CN115186710A - 基于软决策多节点合作感知的干扰识别方法和装置 - Google Patents
基于软决策多节点合作感知的干扰识别方法和装置 Download PDFInfo
- Publication number
- CN115186710A CN115186710A CN202210808747.4A CN202210808747A CN115186710A CN 115186710 A CN115186710 A CN 115186710A CN 202210808747 A CN202210808747 A CN 202210808747A CN 115186710 A CN115186710 A CN 115186710A
- Authority
- CN
- China
- Prior art keywords
- interference
- sensing
- result
- classifier
- identification
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种基于软决策多节点合作感知的干扰识别方法和装置。所述方法包括:设置并根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果;将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果;根据融合中心对各个感知节点的干扰识别结果进行量化处理,根据得到的量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点中的分类器进行自训练,得到训练好的新分类器。采用本方法能够基于软决策多节点合作感知进行干扰识别,提高了干扰识别的准确率,并通过融合中心辅助分类器进行高质量的自训练,得到干扰识别精度更高的新分类器。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种基于软决策多节点合作感知的干扰识别方法和装置。
背景技术
由于固有的开放性和广播性,无线通信越来越容易受到恶意的干扰攻击。鉴于此,人们提出了各种技术来防御干扰攻击,如跳频(FH)、直接序列扩频(DSSS)和最近的先进方法,如基于博弈论的方案、干扰对准和最优功率控制。值得注意的是,这些有效的抗干扰方法背后的关键目标是准确识别干扰攻击。具体来说,干扰识别可以有效地识别干扰攻击,进而指导现有抗干扰方法的实施。此外,成功的干扰识别甚至可以用来预测干扰者的行为,因为实时连续变化的干扰模式存在着极高的成本和低执行率。因此,迫切需要一种有效和高效的干扰识别方法。
然而,干扰识别要比合法通信信号的识别困难得多,因为干扰信号不需要同步设计等协调问题,导致了各种干扰模式的出现。特别是,干扰者可以自适应地调整干扰策略,以最低的成本最大化对合法节点的破坏作用,这样一来,干扰检测概率和准确的干扰信号集都很难得到。同时,为分类器训练建立属于各种模式的大型标记的干扰信号集需要大量的人工标记,这就导致了实施成本非常高。更为严重的是,由于干扰信号具有潜在的时变特性,现实条件下还面临着需要一种低复杂度、高准确率且不需要对训练样本进行大量标记的快速干扰识别方法。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低干扰识别计算复杂度、提高干扰识别精度的基于软决策多节点合作感知的干扰识别方法和装置。
一种基于软决策多节点合作感知的干扰识别方法,所述方法包括:
设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果;其中,干扰识别结果包括通信信号中每种干扰样式的干扰识别概率;
将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果;
根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
在其中一个实施例中,设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果,包括:
设置感知节点接收通信信号,对通信信号进行归一化处理得到归一化信号,对归一化信号进行快速傅里叶变换得到单边谱信号;
将单边谱信号进行转换,得到干扰特征,其中,干扰特征包括载波因子系数,通信信号方差与通信信号平均值的平方之比,平坦度频谱系数和3阶偏置系数;
将干扰特征输入感知节点中的分类器进行干扰识别,得到干扰识别结果。
在其中一个实施例中,设置感知节点接收通信信号,对通信信号进行归一化处理得到归一化信号,对归一化信号进行快速傅里叶变换得到单边谱信号,包括:
设置Nc个感知节点接收通信信号,表示为
ri=HisJ+ωi
其中,ri表示第i个感知节点接收的通信信号,i=1,2,...,Nc,Hi=diag(hi)表示信道矩阵,hi表示信道系数,sJ表示干扰信号,ωi表示白高斯噪声;
对通信信号进行归一化处理得到归一化信号,将归一化信号进行快速傅里叶变换得到单边谱信号yi。
在其中一个实施例中,将干扰特征输入感知节点中的分类器进行干扰识别,得到干扰识别结果,包括:
干扰特征组成的特征向量表示为
其中,ts表示时隙,C表示载波因子系数,Rf表示通信信号的方差与平均值的平方之比,Fse表示平坦度频谱系数,b3表示3阶偏置系数,T表示对特征向量进行转置;
将特征向量输入感知节点中的分类器进行干扰识别,得到干扰识别结果,表示为
其中,pi表示第i个感知节点的干扰识别结果,表示第i个感知节点接收的通信信号中第c类干扰样式的干扰识别概率,n表示特征向量服从n维正态分布,μ表示已标记干扰特征的均值向量,Σ表示已标记干扰特征的协方差矩阵,α表示干扰样式的总类数。
在其中一个实施例中,将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果,包括:
将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行汇总,得到总干扰识别概率,表示为
对总干扰识别概率进行计算,得到最终干扰识别结果,表示为
其中,pFC(c)表示第c类干扰样式的干扰识别概率。
在其中一个实施例中,根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,包括:
根据融合中心对第i个感知节点的干扰识别结果中的每种干扰样式的干扰识别概率按照大小进行排序,选择最大干扰识别概率进行量化处理,得到第i个感知节点的干扰识别索引,表示为
在其中一个实施例中,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器,包括:
根据量化结果设定判决条件,判决条件表示为
通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
在其中一个实施例中,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器,包括:
通过融合中心将最终干扰识别结果和标签输入感知节点,将正标签对应的待标记干扰样本的干扰特征进行存储,得到干扰特征集,根据干扰特征集训练分类器,得到训练好的新分类器。
在其中一个实施例中,设置感知节点接收通信信号之前,还包括:
根据通信信号中每个干扰样式的协方差矩阵和平均值对感知节点进行初始化处理,得到初始化感知节点,将初始化感知节点设置在融合中心周围接收通信信号。
一种基于软决策多节点合作感知的干扰识别装置,所述装置包括:
干扰识别模块,用于设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果;其中,干扰识别结果包括通信信号中每种干扰样式的干扰识别概率;
合作感知模块,用于将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果;
自训练模块,用于根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
上述基于软决策多节点合作感知的干扰识别方法和装置,通过将所有感知节点的干扰识别结果输入融合中心并根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果,充分利用了来自不同感知节点的识别信息,降低了单个感知节点识别误差对干扰识别结果的影响,并且,在根据软决策合作感知对所有干扰识别结果进行处理时,没有对干扰识别结果进行量化处理,避免了量化误差,进一步提高了最终干扰识别结果的准确率;根据融合中心对各个感知节点的干扰识别结果进行量化处理,可以为待标记干扰样本赋予高置信度的标签,减少了人工标记信号的成本;通过融合中心将高准确率的最终干扰识别结果和高置信度的标签输入感知节点,辅助感知节点中的分类器进行高质量的自我训练,得到识别精度更高的新分类器,从而进一步地提高了后续干扰识别的准确率。
附图说明
图1为一个实施例中基于软决策多节点合作感知的干扰识别方法的应用场景图;
图2为一个实施例中基于软决策多节点合作感知的干扰识别方法的流程示意图;
图3为一个实施例中在感知节点数量为4的情况下,本发明所提方法在不同标记样本下的平均识别准确率的比较示意图;
图4为一个实施例中在训练样本数为10时不同干扰识别方法的平均识别准确率的比较示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明所提的基于软决策多节点合作感知的干扰识别方法,可以应用于如图1所示的场景中。如图1所示,在合法通信双方进行通信时,在特定的干扰机开始工作后,通信质量将受到高误码率(BER)的影响,此时,合法接收机(legitimate receiver)停止发送确认字符(ACK),然后合法发射机(legitimate transmitter)停止与合法接收机的通信,当合法接收方无法从合法发射方获得信息时,通过设置的感知节点和融合中心(FC)执行干扰识别过程。
在一个实施例中,如图2所示,提供了一种基于软决策多节点合作感知的干扰识别方法,以该方法应用于图1中的场景为例进行说明,包括以下步骤:
步骤202,设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果;其中,干扰识别结果包括通信信号中每种干扰样式的干扰识别概率。
