CN115243288A - 基于多节点合作感知的干扰识别方法和装置 - Google Patents
基于多节点合作感知的干扰识别方法和装置 Download PDFInfo
- Publication number
- CN115243288A CN115243288A CN202210808721.XA CN202210808721A CN115243288A CN 115243288 A CN115243288 A CN 115243288A CN 202210808721 A CN202210808721 A CN 202210808721A CN 115243288 A CN115243288 A CN 115243288A
- Authority
- CN
- China
- Prior art keywords
- interference
- sensing
- classifier
- identification
- node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000004891 communication Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 51
- 239000013598 vector Substances 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 239000013604 expression vector Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Noise Elimination (AREA)
Abstract
本申请涉及一种基于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；将各个感知节点的干扰识别结果输入融合中心，根据硬决策合作感知对所有干扰识别结果进行搜索，得到最终干扰识别结果；根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。采用本方法能够充分利用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的影响，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我训练，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，因此需要低复杂度的快速有效的干扰识别方法。
发明内容
基于此，有必要针对上述技术问题，提供一种的基于多节点合作感知的干扰识别方法和装置。
一种基于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；
将各个感知节点的干扰识别结果输入融合中心，根据硬决策合作感知对所有干扰识别结果进行搜索，得到最终干扰识别结果；
根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，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；
将干扰特征输入感知节点中的分类器进行干扰识别，输出干扰识别结果。
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，将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ri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，将干扰特征输入分类器进行干扰识别，输出干扰识别结果，包括：
将干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，其中，干扰样式包括单音干扰、多音干扰、窄带干扰、宽带干扰、窄带梳状干扰和扫频干扰；
按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到干扰识别结果。
在其中一个实施例中，将干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，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表示对所述特征向量进行转置；
将特征向量输入分类器进行干扰识别，得到干扰样式的概率，表示为
其中，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。
在其中一个实施例中，按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到干扰识别结果，包括：
按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到最大概率干扰样式的索引，表示为
其中，
表示第c类干扰样式出现的后验概率，
表示第c类干扰样式出现的先验概率，α表示干扰样式的总类数，μc表示已标记的第c类干扰样式对应的干扰特征的均值向量，Σc表示已标记的第c类干扰样式对应的干扰特征的协方差矩阵，
是一个常数；
将最大概率干扰样式的索引作为干扰识别结果，干扰识别结果表示为
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，根据硬决策合作感知对所有干扰识别结果进行搜索，得到最终干扰识别结果，包括：
各个感知节点将干扰识别结果输入融合中心进行硬决策多节点合作感知，输出最终干扰识别结果，表示为
其中，
表示在一个向量中搜索最频繁的值，
表示由融合中心汇总的Nc个感知节点的干扰识别结果组成的向量。
在其中一个实施例中，根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器，包括：
根据最终干扰识别结果设定判决条件，判决条件表示为
其中，
表示向量η中等于
的元素数量，Nth表示阈值，Nth≤Nc，
表示标签，
表示待标记干扰样本；
当判决条件的结果为
时，为待标记干扰样本赋予正标签，表示为
否则，为待标记干扰样本赋予负标签，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，进行各个所述感知节点中的分类器的自训练，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，进行各个所述感知节点中的分类器的自训练，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。
一种基于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，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；
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，根据硬决策合作感知对所有干扰识别结果进行搜索，得到最终干扰识别结果；
自训练模块，用于根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。
上述基于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，根据硬决策合作感知对所有感知节点的干扰识别结果进行搜索，得到最终干扰识别结果，充分利用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，提高了最终干扰识别结果的准确率；根据融合中心输出的高准确率的最终干扰识别结果，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为一个实施例中不同数量的感知节点之间的平均识别准确率比较示意图；
图4为一个实施例中的在感知节点数量为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比较示意图；
图5为一个实施例中硬融合、基于节点的自训练和本发明所提方法的平均识别准确率的比较示意图；
图6为一个实施例中在不同的参数下，正态贝叶斯分类器和本发明所提方法的平均识别准确率比较示意图。
