CN111541466A - 一种基于随机调制跳变的无人机数据链设计方法 - Google Patents

Abstract

本发明公开了一种基于随机调制跳变的无人机数据链设计方法，属于无人机测控通信领域。首先利用同时支持真伪随机序列的随机序列生成器，生成某个随机序列传输给调制方式选择控制器。然后调制方式选择控制器输出该随机序列对应的调制方式，并选择出相应的调制模块。数据流发生器将待发送的数据输入到调制模块，通过发射天线将调制信号发射出去。最后接收天线接收的调制信号经过同步系统处理后，输入到调制识别模块自动识别出调制方式，解调选择控制器根据调制方式选择相应的解调模块，解调出原始信息，传递到数据流接收器，完成信息解码解密的处理。本发明的架构设计灵活，避免了依赖信号的先验知识的问题，可应用于多种通信场景。

Description

一种基于随机调制跳变的无人机数据链设计方法

技术领域

本发明属于无人机测控通信领域，具体是指一种基于随机调制跳变的无人机数据链设计方法。

背景技术

目前，无人机广泛应用于军事行动中，执行侦察、打击和毁伤评估等任务，但战场电磁环境越来越复杂，特别是针对无人机数据链的截获和欺骗技术不断涌现，降低了无人机系统的可靠性和安全性，因此提升数据链的抗截获能力愈发重要。经典的数据链抗截获技术包括跳时和跳频等，这些技术可视为时移键控或频移键控类方法，通过改变信号出现的时刻或切换频率使数据链发射的信号难以捕获。

随着通信技术的快速发展，为进一步提高无人机数据链的抗截获能力，调制跳变技术被提出，即通信发射机通过调制方式的不断跳变使得敌方难以截获和破解。以往相关工作包括：对调制跳频系统同步方案的研究、基于伪随机序列跳频的安全通信系统模型、以及基于信息熵和混沌编码的调制加密通信技术等，如公开号：CN200410040127.2的四川大学高勇等也曾申请过跳频通信的调制跳变技术的发明专利。当调制跳变和跳频相结合时，通信系统被破解难度的确更大。

但是，当前调制跳频技术本质上与跳时、跳频技术等跳变技术一样，仍然是伪随机的，接收机需要预先获知调制跳变的规律。然而，现有方法发射端的调制跳变模式是预先设计的，一旦跳变模式被破解，破解方可以通过辨识出接收信号的调制方式，进而破解数据链发送的信息。

为了有效提高数据链抗截获能力，需要实现调制跳变的“真随机性”。同时，为了处理随机调制跳频，接收机必须能够自动识别调制方式。这就涉及到自动调制识别(Automatic Modulation Recognition,AMR)技术，AMR技术通过信号处理算法在接收端实现对通信信号调制方式的自动识别，为信号解调等后处理奠定基础。

AMR问题研究已有二十多年的历史，传统AMR技术严重依赖于通信信号的人工特征，如高阶统计量、周期平稳矩、自相关函数和谱相关函数等。基于这些人工特征，可以采用机器学习方法来实现AMR任务，常用机器学习方法包括支持向量机、人工神经网络和集成分类器等。

近年来，深度学习(Deep Learning，DL)方法极大地提高了算法对信号特征的提取能力，因此DL方法正逐步应用于解决AMR问题。起初，研究者直接将接收信号的同相分量(In-phase,I路)和正交分量(Quadrature,Q路)作为卷积神经网络(Convolutional NeuralNetwork,CNN)的输入，但仅由CNN构成的AMR网络只能处理固定长度的信号序列，限制了神经网络模型的应用。

为了解决上述问题，研究者考虑将CNN和长短期记忆(Long Short Term Memory,LSTM)单元结合起来，提高了CNN分类器的性能。后期研究中，仅包含LSTM单元的调制识别网络也被提出，能够适用于处理变长通信信号序列。

发明内容

为进一步提升无人机数据链的抗截获能力，本发明在现有工作基础上，提出了一种基于随机调制跳变的无人机数据链设计方法。具体包括如下步骤：

步骤一、利用同时支持真伪随机序列的随机序列生成器，生成某个随机序列传输给调制方式选择控制器；

伪随机序列生成器通过使用有限长度的种子序列和相应生成算法生成伪随机二进制序列；

真随机序列采用物理方法来产生随机源；

步骤二、调制方式选择控制器输出该随机序列对应的调制方式，并选择出相应的调制模块；

随机序列和调制方式之间的对应关系如表1所示：

表1

随机数值(二进制)	调制方式
		0000	2ASK
0001	4ASK
		0010	8ASK
0011	2FSK
		0100	4FSK
0101	8FSK
		0110	2PSK
0111	4PSK
		1000	8PSK
1001	64QAM
		1010	256QAM

