CN112836788B - 一种用于干扰类型识别的低功耗深度学习网络方法 - Google Patents

Abstract

本发明公开了用于干扰类型识别的低功耗深度学习网络方法，包括以下步骤：采用蒙特卡洛方法，随机生成N个符号进行调制，生成干扰信号和高斯白噪声，通过加性干扰的方式，把干扰信号和高斯白噪声加入调制信号中，得到训练样本；神经网络模块的构建，共五层网络结构：训练分类；利用训练完毕的神经网络模型对输入样本进行特征提取和类型判决。本发明使用1x1卷积对上一层的卷积输出进行降维，以此缩小数据尺寸，并且通过卷积分解的方式将1x8大卷积分解为两个1x3小卷积，以此降低了参数量，然后将两个1x3卷积排列至同一层网络上，拓宽该层网络宽度，减小了网络深度，在网络精度不损失的情况下，进一步减小了网络的参数量，降低网络功耗。

Description

一种用于干扰类型识别的低功耗深度学习网络方法

技术领域

本发明涉及干扰识别技术领域，尤其涉及一种用于干扰类型识别的低功耗深度学习网络方法。

背景技术

目前，随着我国通讯技术的不断发展，无线电成为我国信息通讯领域的重要应用技术，无线电技术的广泛应用，使我国在通讯、航空导航以及广播电视等领域取得了新突破，促进了我国信息化建设。但随着无线通信的迅猛发展,在此过程中也出现了干扰问题，不加处理的噪声及干扰会严重影响无线通信业务的正常运行，所以研究抗干扰措施尤为重要。

抗干扰通常是先检测干扰信号是否存在，然后进行通信干扰的类型识别，最后针对特定的干扰类型采取针对性的抗干扰措施。其中干扰识别技术是抗干扰的前提和关键，也决定着相应的抗干扰措施是否有效，因此对干扰信号的识别技术研究就显得非常有意义了。

目前的干扰信号的识别流程一般都为信号预处理、特征提取、分类识别三部分。预处理一般指对信号进行干扰检测，频谱分析，使信号的区分度增加；特征提取指通过一些方法从众多特征中求出那些对分类识别最有效的特征，从而实现对特征空间维数的压缩；分类识别指设计分类算法将所提取到的特征参数，分类为对应的标签信息。

专利文献CN110515096A(申请号：201910772412.X)公开了一种基于卷积神经网络的卫星导航干扰信号识别装置及其方法。其基于CNN深度学习网络在二维数据处理上的优势，干扰信号通过多通道重复的方式，将降采样之后的信号转换为图像形式，并以此为基础构建出用于干扰信号识别的卷积神经网神经网络。所述深度学习网络包含三个卷积层，分别包含32个3×3的卷积层，16个3×3的卷积层和16个3×3的卷积层，每一个卷积层之后引入归一化层，每一个归一化层之后引入池化层，最后加上全连接层作为输出层。通过对转换后的二维图像信号经过仿真训练，有效的提取信号特征并进行分类，通过输出模块输出识别分类结果。可是CNN存在计算量过大的问题，所以在要求实时性更好，计算量较小的轻量级识别场景时，单纯CNN结构其不适合。

进一步的，传统的干扰识别算法往往也存在一些问题，比如干扰检测算法的准确度过于依赖特征参数的区分度，目前并没有能够概括所有干扰类型并且区分度高的特征参数，只能依据经验人为设定，而且准确度低，采取CNN神经网络结构计算量较大，实时性较差，所以不能满足日益复杂的不同干扰类型的实时识别。

发明内容

本发明的目的是提供一种用于干扰类型识别的低功耗深度学习网络方法，能够在满足干扰类型识别分辨准确率的基础上，提高拟合速度，尽可能减少功耗和计算量。

本发明采用的技术方案为：

一种用于干扰类型识别的低功耗深度学习网络方法，包括以下步骤：

步骤M1：采用蒙特卡洛方法，随机生成N个符号进行调制，接着生成干扰信号和高斯白噪声，通过加性干扰的方式，把干扰信号和高斯白噪声加入调制信号中，得到训练样本；

步骤M2：神经网络模块的构建，共五层网络结构：第一层为输入层，其输入尺寸与信号IQ序列维度一致；

第二层由一个卷积层、一个批量归一化层及一个最大池化层组成：首先通过卷积模块，其中卷积核数为16，卷积核尺寸为1x8, 步长为1x2 ，然后通过RELU激活函数对数据进行非线性操作，接着通过批量归一化层进行数据白化，防止过拟合，最后通过最大池化层对数据进行压缩，池化尺寸为1x2，步长为1x1 ；

第三层由四个卷积层和一个全局池化层组成，整层结构见图2，整层的卷积模块由四个八核的卷积模块组成，卷积核的尺寸分别为1x1、1x1、1x3、1x3，最后经全局池化层进行数据压缩，池化尺寸为1x512，步长为1x1；

