CN115865129A - 一种基于去噪自编码器的窄带干扰智能消除方法 - Google Patents

Abstract

本发明属于无线通信和深度学习技术领域，具体涉及一种基于去噪自编码器的智能窄带干扰消除方法。本发明利用接收采样数据的时域相关性，通过LSTM和去噪自编码器对于时间序列信号的特征提取能力，将离线收集的窄带信号IQ两路样本输入到自编码器网络中进行训练，使自编码器网络学习到信号时域特征，进而重构出未加干扰的时间序列。利用本发明提出的方法，接收机在将接收信号进行下变频，低通滤波，再分解成IQ两路过后，将IQ两路数据输入到自编码器网络中，网络输出即是消除干扰的信号。该方法只需引入一个自编码器神经网络模块，即可明显降低接收信号误码率，进而提升通信系统的性能。

Description

一种基于去噪自编码器的窄带干扰智能消除方法

技术领域

本发明属于无线通信和深度学习技术领域，具体涉及一种基于去噪自编码器的窄带干扰智能消除方法。

背景技术

由于无线信道的复杂性和无线传播环境的多样性，无线信号在自由空间中传输会受到各种各样的干扰。并且实际通信系统中存在着电路热噪声也会进一步对无线信号产生影响，导致无线通信质量的下降，影响无线通信系统的性能，严重时甚至会导致正常通信无法进行。并且随着现代通信技术的进一步发展，会进一步出现衰落现象。因此研究如何实现信号的去干扰和去噪，进行对于无线信号的增强，从而实现无线通信系统的性能提升，是信号处理的一个重要研究方向。

目前在无线传输场景中，为了减小干扰和噪声的影响，此前已经提出了多种不同的无线信号增强技术。比较传统的方法是对接收信号进行快速傅里叶变换，将信号从时域变换到频域过后，根据干扰的频带特性得到滤波器的参数，以此来设计滤波器，使用带通滤波器将不同频带上的干扰滤除，从而得到接收端所需要的有用信号。这种实现方法相对比较简单，可以对频域上不重叠的信号进行相应滤除。这种方法对于干扰与信号频域上重叠较少或没有重叠的情况下效果较好，但对于干扰和信号在频域上重叠的情况下，采用这种方法会将一部分信号也进行滤除，损失了一部分有用信号，最终难题有效降低误码率。该方法还存在需要先验信息和统计特性较多的问题。除了该方法之外还有自适应滤波算法。自适应滤波算法可以分为线性以及非线性两类，线性算法中比较典型的就是最小均方算法和递归最小二乘算法。这些算法虽然能对非平稳信号起到一定的处理作用，一定程度上解决上述问题。虽然该方法结构相对简单，但也存在着明显的缺点，就是自适应滤波需要根据环境变化进行不断的迭代，存在一定的延迟，因此在实际应用中受到了限制。

发明内容

上述的技术均存在着一定的缺点。在上述技术的基础上，近年来基于深度学习网络的自适应性滤波得到了广泛性关注。与以前的神经网络算法相比，深度学习可以从训练集中包含的特征推断出新的特征，对于较为复杂的特征学习能力更强，并且具有较好的自适应性。因此被运用到干扰消除领域中来，可以以此来实现无线信号的增强。针对上述问题，本发明的目的就是采用深度学习的方法，通过深度学习方法实现对信号时域相关性的特征的提取，利用提取出来的信号特征进而实现对信号的重构。训练出来的模型对干扰具有一定的鲁棒性。经过模块重构过后的信号干扰分量更小，误码率性能得到下降，进而可以提升通信系统的性深度学习干扰消除技术的实现步骤。

一种基于去噪自编码器的窄带干扰智能消除方法，用于无线通信接收机，定义系统包括发射机、干扰机和接收机，接收信号包含期望信号、窄带干扰、热噪声；包括以下步骤：

S1、在发射机发射导频序列的阶段，选取接收机在一段时间内经过匹配滤波收集到的IQ两路数据信号记为S_j(t)和已知无干扰情况下的IQ两路序列S(t)，将加扰信号S_j(t)作为训练数据，S(t)作为标签，从而得到训练数据集；

S2、构建智能干扰消除网络，包括特征提取编码器和序列重构解码器；特征提取编码器用于从加入干扰的数据中提取出数据之间的时域相关性；编码器的目标是从输入的时间序列中提取出相关特征，学习到从输入时间序列x到特征的映射，用公式表述为：

h＝f(x)

