CN114358064A - 一种基于深度支持向量数据描述的干扰检测装置及方法 - Google Patents

Abstract

本发明公开了一种基于深度支持向量数据描述的干扰检测装置及方法，装置包括数据预处理、深度学习训练模块、干扰检测和干扰识别模块；方法包括以下步骤：通过天线采集空间信号并作IQ调制，经混频、数字滤波、降采样和FFT，将信号的一维数据格式转化为四维矩阵数据格式；构建、优化、训练深度学习网络架构，获得网络最优参数；根据需求调用对应算法，在基于CPU的操作系统上实现在线干扰检测和调制识别；最后在基于pyQT的显控界面上输出结果。本发明通过结合深度支持向量描述和调制识别的优势，解决了复杂环境下干扰样式未知及信号特征提取难的问题，实现高检测率、低虚警率的开集识别，保证了在复杂信道环境下的干扰检测与识别效果。

Description

一种基于深度支持向量数据描述的干扰检测装置及方法

技术领域

本发明属于通信系统的信号感知技术领域，更具体地，涉及一种基于深度支持向量数据描述的干扰检测装置及方法。

背景技术

在诸如战车、飞机和军舰等空间受限的作战平台中，部署着大量不同功能的雷达通信电子战设备，且空间拥挤。位于作战平台的通信接收机除收到友方有用通信信号外，还收到平台上其他电子设备外漏的电磁信号，以及来自敌方平台的电磁干扰信号，电磁环境复杂。干扰检测与识别作为通信抗干扰的前提和干扰认知的基础，研究复杂信道环境下的干扰检测与识别方法，对确保作战平台在复杂环境下全链路信息通畅具有重要意义。在复杂电子对抗环境中，干扰样式无法穷尽，属于开集问题，因此需要采用干扰检测技术解决；而调制识别技术应用的前提是电磁环境中信号样式已知且有限，属于闭集问题。因此，单独采用其中一种技术，难以实现鲁棒的干扰检测与识别。

根据实现方式不同，当前干扰检测方法主要可分为：能量检测、匹配滤波检测和循环平稳检测；当前调制识别方法主要可分为：基于假设检验的似然比识别方法和基于特征提取的统计模式识别方法。针对以上两种技术，分别阐述如下：

干扰检测的传统方法有能量检测、匹配滤波检测和循环平稳检测。能量检测是以通信信号与干扰信号在指定频带内功率的差异性作为判决准则，实现干扰检测。难点在于需要干扰信号的功率等先验信息，通常信噪比需求较高，无法克服低信噪比或复杂信道下的干扰检测难题。匹配滤波检测是假设通信信号已知，计算接收信号与通信信号的数量积，作为检验统计量。难点在于需要准确的通信信号先验信息，保证精准的时间同步和载波同步来进行相干检测，因此实用性不高。循环平稳检测是利用利用信号的循环平稳特性，求取循环谱密度函数，作为检验统计量。难点同样在于需要准确的通信信号先验信息，通常运算复杂度较高，工程实践上实用性不强。

调制识别的传统方法有基于假设检验的似然比识别和基于特征提取的统计模式识别方法。基于假设检验的似然比识别方法是利用随机信号的概率密度函数建立假设，确定代价函数，通过似然比求取最小代价，对众多信号类型建立判决准则。难点在于需要确知信号的某些先验概率信息，通常计算量较大，运算过程优化困难，工程实践上实用性不强。基于特征提取的统计模式识别方法可分为信号特征提取和分类器构造两步，常用的特征参数有瞬时幅度相位特征，高阶统计量特征，小波变换特征以及循环平稳特征等。但是，它们也存在诸多缺陷，比如瞬时特征对信噪比要求高，高阶统计量特征需要精确载波码元同步，小波特征对尺度鲁棒性较差，循环平稳特征通常运算量较大。目前，随着信号体制和样式日益复杂，传统调制识别方法存在问题日益突出，在非理想信道环境下的应用受限，且考虑的信号调制类型覆盖有限，工程化应用困难，难以实现稳健的多类型实时识别。