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。
本申请提供的基于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。
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每个干扰样式的概率。
步骤204，将各个感知节点的干扰识别结果输入融合中心，根据硬决策合作感知对所有干扰识别结果进行搜索，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，硬决策合作感知是一种多重感知方法，在硬决策中，每个感知节点将最可能的干扰样式的索引发送给融合中心，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识别信息提供最终干扰识别结果。
步骤206，根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。
可以理解，融合中心根据最终干扰识别结果会为每个感知节点提供反馈，具体来说，反馈信息包含一个高置信度的标签决定，判决当前的干扰信号是否可以用来训练，融合中心将最终干扰识别结果和高置信度的标签传送到每个感知节点，从而实现分类器的自训练，得到识别精度更高的新分类器。
上述基于多节点合作感知的干扰识别方法中，通过将所有感知节点的干扰识别结果输入融合中心，根据硬决策合作感知对所有的干扰识别结果进行搜索，得到最终干扰识别结果，充分利用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，提高了最终干扰识别结果的准确率；根据融合中心输出的高准确率的最终干扰识别结果，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单边谱信号yi，其中
l是计算中快速傅里叶变换(FFT)的长度；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；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。
具体地，在设置感知节点之前，还需要将每个干扰样式的协方差矩阵和平均值被注入到感知节点进行节点的初始化处理，随后，初始化结束后的多个感知节点被部署在合法接收器周围。
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，将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ri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，对单边谱信号yi进行转换，得到干扰特征。
在其中一个实施例中，将干扰特征输入分类器进行干扰识别，输出干扰识别结果，包括：
将干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，其中，干扰样式包括单音干扰、多音干扰、窄带干扰、宽带干扰、窄带梳状干扰和扫频干扰；按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到干扰识别结果。
可以理解，通过载波因子系数，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，将干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，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表示对所述特征向量进行转置；将特征向量输入分类器进行干扰识别，得到干扰样式的概率，表示为
其中，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。
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。
在其中一个实施例中，按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到干扰识别结果，包括：
按照大小对干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到最大概率干扰样式的索引，表示为
其中，
表示第c类干扰样式出现的后验概率，
表示第c类干扰样式出现的先验概率，α表示干扰样式的总类数，μc表示已标记的第c类干扰样式对应的干扰特征的均值向量，Σc表示已标记的第c类干扰样式对应的干扰特征的协方差矩阵，
是一个常数，对于所有的干扰样式都是相等的，对搜索最大值没有影响，在上式中可以直接省略，具体地，为了不失一般性，可以假设每类干扰样式出现的先验概率相同；将最大概率干扰样式的索引作为干扰识别结果，干扰识别结果表示为
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，根据硬决策合作感知对所有干扰识别结果进行搜索，得到最终干扰识别结果，包括：
各个感知节点将干扰识别结果输入融合中心进行硬决策多节点合作感知，输出最终干扰识别结果，表示为
其中，
表示在一个向量中搜索最频繁的值，
表示由融合中心汇总的Nc个感知节点的干扰识别结果组成的向量。
可以理解，根据硬决策合作感知对所有感知节点的干扰识别结果进行搜索，得到最终干扰识别结果，充分利用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，提高了最终干扰识别结果的准确率。
在其中一个实施例中，根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器，包括：
根据最终干扰识别结果设定判决条件，判决条件表示为
其中，
表示向量η中等于
的元素数量，Nth表示阈值，Nth≤Nc，
表示标签，
表示待标记干扰样本；当判决条件的结果为
时，为待标记干扰样本赋予正标签，表示为
否则，为待标记干扰样本赋予负标签，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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。融合中心辅助分类器进行自训练的过程如表1所示。
表1融合中心辅助分类器进行自训练的过程
其中，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，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，通过融合中心将最终干扰识别结果和标签输入感知节点，进行各个所述感知节点中的分类器的自训练，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。
可以理解，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。
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，首先研究了感知节点的数量对平均识别准确率的影响，具体地，感知节点的数量Nc，设置为1、4、8和12，其中每个节点都采用硬决策，其中感知节点中的正态贝叶斯分类器是通过K＝30个已标记的样本来训练每个干扰样式的。如图3所示，可以知道，Nc的增加可以显著提高平均准确率。这可以解释为额外的白高斯噪声在每个节点都是独立的，这为多节点合作感知提供了性能改善的潜力。此外，当Nc变得非常大时，改进是有限的，这意味着干扰识别准确率的改进不能通过无限增加节点的数量来实现。
如图4所示，在仿真实验中研究了在感知节点数量为4的情况下，针对本发明所提方法在不同标记样本下的平均识别准确率进行了比较，由图4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，硬决策所带来的平均准确率的提高变得很明显。这可以归因于贝叶斯分类器计算出的概率(硬信息)随着标注样本的增加而变得更加可靠。