步骤三、数据流发生器产生待发送的数据，输入到选择出的调制模块，通过发射天线将调制后的信号发射出去。

步骤四、接收天线接收发射天线发出的调制信号，经过同步系统进行载波同步和码同步后，输入到调制识别模块自动识别出调制方式；

所述的调制识别模块基于CNN和LSTM的神经网络设计，自动识别的具体步骤如下：

步骤401，采集不同频率、信噪比和调制方式的通信信号作为神经网络的训练样本；

步骤402，使用LSTM网络将每一条样本信号进行数据分割，把长序列分解为l个等长的短序列子集，分别保存在不同的数组中。

其中：M为单次训练的样本批尺寸具体为：

设第i条输入样本信号S_i的原始序列为:

该信号分割窗口的长度为L，将信号X分割为l个子集，可表示为:

X＝{X₁,X₂,...,X_l} (2)

以此类推，

步骤403，将分割后的每个短序列子集分别各输入到一维CNN网络中，分别提取各子集的特征。

针对输入子集X₁，该一维数据通过包含3个卷积层的CNN网络，计算公式为：

是指一维数据X₁在第k层进行卷积运算后的值，k＝1,2,3，卷积层1的卷积核大小为a*1，卷积层2的卷积核大小为b*1，卷积层3的卷积核大小为c*1，f_a是激活函数；W_k为第k层的权重值，b_k为第k层对应的偏置值。

子集X₁经过CNN网络后，输出为相应的特征序列C₁：

步骤404，将各子集的特征序列分别输入至LSTM网络，得到l个对应的特征序列集合L＝{L₁,L₂,...,L_l}；

LSTM网络由(L+a+b+c-3)个同构LSTM细胞构成，每个细胞单元按照时间顺序连接，特征序列C₁经过LSTM网络后输出的特征序列表示为：

其中，

的表达式如下：

其中，f_lstm为LSTM细胞前向计算方法，

为当前LSTM细胞的输入、

为前一个LSTM细胞的输出，

为前一个LSTM细胞的状态。

步骤405，将集合L中各子集按照时间顺序排列，得到一个维度为[l*(L+a+b+c-3),1]的向量f。

步骤406，向量f输入共k个节点的全连接层进行特征融合，输出k×1的向量，即得到k种调制方式；

步骤407，采用均方差函数作为神经网络的目标代价函数，当代价函数收敛时训练完毕；

目标代价函数计算公式如下：

(batch size)，即每个批尺寸包含M条训练样本,p_i为第i条样本的神经网络输出结果，t_i为相应的分类真值，p_i、t_i均为k×1的向量。

步骤408，将训练好的神经网络模型注入到调制识别模块中，对接收到的调制信号进行调制识别，得到该调制信号对应的调制方式。

步骤五、解调选择控制器根据调制方式选择相应的解调模块，解调出原始信息，传递到数据流接收器，完成信息解码解密的处理，实现基于随机调制跳变的无人机数据链系统。

本发明的优点在于：

(1)一种基于随机调制跳变的无人机数据链设计方法，支持伪随机和真随机两种序列生成方式，架构设计灵活。

(2)一种基于随机调制跳变的无人机数据链设计方法，采用深度学习方法实现对调制方式的自动识别和跟踪，有效避免了传统调制识别方法严重依赖信号的先验知识的问题。

(3)一种基于随机调制跳变的无人机数据链设计方法，通过模块化方式实现无人机数据链系统设计，使得系统配置更具扩展性，可应用于多种通信场景。

附图说明

图1为本发明一种基于随机调制跳变的无人机数据链设计方法流程图；

图2为本发明基于随机调制跳变的无人机数据链发射机结构图；

图3为本发明基于随机调制跳变的无人机数据链接收机结构图；

图4为本发明实现自动调制识别的调制跳变识别模块及其训练过程图；

图5为本发明基于分割窗口的数据分割方法原理图；

图6为本发明卷积神经网络提取信号特征原理图；

图7为本发明在不同样本长度下的调制识别精度曲线图；

图8为本发明在不同信噪比条件下的训练收敛曲线图；

图9为本发明在不同跳变频率下的跳变跟踪性能曲线图；

图10为本发明在不同配置参数下的系统级误码率曲线图。

具体实施方式

下面结合实施例和附图，对本发明的实施方式做详细、清楚的描述。

本发明一种基于随机调制跳变的无人机数据链方法，通过在发射机端产生真随机或伪随机序列来控制调制跳变方式，在接收机端利用深度学习的神经网络自动识别出调制方式，最终解调获得原始数据流。