同时，近年来深度学习技术逐渐兴起，推动了干扰检测和信号调制技术的快速发展。深度学习技术借助强大的拟合能力，运用多层神经网络实现高维数据特征提取和分类，对干扰检测与调制识别技术带来了巨大挑战。

中国专利一种基于支持向量数据描述的超短波威胁信号感知方法（申请号CN202010230505.2）、一种软件无线电调制信号识别平台及识别方法（申请号CN201010516145.9）主要存在实时性较差，对电磁环境变化敏感，无法克服复杂信道下通信信号的实时干扰检测难题。

发明内容

针对现有的干扰检测与识别方法中存在的复杂信道下检测性能以及实时性较差问题，本发明提供了一种基于深度支持向量数据描述的干扰检测装置及方法，借助软件无线电将射频信号转换为基带信号，通过信号预处理和引入信道噪声构造训练数据集，设计优化深层支持向量描述网络和深层卷积神经网络架构，迭代优化网络权值，完成通信系统干扰检测与识别。

本发明提供的基于深度支持向量数据描述的干扰检测装置，包括：数据预处理模块、数据集构建模块、架构优化模块、深度学习训练模块和在线检测模块；数据预处理模块的输入端连接接收链路，数据预处理模块用于滤除信号中的冗余信息和干扰信息，并将一维采样数据格式转化为时频域IQ样本的四维矩阵数据格式；数据集构建模块的输入端连接至所述数据预处理模块的第一输出端，数据集构建模块用于引入信道噪声，增强深度学习网络的泛化能力；架构优化模块的输入端连接至数据集构建模块的输出端，架构优化模块用于优化深度学习网络超参数，提高检测性能，降低计算复杂度；深度学习训练模块的输入端连接至所述架构优化模块的输出端，深度学习训练模块用于优化深度学习网络参数，提高检测性能；在线检测模块的第一输入端连接至数据预处理模块的第二输出端，在线检测模块的第二输入端连接至深度学习训练模块的输出端；在线检测模块用于实时采集空间信号并输出干扰检测和识别结果。

更进一步地，在线检测模块包括：连续波干扰检测检测模块、连续波干扰识别模块、数据帧干扰检测模块和数据帧干扰识别模块；连续波干扰检测检测模块的输入端连接至所述数据预处理模块的第二输出端，连续波干扰检测检测模块用于连续波模式下的初步干扰检测；连续波干扰识别模块的输入端连接至所述连续波干扰检测检测模块的输出端；连续波干扰识别模块用于连续波模式下的干扰检测结果验证及调制识别；数据帧干扰检测模块的输入端连接至数据预处理模块的第二输出端，数据帧干扰检测模块用于数据帧模式下的初步干扰检测；数据帧干扰识别模块的输入端连接至所述数据帧干扰检测模块的输出端；数据帧干扰识别模块用于数据帧模式下的干扰检测结果验证及调制识别。

本发明还提供了一种基于上述的干扰检测装置实现的干扰检测方法，包括下述步骤：

S1对采集的链路信号进行预处理，将所述链路信号的一维数据格式转化为四维矩阵数据格式并以定长帧格式进行保存；

S2对步骤S1预处理后的定长帧数据进行数据集构建，通过引入白噪声、频偏和相噪，扩充深度学习训练数据集；

S3在步骤S2构建的训练数据集基础上，通过仿真分步优化深度学习网络的输入维度、卷积核个数和长度、残差单元个数以及网络输出维度实现架构模块的优化；

S4利用步骤S2构建的深度学习训练数据集，采用步骤S3中深度学习网络的各项最优超参数，调用深度学习训练模块，获得深度支持向量网络及深度调制识别网络的最优参数，并保存在大数据存储系统的模型数据中；

S5根据通信系统工作模式选择工作模式，通过加载采用步骤S1中预处理方法后的数据以及步骤S4所得的模型数据，并调用对应工作模式下的干扰检测识别策略，判断实时帧数据是否存在干扰，并获得对应的调制方式。

