CN112512062B - 一种通信系统智能抗干扰方法 - Google Patents

一种通信系统智能抗干扰方法 Download PDF

Info

Publication number
CN112512062B
CN112512062B CN202011335920.0A CN202011335920A CN112512062B CN 112512062 B CN112512062 B CN 112512062B CN 202011335920 A CN202011335920 A CN 202011335920A CN 112512062 B CN112512062 B CN 112512062B
Authority
CN
China
Prior art keywords
strategy
interference
communication
communication system
decision
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011335920.0A
Other languages
English (en)
Other versions
CN112512062A (zh
Inventor
徐慧远
刘友江
张祺
贺迅
王胜利
曹韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electronic Engineering of CAEP
Original Assignee
Institute of Electronic Engineering of CAEP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Electronic Engineering of CAEP filed Critical Institute of Electronic Engineering of CAEP
Priority to CN202011335920.0A priority Critical patent/CN112512062B/zh
Publication of CN112512062A publication Critical patent/CN112512062A/zh
Application granted granted Critical
Publication of CN112512062B publication Critical patent/CN112512062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种智能决策模型，该模型由多个策略参量输入端、多个环境参量输入端、一个系统性能输出端及决策模型函数组成；本发明公开了一种通信系统智能抗干扰方法，该方法首先以环境参量和通信系统抗干扰策略集为输入,计算每种策略对应的通信质量，之后根据通信质量选择最优策略，调整通信链路，从而实现通信系统的智能抗干扰。本发明公开的智能决策模型具有普适性，模型重构成本低，复杂度低；本发明公开的通信系统智能抗干扰的方法通过对通信系统的正向行为模型进行表征，解决了现有的智能抗干扰方法策略选择门限不明、可解释性差、可调控抗干扰手段单一的问题，并考虑了原发射信号的影响，克服了现有技术不能用于连续存在干扰环境的缺陷。