随机调制跳变的信号发射机，如图2所示，采用通用软件无线电外设(UniversalSoftware Radio Peripheral)成品(型号为USRP B210)，各功能模块通过GNU Radio软件无线电开发平台进行设计，编译后注入到USRP B210的ROM存储器中。

信号发射机包括：随机序列生成器、调制方式选择控制器、数据流发生器、若干调制模块和天线。其中，随机序列生成器生成随机序列来控制调制跳变模式；调制方式选择控制器输出调制方式并选择相应的调制模块，实现调制方式的随机改变；数据流发生器产生待发送的数据，输入到相应的调制模块，通过天线将信号发射出去。

随机调制跳变的无人机数据链信号接收机，如图3所示，采用型号为USRP B210的通用软件无线电外设成品，各功能模块通过GNU Radio平台进行设计，编译后注入到USRPB210的ROM存储器中。

接收机包括：接收天线、同步系统、调制识别模块，解调选择控制器、若干解调模块和数据流接收器；

在接收机实际工作中，信号由接收天线进行接收，经过同步系统进行载波同步和码同步后，输入到调制跳变识别模块自动识别出调制方式；解调选择控制器根据调制方式信息选择相应解调模块，解调出原始信息，传递到数据流接收器，完成信息解码解密等处理。

在实验验证环节，重点对调制方式自动识别的精度和速度、调制跳变跟踪能力、以及接收机在不同工作环境下的误码率进行验证分析，通过实验结果来证明本发明的合理性和有效性。

所述的一种基于随机调制跳变的无人机数据链方法，如图1所示，具体步骤如下：

步骤一、利用同时支持真伪随机序列的随机序列生成器，生成某个随机序列传输给调制方式选择控制器；

根据产生的随机序列的类型，信号发射机的随机序列生成器分为伪随机序列生成器和真随机序列生成器。

伪随机序列生成器通过使用有限长度的种子序列和相应生成算法生成伪随机二进制序列，该算法可以由硬件或软件实现。然而，伪随机序列具有有限的长度和周期性，因此无论生成算法有多复杂，伪随机序列始终是可预测的。如果生成算法被破解，将导致调制跳频技术的安全性大大降低。

真随机序列生成不需要算法实现，而是采用一些物理方法来产生随机源，如电路的噪声、振荡和亚稳态等。

本发明设计了一个能够同时支持伪随机序列和真随机序列的通用随机序列生成器。

步骤二、调制方式选择控制器输出该随机序列对应的调制方式，并选择出相应的调制模块；

随机序列和调制方式之间的对应关系如表1所示：

表1

随机数值(二进制)	调制方式
		0000	2ASK
0001	4ASK
		0010	8ASK
0011	2FSK
		0100	4FSK
0101	8FSK
		0110	2PSK
0111	4PSK
		1000	8PSK
1001	64QAM
		1010	256QAM

步骤三、数据流发生器产生待发送的数据，输入到选择出的调制模块，通过发射天线将调制后的信号发射出去。

步骤四、接收天线接收发射天线发出的调制信号，经过同步系统进行载波同步和码同步后，输入到调制识别模块自动识别出调制方式；

所述的调制识别模块基于CNN和LSTM的神经网络设计，如图4所示，自动识别的具体步骤如下：

步骤401，采集不同频率、信噪比和调制方式的通信信号作为神经网络的训练样本；

步骤402，使用LSTM网络将每一条样本信号进行数据分割，把长序列分解为l个等长的短序列子集，分别保存在不同的数组中。

如图5所示，具体为：

设第i条输入样本信号S_i的原始序列为:

该信号分割窗口的长度为L，将信号X分割为l个子集，可表示为:

X＝{X₁,X₂,...,X_l} (2)

以此类推，

步骤403，将分割后的每个短序列子集分别各输入到一维CNN网络中，分别提取各子集的特征。

如图6所示，针对输入子集X₁，该一维数据通过包含3个卷积层的CNN网络，计算公式为：

是指一维数据X₁在第k层进行卷积运算后的值，k＝1,2,3，卷积层1的卷积核大小为a*1，卷积层2的卷积核大小为b*1，卷积层3的卷积核大小为c*1，f_a是激活函数；W_k为第k层的权重值，b_k为第k层对应的偏置值。