更进一步地，步骤S1具体包括：

S11对采集的链路信号进行混频处理，将所述链路信号由射频搬移至基带100kHz；

S12对混频处理后的信号进行数字滤波处理，滤除本振以及带外干扰；

S13对滤波后的信号进行降采样处理，将所述链路信号的采样率降至与通信信号带宽一致，去除所述链路信号中的无效信息；

S14将降采样后信号的时频IQ序列拼接，转化为四维矩阵数据格式，其中矩阵四行分别为时域I路数据、时域Q路数据、频域I路数据、频域Q路数据，矩阵的列为时频各路数据的元素值。

更进一步地，对采集的链路信号进行预处理之前还包括：对深度学习训练模块的深度支持向量网络及深度调制识别网络的参数进行初始化处理，具体为：

设置深度学习训练模块中的深度支持向量网络和深度调制识别网络层数、输入输出维度、卷积核数量和大小；

随机初始化深度支持向量网络和深度调制识别网络参数。

更进一步地，步骤S2具体包括：

S21在步骤S14所得数据的基础上引入一定范围内信噪比的白噪声，提高深度学习算法对白噪声的鲁棒性；

S22通过引入一定范围内带宽的频偏来提高深度学习算法对频偏信道的鲁棒性；

S23通过引入相噪来提高深度学习算法对相噪的鲁棒性。

更进一步地，步骤S3具体包括：

S31对深度学习网络超参数进行初始化，通过仿真不同输入维度下深度支持向量描述网络的检测性能实现优化并获得最优输入维度；

S32在最优输入维度基础上，通过仿真不同优化卷积核个数下深度支持向量描述网络的检测性能实现优化并获得最优卷积核个数；

S33在最优输入维度和卷积核个数基础上，通过依次优化卷积核长度、残差单元个数以及输出维度，获得深度支持向量描述网络的超参数；

S34结合步骤S33中优化完毕的深度支持向量描述网络的特征提取层与softmax函数构建调制识别网络。

更进一步地，步骤S4具体包括：

S41利用初始参数对深度支持向量描述网络和深度调制识别网络进行初始化；

S42调取步骤S23得到的信号数据，采用反向传播训练算法训练神经网络，并通过反复迭代直至达到收敛阈值时，获得网络的最优参数；

S43将获得的最优参数保存在模型数据中。

更进一步地，步骤S5具体包括：

S51根据通信系统工作模式选择本系统工作模式；

S52在基于CPU架构的深度学习部署平台上加载数据缓存中的实时预处理后的数据帧；

S53加载步骤S43所得的模型数据中深度支持向量描述网络和深度调制识别网络的网络参数；

S54根据工作模式相应的调用干扰检测与识别算法并实现对实时数据帧的干扰检测与识别。

更进一步地，在步骤S5之后还包括：

对步骤S54所得的实时识别结果数据流进行封装，并以函数调取的方法传送给监控模块；

基于pyQT设计可视化界面，以图形化方式给出实时数据流识别结果。

通过本发明所构思的以上技术方案，与现有技术相比，本发明具有如下的有益效果：

（1）本发明能够完成复杂信道环境低信噪比条件下的干扰检测性能；

具体地，本发明采用深度学习技术提取信号的细微特征，结合深度支持向量描述网络和调制识别网络，相比于传统的基于能量检测、匹配滤波检测和循环平稳检测的干扰检测方法，本发明在复杂信道环境下检测性能更佳。

（2）本发明能够完成复杂信道环境低信噪比条件下的干扰识别性能；具体地，本发明采用深度学习技术提取信号的细微特征，相比于传统的基于假设检验和统计模式的调制识别方法，本发明在复杂信道环境下识别性能更佳。

（3）本发明提高低信噪比条件下的干扰检测与识别性能；

具体地，本发明中的数据预处理模块将离散信号转化为时频IQ样本四维矩阵形式，由于通信信号的时频IQ样本包含信号的原始特征，因此能提高低信噪比条件下的干扰检测与识别性能。