如图5所示，针对硬融合(即上文中的硬决策)、基于节点的自训练和本发明所提方法的平均识别准确率进行了比较，具体地，用于训练的标记样本和用于自训练的未标记样本分别为10和50，合作感知的节点数为4，由图5可以知道，相比于硬融合和基于节点的自训练方法，根据本发明所提方法通过融合中心辅助进行分类器的自训练可以实现平均识别准确率的大幅提高，这是因为本发明所提方法利用了未标记的样本中的潜在信息。
此外，在不同的参数下，将正态贝叶斯分类器和本发明所提方法的平均识别准确率进行了比较，具体地，是指当合作感知的节点数为4时，在已标记样本数K、阈值Nth和未标记样本数Ks参数下，将正态贝叶斯分类器和本发明所提方法的平均识别准确率进行了比较，比较结果如图6所示，由图6可以知道，阈值Nth＝2和Nth＝4对平均识别准确率的影响不明显，可以解释为在Nth＝4下的伪标签样本更可靠，但这些样本的增量信息是有限的，换句话说，那些能被所有节点很好识别的样本在用于自训练时能提供较少的信息。并且，将Ks＝200与Ks＝50的方案相比，可以发现，随着未标记样本数的增加，本发明所提方法的平均识别准确率也随之增加，这是因为由于随着未标记样本数的增加，用于自训练的样本更多，得到的训练好的新分类器的识别精度更高，识别准确率增加。此外，将K＝5与K＝10的方案相比，可以发现，已标记样本数越多，本发明所提方法的平均识别准确率越高，这是因为自训练可以有效地解决过拟合问题，而过拟合问题在极少的标注样本下是比较严重的。
在一个实施例中，提供了一种基于多节点合作感知的干扰识别装置，包括：干扰识别模块、合作感知模块和自训练模块，其中：
干扰识别模块，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。
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每个干扰样式的概率。
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，根据硬决策合作感知对所有干扰识别结果进行搜索，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，硬决策合作感知是一种多重感知方法，在硬决策中，每个感知节点将最可能的干扰样式的索引发送给融合中心，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识别信息提供最终干扰识别结果。
自训练模块，用于根据最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。
可以理解，融合中心根据最终干扰识别结果会为每个感知节点提供反馈，具体来说，反馈信息包含一个高置信度的标签决定，判决当前的干扰信号是否可以用来训练，融合中心将最终干扰识别结果和高置信度的标签传送到每个感知节点，从而实现分类器的自训练，得到识别精度更高的新分类器。
关于基于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；
将各个感知节点的所述干扰识别结果输入融合中心，根据硬决策合作感知对所有所述干扰识别结果进行搜索，得到最终干扰识别结果；
根据所述最终干扰识别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，进行各个所述感知节点中的分类器的自训练，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；
将所述单边谱信号转换为干扰特征，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，输出干扰识别结果。
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，将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分类器进行干扰识别，输出干扰识别结果，包括：
将所述干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，其中，所述干扰样式包括单音干扰、多音干扰、窄带干扰、宽带干扰、窄带梳状干扰和扫频干扰；
按照大小对所述干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到所述干扰识别结果。
5.根据权利要求4所述的方法，其特征在于，将所述干扰特征输入分类器进行干扰识别，得到每种干扰样式的概率，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分类器进行干扰识别，得到干扰样式的概率，表示为
其中，n表示所述特征向量服从n维正态分布，μ表示已标记干扰特征的均值向量，Σ表示所述已标记干扰特征的协方差矩阵。
6.根据权利要求5所述的方法，其特征在于，按照大小对所述干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到所述干扰识别结果，包括：
按照大小对所述干扰样式的概率进行排序，选择最大概率干扰样式进行计算，得到所述最大概率干扰样式的索引，表示为
其中，
表示第c类干扰样式出现的后验概率，
表示所述第c类干扰样式出现的先验概率，α表示所述干扰样式的总类数，μc表示已标记的第c类干扰样式对应的干扰特征的均值向量，Σc表示已标记的第c类干扰样式对应的干扰特征的协方差矩阵，
是一个常数；
将所述最大概率干扰样式的索引作为所述干扰识别结果，所述干扰识别结果表示为
7.根据权利要求1任意一项所述的方法，其特征在于，将各个感知节点的所述干扰识别结果输入融合中心，根据硬决策合作感知对所有所述干扰识别结果进行搜索，得到最终干扰识别结果，包括：
各个感知节点将所述干扰识别结果输入融合中心进行硬决策多节点合作感知，输出最终干扰识别结果，表示为
其中，
表示在一个向量中搜索最频繁的值，
表示由融合中心汇总的Nc个感知节点的所述干扰识别结果组成的向量。
8.根据权利要求1所述的方法，其特征在于，根据所述最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器，包括：
根据所述最终干扰识别结果设定判决条件，所述判决条件表示为
其中，
表示向量η中等于
的元素数量，Nth表示阈值，Nth≤Nc，
表示标签，
表示待标记干扰样本；
当所述判决条件的结果为
时，为所述待标记干扰样本赋予正标签，表示为
否则，为所述待标记干扰样本赋予负标签，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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。
9.根据权利要求8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，进行各个所述感知节点中的分类器的自训练，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。
10.一种基于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，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；
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，根据硬决策合作感知对所有所述干扰识别结果进行搜索，得到最终干扰识别结果；
自训练模块，用于根据所述最终干扰识别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，进行各个所述感知节点中的分类器的自训练，得到训练好的新分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210808721.XA CN115243288B (zh) | 2022-07-11 | 2022-07-11 | 基于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 |
|---|---|---|---|
| CN202210808721.XA CN115243288B (zh) | 2022-07-11 | 2022-07-11 | 基于多节点合作感知的干扰识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115243288A true CN115243288A (zh) | 2022-10-25 |