可以理解,将多个感知节点部署在合法接收器周围,考虑多个感知节点之间的合作感知可以来识别干扰的情况,感知节点中的分类器一般为贝叶斯分类器,包括正态贝叶斯分类器和朴素贝叶斯分类器,贝叶斯分类器使用因果推理来计算通信信号中每种干扰样式的干扰识别概率。
步骤204,将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果。
可以理解,融合中心也可以被认为是合法的接收器,融合中心接收来自所有感知节点的干扰识别数据进行融合,并提供最终的识别结果,软决策合作感知是一种多重感知方法,在软决策中,每个感知节点将干扰识别结果中的每种干扰样式的干扰识别概率发送给融合中心,在收到所有感知节点的干扰识别结果后,融合中心通过充分利用来自不同感知节点的干扰识别信息提供最终干扰识别结果。
步骤206,根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
可以理解,在分类器的自训练之前,融合中心还需要对各个感知节点的干扰识别结果进行量化操作,根据得到的量化结果为待标记干扰样本赋予高置信度的标签,最后将最终干扰识别结果和标签作为反馈信息反馈给感知节点,指引感知节点中的分类器进行自训练,从而识别精度更高的新分类器。
上述基于软决策多节点合作感知的干扰识别方法,通过将所有感知节点的干扰识别结果输入融合中心并根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果,充分利用了来自不同感知节点的识别信息,降低了单个感知节点识别误差对干扰识别结果的影响,并且,在根据软决策合作感知对所有干扰识别结果进行处理时,没有对干扰识别结果进行量化处理,避免了量化误差,进一步提高了最终干扰识别结果的准确率;根据融合中心对各个感知节点的干扰识别结果进行量化处理,可以为待标记干扰样本赋予高置信度的标签,减少了人工标记信号的成本;通过融合中心将高准确率的最终干扰识别结果和高置信度的标签输入感知节点,辅助感知节点中的分类器进行高质量的自我训练,得到识别精度更高的新分类器,从而进一步地提高了后续干扰识别的准确率。
在其中一个实施例中,设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果,包括:
设置感知节点接收通信信号,对于第i个感知节点接收的信号ri,首先对信号ri进行归一化处理得到归一化信号,表示为[-1,1],然后对归一化信号进行快速傅里叶变换得到的单边谱信号yi,其中l是计算中快速傅里叶变换(FFT)的长度;再将单边谱信号yi转换为干扰特征,其中,干扰特征包括载波因子系数,通信信号方差与通信信号平均值的平方之比,平坦度频谱系数和3阶偏置系数;最后每个感知节点将干扰特征输入感知节点中的分类器,如正态贝叶斯分类器或朴素贝叶斯分类器,根据分类器进行干扰识别,输出干扰识别结果,其中干扰识别结果包括接收的通信信号中每种干扰样式的干扰识别概率。
具体地,通信信号中的干扰样式包括六种干扰样式,分别是单音干扰、多音干扰、窄带干扰、宽带干扰、窄带梳状干扰和扫频干扰。
在其中一个实施例中,设置感知节点接收通信信号,对通信信号进行归一化处理得到归一化信号,对归一化信号进行快速傅里叶变换得到单边谱信号,包括:
设置Nc个感知节点接收通信信号,表示为
ri=HisJ+ωi
其中,ri表示第i个感知节点接收的通信信号,i=1,2,...,Nc,Hi=diag(hi)表示信道矩阵,hi表示信道系数,sJ表示干扰信号,ωi表示白高斯噪声;
对通信信号进行归一化处理得到归一化信号,将归一化信号进行快速傅里叶变换得到单边谱信号yi。
在其中一个实施例中,将干扰特征输入感知节点中的分类器进行干扰识别,得到干扰识别结果,包括:
干扰特征组成的特征向量表示为
其中,ts表示时隙,C表示载波因子系数,Rf表示通信信号的方差与平均值的平方之比,Fse表示平坦度频谱系数,b3表示3阶偏置系数,T表示对特征向量进行转置;
将特征向量输入感知节点中的分类器进行干扰识别,得到干扰识别结果,表示为
其中,pi表示第i个感知节点的干扰识别结果,表示第i个感知节点接收的通信信号中第c类干扰样式的干扰识别概率,n表示特征向量服从n维正态分布,μ表示已标记干扰特征的均值向量,Σ表示已标记干扰特征的协方差矩阵,α表示干扰样式的总类数。
具体地,设n=4,将服从4维正态分布的特征向量输入正态贝叶斯分类器进行干扰识别,干扰特征遵循多维正态分布。
可以理解,通过特征向量中的载波因子系数,通信信号方差与通信信号平均值的平方之比,平坦度频谱系数和3阶偏置系数这四个干扰特征可以来提取干扰信号的信息,并将干扰特征用于干扰信号的识别,同时,使用干扰特征可以将分类器的输入维度从l减少到4,这有助于消除计算复杂度。
在其中一个实施例中,将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果,包括:
将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行汇总,得到总干扰识别概率,表示为
对总干扰识别概率进行计算,得到最终干扰识别结果,表示为
其中,pFC(c)表示第c类干扰样式的干扰识别概率。