（4）本发明有效提高干扰检测与识别速度；

具体地，本发明采用数据缓存的方式，将信号数据以数据帧的形式存放在数据缓存中，可以极大提高干扰检测与识别的速度。

（5）本发明有效提高干扰检测与识别带宽；

具体地，本发明接收链路采用软件无线电的思想，直接将射频信号转为基带信号进行处理，降低数据存储量，提高干扰检测与识别带宽。

附图说明

图1为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置的原理框图；

图2为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中数据预处理模块的原理框图；

图3为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中数据集构建模块的原理框图；

图4为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中架构优化模块的原理框图；

图5为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中深度学习训练模块的原理框图；

图6为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中连续波模式干扰检测模块的原理框图；

图7为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中连续波模式干扰识别模块的原理框图；

图8为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中数据帧模式干扰检测模块的原理框图；

图9为本发明实施例提供的基于深度支持向量数据描述的干扰检测装置中数据帧模式干扰识别模块的原理框图；

图10为本发明实施例提供的干扰检测方法在真实信道下的通信系统干扰检测效果示意图；

图11为本发明实施例提供的干扰检测方法在真实信道下的通信系统干扰识别效果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于深度支持向量描述与调制识别的干扰检测与识别方法，利用深度支持向量描述网络初步解决干扰检测开集问题和利用调制识别网络进一步实现鲁棒的干扰检测与识别，所提出的结构既有深度支持向量描述网络解决开集问题的优势，又有调制识别技术在低信噪比下解决闭集识别问题的优势。

图1示出了本发明实施例提供的基于深度支持向量数据描述的干扰检测装置的原理框图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

基于深度支持向量数据描述的干扰检测装置包括：数据预处理模块00、数据集构建模块01、架构优化模块02、深度学习训练模块03、连续波干扰检测模块04、连续波干扰识别模块05、数据帧干扰检测模块06和数据帧干扰识别模块07；

其中，数据预处理模块00的输入端连接接收链路，数据预处理模块00的第一输出端连接数据集构建模块01的输入端，数据预处理模块00的第二输出端连接工作模式选择的输入端，数据预处理模块00用于滤除信号中的冗余信息和干扰信息，并将一维采样数据格式转化为时频域IQ样本的四维矩阵数据格式；

数据集构建模块01的输入端连接至数据预处理模块00的输出端，数据集构建模块01的输出端连接架构优化模块02的输入端；据集构建模块01用于引入信道噪声，增强深度学习网络的泛化能力；

架构优化模块02的输入端连接至数据集构建模块01的输出端，架构优化模块02的输出端连接至深度学习训练模块03的输入端；架构优化模块02用于优化深度学习网络超参数，提高检测性能，降低计算复杂度；

深度学习训练模块03输入端连接架构优化模块02的输出端，输出端连接模型数据的输入端；深度学习训练模块用于优化深度学习网络参数，提高检测性能；

连续波模式干扰检测模块04的输入端连接工作模式选择的输出端，连续波模式干扰检测模块04的输出端连接连续波模式干扰识别模块05的输入端；连续波模式干扰检测模块04用于连续波模式下的干扰检测；

连续波模式干扰识别模块05的输入端连接连续波模式干扰检测模块04的输出端；连续波模式干扰识别模块05用于连续波模式下的干扰检测结果验证及调制识别；

数据帧模式干扰检测模块06的输入端连接工作模式选择的输出端，数据帧模式干扰检测模块06的输出端连接数据帧模式干扰识别模块07的输入端；数据帧模式干扰检测模块用于数据帧模式下的初步干扰检测；

数据帧模式干扰识别模块07输入端连接数据帧模式干扰检测模块06的输出端；数据帧模式干扰识别模块用于数据帧模式下的干扰检测结果验证及调制识别。

如图2所示，数据预处理模块00由混频000、数字滤波001、降采样002和FFT模块003组成，数字滤波和降采样000的输入端连接接收链路输出端，输出端为信号经过混频、数字滤波、降采样和FFT的结果。FFT模块003的输入端连接降采样002的输出端，输出端为信号的时频IQ四维矩阵数据，FFT模块的输出端连接数据集构建01的输入端。