| CN115243288B CN115243288B (zh) | 2024-05-03 |
Family
ID=83671014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210808721.XA Active CN115243288B (zh) | 2022-07-11 | 2022-07-11 | 基于多节点合作感知的干扰识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115243288B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116614189A (zh) * | 2023-07-18 | 2023-08-18 | 中国人民解放军国防科技大学 | 一种无线电干扰识别的对抗样本生成方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
| CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
| CN114024570A (zh) * | 2021-11-11 | 2022-02-08 | 中国人民解放军国防科技大学 | 一种抗功率相关反应式干扰的增强型跳频索引方法和装置 |
-
2022
- 2022-07-11 CN CN202210808721.XA patent/CN115243288B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
| CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
| CN114024570A (zh) * | 2021-11-11 | 2022-02-08 | 中国人民解放军国防科技大学 | 一种抗功率相关反应式干扰的增强型跳频索引方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| QIANG LIU;JINGAO LI;YUSHENG LI;MINGWANG GAO: "Recognition methods for coal and coal gangue based on deep learning", 《IEEE ACCESS》, vol. 9, 17 May 2021 (2021-05-17), pages 77599, XP011857589, DOI: 10.1109/ACCESS.2021.3081442 * |
| 吴迪;: "一种低速采样的协同宽带频谱感知方法", 电讯技术, no. 06, 28 June 2017 (2017-06-28) * |
| 庄子尧;: "基于预先筛选的改进K秩协同频谱感知算法", 佳木斯大学学报(自然科学版), no. 06, 15 November 2016 (2016-11-15) * |
| 秦源;: "基于决策融合的卫星导航欺骗干扰识别", 南阳理工学院学报, no. 04, 25 July 2016 (2016-07-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116614189A (zh) * | 2023-07-18 | 2023-08-18 | 中国人民解放军国防科技大学 | 一种无线电干扰识别的对抗样本生成方法及装置 |
| CN116614189B (zh) * | 2023-07-18 | 2023-11-03 | 中国人民解放军国防科技大学 | 一种无线电干扰识别的对抗样本生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115243288B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Deep neural network for robust modulation classification under uncertain noise conditions | |
| Oyedare et al. | Estimating the required training dataset size for transmitter classification using deep learning | |
| Karlof et al. | Hidden Markov model cryptanalysis | |
| CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
| CN112861927B (zh) | 基于自适应特征提取与融合的信号调制分类方法 | |
| CN113051628B (zh) | 基于残差学习的芯片侧信道攻击降噪预处理方法 | |
| Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
| CN115243288A (zh) | 基于多节点合作感知的干扰识别方法和装置 | |
| Sang et al. | Application of novel architectures for modulation recognition | |
| CN112115821A (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
| Shi et al. | Environment-robust WiFi-based human activity recognition using enhanced CSI and deep learning | |
| Su et al. | Deep non-cooperative spectrum sensing over Rayleigh fading channel | |
| KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
| Juan-ping et al. | Automatic modulation recognition of digital communication signals | |
| Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
| CN110995631A (zh) | 一种基于lstm和svm的通信信号调制模式识别方法及系统 | |
| CN115563485A (zh) | 一种基于深度学习的低复杂度干扰识别方法 | |
| Morehouse et al. | RF device identification using CNN based PUF | |
| 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. | Deep learning‐based digital signal modulation identification under different multipath channels | |
| CN115270891A (zh) | 一种信号对抗样本的生成方法、装置、设备及存储介质 | |
| CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
| Nooraiepour et al. | A hybrid model-based and learning-based approach for classification using limited number of training samples | |
| Wen et al. | RF Transmitter Identification and Classification Based on Deep Residual Shrinkage Network |
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 |