优化；若收敛条件不满足，则跳至步骤2。

3 通信干扰识别仿真研究

使用Matlab针对本文研究的通信干扰识别模型进行仿真研究。所使用的直接序列扩展频谱通信系统的主要参数为：

码速率为1 Kb/s；扩频增益为31；采样点为31 744个；采样速率为chip速率[17]。

改进的SVM算法中，粒子群种群规模设置为20，最大迭代次数为200，加速因子c1和c2设定为1.5，惯性权重设定为[0.5，1.5]，杂交概率为0.5，免疫选择概率设定为0.3，惩罚系数设定为[1，1 000]，核参数设定为[0.1，5]。使用0～30 dB范围内的干信比数据对本文研究的通信干扰识别模型进行训练和测试。使用常规SVM算法和BP神经网络算法建立通信干扰识别模型与本文研究的改进SVM算法进行对比。三种模型在不同干信比下的识别结果如图1～图3所示。

对比常规SVM算法、BP神经网络算法以及本文研究的改进型SVM算法建立的通信干扰识别模型的识别准确率，可以看出，使用BP神经网络算法的模型识别性能最弱，仅当干信比超过20 dB时，模型识别率方能达到100%，使用常规SVM算法的模型识别性能较弱，当干信比超过11 dB时，模型识别率方能达到100%，使用改进SVM算法的模型识别性能最好，当干信比超过6 dB时，模型识别率能够达到100%。

4 结 论

本文针对通信干扰的识别方法进行研究，建立基于SVM算法的通信干扰识别模型。常规SVM算法性能依赖于参数选取，而常规SVM算法参数选取多是通过人工经验选取，存在较大的随机性和盲目性，因此本文使用遗传免疫粒子群优化SVM算法，提高算法和识别模型的性能。使用Matlab针对本文研究的通信干扰识别模型进行仿真研究。研究结果表明，本文建立的通信干扰识别模型能够对干信比超过6 dB的干扰信号进行100%识别，而使用BP神经网络算法的模型识别能够对干信比超过20 dB的干扰信号进行100%识别，使用SVM算法的模型识别能够对干信比超过11 dB的干扰信号进行100%识别。

参考文献

[1] 邵高平，安建平，沈庭芝.直扩系统中基于匹配追踪的调频干扰识别方法研究[J].信号处理，2010（1）：115?120.

[2] 邵高平，安建平.基于匹配信号变换的非线性调频干扰抑制方法[J].北京理工大学学报，2010（1）：83?87.

[3] 殷复莲，卢满宏，郭黎利.测控通信干扰抑制技术综述[J].宇航学报，2009（5）：1757?1764.

[4] 佘沛.直扩系统中宽带非线性调频干扰抑制技术研究[D].郑州：解放军信息工程大学，2010.

[5] 于波.直扩系统中的干扰类型识别方法研究[D].郑州：解放军信息工程大学，2010.

[6] 王洋.直扩系统中线性调频干扰抑制技术研究[D].哈尔滨：哈尔滨工程大学，2010.

[7] 任孝民.DSSS通信中非平稳干扰抑制方法研究[D].郑州：解放军信息工程大学，2009.

[8] 李林甫.干扰识别技术研究与实现[D].西安：西安电子科技大学，2014.

[9] 沈家瑞.通信对抗中的干扰识别技术研究[D].成都：电子科技大学，2011.

[10] 申丽然，郭黎利，尹清波.基于分数阶傅里叶变换的直扩通信快速线性调频干扰抑制[J].科学技术与工程，2014（1）：59?65.

[11] 郑含博，王伟，李晓纲，等.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J].高电压技术，2014（11）：3424?3429.

[12] 庄夏，戴敏，何元清.基于改进粒子群优化LSSVM的飞机发动机故障诊断[J].实验技术与管理，2013（2）：54?57.

[13] 杨柳松，何光宇.基于改进粒子群优化的SVM故障诊断方法[J].计算机工程，2013（3）：187?190.

[14] 郑含博.电力变压器状态评估及故障诊断方法研究[D].重庆：重庆大学，2012.

[15] 沙立成，宋珺琤.基于改进粒子群优化LS?SVM的变压器故障气体预测[J].华北电力大学学报（自然科学版），2011（1）：35?38.

[16] 徐甜丽.基于改进粒子群算法的轨道电路故障诊断方法研究[D].兰州：兰州交通大学，2014.

[17] 于波，邵高平，孙红胜，等.直扩系统中基于SVM的干扰自动分类识别方法[J].信号处理，2010（10）：1539?1543.