Description

一种通信系统智能抗干扰方法
技术领域
本发明属于无线通信领域，尤其涉及一种面向多策略集的智能决策模型及一种通信系统智能抗干扰方法。
背景技术
随着信息化程度的提高，电磁环境也日益复杂，加上通信干扰具有自适应的行为学习能力，传统的通信抗干扰技术已经无法对干扰信号进行实时跟踪并做出反应，而且受限于原始系统设计，传统的通信抗干扰系统的抗干扰容限较低，当干扰超过其抗干扰容限时，系统会完全陷入瘫痪状态，因此，面对目前复杂的通信干扰，需要在抗干扰系统中引入智能决策技术，可以使抗干扰系统根据不同的场景在本方抗干扰手段中决策出最优抗干扰策略，利用低速率、隐蔽可靠的链路调整发射策略，提高通信系统的灵活性和可靠性。
现有智能抗干扰方法主要有两类：一类是利用博弈、神经网络等模型调控某种策略从而实现智能抗干扰，这种方法主要利用频谱瀑布图来实现基于功率控制、频率控制或两者联合控制的智能抗干扰系统，例如在认知卫星通信系统中构建决策引擎对通信的频率、功率进行联合自适应调控，利用强化学习模型选择合适的通信频率，并构建深度强化学习模型来选择最优的发射功率，虽然上述方法能够实现通信智能抗干扰，但由于该方法的决策模型是通过干扰环境和通信性能要求来逆向推出最优通信策略的，在构建决策模型时首先需要提取控制策略特征，这将导致该方法的网络模型构建复杂，普适性差，而且当更改控制策略或者增加控制策略时，其决策模型不具有复用性，对于调制体制、传输带宽等与干扰频谱图相关性较低的策略该方法也很难作出最优决策；另一类是基于启发式优化算法来寻找最优策略，从而实现智能抗干扰的方法，这类方法主要利用遗传算法、粒子群算法，基于目标函数寻找最优策略，例如，基于突变搜索机制人工蜂群算法实现抗干扰策略决策，结合模拟退火算法和粒子群算法实现抗干扰策略决策引擎，这类方法存在易陷入局部最优、收敛速度慢的问题，对于每种干扰环境都需要实时寻找最优策略，系统的实时性较差。
因此，亟需一种新的智能决策模型，并提供一种基于该智能决策模型的通信系统智能抗干扰方法解决现有的智能抗干扰方法中，抗干扰策略维度低，智能决策模型复杂度高，普适性差的问题。
发明内容
有鉴于此，本发明提供一种新的智能决策模型，并提供一种基于该智能决策模型的通信系统智能抗干扰方法。
为达此目的，本发明采用以下技术方案：
一种智能决策模型，所述模型由多个独立策略参量输入端、多个环境参量输入端、一个系统性能输出端和一个决策子模块函数组成。
一种通信系统智能抗干扰方法，所述方法基于由无线传输模块、环境监测模块和智能决策模块组成的智能抗干扰系统来实现，该方法包括以下步骤：
2.1：建立通信链路；
2.2：判断当前通信链路的通信质量是否满足接收机正常解调及接收机正确获取发送信号信息的要求，若满足，则执行步骤2.1，若不满足，执行步骤2.3；
2.3：通过环境监测模块感知干扰环境的频谱，并将环境频谱信息转化为环境参量Ot，多种策略对应的环境参量矩阵为
Figure GDA0003746101370000021
其中，Ns为智能决策模块设定的策略总数；
2.4：将环境参量
Figure GDA0003746101370000022
与已经离线存储的通信系统抗干扰策略集
Figure GDA0003746101370000023
联合得到矩阵A＝[S，Ot]，其中，M为通信系统抗干扰策略维度，以矩阵A＝[S，Ot]作为智能决策模型的输入，通过已经训练好的决策子模块函数f(S，Ot)预测出当前电磁环境下的每种通信系统抗干扰策略对应的通信质量，得到通信质量矩阵
Figure GDA0003746101370000024
2.5：去除发射信号频点保护间隔内的所有通信系统抗干扰策略及其对应的通信质量数据，得到输入输出矩阵[A′，m′S]，其中，A′为去除发射频点保护间隔内的通信系统抗干扰策略之后的输入矩阵参量，m′S为矩阵A′中的通信系统抗干扰策略对应的通信质量；
2.6：筛选出满足接收机解调要求的输入输出子矩阵[A″，m″S]，其中，A″为去除不满足接收机解调要求的通信系统抗干扰策略之后的输入矩阵参量，m″S为A″中的通信系统抗干扰策略对应的通信质量；
2.7：判断输入输出子矩阵[A″，m″S]是否为空，若不为空，执行步骤2.8；若为空，执行步骤2.9；
2.8：确定通信系统抗干扰优化的最优策略；
2.9：确定通信系统抗干扰优化的次优策略。
优选的，所述步骤2.8还包括以下步骤：
2.8.1：根据策略筛选目标函数从矩阵[A″，m″S]中筛选出通信系统抗干扰的最优策略sopt，利用最优策略sopt重构当前通信链路，并实测重构后的通信链路的通信质量
Figure GDA0003746101370000031
2.8.2：判断通信质量
Figure GDA0003746101370000032