可以理解,融合中心根据软决策合作感知对所有感知节点的干扰识别结果进行处理,得到最终干扰识别结果,充分利用了来自不同感知节点的识别信息,降低了单个感知节点识别误差对识别结果的影响,并且,在根据软决策合作感知对所有干扰识别结果进行处理时,没有对干扰识别结果进行量化处理,避免了量化误差,进一步提高了最终干扰识别结果的准确率。
在其中一个实施例中,根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,包括:
根据融合中心对第i个感知节点的干扰识别结果中的每种干扰样式的干扰识别概率按照大小进行排序,选择最大干扰识别概率进行量化处理,得到第i个感知节点的干扰识别索引,表示为
可以理解,对各个感知节点的干扰识别结果进行量化操作的目的在于为感感知节点中的分类器的自训练过程提供高置信度的标签,并通过融合中心将干准确度的最终干扰识别结果和高置信度的标签反馈给感知节点来指导分类器进行高质量的自训练。
在其中一个实施例中,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器,包括:
根据量化结果设定判决条件,判决条件表示为
通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
在其中一个实施例中,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器,包括:
通过融合中心将最终干扰识别结果和标签输入感知节点,感知节点将正标签对应的待标记干扰样本的干扰特征进行存储,得到干扰特征集,根据干扰特征集训练分类器,得到训练好的新分类器。
在一个具体的实施例中,融合中心辅助分类器进行自训练的过程如表1所示,表1中的括号{}表示样本标记过程和感知节点中的自训练过程的详细步骤。
表1融合中心辅助分类器进行自训练的过程
可以理解,正负标签的赋予是为了筛选可以用于训练的干扰样本,正标签表示样本可以用于训练,负标签表示样本不可用于训练,通过正负标签的赋予,为分类器的自训练提供了高置信度的标签,避免人工为训练样本进行大量标记,减少了样本标记的成本。
在其中一个实施例中,设置感知节点接收通信信号之前,还包括:
根据通信信号中每个干扰样式的协方差矩阵和平均值对感知节点进行初始化处理,得到初始化感知节点,将初始化感知节点设置在融合中心周围接收通信信号。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了进一步说明本发明所提的基于软决策多节点合作感知的干扰识别方法的有益效果,还进一步进行了仿真实验进行验证,具体地,在仿真验证中,假设接收到的通信信号已经通过解调和滤波处理,对通信信号进行采样,设定采样时间T=2秒,采样频率fs=1000Hz,即接收的通信信号的样本共有M=2000个,设定每种干扰样式对应的未标记样本的数量用Ks表示,每个干扰样式的样本数都是相同的且一共有六种干扰样式,即未标记样本总数Ts=6Ks,其中,通信信号中的干扰样式的参数如表2所示。
表2干扰样式的参数
在仿真实验中,如图3所示,首先研究了在感知节点数量为4的情况下,本发明所提方法在不同标记样本下的平均识别准确率的情况,由图3可知,通过比较在不同标记样本下的结果,即K=10、30和100,可以知道,随着训练用的标记样本的增加,本发明所提的基于软决策多节点合作感知的干扰识别方法所带来的平均准确率的提高变得很明显,这可以归因于正态贝叶斯分类器计算出的概率(软信息)随着标注样本的增加而变得更加可靠。
如图4所示,在训练样本数为10时,针对本发明所提方法(即图中的基于软融合FC辅助的自学习)与硬融合、软融合、基于硬融合FC辅助的自学习以及节点的自学习方法的平均识别准确率进行了比较,首先,可以发现基于软融合FC辅助的自学习和基于硬融合FC辅助的自学习这两种自训练方案都可以实现平均识别准确率的大幅提高,这是因为自训练利用了未标记的样本中的潜在信息,并且由于减少了量化误差,本发明所提方法具有更高的平均识别准确率。第二,FC辅助训练的贝叶斯分类器比基于节点的自训练版本有更好的平均准确率,因为由FC辅助的自训练能够通过多节点合作感知减少错误的伪标签。第三,与没有进行自训练的版本相比,本发明所提方法可以通过自训练提高平均识别准确率,这可以解释为软信息的可靠性通过自训练得到了提高。
在一个实施例中,提供了一种基于软决策多节点合作感知的干扰识别装置,所述装置包括:
干扰识别模块,用于设置感知节点接收通信信号,根据感知节点中的分类器对通信信号进行干扰识别,得到干扰识别结果;其中,干扰识别结果包括通信信号中每种干扰样式的干扰识别概率。
可以理解,将多个感知节点部署在合法接收器周围,考虑多个感知节点之间的合作感知可以来识别干扰的情况,感知节点中的分类器一般为贝叶斯分类器,包括正态贝叶斯分类器和朴素贝叶斯分类器,贝叶斯分类器使用因果推理来计算通信信号中每种干扰样式的干扰识别概率。
合作感知模块,用于将各个感知节点的干扰识别结果输入融合中心,根据软决策合作感知对所有干扰识别结果进行处理,得到最终干扰识别结果。