第四层由转置层及双向LSTM层组成：首先通过转置层，将数据转置为双向LSTM层可接受的维度，双向LSTM层参数为n x m,通过双向LSTM层提取数据的时序特性及前后顺序特性，其中n是步长，m为神经元数；

第五层为输出层，包括一个全连接层，其中的神经元数目与干扰信号的类别数C相同；

步骤M3：训练分类：将训练样本输入步骤M2中的神经网络，训练该神经网络模型直到当前验证集准确率大于前18次验证集的准确率；

步骤M4：利用训练完毕的神经网络模型对输入样本进行特征提取和类型判决，得到未知类型的干扰信号的所属类别。

所述的步骤M1具体包括如下步骤：

M1.1，在干信比确定的情况下对应产生干扰信号，

M1.2，采用加性干扰方式生成通信信号；

M1.3，对通信信号进行包络归一化处理；

M1.4，将包络归一化的信号转为HDF5格式，其中有三个维度，x代表干信比，y代表干扰类型，z代表能量值，从而得到训练的样本数据。

本发明通过轻量网络改进了CLDNN网络中的CNN结构，使用1x1卷积对上一层的卷积输出进行降维，以此缩小数据尺寸，并且通过卷积分解的方式将1x8大卷积分解为两个1x3小卷积，以此降低了参数量，然后将两个1x3卷积排列至同一层网络上，拓宽该层网络宽度，减小了网络深度，在网络精度不损失的情况下，进一步减小了网络的参数量，降低网络功耗。利用改进后的CLDNN神经网络进行训练，不仅提高了拟合速度，此外直接对IQ信号进行训练和识别，还避免了人工特征提取的不确定性，使性能更为稳定。相较于目前普遍的基于CNN深度学习网络进行干扰识别，本发明在保证网络有效性的情况下，设计五层CLDNN网络结构，尽可能降低网络层数，减小网络参数量，以此降低网络功耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图；

图2为本发明所述神经网络的结构示意图；

图3为本发明训练过程准确率曲线图；

图4为本发明训练过程损失函数图；

图5为本发明干扰信号识别混淆矩阵图；

图6为本发明各种干扰识别准确率图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明包括以下步骤：

步骤M1：采用蒙特卡洛方法，对应每种干扰随机生成N个符号制作数据集。以4MSK调制为例，为保证数据集充足，取N=2000，即生成2000个符号进行调制。接着生成干扰信号和高斯白噪声，通过加性干扰的方式，把干扰信号和高斯白噪声加入调制信号中，得到训练样本；所述的步骤M1具体包括如下步骤：

M1.1，在干信比确定的情况下对应产生干扰信号，

M1.2，采用加性干扰方式生成通信信号；

M1.3，对通信信号进行包络归一化处理；

M1.4，将包络归一化的信号转为HDF5格式，其中有三个维度，x代表干信比，y代表干扰类型，z代表能量值，从而得到训练的样本数据。

步骤M2：神经网络模块的构建，共五层网络结构：第一层为输入层，其输入尺寸与信号IQ序列维度一致，为2×1024×1；

第二层由一个卷积层、一个批量归一化层及一个最大池化层组成：首先通过卷积模块，其中卷积核数为16，卷积核尺寸为1x8, 步长为1x2 ，然后通过RELU激活函数对数据进行非线性操作，接着通过批量归一化层进行数据白化，防止过拟合，最后通过最大池化层对数据进行压缩，池化尺寸为1x2，步长为1x1 ；

第三层由四个卷积层和一个全局池化层组成，结构如图2，整层的卷积模块由四个八核的卷积模块组成，卷积核的尺寸分别为1x1、1x1、1x3、1x3，每个卷积层之后引入批量归一化层，最后经全局池化层进行数据压缩，池化尺寸为1x512，步长为1x1；

第四层由转置层及双向LSTM层组成，首先通过转置层，将数据转置为双向LSTM层可接受的维度，为2x24, 双向LSTM层的参数为n x m，其中n为步长，m为神经元数，因为输入步长为2，所以输出数据的维度为2 x 2m，在保证效果的情况下，尽可能减小损耗，本网络结构以神经元个数为8为例；