是否满足接收机解调要求，若满足，则执行步骤2.1，若不满足，执行步骤2.8.3；
2.8.3：采集当前干扰环境的频谱信息，对决策子模块函数f(S，Ot)重新进行训练，用新训练的决策子模块函数代替步骤2.3中的决策子模块函数f(S，Ot)，并返回步骤2.1。
优选的，所述步骤2.9包括以下步骤：
2.9.1：对矩阵[A″，m″S]为空的次数进行计数；
2.9.2：根据策略筛选目标函数从矩阵[A′，m′S]中筛选出通信系统抗干扰的次优策略ssub，利用次优策略ssub重构通信链路，并实测重构后的通信链路的通信质量
Figure GDA0003746101370000033
2.9.3：判断次优策略ssub通过决策子模块函数f(S，Ot)预测的通信质量ms与实测通信质量
Figure GDA0003746101370000034
是否一致，若一致，则执行步骤2.9.4，若不一致，执行步骤2.8.3；
2.9.4：判断矩阵[A″，m″S]为空的累计次数是否大于门限值，该门限值的设定需保障系统监测范围可覆盖全频带，若没有，则返回步骤2.2，若大于则执行步骤2.9.5；
2.9.5：采集当前电磁环境信息，针对该电磁环境增加抗干扰手段，更新通信系统抗干扰策略集
Figure GDA0003746101370000041
并返回步骤2.1。
步骤2.4中的决策子模块函数f(S，Ot)通过设置多种通信环境，遍历通信系统抗干扰策略集S中的所有策略训练而成，函数f(S，Ot)表示通信质量与通信系统抗干扰策略、通信环境之间的一种映射关系，这种映射关系根据实际需求选择机器学习模型SVM、TREE、KNN，神经网络模型BP神经网络、CNN神经网络中的任意一种或多种来进行表征。
优选的，所述步骤2.8.1和步骤2.9.2中的策略筛选目标函数为：
Figure GDA0003746101370000042
其中，Rsi表示第i种策略中选取的符号率，Mi表示第i种策略中选取的调制体制星座点数，
Figure GDA0003746101370000043
表示第i种策略中选取的发射功率，Rsmax、Mmax、
Figure GDA00037461013700000411
分别为策略集的所有策略的符号率、调制体制星座点数、发射功率的最大值，α、β表示传输速率、发射功率的权重；
最优策略和次优策略的选择方式如下：
Figure GDA0003746101370000044
Figure GDA0003746101370000045
其中，
Figure GDA0003746101370000046
表示通信质量的门限值，用户可根据实际需求设定，fk为策略sk对应的策略筛选目标函数值，
Figure GDA0003746101370000047
为策略sk对应的通信质量，
Figure GDA0003746101370000048
为预测通信质量
Figure GDA0003746101370000049
中的最小值，
Figure GDA00037461013700000410
为任意一个策略对应的通信质量。
本发明公开的通信系统智能抗干扰的方法基于上述智能决策模型实现，该方法具有以下优点：
1、该方法以通信策略和通信环境信息作为输入，通信质量作为输出，建立了更符合通信系统物理规律表征其正向行为的决策模型，解决了现有的智能抗干扰方法中，由于以通信环境信息和通信质量要求作为输入，通信策略作为输出的表征通信系统逆向决策模型而导致的策略选择门限不明、可解释性差、可调控抗干扰手段单一的问题；
2、在实际通信系统中，发射机持续不断的发射信号，频谱监测时无法避免原发射信号的影响，现有技术中均默认频谱监测时无用户信号，这将导致原发射信号附近的频谱信息不准确，使得预测模型无法对干扰环境进行完备且准确的预测，因此不适用于用户信号连续存在的干扰环境，而本发明公开的方法在进行环境监测时，考虑了原发射信号的影响，并通过采用次优策略的方式，使通信系统多次进行环境监测，从而消除用户信号的影响，克服了现有技术不能适用于连续存在的干扰环境的缺陷。
附图说明
图1为本发明公开的一种通信系统智能抗干扰方法的流程图；
图2为本发明公开的智能决策模型的结构示意图；
图3为本发明中建立的用户通信链路示意图；
图4为通过本发明公开的通信系统智能抗干扰方法进行通信的系统工作状态效果图。
图5为通过本发明公开的通信系统智能抗干扰方法进行通信抗干扰后得到的效果图，其中(a)为通信系统正常通信时的状态示意图；(b)为通信系统受到干扰时无法进行通信的状态示意图；(c)为通信系统通过决策恢复正常通信时的状态示意图。
具体实施方式
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
下面结合附图和具体实施例对本发明进行详细说明。