可以理解,融合中心也可以被认为是合法的接收器,融合中心接收来自所有感知节点的干扰识别数据进行融合,并提供最终的识别结果,软决策合作感知是一种多重感知方法,在软决策中,每个感知节点将干扰识别结果中的每种干扰样式的干扰识别概率发送给融合中心,在收到所有感知节点的干扰识别结果后,融合中心通过充分利用来自不同感知节点的干扰识别信息提供最终干扰识别结果。
自训练模块,用于根据融合中心对各个感知节点的干扰识别结果进行量化处理,得到量化结果,根据量化结果为待标记干扰样本赋予标签,通过融合中心将最终干扰识别结果和标签输入感知节点,进行分类器的自训练,得到训练好的新分类器。
可以理解,在分类器的自训练之前,融合中心还需要对各个感知节点的干扰识别结果进行量化操作,根据得到的量化结果为待标记干扰样本赋予高置信度的标签,最后将最终干扰识别结果和标签作为反馈信息反馈给感知节点,指引感知节点中的分类器进行自训练,从而识别精度更高的新分类器。
关于基于软决策多节点合作感知的干扰识别装置的具体限定可以参见上文中对于基于软决策多节点合作感知的干扰识别方法的限定,在此不再赘述。上述基于软决策多节点合作感知的干扰识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于软决策多节点合作感知的干扰识别方法,其特征在于,所述方法包括:
设置感知节点接收通信信号,根据所述感知节点中的分类器对所述通信信号进行干扰识别,得到干扰识别结果;其中,所述干扰识别结果包括所述通信信号中每种干扰样式的干扰识别概率;
将各个感知节点的所述干扰识别结果输入融合中心,根据软决策合作感知对所有所述干扰识别结果进行处理,得到最终干扰识别结果;
根据融合中心对各个感知节点的所述干扰识别结果进行量化处理,得到量化结果,根据所述量化结果为待标记干扰样本赋予标签,通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,进行所述分类器的自训练,得到训练好的新分类器。
2.根据权利要求1所述的方法,其特征在于,设置感知节点接收通信信号,根据所述感知节点中的分类器对所述通信信号进行干扰识别,得到干扰识别结果,包括:
设置感知节点接收通信信号,对所述通信信号进行归一化处理得到归一化信号,对所述归一化信号进行快速傅里叶变换得到单边谱信号;
将所述单边谱信号进行转换,得到干扰特征,其中,所述干扰特征包括载波因子系数,通信信号方差与通信信号平均值的平方之比,平坦度频谱系数和3阶偏置系数;
将所述干扰特征输入所述感知节点中的分类器进行干扰识别,得到干扰识别结果。
3.根据权利要求2所述的方法,其特征在于,设置感知节点接收通信信号,对所述通信信号进行归一化处理得到归一化信号,对所述归一化信号进行快速傅里叶变换得到单边谱信号,包括:
设置Nc个感知节点接收通信信号,表示为
ri=HisJ+ωi
其中,ri表示第i个感知节点接收的通信信号,i=1,2,...,Nc,Hi=diag(hi)表示信道矩阵,hi表示信道系数,sJ表示干扰信号,ωi表示白高斯噪声;
对所述通信信号进行归一化处理得到归一化信号,将所述归一化信号进行快速傅里叶变换得到单边谱信号yi。
4.根据权利要求2所述的方法,其特征在于,将所述干扰特征输入所述感知节点中的分类器进行干扰识别,得到干扰识别结果,包括:
所述干扰特征组成的特征向量表示为
其中,ts表示时隙,C表示所述载波因子系数,Rf表示所述通信信号的方差与平均值的平方之比,Fse表示所述平坦度频谱系数,b3表示所述3阶偏置系数,T表示对所述特征向量进行转置;
将所述特征向量输入所述感知节点中的分类器进行干扰识别,得到干扰识别结果,表示为
7.根据权利要求1所述的方法,其特征在于,根据所述量化结果为待标记干扰样本赋予标签,通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,进行所述分类器的自训练,得到训练好的新分类器,包括:
根据所述量化结果设定判决条件,所述判决条件表示为
通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,进行所述分类器的自训练,得到训练好的新分类器。
8.根据权利要求7所述的方法,其特征在于,通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,进行所述分类器的自训练,得到训练好的新分类器,包括:
通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,将所述正标签对应的待标记干扰样本的干扰特征进行存储,得到干扰特征集,根据所述干扰特征集训练所述分类器,得到训练好的新分类器。
9.根据权利要求1所述的方法,其特征在于,设置感知节点接收通信信号之前,还包括:
根据所述通信信号中每个干扰样式的协方差矩阵和平均值对所述感知节点进行初始化处理,得到初始化感知节点,将所述初始化感知节点设置在所述融合中心周围接收通信信号。
10.一种基于软决策多节点合作感知的干扰识别装置,其特征在于,所述装置包括:
干扰识别模块,用于设置感知节点接收通信信号,根据所述感知节点中的分类器对所述通信信号进行干扰识别,得到干扰识别结果;其中,所述干扰识别结果包括所述通信信号中每种干扰样式的干扰识别概率;