第五层为输出层，包括一个全连接层，全连接层的神经元数目为x，其中x与干扰信号的类别数相同，为4；

步骤M3：训练分类：将训练样本输入步骤M2中的神经网络，训练该进神经网络模型直到当前验证集的准确率大于前18验证集准确率；

步骤M4：利用训练完毕的神经网络模型对输入样本进行特征提取和类型判决，得到未知类型的干扰信号的所属类别。

本发明采用轻量网络对CLDNN网络中的CNN结构进行了改进，使用1x1卷积对上一层的卷积输出进行降维，以此缩小数据尺寸，并且通过卷积分解的方式将1x8大卷积分解为两个1x3小卷积，以此降低了参数量，然后将两个1x3卷积排列至同一层网络上，拓宽该层网络宽度，减小了网络深度，在网络精度不损失的情况下，进一步减小了网络的参数量，降低了网络功耗。利用改进的CLDNN神经网络进行训练，提高了拟合速度，此外直接对IQ信号进行训练和识别，避免了人工特征提取的不确定性，使性能更为稳定。相较于目前普遍的基于CNN深度学习网络进行干扰识别，本发明在保证网络有效性的情况下，设计五层CLDNN网络结构，尽可能降低网络层数，减小网络参数量，以此降低网络功耗。

进一步的，为了更好的对本发明进行解释说明，一下以具体的实例进行举例说明，实际使用中，本发明采用信号产生模块、神经网络模块和输出模块，神经网络模块与信号产生模块和输出模块连接，流程图如附图1。

信号产生模块负责生成训练所需的IQ样本数据。首先设置信噪比为0dB，干信比为-10dB到10dB，在确定干信比情况下对应产生干扰信号，并采用蒙特卡洛方法随机生成200组4MSK数据，采用加性干扰方式，生成大小格式为1024×1的通信信号y。同时还需要对信号进行包络归一化处理：

其中

为归一化后的信号实部，

为归一化信号的虚部。

将包络归一化的信号转为HDF5格式，其中有三个维度，x代表干信比，y代表干扰类型，z代表能量值，从而得到训练的样本数据。

所述的神经网络模块，共五层网络结构，属于轻量级网络，相较于传统的CLDNN网络，本发明利用轻量网络改进原始CLDNN网络后参数量由5580减小为3124。第一层为输入层，其输入尺寸与信号IQ序列维度一致，为2×1024×1。第二层由一个卷积层、一个批量归一化层及一个最大池化层组成。首先通过卷积模块，其中卷积核数为16，卷积核尺寸为1x8,步长为1x2，然后通过RELU激活函数对数据进行非线性操作，接着通过批量归一化层进行数据白化，防止过拟合，最后通过最大池化层对数据进行压缩，池化尺寸为1x2，步长为1x1。第三层由四个卷积层和一个全局池化层组成，具体网络的结构见图2，整层的卷积模块由四个八核的卷积模块组成，卷积核的尺寸分别为1x1、1x1、1x3、1x3，最后经全局池化层进行数据压缩，池化尺寸为1x512，步长为1x1。第四层由转置层及双向LSTM层组成。首先通过转置层，将数据转置为双向LSTM层可接受的维度，为2x24, 然后通过双向LSTM层提取数据的时序特性及前后顺序特性，其中每步的神经元个数为8。第五层为输出层，包括一个全连接层，其中的神经元数目与干扰信号的类别数相同，为4个。

将处理后的数据集（每种干扰有2000份，共8000份）分为训练集、测试集、验证集，其中每类干扰随机200个作为训练集，每类干扰信号随机500个作为验证集，每类干扰信号随机1000个作为测试集。

然后进行仿真训练，训练过程如附图3、附图4所示，可以看到在训练的起始阶段，准确率上升较快，损失函数下降较快，这说明设计的网络能够较为有效地提取特征信息并进行分类。在迭代80次以后，损失函数变化均趋于平缓，准确率也较为平缓，这说明学习已经进入了稳定阶段，此时增加迭代次数已无法显著提高地准确率，所以所设计的训练次数是较为合理的。然后用验证集进行验证，由曲线可以看出在迭代10次左右的时候，准确率有点“飘”，观察损失函数曲线可以看出在迭代10次附近出现了噪声损失增加情况与准确率相符。此外在迭代20次后准确率平稳上升，噪声损失平稳下降，80次迭代后准确率平稳在95%。

根据训练的改进的CLDNN神经网络，对未知类型的信号样本应用于本神经网络进行类型识别，获得未知信号的所属类别。将每个未知类型样本输入给训练好的CLDNN神经网络，得到与其对应的输出向量，通过测试集随机实验，可得干扰信号识别混淆矩阵如附图5，由图可见，对于单音干扰识别准确率为98%，对于多音干扰识别准确率为91%，对于线性扫频干扰识别准确率为86%，对于噪声调幅干扰识别准确率为100%，模型效果理想。