其中f代表特征提取编码器部分映射编码器部分映射，h代表从时间序列中提取出来的时域特征；特征提取编码器的结构包括3层级联的LSTM网络、一层Batchnormalization层和两层Dropout层组成。LSTM网络由遗忘门f，输入门i、输出门o和内部记忆单元c组成，其中遗忘门决定了前一时刻输出h_t-1和输入X被遗忘的程度的量，用公式表示遗忘门的输出为：

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，W_i为遗忘门中的权重矩阵，上一时刻输出和当前时刻输入拼接而成的向量记为[h_t-1,x_t]，b_f为遗忘门中偏置量，σ代表激活函数；

输入门用来控制输入X和当前计算的状态更新到记忆单元状态C_t的多少，表示为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中，W_i为输入门的权重矩阵，[h_t-1,x_t]表示上一时刻输出和当前时刻输入拼接而成的向量，b_i为遗忘门中的偏置量，σ代表激活函数；

描述当前时刻的单元状态

是根据上一次的输入和本次输入来计算的：

而当前时刻的单元状态C_t，是前一次的单元状态对应元素乘以遗忘门的输出f_t，同时通过当前输入的单元状态

对应元素相乘输入门的输出i_t，二者相加得到的：

LSTM通过将有关当前时刻的输入

与之前输入的长期记忆合成起来，以此来形成新的单元状态，最终LSTM的输出由输出门的输出和当前时刻单元状态共同决定，输出门的输出表示为：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

得到输出门的输出后，计算出LSTM的最终输出：

其中h_t为LSTM的最终输出，o_t为当前输出门的输出，c_t为当前时刻的单元状态，以此LSTM实现了对于输入数据的特征提取；

序列重构编码器将去噪自编码器的编码输出特征作为输入，利用学习到的映射g将特征重新推导出原始时间序列，序列重构编码器将去噪自编码器的编码输出特征作为输入，利用学习到的映射g将特征重新推导出原始时间序列，序列重构解码器由三层LSTM层和两层Dropout层构成；LSTM层部分用于利用学习到的特征还原时间序列数据，最终实现如下映射：

其中

是指自编码器重构的时间序列，g是指解码器学习到的映射，h＝f(x)，是指通过编码器压缩过后得到的特征，解码器的学习目标就是学习到让损失函数最小的特征转换映射，即

经过训练过后学习到的映射g即可实现从特征到重构时间序列的映射；

S3、训练深度学习干扰消除网络：采用S1构建的训练数据和标签数据对去噪自编码器网络进行训练，使用均方误差函数来衡量训练数据和标签数据之间的差异，即

其中

表示添加干扰过的无线信号，r_i表示为未添加干扰的无线信号；当二者完全相同时，loss为0；然后通过不断学习最小化均方误差函数，使用离线收集的无线信号数据对去噪自编码器模型进行合适的训练，从而让去噪自编码器学习到信号的相关性；

S4、进行信号干扰消除

该模块将接收机接收到的IQ两路时域信号作为输入，根据当前状况选取预先训练好的模型进行干扰消除，自编码器的输出即为通过神经网络消除干扰过后的序列，再经过下采样，解调，即可恢复出信号序列。

本发明的有益效果为，利用本发明提出的方法，接收机在将接收信号进行下变频，低通滤波，再分解成IQ两路过后，将IQ两路数据输入到自编码器网络中，网络输出即是消除干扰的信号。该方法只需引入一个自编码器神经网络模块，即可明显降低接收信号误码率，进而提升通信系统的性能。

附图说明

图1为存在干扰下的无线通信场景。

图2为原始信号频谱与添加干扰的信号频谱对比。

图3为实际应用场景下的自编码器网络的去干扰流程框图。

图4为去干扰自编码器的网络结构图。

图5表示四种不同信号的频谱对比。分别是原始无干扰信号、加扰信号、频域干扰限幅信号以及经过去噪自编码器的干扰消除信号。

图6为四种不同信号的频谱对比。分别是原始无干扰信号、加扰信号、频域干扰挖除信号以及经过去噪自编码器的干扰消除信号。

图7为模型在不同信干噪比下的性能对比图。

具体实施方式

下面利用仿真结果和附图来说明本发明的实际应用性能，首先通过系统模型参数，然后通过得到的仿真结果来评价本发明所提出的方法的消除干扰性能。同时本方法也与实际应用中的传统方法性能进行比较。