如图3所示，数据集构建模块01由引入白噪声010、引入频偏011、和引入相噪012组成，引入白噪声010的输出端连接引入频偏011，引入频偏011的输出端连接引入相噪012，该算法用来扩充深度学习算法的训练数据集，引入相噪012的输出端连接模型数据02。

如图4所示，架构优化模块02由输入维度优化020、卷积核个数优化021、卷积核长度优化022、残差单元个数优化023和输出维度优化024组成，输入维度优化020的输出端连接卷积核个数优化021，卷积核个数优化021的输出端连接卷积核长度优化022，卷积核长度优化022的输出端连接残差单元个数优化023，残差单元个数优化023的输出端连接输出维度优化024，该算法用来优化得到最优深度向量网络和调制识别网路的超参数，输出维度优化024的输出端连接深度学习训练模块03。

如图5所示，深度学习训练模块03由初始参数030、深度支持向量描述网络及深度调制识别网络031、反向传播训练算法032和最优参数033组成，初始参数030的输出端连接深度支持向量描述网络及深度调制识别网络031，深度支持向量描述网络及深度调制识别网络031的第二输入端连接信号数据02的输出端，深度支持向量描述网络及深度调制识别网络031的输出端连接反向传播训练算法032，该算法用来计算神经网络的最优参数，最优参数033的输入端连接反向传播训练算法032的输出端，最优参数033的输出端连接模型数据04。

如图6所示，连续波干扰检测模块04由实时数据帧040、能量检测041、最优参数042和深度支持向量描述网络检测043组成，实时数据帧040的输入端连接数据预处理00的输出端，能量检测041的输入端连接实时数据帧040的输出端，深度支持向量描述网络检测043的第一输入端连接能量检测040的输出端，第二输入端连接最优参数042的输出端。数据预处理00用于滤除带外干扰和本振干扰，并减少信号冗余信息；能量检测041用于底噪检测；深度支持向量描述网络检测043实现干扰检测。

如图7所示，连续波干扰识别模块05由实时数据帧050、干扰检测初步结果051和深度调制识别网络识别052组成，实时数据帧050的输入端连接连续波干扰检测04的输出端，深度调制识别网络识别052的第一输入端连接实时数据帧050的输出端，第二输入端连接干扰检测初步结果051的输出端，该算法输出干扰检测和调制识别结果。

如图8所示，数据帧模式干扰检测模块06由实时数据帧060、能量检测061组成，实时数据帧060的输入端连接数据预处理00，实时数据帧060的输出端连接能量检测061，该算法输出干扰检测结果。

如图9所示，数据帧模式干扰检测模块07由实时数据帧070、深度调制识别网络识别071组成，实时数据帧070的输入端连接数据预处理00，实时数据帧070的输出端连接深度调制识别网络识别071，该算法输出干扰识别结果。

本发明基于深度支持向量描述网络和调制识别网络，实现了通信系统的干扰检测与识别。与现有技术中的检测装置相比，本发明通过几项创新技术，实现了检测性能或实时性的提升，列举如下：