本实验案例中通过实验产生上述四类干扰信号，对每一类信号，在不同干信比(-10dB到10dB，间隔为2dB)下各产生2000个信号样本集。对训练的改进的CLDNN神经网络得到的输出向量取向量中最大值在的索引，得到信号的识别结果，然后将该识别结果与真实信号类别比较，得出不同干扰信号在不同干噪比下的识别准确率如附图6，从图中可以看出在干信比为-10dB时对多音干扰和扫频干扰识别效果不太好，随着干信比的增加，各种干扰识别准确度随之提升，当干信比达到-7dB时，四种干扰识别准确率均在95%以上，当干信比为-5dB以上时，四种干扰识别准确率接近100%，可以较为准确地分辨四类信号。

设置信噪比为0dB，干信比从-10dB到10dB变化以2dB为间隔，对应蒙特卡洛生成200组4MSK数据，在确定干信比情况下对应产生干扰信号，故每种干扰在不同干信比情况下共产生2000组数据。每类干扰信号随机200个作为训练集，每类干扰信号随机500个作为验证集，每类干扰信号随机1000个作为测试集，经实验可得模型识别准确率可达94%。

由于CPU为计算机的核心部分，计算机中的各种资源调度、数据计算等需要通过CPU来完成，因此对于计算机来说，CPU是耗能的主要部分。而在深度学习中，深度网络的各层一般都需要经过数据调度、数据计算两个过程，皆需要CPU参与；此外，基于CPU的串行处理方式，可以发现当网络需要的参数量越大时，数据调度过程越长、数据计算量越大，即网络的功耗越大。因此可以从参数量上来考虑降低网络的功耗。本发明通过上述方案，使用轻量级CLDNN神经网络代替单纯的CNN神经网络降低参数量，并且利用轻量网络对CLDNN网络进行改进，进一步减少参数量，这样可以在满足干扰类型识别分辨准确率的基础上，降低网络的参数量，以此提高拟合速度、减少功耗和计算量。

在本发明的描述中，需要说明的是，对于方位词，如有术语“ 中心”，“ 横向”、“ 纵向”、“ 长度”、“ 宽度”、“ 厚度”、“ 上”、“ 下”、“ 前”、“ 后”、“ 左”、“ 右”、 竖直”、“ 水平”、“ 顶”、“ 底”、“ 内”、“ 外”、“ 顺时针”、“ 逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。

需要说明的是，本申请的说明书和权利要求书中的术语“ 第一”、“ 第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“ 包括”和“ 具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

注意，上述仅为本发明的较佳实施例及运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行较详细的说明，但本发明不限于这里所述的特定实施例，在不脱离本发明构思的情况下，还可以包括更多其他等有效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (2)

1.一种用于干扰类型识别的低功耗深度学习网络方法，其特征在于：包括以下步骤：

步骤M1：采用蒙特卡洛方法，随机生成N个符号进行调制，接着生成干扰信号和高斯白噪声，通过加性干扰的方式，把干扰信号和高斯白噪声加入调制信号中，得到训练样本；

步骤M2：神经网络模块的构建，共五层网络结构：第一层为输入层，其输入尺寸与信号IQ序列维度一致；

第二层由一个卷积层、一个批量归一化层及一个最大池化层组成：首先通过卷积模块，其中卷积核数为16，卷积核尺寸为1x8, 步长为1x2 ，然后通过RELU激活函数对数据进行非线性操作，接着通过批量归一化层进行数据白化，防止过拟合，最后通过最大池化层对数据进行压缩，池化尺寸为1x2，步长为1x1 ；

第三层由四个卷积层和一个全局池化层组成，整层的卷积模块由四个八核的卷积模块组成，其中，通过卷积分解的方式将1x8大卷积分解为两个1x3小卷积，以此降低了参数量，然后将两个1x3卷积排列至同一层网络上；卷积核的尺寸分别为1x1、1x1、1x3、1x3，最后经全局池化层进行数据压缩，池化尺寸为1x512，步长为1x1；

第四层由转置层及双向LSTM层组成：首先通过转置层，将数据转置为双向LSTM层可接受的维度，双向LSTM层参数为n x m,通过双向LSTM层提取数据的时序特性及前后顺序特性，其中n是步长，m为神经元数；

第五层为输出层，包括一个全连接层，其中的神经元数目与干扰信号的类别数C相同；

步骤M3：训练分类：将训练样本输入步骤M2中的神经网络，训练改进神经网络模型直到损失函数误差小于预设值；

步骤M4：利用训练完毕的神经网络模型对输入样本进行特征提取和类型判决，得到未知类型的干扰信号的所属类别。

2.根据权利要求1所述的用于干扰类型识别的低功耗深度学习网络方法，其特征在于：所述的步骤M1具体包括如下步骤：

M1.1，在干信比确定的情况下对应产生干扰信号，

M1.2，采用加性干扰方式生成通信信号；

M1.3，对通信信号进行包络归一化处理；

M1.4，将包络归一化的信号转为HDF5格式，其中有三个维度，x代表干信比，y代表干扰类型，z代表能量值，从而得到训练的样本数据。

Images