子集X₁经过CNN网络后，输出为相应的特征序列C₁：

步骤404，将各子集的特征序列分别输入至LSTM网络，得到l个对应的特征序列集合L＝{L₁,L₂,...,L_l}；

LSTM网络由(L+a+b+c-3)个同构LSTM细胞构成，每个细胞单元按照时间顺序连接，特征序列C₁经过LSTM网络后输出的特征序列表示为：

其中，

的表达式如下：

其中，f_lstm为LSTM细胞前向计算方法，

为当前LSTM细胞的输入、

为前一个LSTM细胞的输出，

为前一个LSTM细胞的状态。

步骤405，将集合L中各子集按照时间顺序排列，得到一个维度为[l*(L+a+b+c-3),1]的向量f。

步骤406，向量f输入共k个节点的全连接层进行特征融合，输出k×1的向量，即得到k种调制方式；

步骤407，采用均方差函数作为神经网络的目标代价函数，并判断代价函数是否收敛，如果是，进入步骤408；否则，返回步骤403再次利用Nadam优化算法进行特征融合；

目标代价函数计算公式如下：

其中：M为单次训练的样本批尺寸(batch size)，即每个批尺寸包含M条训练样本,p_i为第i条样本的神经网络输出结果，t_i为相应的分类真值，p_i、t_i均为k×1的向量。

步骤408，将训练好的神经网络模型注入到调制识别模块中，对测试信号重复进行数据分割，CNN网络+LSTM网络和全连接特征融合，输入调制识别模块中进行目标Loss函数的收敛测试；最终，将接收到的调制信号输入测试完毕的神经网络模型中进行调制识别，得到调制方式结果。

步骤五、解调选择控制器根据调制方式选择相应的解调模块，解调出原始信息，传递到数据流接收器，完成信息解码解密的处理，实现基于随机调制跳变的无人机数据链系统。

本发明利用发射机(含随机序列生成器)和接收机(含调制跳变识别模块)，实现基于随机调制跳变的无人机数据链系统；在系统构建完成后，可进行调制识别精度和识别速度的验证分析，以及数据链的系统级验证分析。

这两部分验证分析均在实验室中进行：系统通过900MHz频带上相对良性的室内无线信道实现信号传输，载波频率设置为2100MHz，符号速率设置为19200bps。本发明的深度学习模型是在TensorFlow平台上实现的，实验是在一台带有Nvidia GTX TITAN X GPU显卡(Nvidia，Santa Clara，CA，USA)、Intel Core i7-6700K CPU(Nvidia，Santa Clara，CA，USA)和32GB DDR4 SDRAM的计算机上进行的。

首先，调制识别精度和识别速度的验证分析；

在调制跳频系统中，调制识别精度直接影响系统的性能。由于信号样本长度对识别精度影响较大，如图7所示，给出了不同样本长度下的调制识别精度曲线。

调制识别速度是调制跳变系统中的另一个关键影响因素，本发明验证了调制识别模型在不同信噪比条件下的训练损失(训练参数设置为分割窗长度为400，训练步长为10000，初始学习率为0.005)。如图8所示，在不同信噪比条件下，从学习损失随训练迭代次数的变化曲线图可以看出，低信噪比条件会损失曲线的振荡，也造成了收敛迭代次数的增加。在高信噪比条件下，训练收敛所需的迭代次数减少。在5dB的典型信噪比环境下，识别模型大约需要2000次迭代能够实现收敛，因此若利用高性能的计算平台，本发明能够实现对调制方式识别的实时性。

然后，数据链的系统级验证分析；

本发明验证了调制识别模型对调制跳变的跟踪性能，实验中跳变频率分别设置为10Hz和100Hz。如图9所示，给出了系统在不同跳频下的跟踪性能，在10Hz和100Hz的跳变频率下，系统可以获得良好的跟踪精度，并且延迟保持在微秒量级。如果能进一步提高实验平台的计算性能，则可以进一步降低延迟。

误码率(Bit Error Rate,BER)是衡量接收机性能的重要指标，本发明测试了不同调制跳频、载波频率和码速率对误码率性能的影响。如图10所示，为不同系统参数配置下的BER曲线。图10(a)给出了不同调制方式对2100MHz的载波频率、19200bps的符号速率的BER曲线，以及10Hz和100Hz跳变频率的BER曲线。图10(b)给出100Hz调制跳变速率下四种不同载波频率和符号速率配置参数的系统误码率曲线。