如图2所示的一种智能决策模型，该模型由多个独立策略参量输入端、一个环境参量输入端、一个系统性能输出端和一个决策模型函数组成。
上述模型也可分为决策子模块和最优策略筛选子模块，决策子模块包含一个已经训练好的决策模型网络f(S，Ot)，其中，S为多个通信系统抗干扰策略的集合，Ot为环境参量，决策子模块可表征通信系统的物理过程，根据给定策略和环境参量预测出系统通信质量；最优策略筛选子模块可根据预测出的通信质量选出可以保障通信的性能最优的策略。
一种通信系统智能抗干扰的方法，该方法基于由无线传输模块、环境监测模块和如图2所示的智能决策模块组成的智能抗干扰系统来实现，如图1所示的该方法包括以下步骤：
2.1：建立通信链路；
2.2：判断当前通信链路的通信质量是否满足接收机正常解调及接收机正确获取发送信号信息的要求，若满足，则执行步骤2.1，若不满足，执行步骤2.3；
2.3：通过环境监测模块感知干扰环境的频谱，并将环境频谱信息转化为环境参量Ot，多种策略对应的环境参量矩阵为
Figure GDA0003746101370000061
其中，Ns为智能决策模块设定的策略总数；
环境参量Ot为信干噪比，为获得环境参量矩阵，本发明通过环境监测接收机监测涵盖所有通信系统抗干扰策略频点的全频段范围内的电磁频谱情况，获得对应的电磁环境的功率谱密度函数O(f)，其中一种策略对应的环境参量表示为：
Figure GDA0003746101370000062
其中，P(f)表示接收期望信号的功率谱密度函数，O(f)为环境监测模块接收当前信号的功率谱密度函数，BWS表示通信系统抗干扰策略中任意一种策略提供的信号发射带宽，PS表示通信系统抗干扰策略中任意一种策略提供的发射功率，Pt表示环境监测模块接收当前信号的发射功率。
2.4：将环境参量
Figure GDA0003746101370000071
与已经离线存储的通信系统抗干扰策略集
Figure GDA0003746101370000072
联合得到矩阵A＝[S，Ot]，其中，M为通信系统抗干扰策略维度，以矩阵A＝[S，Ot]作为智能决策模型的输入，通过已经训练好的决策子模块中的网络f(S，Ot)预测出当前电磁环境下的每种通信系统抗干扰策略对应的通信质量，得到通信质量矩阵
Figure GDA0003746101370000073
网络f(S，Ot)是通过设置多种通信环境，遍历通信系统抗干扰策略集中所有策略训练而成；f(S，Ot)表示通信质量与通信系统抗干扰策略、通信环境之间的一种映射关系，所述映射关系根据实际需求选择机器学习模型SVM、TREE、KNN，神经网络模型BP神经网络、CNN神经网络中的任意一种或多种来进行表征。
2.5：由于监测环境频谱中包含本方发射信号，在原发射频点附近的信干噪比无法准确求出，因此，需去除发射信号频点保护间隔内的所有通信系统抗干扰策略及其对应的通信质量数据，得到输入输出矩阵[A′，m′S]，其中，A′为去除发射频点保护间隔内的通信系统抗干扰策略之后的输入矩阵，m′S为矩阵A′中的通信系统抗干扰策略对应的通信质量；
发射频点保护间隔为：
Figure GDA0003746101370000074
其中，fi为发射频点中心频率，BWj发射频点带宽，BWmax为策略中的最大带宽。
2.6：筛选出满足接收机解调要求的输入输出子矩阵[A″，m″S]，其中，A″为去除不满足接收机解调要求的通信系统抗干扰策略之后的输入矩阵参量，m″S为A″中的通信系统抗干扰策略对应的通信质量；
2.7：判断输入输出子矩阵[A″，m″S]是否为空，若不为空，执行步骤2.8；若为空，执行步骤2.9；
2.8：确定通信系统抗干扰优化的最优策略；
2.8.1：根据策略筛选目标函数从矩阵[A″，m″S]中筛选出通信系统抗干扰的最优策略sopt，利用最优策略sopt重构当前通信链路，并实测重构后的通信链路的通信质量ms′；
2.8.2：判断通信质量
Figure GDA0003746101370000081
是否满足接收机解调要求，若满足，即为满足了通信质量的要求，则执行步骤2.1，重新进行通信系统进行优化，若不满足，即预测通信质量与实测通信质量不一致，决策子模块函数对当前电磁环境预测错误，此时我们认为网络无法表征当前电磁环境，执行步骤2.8.3；
2.8.3：采集当前干扰环境的电磁信息，对决策子模块f(S，Ot)重新进行训练，用新训练的决策子模块代替步骤2.3中的决策子模块f(S，Ot)，并返回步骤2.1。
2.9：确定通信系统抗干扰优化的次优策略；
2.9.1：对矩阵[A″，m″S]为空的次数进行计数；
2.9.2：根据策略筛选目标函数从矩阵[A′，m′S]中筛选出通信系统抗干扰的次优策略ssub，利用次优策略ssub重构通信链路，并实测重构后的通信链路的通信质量ms″；
2.9.3：：判断次优策略ssub通过决策子模块函数f(S，Ot)预测的通信质量ms与实测通信质量