本发明考虑的是正常无线通信的场景。如图1所示，发送机对发送过来的随机数据流进行调制、IQ分解、上采样、成型滤波、上变频将信号发送出去，信号经过无线信道的过程中不可避免地会引入干扰，在接收端电路中还会引入噪声。在接收端通过带通滤波(滤除带外噪声)、下变频、低通滤波、匹配滤波、深度学习模块、下采样、IQ合并、解调将信号进行接收。

成型滤波是指将调制过后的信号通过波形成型滤波器，之所以需要成型滤波是因为使用矩形脉冲传输信号在频谱上带宽过大，实际情况下是无法实现的，使用成型滤波器产生信号可以实现频谱上的压缩，限制传输信号带宽，减少对于带外的干扰。同时成型滤波器还可改变传输信号的波形，降低码间串扰。

假设从满足奈奎斯特准则中的波形中同步采样信号，设原始信号为g(t)，则接收到的信号可以表示为：

r(t)＝s(t)+g(t) (1)

r_j(t)＝s(t)+g(t)+j(t) (2)

其中r(t)为接收端收到的原始信号，s(t)为发送端发送的原始信号，g(t)为接收电路中会引入的加性高斯白噪声信号，j(t)为接收信号收到的窄带干扰。(1)式中没有考虑窄带干扰的存在，(2)式中考虑了窄带干扰的存在，这里的j(t)在频域上与原始信号存在一定的重叠，使得接收端误码率升高，通信性能有所降低，因此采用传统滤波器的方法无法滤除此类干扰。根据图2接收信号的频谱可以看出，即使经过了低通滤波器，信号的频谱仍然出现了变形，说明采用滤波器的传统方法无法解决此类干扰问题。

传统方法需要通过滤波器来滤除干扰。现有实际实现方法会将包含干扰的部分进行挖除，随后再进行解调，但这种方法会导致一部分有用信号损失，对于误码率性能提升相当有限。基于深度学习的去噪自编码器在图像去噪，语音信号增强领域已经取得了进展。因此将去噪自编码器运用到无线信号增强中是可行的。实际上信号采样点之间是具有时域相关性的，因此本发明的思路就是首先选取添加了窄带干扰的信号作为训练数据，以原始信号作为标签，对深度学习网络进行训练，使得深度学习网络能够学习到信号的特征以及信号相关性。利用训练出来的模型对输入信号进行处理即可实现信号的干扰消除。RNN相比全连接神经网络和卷积神经网络，理解时间序列数据的能力更强，他可以按照顺序去读取时间序列数据，并且通过读取隐藏层神经元的编码，可以实现从上一个神经元到下一个神经元之间的信息传递，从而实现记忆功能，以此来提取时间序列之间的相关性。但RNN网络存在着梯度爆炸或是梯度消失的情况，有可能会导致RNN模型的效果不好。在此基础上设计出来的LSTM模型实现了进一步的改进。LSTM模型由遗忘门、输入门、输出门和内部记忆单元构成。与RNN相比，LSTM可以有效地记录较长时间序列的信息，并且能够保证之前的有用信息不会被忽略，并且还可以解决RNN的梯度问题。因此利用LSTM网络来搭建自编码器可以有效提取时间序列信息。本发明使用的是由多层的LSTM构成的去噪自编码器来提取无线信号之间的相关性，其中自编码器的输入是加入干扰的过后的信号，输出是去除过干扰过后的信号，算法框图如图3所示。为了实现该算法，本发明需要先获取到加入干扰的信号和原始信号，并通过由多层LSTM的去噪自编码器将无线信号的时域相关性提取出来。

本发明的方法具体步骤包括：

S1、构建深度学习干扰消除技术的数据集：首先生成定长的随机数据流，然后选取调制阶数，对信号进行调制，得到调制过后的数据。经过调制过后的数据再进行上采样、成型滤波过后就得到了理想情况下的无线信号数据。之后对无线数据添加窄带干扰。将未加干扰与添加干扰的数据进行匹配滤波，将添加干扰的接收数据作为自编码器网络的训练集，未加干扰的数据作为自编码器网络训练的标签。

S2、构建智能干扰消除网络：本发明需要使用去噪自动编码器网络来消除干扰。如图4所示，去噪自编码器网络的结构设计如下包括特征提取编码器模块和序列重构解码器模块。编码器模块负责提取输入序列的特征，其输出为提取出的特征变量。解码器的输入为编码器输出的特征变量。给定输入空间和特征维度空间，自编码器求解二者的映射f和g，以此来实现对于时间序列的重构。自编码器训练的过程就是对映射f、g求解的过程。训练结束后的编码器的输出h即为输入数据X的特征表示。再将h输入到解码器中可以得到经过自编码器消除干扰的信号序列，从而实现对于加扰信号的干扰消除功能。