（a）采用深度支持向量数据描述网络提取信号特征并实现开集识别，有效提高复杂信道下的干扰检测性能，对电磁环境变化有较强的鲁棒性；

（b）直接采用时域I/Q信号样本作为检测输入，不需要通过STFT转化为瀑布图，有效提高实时性。

本发明还提供了一种基于深度支持向量数据描述的干扰检测方法，包括下述步骤：

（1）接收链路信号采集与调制，通过天线及信号采集系统采集空间信号，并完成IQ调制；具体包括以下子步骤：

通过天线以及基于AD9361芯片的信号采集系统，采集空间中通信信号；

将信号下变频，并完成IQ调制。

（2）初始化深度学习训练模块的深度支持向量网络及深度调制识别网络的参数；具体包括以下子步骤：

设置深度学习训练模块中的深度支持向量网络和深度调制识别网络层数、输入输出维度、卷积核数量和大小；

随机初始化深度支持向量网络和深度调制识别网络参数。

（3）数据预处理，通过混频、数字滤波、降采样和FFT运算，将信号的一维数据格式转化为四维矩阵数据格式，以定长帧格式保存；具体包括以下子步骤：

经混频处理，将接收信号由射频搬移至基带100kHz；

经数字滤波处理，滤除本振以及带外干扰；

经降采样处理，将接收信号采样率降至正好大于通信信号带宽，去除接收信号中的无效信息；

将时频IQ序列拼接，转化为四维矩阵数据格式，其中矩阵四行分别为时域I路数据、时域Q路数据、频域I路数据、频域Q路数据，矩阵的列为时频各路数据的元素值。

（4）数据集构建，通过引入白噪声、频偏和相噪，扩充深度学习训练数据集；具体包括以下子步骤：

引入一定范围内信噪比的白噪声，提高深度学习算法对白噪声的鲁棒性；

引入一定范围内带宽的频偏，提高深度学习算法对频偏信道的鲁棒性；

引入相噪，提高深度学习算法对相噪的鲁棒性。

（5）架构优化模块，仿真分步优化深度学习网络的输入维度、卷积核个数和长度、残差单元个数，以及网络输出维度；具体包括以下子步骤：

初始化深度学习网络超参数，仿真不同输入维度下深度支持向量描述网络的检测性能，优化得到最优输入维度；

在最优输入维度基础上，仿真不同优化卷积核个数下深度支持向量描述网络的检测性能，优化得到最优卷积核个数；

同理，在最优输入维度、卷积核个数基础上，依次优化卷积核长度、残差单元个数以及输出维度，最终得到深度支持向量描述网络的超参数；

结合优化完毕的深度支持向量描述网络的特征提取层与softmax函数，构建调制识别网络。

（6）利用深度学习训练数据集，随后调用深度学习训练模块，获得深度支持向量网络及深度调制识别网络的最优参数，并保存在大数据存储系统中的模型数据中；具体包括以下子步骤：

将数据预处理的数据以定长帧的格式保存在数据缓存中，随后存入大数据存储系统中的信号数据；

调取信号数据，利用初始参数初始化深度支持向量描述网络和深度调制识别网络，采用反向传播训练算法训练神经网络，通过反复迭代，达到收敛阈值时，获得网络的最优参数；

将获得的最优参数保存在模型数据中。

（7）根据通信系统工作模式，选择本系统工作模式，即连续波模式/数据帧模式；加载预处理后的数据，同时加载模型数据，调用对应工作模式下的干扰检测识别策略，判断实时帧数据是否存在干扰，并获得对应的调制方式；具体包括以下子步骤：

根据通信系统工作模式，选择本系统工作模式，即连续波模式/数据帧模式，系统即自动调用相应干扰识别算法；

在基于CPU架构的深度学习部署平台上，加载数据缓存中的实时数据帧；

加载模型数据中深度支持向量描述网络和深度调制识别网络的网络参数；

调用干扰检测与识别算法，完成对实时数据帧的干扰检测与识别。

（8）将实时数据流传给上位机监控软件，以可视化界面的形式显示识别结果；具体包括以下子步骤：

封装实时识别结果数据流，以函数调取的方法传送给监控模块；

基于pyQT设计可视化界面，以图形化方式给出实时数据流识别结果。

图10表示了近年基于深度学习的两种干扰检测方法AE-OCSVM和AE-IFOREST，与采用本发明提出的干扰检测方法的性能对比。图5结果是通过搭建的一个实际通信系统获得的，调制方式为BPSK，调制带宽为30kHz，干扰信号的调制方式和带宽分别为噪声调频和30kHz，并设置了不同的信噪比。可以看出，在同载频同带宽干扰下，对照算法AE-OCSVM和AE-IFOREST检测性能较差，原因是同载频同带宽信号相似的时频特征使得对照算法难以区分。而采用本发明的干扰检测方法时，利用原始时频IQ样本提取充分信号特征，利用深度学习技术和数据存储系统提高了信号抽象特征的提取能力，在同频同带宽干扰条件下干扰检测性能更佳。