Figure GDA0003746101370000082
是否一致，若一致，则执行步骤2.9.4，若不一致，即决策模型对当前电磁环境预测错误，执行步骤2.8.3；
2.9.4：判断矩阵[A″，m″S]为空的累计次数是否大于门限值，若没有，则当前通信链路满足接收机解调要求，则返回步骤2.2，若大于，则认为当前电磁环境已超出通信系统的抗干扰能力，则执行步骤2.9.5；
2.9.5：采集当前电磁环境信息，针对该电磁环境增加抗干扰手段，更新通信系统抗干扰策略集
Figure GDA0003746101370000083
并返回步骤2.1。
上述步骤2.8.1和步骤2.9.2中的策略筛选目标函数为：
Figure GDA0003746101370000091
其中，Rsi表示第i种策略中选取的符号率，Mi表示第i种策略中选取的调制体制星座点数，
Figure GDA0003746101370000092
表示第i种策略中选取的发射功率，Rsmax、Mmax、
Figure GDA00037461013700000912
分别为所有策略集中符号率、调制体制星座点数、发射功率的最大值，α、β表示传输速率、发射功率的权重；
最优策略或次优策略的选择方式如下：
Figure GDA0003746101370000093
Figure GDA0003746101370000094
其中，
Figure GDA0003746101370000095
表示通信质量的门限值，用户可根据实际需求设定，fk为策略sk对应的策略筛选目标函数值，
Figure GDA0003746101370000096
为策略sk对应的通信质量，
Figure GDA0003746101370000097
为预测通信质量
Figure GDA0003746101370000098
中的最小值，
Figure GDA0003746101370000099
为任意一个策略对应的通信质量。
上述策略筛选目标函数制定准则如下：
当通信质量满足通信质量要求时，即
Figure GDA00037461013700000910
目标函数为最小化发射功率、最大化传输速率；
当通信质量不满足通信质量要求时，目标函数为最优化通信质量，通信质量
Figure GDA00037461013700000911
数值越小，质量越优。
实施例1
下面结合附图和具体实施实例对本发明的方法进一步进行详细阐述。首先，构建如图3所示的用户通信链路，设置干扰方的策略有单音干扰、多音干扰和宽带干扰等多种干扰方式，干扰方每隔一段时间随机选择一种方式对用户通信链路进行干扰。设置用户方的策略有调制体制、频点、符号率和功率。
针对不同的干扰环境，用户方可选择不同组合的策略参数进行通信，本实施例中将通信质量定义为信号的矢量幅度误差EVM。用户方发射机和接收机的策略配置参数为sT、sR。当接收机解调得到通信质量ms时，根据ms来判断用户方是否需要调整通信策略，当通信质量不满足接收机正常解调或接收机正确获取发送信号信息的要求时，需要调整通信策略，则启动环境监测模块，获得环境参量ot，将环境参量ot和策略作为智能决策模块的输入，决策得到最优通信策略，接收机将sT将通过一条低速率的安全链路发送给发射机，发射机根据sT调整策略发送信号。
图4给出了本方法连续工作的效果，从图中可以看到当通信质量(EVM)值大于门限值时，系统通过调整通信策略，EVM值降至门限值以下，图5给出了图4中的ABC三点的详细信息，完整的展示了从一次正常通信如图5(a)所示，受到干扰如图5(b)所示，恢复通信如图5(c)的通信抗干扰全过程。图5(a)中的通信策略为针对图5(a)中的干扰进行决策后的最佳策略，发射信号频点为1.316GHz，该频点是该干扰环境中干扰功率最低的频段，由于干扰信号较强，发射信号综合了发射功率和传输速率选用了QPSK、符号率0.768Msps、发射功率28dBm的策略，解调后的EVM值为0.1617，在QPSK解调门限0.175以下，满足正常通信的要求，通信能够正常进行。下一时刻，外部环境发生变化，加入了干扰信号，如图5(b)所示，此时通信策略仍保持为图5(a)中的策略，但由于该频点干扰功率较强，解调后EVM为0.4078，此时已无法获取正确的发送信号信息，无法保障用户信息的正确传输，需要启动智能决策模块，针对该干扰环境，决策得到如图5(c)中的策略，发射信号频点为1.319GHz，该频点为该干扰环境中干扰功率最低的频段，由于干扰信号变弱，发射信号综合了发射功率和传输速率选用了64QAM、符号率0.768Msps、发射功率16dBm的策略，增加了数据传输速率且降低了能耗，解调后的EVM值为0.0670，在16QAM解调门限0.08以下，通信质量恢复正常，用户信息能进行正确的传输。