合作感知模块,用于将各个感知节点的所述干扰识别结果输入融合中心,根据软决策合作感知对所有所述干扰识别结果进行处理,得到最终干扰识别结果;
自训练模块,用于根据融合中心对各个感知节点的所述干扰识别结果进行量化处理,得到量化结果,根据所述量化结果为待标记干扰样本赋予标签,通过所述融合中心将所述最终干扰识别结果和所述标签输入所述感知节点,进行所述分类器的自训练,得到训练好的新分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808747.4A CN115186710A (zh) | 2022-07-11 | 2022-07-11 | 基于软决策多节点合作感知的干扰识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808747.4A CN115186710A (zh) | 2022-07-11 | 2022-07-11 | 基于软决策多节点合作感知的干扰识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186710A true CN115186710A (zh) | 2022-10-14 |
Family
ID=83516519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808747.4A Pending CN115186710A (zh) | 2022-07-11 | 2022-07-11 | 基于软决策多节点合作感知的干扰识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186710A (zh) |
-
2022
- 2022-07-11 CN CN202210808747.4A patent/CN115186710A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
Oyedare et al. | Estimating the required training dataset size for transmitter classification using deep learning | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN112861927A (zh) | 基于自适应特征提取与融合的信号调制分类方法 | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN113014524A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
CN113051628A (zh) | 基于残差学习的芯片侧信道攻击降噪预处理方法 | |
CN115243288B (zh) | 基于多节点合作感知的干扰识别方法和装置 | |
CN113205140A (zh) | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 | |
Juan-ping et al. | Automatic modulation recognition of digital communication signals | |
CN115186710A (zh) | 基于软决策多节点合作感知的干扰识别方法和装置 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN115563485A (zh) | 一种基于深度学习的低复杂度干扰识别方法 | |
CN113541726B (zh) | 一种基于循环神经网络的码索引扩频水声通信方法 | |
Wu et al. | Interference detection and recognition based on signal reconstruction using recurrent neural network | |
Morehouse et al. | RF device identification using CNN based PUF | |
CN115955375A (zh) | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及系统 | |
CN115270891A (zh) | 一种信号对抗样本的生成方法、装置、设备及存储介质 | |
CN115037437A (zh) | 使用SpecAugment技术的基于深度学习的侧信道攻击方法及系统 | |
Wu et al. | An Open Set Specific Emitter Identification Method Using Deep Feature Embedded Discriminator | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 |
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 |