对于编码器和解码器部分，具体的设计方式如下所述：

①特征提取编码器设计

去噪自编码器是采用包含干扰的数据作为输入，输出特征变量h。其中特征提取编码器用于从加入干扰的数据中提取出数据之间的时域相关性。编码器的目标是从输入的时间序列中提取出相关特征，学习到从输入时间序列x到特征的映射，用公式表述为：

h＝f(x)

其中f代表特征提取编码器部分映射编码器部分映射，h代表从时间序列中提取出来的时域特征。模块设计包括3层级联的LSTM网络、一层Batchnormalization层和两层Dropout层组成。LSTM网络由遗忘门f，输入门i、输出门o和内部记忆单元c组成。其中遗忘门决定了前一时刻输出h_t-1和输入X被遗忘的程度的量，用公式表示遗忘门的输出为：

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，W_i为遗忘门中的权重矩阵，上一时刻输出和当前时刻输入拼接而成的向量记为[h_t-1,x_t]，b_f为遗忘门中偏置量。σ代表激活函数。

输入门用来控制输入X和当前计算的状态更新到记忆单元状态C_t的多少。用公式可将输入门表示为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中，W_i为输入门的权重矩阵，[h_t-1,x_t]表示上一时刻输出和当前时刻输入拼接而成的向量，b_i为遗忘门中的偏置量，σ代表激活函数。

描述当前时刻的单元状态

是根据上一次的输入和本次输入来计算的：

而当前时刻的单元状态C_t，是前一次的单元状态对应元素乘以遗忘门的输出f_t，同时通过当前输入的单元状态

对应元素相乘输入门的输出i_t，二者相加得到的，用数学公式表示为：

其中

表示按元素乘，该式也是LSTM的关键部分。LSTM通过这种方式将有关当前时刻的输入/>

与之前输入的长期记忆合成起来，以此来形成新的单元状态，因此，LSTM可以保留之前输入过的时间序列的信息，由遗忘门来控制这些信息是否需要被遗忘。同时由于输入门的存在，它也可以控制不需要的内容使其无法进入记忆。最终LSTM的输出由输出门的输出和当前时刻单元状态共同决定。输出门的输出可经过如下公式表示：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

得到输出门的输出后，可计算出LSTM的最终输出，LSTM最终输出公式可表述为：

其中h_t为LSTM的最终输出，o_t为当前输出门的输出，c_t为当前时刻的单元状态。以此LSTM实现了对于输入数据的特征提取。

本发明中Batchnormalization层的作用是对数据进行处理，将分散的数据进行统一，从而来优化神经网络。当数据较为分散时，数据通过激活函数后的输出差异可能并不明显，因此该层对数据进行重新处理，可以使得经过激活函数的输出值差异能更加明显。进而减小出现过拟合的概率，提高模型的泛化性能。而Dropout层也是为了防止模型过拟合。通过设定进行Dropout的概率在训练的过程中拿掉一部分的神经元进行训练更新权重参数，被剪掉的神经元保留权重不做修改。由于越大的神经网络越容易产生过拟合的现象，通过Dropout层就可以通过减小神经网络的大小来降低发生过拟合的概率。

②序列重构解码器设计

序列重构编码器将去噪自编码器的编码输出特征作为输入，利用学习到的映射g将特征重新推导出原始时间序列。序列重构解码器由三层LSTM层和两层Dropout层构成。LSTM层部分用于利用学习到的特征还原时间序列数据。Dropout层通过随机关闭神经元来避免网络仅仅学习到了简单的函数映射导致了过拟合的现象。最终实现如下映射：

其中

是指自编码器重构的时间序列，g是指解码器学习到的映射，h＝f(x)，是指通过编码器压缩过后得到的特征。解码器的学习目标就是学习到让损失函数最小的特征转换映射。即

经过训练过后学习到的映射g即可实现从特征到重构时间序列的映射。

S3、训练深度学习干扰消除网络：采用S1构建的训练数据和标签数据对去噪自编码器网络进行训练，本发明使用了均方误差函数来衡量训练数据和标签数据之间的差异，即

其中

表示添加干扰过的无线信号，r_i表示为未添加干扰的无线信号。当二者完全相同时，loss为0。然后通过不断学习最小化上述公式中的均方误差函数，就可以使用离线收集的无线信号数据对去噪自编码器模型进行合适的训练，从而让去噪自编码器学习到信号的相关性。