Claims (2)

1.一种通信系统智能抗干扰方法，所述方法基于由无线传输模块、环境监测模块和智能决策模块组成的智能抗干扰系统来实现，其特征在于，所述方法包括以下步骤：
2.1：建立通信链路；
2.2：判断当前通信链路的通信质量是否满足接收机正常解调及接收机正确获取发送信号信息的要求，若满足，则执行步骤2.1，若不满足，执行步骤2.3；
2.3：通过环境监测模块感知干扰环境的频谱，并将环境频谱信息转化为环境参量Ot，多种策略对应的环境参量矩阵为
Figure FDA0003746101360000011
其中，Ns为智能决策模块设定的策略总数；
2.4：将环境参量
Figure FDA0003746101360000012
与已经离线存储的通信系统抗干扰策略集
Figure FDA0003746101360000013
联合得到矩阵A＝[S，Ot]，其中，M为通信系统抗干扰策略维度，以矩阵A＝[S，Ot]作为智能决策模型的输入，通过已经训练好的决策子模块函数f(S，Ot)预测出当前电磁环境下的每种通信系统抗干扰策略对应的通信质量，得到通信质量矩阵
Figure FDA0003746101360000014
2.5：去除发射信号频点保护间隔内的所有通信系统抗干扰策略及其对应的通信质量数据，得到输入输出矩阵[A′，m′S]，其中，A′为去除发射频点保护间隔内的通信系统抗干扰策略之后的输入矩阵参量，m′S为矩阵A′中的通信系统抗干扰策略对应的通信质量；
2.6：筛选出满足接收机解调要求的输入输出子矩阵[A″，m″S]，其中，A″为去除不满足接收机解调要求的通信系统抗干扰策略之后的输入矩阵参量，m″S为A″中的通信系统抗干扰策略对应的通信质量；
2.7：判断输入输出子矩阵[A″，m″S]是否为空，若不为空，执行步骤2.8；若为空，执行步骤2.9；
2.8：确定通信系统抗干扰优化的最优策略，具体如下：
2.8.1：根据策略筛选目标函数从矩阵[A″，m″S]中筛选出通信系统抗干扰的最优策略sopt，利用最优策略sopt重构当前通信链路，并实测重构后的通信链路的通信质量
Figure FDA0003746101360000024
2.8.2：判断通信质量
Figure FDA0003746101360000021
是否满足接收机解调要求，若满足，则执行步骤2.1，若不满足，执行步骤2.8.3；
2.8.3：采集当前干扰环境的频谱信息，对决策子模块函数f(S，Ot)重新进行训练，用新训练的决策子模块函数代替步骤2.3中的决策子模块函数f(S，Ot)，并返回步骤2.1；
2.9：确定通信系统抗干扰优化的次优策略，具体如下：
2.9.1：对矩阵[A″，m″S]为空的次数进行计数；
2.9.2：根据策略筛选目标函数从矩阵[A′，m′S]中筛选出通信系统抗干扰的次优策略ssub，利用次优策略ssub重构通信链路，并实测重构后的通信链路的通信质量
Figure FDA0003746101360000022
2.9.3：判断次优策略ssub通过决策子模块函数f(S，Ot)预测的通信质量ms与实测通信质量
Figure FDA0003746101360000025
是否一致，若一致，则执行步骤2.9.4，若不一致，执行步骤2.8.3；
2.9.4：判断矩阵[A″，m″S]为空的累计次数是否大于门限值，若没有，则返回步骤2.2，若大于则执行步骤2.9.5，所述门限值的设定需保障系统监测范围可覆盖全频带；
2.9.5：采集当前电磁环境信息，针对该电磁环境增加抗干扰手段，更新通信系统抗干扰策略集
Figure FDA0003746101360000026
并返回步骤2.1；
所述步骤2.8.1和步骤2.9.2中的策略筛选目标函数为：
Figure FDA0003746101360000023
其中，Rsi表示第i种策略中选取的符号率，Mi表示第i种策略中选取的调制体制星座点数，
Figure FDA0003746101360000039
表示第i种策略中选取的发射功率，Rsmax、Mmax、
Figure FDA0003746101360000031
分别为策略集的所有策略的符号率、调制体制星座点数、发射功率的最大值，α、β表示传输速率、发射功率的权重；
最优策略和次优策略的选择方式如下：
Figure FDA0003746101360000032
Figure FDA0003746101360000033
其中，
Figure FDA0003746101360000034
表示通信质量的门限值，用户可根据实际需求设定，fk为策略sk对应的策略筛选目标函数值，
Figure FDA0003746101360000035
为策略sk对应的通信质量，
Figure FDA0003746101360000036
为预测通信质量
Figure FDA0003746101360000037
中的最小值，
Figure FDA0003746101360000038
为任意一个策略对应的通信质量；
所述智能决策模型由多个独立策略参量输入端、多个环境参量输入端、一个系统性能输出端和一个决策子模块函数组成。
2.根据权利要求1所述的通信系统智能抗干扰方法，其特征在于，所述步骤2.4中的决策子模块函数f(S，Ot)根据实际需求选择机器学习模型SVM、TREE、KNN，神经网络模型BP神经网络、CNN神经网络中的任意一种或多种来进行表征。
CN202011335920.0A 2020-11-25 2020-11-25 一种通信系统智能抗干扰方法 Active CN112512062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335920.0A CN112512062B (zh) 2020-11-25 2020-11-25 一种通信系统智能抗干扰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335920.0A CN112512062B (zh) 2020-11-25 2020-11-25 一种通信系统智能抗干扰方法