图11表示了传统基于特征提取的统计模式调制识别方法和采用本发明提出的调制识别方法的性能对比。图5结果是通过搭建的一个实际通信系统获得的，通信系统包含7种调制方式，并设置了不同的信噪比。可以看出，基于特征提取的统计模式识别方法在低信噪比条件下识别率很低，原因是强噪声和多径信道使得传统特征参数的计算值与理论值产生较大偏差。而采用本发明的调制识别方法时，利用原始时频IQ样本提取充分信号特征，利用深度学习技术和数据存储系统提高了信号抽象特征的提取能力，在低信噪比条件下识别性能更佳。

最后所应该说明的是：以上具体的实施步骤主要是用来说明本发明的具体实现过程，而非限制本发明的技术方案，尽管该部分针对具体的实现实例进行了详细的说明，该领域的技术人员都应该理解：依然可以对本发明进行修改或者等同替换，而不能脱离本发明的精神和范围的任何修改或者局部替换，其均应该涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于深度支持向量数据描述的干扰检测装置，其特征在于，包括：数据预处理模块（00）、数据集构建模块（01）、架构优化模块（02）、深度学习训练模块（03）和在线检测模块；

所述数据预处理模块（00）的输入端连接接收链路，所述数据预处理模块（00）用于滤除信号中的冗余信息和干扰信息，并将一维采样数据格式转化为时频域IQ样本的四维矩阵数据格式；

所述数据集构建模块（01）的输入端连接至所述数据预处理模块（00）的第一输出端，所述数据集构建模块（01）用于引入信道噪声；

所述架构优化模块（02）的输入端连接至所述数据集构建模块（01）的输出端，所述架构优化模块（02）用于优化深度学习网络超参数；

所述深度学习训练模块（03）的输入端连接至所述架构优化模块（02）的输出端，所述深度学习训练模块（03）用于优化深度学习网络参数；

所述在线检测模块的第一输入端连接至所述数据预处理模块（00）的第二输出端，所述在线检测模块的第二输入端连接至所述深度学习训练模块（03）的输出端；所述在线检测模块用于实时采集空间信号并输出干扰检测和识别结果。

2.如权利要求1所述的干扰检测装置，其特征在于，所述在线检测模块包括：连续波干扰检测检测模块（04）、连续波干扰识别模块（05）、数据帧干扰检测模块（06）和数据帧干扰识别模块（07）；

所述连续波干扰检测检测模块（04）的输入端连接至所述数据预处理模块（00）的第二输出端，所述连续波干扰检测检测模块（04）用于连续波模式下的初步干扰检测；

所述连续波干扰识别模块（05）的输入端连接至所述连续波干扰检测检测模块（04）的输出端；所述连续波干扰识别模块（05）用于连续波模式下的干扰检测结果验证及调制识别；

所述数据帧干扰检测模块（06）的输入端连接至所述数据预处理模块（00）的第二输出端，所述数据帧干扰检测模块（06）用于数据帧模式下的初步干扰检测；

所述数据帧干扰识别模块（07）的输入端连接至所述数据帧干扰检测模块（06）的输出端；所述数据帧干扰识别模块（07）用于数据帧模式下的干扰检测结果验证及调制识别。

3.一种基于权利要求1或2所述的干扰检测装置实现的干扰检测方法，其特征在于，包括下述步骤：

S1对采集的链路信号进行预处理，将所述链路信号的一维数据格式转化为四维矩阵数据格式并以定长帧格式进行保存；

S2对步骤S1预处理后的定长帧数据进行数据集构建，通过引入白噪声、频偏和相噪，扩充深度学习训练数据集；

S3在步骤S2构建的训练数据集基础上，通过仿真分步优化深度学习网络的输入维度、卷积核个数和长度、残差单元个数以及网络输出维度实现架构模块的优化；

S4利用步骤S2构建的深度学习训练数据集，采用步骤S3中深度学习网络的各项最优超参数，调用深度学习训练模块，获得深度支持向量网络及深度调制识别网络的最优参数，并保存在大数据存储系统的模型数据中；

S5根据通信系统工作模式选择工作模式，通过加载采用步骤S1中预处理方法后的数据以及步骤S4所得的模型数据，并调用对应工作模式下的干扰检测识别策略，判断实时帧数据是否存在干扰，并获得对应的调制方式。

4.如权利要求3所述的干扰检测方法，其特征在于，步骤S1具体包括：

S11对采集的链路信号进行混频处理，将所述链路信号由射频搬移至基带100kHz；

S12对混频处理后的信号进行数字滤波处理，滤除本振以及带外干扰；

S13对滤波后的信号进行降采样处理，将所述链路信号的采样率降至与通信信号带宽一致，去除所述链路信号中的无效信息；

S14将降采样后信号的时频IQ序列拼接，转化为四维矩阵数据格式，其中矩阵四行分别为时域I路数据、时域Q路数据、频域I路数据、频域Q路数据，矩阵的列为时频各路数据的元素值。

5.如权利要求3所述的干扰检测方法，其特征在于，对采集的链路信号进行预处理之前还包括：对深度学习训练模块的深度支持向量网络及深度调制识别网络的参数进行初始化处理，具体为：

设置深度学习训练模块中的深度支持向量网络和深度调制识别网络层数、输入输出维度、卷积核数量和大小；

随机初始化深度支持向量网络和深度调制识别网络参数。

6.如权利要求3-5任一项所述的干扰检测方法，其特征在于，步骤S2具体包括：

S21在步骤S14所得数据的基础上引入一定范围内信噪比的白噪声；

S22通过在步骤S21的基础上引入一定范围内带宽的频偏；

S23通过在步骤S22的基础上引入相噪。

7.如权利要求6所述的干扰检测方法，其特征在于，步骤S3具体包括：

S31对深度学习网络超参数进行初始化，通过仿真不同输入维度下深度支持向量描述网络的检测性能实现优化并获得最优输入维度；

S32在最优输入维度基础上，通过仿真不同优化卷积核个数下深度支持向量描述网络的检测性能实现优化并获得最优卷积核个数；

S33在最优输入维度和卷积核个数基础上，通过依次优化卷积核长度、残差单元个数以及输出维度，获得深度支持向量描述网络的超参数；

S34结合步骤S33中优化完毕的深度支持向量描述网络的特征提取层与softmax函数构建调制识别网络。

8.如权利要求7所述的干扰检测方法，其特征在于，步骤S4具体包括：

S41利用初始参数对深度支持向量描述网络和深度调制识别网络进行初始化；

S42调取步骤S23得到的信号数据，采用反向传播训练算法训练神经网络，并通过反复迭代直至达到收敛阈值时，获得网络的最优参数；

S43将获得的最优参数保存在模型数据中。

9.如权利要求8所述的干扰检测方法，其特征在于，步骤S5具体包括：

S51根据通信系统工作模式选择本系统工作模式；

S52在基于CPU架构的深度学习部署平台上加载数据缓存中的实时预处理后的数据帧；

S53加载步骤S43所得的模型数据中深度支持向量描述网络和深度调制识别网络的网络参数；

S54根据工作模式相应的调用干扰检测与识别算法并实现对实时数据帧的干扰检测与识别。

10.如权利要求9所述的干扰检测方法，其特征在于，在步骤S5之后还包括：

对步骤S54所得的实时识别结果数据流进行封装，并以函数调取的方法传送给监控模块；

基于pyQT设计可视化界面，以图形化方式给出实时数据流识别结果。

Images