S4、进行信号干扰消除

该模块将接收机接收到的IQ两路时域信号作为输入，根据当前状况选取预先训练好的模型进行干扰消除。自编码器的输出即为通过神经网络消除干扰过后的序列，再经过下采样，解调，即可恢复出信号序列。

本发明考虑一个简化的无线通信传输流程，发射端通过生成数据流、编码、调制、上采样、成型滤波再经过上变频发送无线信号，无线信号在空间中传播会引入一定的窄带干扰，在接收端经过下变频、匹配滤波、IQ分解、自编码器消除干扰模块、下采样、解调、解码还原出发送端的数据流。考虑到实际情况中接收电路存在电路热噪声，因此添加了10dB的高斯白噪声。原始信号的带宽设置为100Mhz，滚降系数α＝0.25，经过成型滤波后的信号带宽即为125Mhz。设定的干扰所处的频带位置为20M，干扰所处位置为20M至40M，干扰类型为高斯白噪声。系统设置的上采样以及下采样倍数为2倍。

自编码器网络的设计以及参数设置如下：编码器部分由三层LSTM层、一层BatchNormalization层和一层Dropout层组成。其中第一层LSTM层的输入维度为(样本数，60,2)，输出维度为(样本数,60,256)，激活函数为tanh函数。第二层为BatchNormalization层，输入维度为(样本数,60,256)，输出维度为(样本数,60,256)。第三层为LSTM层，输入维度为(样本数,60,256)，输出维度为(样本数,60,250)，激活函数为tanh函数。第四层为Dropout层，参数为0.2，实现随机神经元的关闭以防止过拟合现象的发生，输入输出维度均为(样本数,60,250)。第五层为LSTM层，输入维度为(样本数,60,250)，输出维度为(样本数,128)，激活函数为tanh函数。以上即为编码器的结构，最后一层LSTM层的输出即为学习到的特征。随后经过Repeatvector层将编码器输出的特征进行重复，输入维度为(样本数,128)，输出维度为(样本数,60，128)。以此让其可以输入到解码器的LSTM层中。解码器由三层LSTM层,一层Dropout层，一层Dense层组成。编码器的第一层为LSTM层，输入维度为(样本数,60,128)，输出维度为(样本数,60,128),编码器的第二层起到预防过拟合的效果，为Dropout层，输入维度和输出维度相同，参数为0.2。第三层继续通过特征还原序列，为LSTM层，输入维度为(样本数,60,128)，输出维度为(样本数,60,250)。第四层为LSTM层，输入维度为(样本数,60,250),输出维度为(样本数,60,256)。第五层为Dense层，用于实现对时间序列的重构，输入维度为(样本数60,256)，输出维度为(样本数,60,2)。此时输出的序列即为对输入序列的去干扰重构序列。自编码器网络使用的优化器为Adam优化器，学习率为0.001，损失函数为MSE函数。

在训练阶段本发明生成了固定信干噪比的数据，在测试阶段针对不同信干噪比的数据进行了仿真，以下为对应的仿真结果。

图5表示四种不同信号的频谱对比。分别是原始无干扰信号、加扰信号、频域干扰限幅信号以及经过去噪自编码器的干扰消除信号。通过频谱对比可以发现，即使对相应频段的干扰进行一定的限幅，仍然与未加干扰的信号频谱存在一些差别，但经过自编码器恢复过后的信号虽然存在小幅度的频谱泄露，但是在信号频带上明显与原始信号更加接近，说明自编码器有一定的干扰消除能力。

图6为加扰信号、加扰信号、加扰部分频谱挖除信号以及经过去噪自编码器干扰消除的信号。将四者的频谱对比可以发现，挖除干扰的信号频谱虽然去掉了一部分的干扰，但也明显让一部分包含原始数据信息的信号也损失掉了。因此在误码率性能上的提高不多。而利用自编码器重构过后的信号与加了干扰过后的信号相比在频谱上有了明显的改善，在减小干扰的同时保留了一些原始信号的信息，说明自编码器对干扰消除的效果较好。

图7验证的是模型在不同信干噪比下的性能，通过结果可以看到随着信干噪比的不断提高，信号的误码率逐渐下降，但在误码率的性能上经过自编码器消除干扰的信号误码率要明显低于接收到的加扰信号以及在频域上进行挖除、加扰过后的信号。并且自编码器是在SINR一定的条件下训练的，但是结果表明在SINR不同的多种情况下自编码器对干扰都有明显的消除作用，说明去干扰模型存在一定的鲁棒性，可以对不同程度的干扰存在一定的消除作用。

Claims (1)

1.一种基于去噪自编码器的窄带干扰智能消除方法，用于无线通信接收机，定义系统包括发射机、干扰机和接收机，接收信号包含期望信号、窄带干扰、热噪声；其特征在于，包括以下步骤：

S1、在发射机发射导频序列的阶段，选取接收机在一段时间内经过匹配滤波收集到的IQ两路数据信号记为S_j(t)和已知无干扰情况下的IQ两路序列S(t)，将加扰信号S_j(t)作为训练数据，S(t)作为标签，从而得到训练数据集；

S2、构建智能干扰消除网络，包括特征提取编码器和序列重构解码器；特征提取编码器用于从加入干扰的数据中提取出数据之间的时域相关性；编码器的目标是从输入的时间序列中提取出相关特征，学习到从输入时间序列x到特征的映射：

h＝f(x)

其中f代表特征提取编码器部分映射编码器部分映射，h代表从时间序列中提取出来的时域特征；特征提取编码器的结构包括3层级联的LSTM网络、一层Batchnormalization层和两层Dropout层组成。LSTM网络由遗忘门f，输入门i、输出门o和内部记忆单元c组成，其中遗忘门决定了前一时刻输出h_t-1和输入X被遗忘的程度的量，用公式表示遗忘门的输出为：

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，W_i为遗忘门中的权重矩阵，上一时刻输出和当前时刻输入拼接而成的向量记为[h_t-1,x_t]，b_f为遗忘门中偏置量，σ代表激活函数；

输入门用来控制输入X和当前计算的状态更新到记忆单元状态C_t的多少，表示为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中，W_i为输入门的权重矩阵，[h_t-1,x_t]表示上一时刻输出和当前时刻输入拼接而成的向量，b_i为遗忘门中的偏置量，σ代表激活函数；

描述当前时刻的单元状态

是根据上一次的输入和本次输入来计算的：

而当前时刻的单元状态C_t，是前一次的单元状态对应元素乘以遗忘门的输出f_t，同时通过当前输入的单元状态

对应元素相乘输入门的输出i_t，二者相加得到的：

LSTM通过将有关当前时刻的输入

与之前输入的长期记忆合成起来，以此来形成新的单元状态，最终LSTM的输出由输出门的输出和当前时刻单元状态共同决定，输出门的输出表示为：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

得到输出门的输出后，计算出LSTM的最终输出：

其中h_t为LSTM的最终输出，o_t为当前输出门的输出，c_t为当前时刻的单元状态，以此LSTM实现了对于输入数据的特征提取；

序列重构编码器将去噪自编码器的编码输出特征作为输入，利用学习到的映射g将特征重新推导出原始时间序列，序列重构编码器将去噪自编码器的编码输出特征作为输入，利用学习到的映射g将特征重新推导出原始时间序列，序列重构解码器由三层LSTM层和两层Dropout层构成；LSTM层部分用于利用学习到的特征还原时间序列数据，最终实现如下映射：

其中

是指自编码器重构的时间序列，g是指解码器学习到的映射，h＝f(x)，是指通过编码器压缩过后得到的特征，解码器的学习目标就是学习到让损失函数最小的特征转换映射，即

经过训练过后学习到的映射g即可实现从特征到重构时间序列的映射；

S3、训练深度学习干扰消除网络：采用S1构建的训练数据和标签数据对去噪自编码器网络进行训练，使用均方误差函数来衡量训练数据和标签数据之间的差异，即

其中

表示添加干扰过的无线信号，r_i表示为未添加干扰的无线信号；当二者完全相同时，loss为0；然后通过不断学习最小化均方误差函数，使用离线收集的无线信号数据对去噪自编码器模型进行合适的训练，从而让去噪自编码器学习到信号的相关性；

S4、进行信号干扰消除：

该模块将接收机接收到的IQ两路时域信号作为输入，根据当前状况选取预先训练好的模型进行干扰消除，自编码器的输出即为通过神经网络消除干扰过后的序列，再经过下采样，解调，即可恢复出信号序列。

Images