Publications (2)

Publication Number Publication Date
CN112512062A CN112512062A (zh) 2021-03-16
CN112512062B true CN112512062B (zh) 2022-09-06

Family

ID=74958485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335920.0A Active CN112512062B (zh) 2020-11-25 2020-11-25 一种通信系统智能抗干扰方法

Country Status (1)

Country Link
CN (1) CN112512062B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743211B (zh) * 2023-08-16 2023-10-27 北京前景无忧电子科技股份有限公司 一种电力载波通信抗干扰方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102007485A (zh) * 2008-04-18 2011-04-06 埃克森美孚上游研究公司 储层开发计划的基于markov决策过程的决策支持工具
CN102170302A (zh) * 2011-03-23 2011-08-31 西安电子科技大学 基于fpga的智能天线抗干扰片上系统及方法
CN108712748A (zh) * 2018-04-12 2018-10-26 天津大学 一种基于强化学习的认知无线电抗干扰智能决策的方法
CN109586820A (zh) * 2018-12-28 2019-04-05 中国人民解放军陆军工程大学 衰落环境中的动态频谱抗干扰模型及强化学习抗干扰算法
CN109639374A (zh) * 2018-12-29 2019-04-16 北京工业大学 一种基于强化学习算法的认知抗干扰通信方法
CN109828245A (zh) * 2019-03-21 2019-05-31 西安电子科技大学 雷达干扰策略的确定方法、装置、计算机设备及存储介质
CN110380802A (zh) * 2019-06-14 2019-10-25 中国人民解放军陆军工程大学 基于软件无线电平台的单用户动态频谱抗干扰系统及方法
CN111726217A (zh) * 2020-06-29 2020-09-29 中南大学 基于深度强化学习的宽带无线通信自主选频方法及系统
CN111832652A (zh) * 2020-07-14 2020-10-27 北京罗克维尔斯科技有限公司 决策模型的训练方法及装置
CN111970072A (zh) * 2020-07-01 2020-11-20 中国人民解放军陆军工程大学 基于深度强化学习的宽带抗干扰系统及抗干扰方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101779694B1 (ko) * 2016-01-25 2017-09-19 재단법인대구경북과학기술원 유도신호를 통한 항재밍 장치 및 항재밍 방법
US20200153535A1 (en) * 2018-11-09 2020-05-14 Bluecom Systems and Consulting LLC Reinforcement learning based cognitive anti-jamming communications system and method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102007485A (zh) * 2008-04-18 2011-04-06 埃克森美孚上游研究公司 储层开发计划的基于markov决策过程的决策支持工具
CN102170302A (zh) * 2011-03-23 2011-08-31 西安电子科技大学 基于fpga的智能天线抗干扰片上系统及方法
CN108712748A (zh) * 2018-04-12 2018-10-26 天津大学 一种基于强化学习的认知无线电抗干扰智能决策的方法
CN109586820A (zh) * 2018-12-28 2019-04-05 中国人民解放军陆军工程大学 衰落环境中的动态频谱抗干扰模型及强化学习抗干扰算法
CN109639374A (zh) * 2018-12-29 2019-04-16 北京工业大学 一种基于强化学习算法的认知抗干扰通信方法
CN109828245A (zh) * 2019-03-21 2019-05-31 西安电子科技大学 雷达干扰策略的确定方法、装置、计算机设备及存储介质
CN110380802A (zh) * 2019-06-14 2019-10-25 中国人民解放军陆军工程大学 基于软件无线电平台的单用户动态频谱抗干扰系统及方法
CN111726217A (zh) * 2020-06-29 2020-09-29 中南大学 基于深度强化学习的宽带无线通信自主选频方法及系统
CN111970072A (zh) * 2020-07-01 2020-11-20 中国人民解放军陆军工程大学 基于深度强化学习的宽带抗干扰系统及抗干扰方法
CN111832652A (zh) * 2020-07-14 2020-10-27 北京罗克维尔斯科技有限公司 决策模型的训练方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on strategy-based anti-jamming intelligent decision engine for adaptive burst communication;Kesi He,et al;《2020 IEEE 20th international conference on communication technology(ICCT)》;20201031;全文 *
采用BP神经网络的智能抗干扰决策引擎研究;冉雨，等;《信号处理》;20190825;全文 *