如图10(a)所示，与其它非跳变情况相比，10Hz和100Hz跳变频率在典型SNR条件下都获得了可接受的误码率。在其它参数相同的情况下，更高的跳变速率将导致更高的误码率。如图10(b)所示，较高的载频将降低系统误码率，因而载频对误码率的影响更大。当载波频率固定时，符号速率越高，误码率越高。

Claims (4)

1.一种基于随机调制跳变的无人机数据链设计方法，其特征在于，具体包括如下步骤：

步骤一、利用同时支持真伪随机序列的随机序列生成器，生成某个随机序列传输给调制方式选择控制器；

步骤二、调制方式选择控制器输出该随机序列对应的调制方式，并选择出相应的调制模块；

步骤三、数据流发生器产生待发送的数据，输入到选择出的调制模块，通过发射天线将调制后的信号发射出去；

步骤四、接收天线接收发射天线发出的调制信号，经过同步系统进行载波同步和码同步后，输入到调制识别模块自动识别出调制方式；

所述的调制识别模块基于CNN和LSTM的神经网络设计，自动识别的具体步骤如下：

步骤401，采集不同频率、信噪比和调制方式的通信信号作为神经网络的训练样本；

步骤402，使用LSTM网络将每一条样本信号进行数据分割，把长序列分解为l个等长的短序列子集，分别保存在不同的数组中；

其中：M为单次训练的样本批尺寸，具体为：

设第i条输入样本信号S_i的原始序列为:

该信号分割窗口的长度为L，将信号X分割为l个子集，可表示为:

X＝{X₁,X₂,...,X_l} (2)

以此类推，

步骤403，将分割后的每个短序列子集分别各输入到一维CNN网络中，分别提取各子集的特征；

针对输入子集X₁，该一维数据通过包含3个卷积层的CNN网络，计算公式为：

是指一维数据X₁在第k层进行卷积运算后的值，k＝1,2,3，卷积层1的卷积核大小为a*1，卷积层2的卷积核大小为b*1，卷积层3的卷积核大小为c*1，f_a是激活函数；W_k为第k层的权重值，b_k为第k层对应的偏置值；

子集X₁经过CNN网络后，输出为相应的特征序列C₁：

步骤404，将各子集的特征序列分别输入至LSTM网络，得到l个对应的特征序列集合L＝{L₁,L₂,...,L_l}；

LSTM网络由(L+a+b+c-3)个同构LSTM细胞构成，每个细胞单元按照时间顺序连接，特征序列C₁经过LSTM网络后输出的特征序列表示为：

其中，

的表达式如下：

其中，f_lstm为LSTM细胞前向计算方法，

为当前LSTM细胞的输入、

为前一个LSTM细胞的输出，

为前一个LSTM细胞的状态；

步骤405，将集合L中各子集按照时间顺序排列，得到一个维度为[l*(L+a+b+c-3),1]的向量f；

步骤406，向量f输入共k个节点的全连接层进行特征融合，输出k×1的向量，即得到k种调制方式；

步骤407，采用均方差函数作为神经网络的目标代价函数，当代价函数收敛时训练完毕；

步骤408，将训练好的神经网络模型注入到调制识别模块中，对接收到的调制信号进行调制识别，得到该调制信号对应的调制方式；

步骤五、解调选择控制器根据调制方式选择相应的解调模块，解调出原始信息，传递到数据流接收器，完成信息解码解密的处理，实现基于随机调制跳变的无人机数据链系统。

2.如权利要求1所述的一种基于随机调制跳变的无人机数据链设计方法，其特征在于，步骤一中所述的伪随机序列生成器通过使用有限长度的种子序列和相应生成算法生成伪随机二进制序列；

真随机序列采用物理方法来产生随机源。

3.如权利要求1所述的一种基于随机调制跳变的无人机数据链设计方法，其特征在于，步骤二中所述的随机序列和调制方式之间的对应关系如表1所示：

表1

随机数值(二进制) 调制方式 0000 2ASK 0001 4ASK 0010 8ASK 0011 2FSK 0100 4FSK 0101 8FSK 0110 2PSK 0111 4PSK 1000 8PSK 1001 64QAM 1010 256QAM

。

4.如权利要求1所述的一种基于随机调制跳变的无人机数据链设计方法，其特征在于，步骤407中所述的目标代价函数计算公式如下：

(batch size)，即每个批尺寸包含M条训练样本,p_i为第i条样本的神经网络输出结果，t_i为相应的分类真值，p_i、t_i均为k×1的向量。

Images