基于改进SVM的电子通信干扰检测方法

2022-02-14 11:17荆科科张文豪刘喜庆董峰
电子制作 2022年2期
关键词:干扰信号卷积精度

荆科科,张文豪,刘喜庆,董峰

(郑州城市职业学院,河南郑州,452370)

0 引言

电子通信干扰是指无用信号,进入有效信号通道,对有效信号的接收造成干扰的现象。常见的电子通信干扰包括互调干扰、带外干扰、邻道干扰,以及同频干扰[1]。互调干扰是指,两个以上的干扰信号同时到达信号接收端时,通过非线性电路的作用进行互调,使干扰信号产生互调频率[2]。当有效信号完全在同一频率时,接收端会失去辨别能力,顺利接收到干扰信号,影响有效信号的传输。带外干扰是指在接收信号时,杂散信号干扰有效信号接收的现象;邻道干扰是指,接近有效信号频率的信号;同频干扰为同一频率的干扰信号,有效信号的频率越高,越容易影响传输,通信干扰成为亟待解决的问题[3]。因此,本文提出改进SVM的电子通信干扰检测方法,旨在提高电子通信信号传输时的检测精度,为电子通信的发展创造条件。

1 基于改进SVM的电子通信干扰检测方法设计

■1.1 识别电子通信干扰信号

本文设计的信号识别方法主要利用信号变换方法,对干扰信号的特征进行提取,但是传统检测方法中,识别能力较差,检测精度也就随之降低。本文将电子信号识别,看作一个分类问题,因为信号本身与图像或语音的频率相同[4]。信号识别能力非常适合融合SVM算法,通过SVM算法可以孤立干扰信号,进而对电子信号的时序特征进行提取,孤立干扰信号的识别流程如图1所示。

图1 干扰信号的识别流程

本文在改进SVM的基础上,将干扰信号从原始信号中分离出来,直接分析叠加在原始信号上的干扰信号,简化识别干扰信号的流程[5]。本文基于新的信号识别方式,来构建干扰检测模型,该模型是以改进SVM为基础而构建的,可以用于端到端的识别。并在此过程中,使用网络模拟自动提取信号流程,用于区分不同信号的识别能力。再将原始的干扰信号放入模型中进行测试,即可得到信道中叠加干扰信号的分类,提高干扰信号的识别精准度[6]。

■1.2 改进SVM下构建通信干扰网络检测模型

SVM可以解决非线性分类问题,通过引入核函数,映射特征向量的特征,从而构建出相应的模型空间。一般情况下,一个完整的SVM算法需要使用LeNets的卷积网络,通过其核心结构组成对应的干扰值,再进行卷积,进而形成的模型如下所示:

其中,S(i,j)为信号第i行第j列的对应干扰值;wm,n为SVM层第m行第n列的干扰元素;xi+m,j+m为第i+m行第j+m列的网络信号检测参数;yj(l)为干扰信号特征;xi(l-1)为上一行干扰信号的特征;Kij为SVM检测信号指数;⊗为改进SVM运算;Mj为改进SVM的信号强度;bj(l)为信号加偏置值[7]。

在本文改进SVM后,构建的网络检测模型的每个卷积核都在一个局部连接,只连接输入特征信号的一部分,即可提取全部干扰信号的信息。在卷积核连接的那部分区域,就是模型中干扰信号的感受视野,由于卷积网络的视觉皮层中,神经元在识别外部物体时,会直接接收干扰信号的信息特性,距离越近,干扰信号之间的相关性越强。

■1.3 重构网络模型通信信号参数

重构出的通信信号参数具有两个优势,一方面,卷积网络可以从时间序列数据中提取干扰信号的依赖特征,解决信号重构问题;另一方面,电子通信信号样本在时域高度相关的情况下,与传统模型相比,可以更有效地分离出抗干扰信号的时序相关性。在卷积网络层使用的参数在每个通信信号的干扰偏差,影响信息参数的时间步数,将通信干扰信号剥离,提高干扰信号的检测精度。相比之下,传统检测方法在实际上,每个时间步都有相同的权重,参数数量会随着时间步的数量呈线性增加。在真实的通信环境中,白噪声的出现会阻碍输入信号的重构,无法克服白噪声的影响,即会增加传输信号序列本身之间相关性,影响检测精度。本文摒弃传统方法的缺点,得出重构参数如下:

式(3)中,φ与ψ分别为编码与解码信号;rn为有干扰的接收信号;^r为无干扰的重构信号;τ为模型训练标签;argamin为消除干扰参数。本文重构的通信信号参数,干扰信号均会与原始信号相同,并多出相应的干扰信号,使检测精度变高,检测效果更佳。

■1.4 实现电子通信抗干扰检测

为了实现电子通信抗干扰检测,本文设计了干扰信号识别方法,改进SVM的模型构建方法,重构通信参数方法,得出常用的信号频率会随通信强度的变化而变化的结论,因此,本文可以通过信号时频特性的差异来检测干扰程度。在检测过程中,利用STF的基本思想,稳定局部通信信号,即使用对应函数序列,将一个不稳定信号,分成多个等长的信号,将以上信号作为固定信号,再进行傅里叶转换,通过窗函数的对非平稳信号进行分割,即可保证STFT转换稳定。由于窗口的大小与形状固定不变,可以通过此固定性质,保证通信信号检测的适应性。对于非平稳的电子信号来说,频率较高时,可以用小窗口转换,可以取得较好的信号干扰分辨程度;频率较低时,用大窗口转换,即可取得较好的信号干扰分辨程度。

2 仿真实验

为了验证本文设计的方法是否具有实效性,搭建出了一个仿真平台,在此平台中输入相关信号,通过识别干扰特征,观测本文设计的方法的检测精度。过程及结果如下所示。

■2.1 实验过程

为了保证本次实验的实效性,本文输入较长信号,并随机在此信号中叠加干扰,在第50-100、500-1000、2000-3000、4500-5000信号频率中设置采样点,并在以上采样点中叠加与原频率相同的信号频率,并通过F1分数作为信号检测精度的标准。F1分数的检测精度计算如下:

式(4)中,F1-score为精准度;precision为精确指数;recall为召回指数。由此得出的相关超参数如表1所示。

表1 相关超参数

如表1所示,根据此超参数得出的信号干扰图像如图2所示。

图2 检测精度

如图2所示,本文设计的方法检测精度在90%以上,可以保证检测效果。

■2.2 实验结果

将本文设计的检测方法与传统检测方法对比,验证两种方法的检测精度,检测结果如表2所示。

表2 两种方法的检测精度

如表2所示,传统方法干扰信号检测精度在90%以下,随着干扰信号的强度增加,检测精度下降了18%,检测效果较差,不能适应电子通信干扰检测环境;而本文设计的方法干扰信号检测精度在98%以上,在干扰信号强度在1000Hz时,检测精度可以达到100%,可以适应电子通信干扰检测环境,符合本文研究目的。

3 结束语

近年来,随着电子通信技术的发展,电子通信环境日益复杂,信号干扰成为制约其发展的一大阻碍。传统方法干扰信号检测精度较差,不能适应当前电子环境。因此,本文设计了基于改进SNM的电子通信干扰检测方法,旨在提高检测精度,为电子通信发展提供指导建议。

猜你喜欢
干扰信号卷积精度
基于不同快速星历的GAMIT解算精度分析
数字化无模铸造五轴精密成形机精度检验项目分析与研究
基于全卷积神经网络的猪背膘厚快速准确测定
基于FPGA的卷积神经网络加速优化方法
基于小波域滤波的电子通信信道恶意干扰信号分离方法
基于图像处理与卷积神经网络的零件识别
基于DJS的射频噪声干扰信号产生方法及其特性分析
基于深度卷积网络与空洞卷积融合的人群计数
近似边界精度信息熵的属性约简
智能天线在移动通信中的应用分析