Also Published As

Publication number Publication date
CN112512062A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN111970072B (zh) 基于深度强化学习的宽带抗干扰系统及抗干扰方法
CN111726217B (zh) 基于深度强化学习的宽带无线通信自主选频方法及系统
US20220248237A1 (en) Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions
CN113890564B (zh) 基于联邦学习的无人机专用自组网跳频抗干扰方法及装置
CN112512062B (zh) 一种通信系统智能抗干扰方法
CN111491358A (zh) 基于能量采集的自适应调制和功率控制系统与优化方法
CN112291495B (zh) 一种基于强化学习的无线视频低时延抗干扰传输方法
Mahdi et al. Adaptive discrete particle swarm optimization for cognitive radios
CN113922899A (zh) 基于神经网络和Welch变换的频谱感知接入方法
CN111865474A (zh) 基于边缘计算的无线通信抗干扰决策方法及系统
AlQerm et al. Adaptive multi-objective Optimization scheme for cognitive radio resource management
Abuzainab et al. Robust Bayesian learning for wireless RF energy harvesting networks
CN108809881A (zh) 一种基于改进的exp3算法水下自适应ofdm通信方法
CN112788629A (zh) 基于Lyapunov优化框架的能量收集通信系统中功率和调制方式在线联合控制方法
Zhang et al. Deep Deterministic Policy Gradient for End-to-End Communication Systems without Prior Channel Knowledge
KR102124166B1 (ko) 인공위성 이미지 기반 채널 추정 및 적응형 변복조 시스템
CN109951239B (zh) 基于贝叶斯分类器的能量采集中继系统自适应调制方法
CN115987406A (zh) 一种基于深度强化学习的水声通信链路自适应方法
CN108551383B (zh) 一种基于机器学习的能量采集中继系统自适应调制方法
CN114337881B (zh) 基于多无人机分布式与lms的无线频谱智能感知方法
Yonggang et al. Underwater communication goes cognitive
CN105979560B (zh) 基于分流优化选择的无线传感网数据传输方法及系统
Tosh et al. Cognitive radio parameter adaptation using multi-objective evolutionary algorithm
Yan et al. Fuzzy multi-attribute utility based network selection approach for high-speed railway scenario
Kulkarni et al. Inferring loss causes to improve link rate adaptation in wireless networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant