基于深度学习的无线通信干扰信号识别与处理

练东海

（中国人民解放军78167部队，四川 成都 610500）

0 引 言

随着现代通信技术的不断进步，许多大型无线通信网络正在加快建设，无线通信面临更严重的电磁干扰，其稳定性受到威胁。有效的抗干扰技术必须能够快速准确地识别出干扰信号，从而采取针对性的技术手段消除干扰，确保通信正常[1]。干扰抑制是确保信号可靠的另一个重要手段，通常用于时域、频域以及空域中，但是通信抗干扰技术涉及很多因素，往往同时多种干扰信号并存，而单一干扰抑制算法的适用范围较小，难以有效应对各种干扰信号。由于接收机的复杂性，很难同时采取所有抗干扰措施，另外在对干扰信号进行抑制的同时也会影响正常通信[2]。基于此，找到可以快速精准识别干扰信号的方法，以最小可能的损害有效抑制干扰信号对于提高无线通信方锐抗干扰性能非常重要。

1 基于深度学习的无线通信干扰信号识别框架

基于深度学习的无线通信干扰信号识别框架如图1所示，主要包括获取数据、数据预处理与特征处理以及分类3个步骤。

图1 基于深度学习的无线通信干扰信号识别架构

首先获取所选频率范围和区域的源数据。其次对信号数据进行预处理，再通过深度卷积神经网络（Convolutional Neural Networks，CNN）提取信号数据的特征，预处理后的输入数据格式主要有Fre/Fim、快速傅里叶变换（Fast Fourier Transform，FFT）后的实部和虚部I/Q、星座图、幅度和相位A/Φ以及周期频谱特性[3]。最后通过深度学习算法识别目标信号，以便进行后续的信号处理。

2 基于深度学习的干扰信号识别

根据上文给出的干扰识别框架设计无线通信干扰信号识别网络，该网络包含时域和频域两种输入数据格式。

2.1 数据预处理

对复杂的基带信号x(n)执行功率归一化操作，以防止干扰信号影响分类特性，同时可以提高干扰信号识别网络的学习速度，具体为：

式中，N表示信号采样点数，为了减少频谱能量损失，需用窗函数对时域信号加窗。本次研究选用具有高旁瓣衰减的汉宁窗，接收到的干扰信号经过预处理以两种格式输入信号数据[4]。一是时域数据，包括干扰信号I通道和Q通道的数据，其维度为N×2；二是频域数据，包括FFT的实部和虚部，其维度为N×2。另外采用独热编码（One-Hot）作为网络标签[5]。

2.2 基于CNN的干扰信号识别

干扰信号识别网络基于卷积神经网络CNN的基本元素，这是一种常见且相对简单的网络结构，通常用作构建网络模型的基础[6]。如图2所示，实际的CNN和构建在复杂CNN之上的干扰检测网络具有相同的网络结构。实数/复数卷积单元（Real/Complex Conv Unit）包括批量归一化层、激活函数层以及卷积层，如图3所示。

图2 基于CNN的干扰信号识别网络

图3 实数/复数卷积单元

输入数据尺寸为N×2，其中N表示采样点个数，2表示特征通道个数，经Reshape（矩阵变换）将输入数据转换为干扰识别网络适合处理的三维尺寸N×1×2。通过由实数/复数卷积单元、池化层构成的卷积网络，在确保准确表达数据特征的前提下避免网络过拟合。池化为层平均池化，窗口大小为3×1，步长为2，对特征图进行采样，再通过全连接层，最后通过softmax函数分类[7]。实数CNN中激活函数选用修正线性单元（Rectified Linear Unit，ReLU），该函数收敛较快，可以缓解梯度消失问题，复数CNN中激活函数选用级联整流线性单元（Concatenated Rectified Linear Units，CReLU），该函数基于相位信息进行识别，可以保留更多信息。

2.3 基于ResNet的干扰信号识别

网络训练速度与网络深度成反比，为提高网络训练速度，可以通过残差网络（Residual Network，ResNet）基于ID索引加快网络训练速度。本次提出的基于残差网络构建的干扰信号识别网络结构如图4所示。

图4 基于ResNet的干扰信号识别网络

其中实数/复数残差单元包括卷积层、批量归一化层以及激活函数层，具体如图5所示。

图5 实数/复数残差单位

基于ResNet的干扰信号识别网络的输入数据尺寸、输入数据矩阵变换操作与基于CNN的干扰信号识别网络相同，输入数据尺寸为N×2，其中N表示采样点个数，2表示特征通道个数，经Reshape（矩阵变换）将输入数据转换为干扰识别网络适合处理的三维尺寸N×1×2，通过卷积层、批归一化层以及激活函数层构成的特征提取层提取数据特征。其中实数卷积层通道数是32、卷积步长是2、卷积核大小为3×1。复数卷积层的卷积核大小是3x1，通道数为32，卷积步长为2。然后数据通过由6个实数残差单元和平均池化层构成的网络以及实数/复数全连接层，最后，数据通过一个实数全连接层和softmax函数进行归一化，激活函数分别使用线性整流单元ReLU和CRelu。

3 基于深度学习的无线通信干扰信号抑制算法

3.1 基本算法步骤

基于不同时域干扰信号和频域干扰信号的特性差异，抑制算法分可分为时域干扰信号抑制算法和频域干扰信号抑制算法。相较于频域干扰信号抑制算法，时域干扰抑制算法更简单，将时域IQ信号直接输入时域干扰信号抑制网络可以抑制干扰信号。而频域干扰信号抑制算法单次只能处理一定时间内的干扰信号，会导致频谱泄露，影响系统性能。因此，在执行离散傅立叶变换之前需要给信号加窗，目的是减少频谱损失，但这样会使信号失真，增加信噪比[8]。为了解决这个问题可以采取叠加窗的方式，如1/2叠加汉明窗的方式可以有效减少频谱损耗，尽量降低信噪比损失。该算法的基本步骤是将接收信号分成双通道，其中一个通道延迟N/2个采样点，然后将这两个信号通道加窗，通过快速傅里叶变换后再执行反向快速傅里叶变换（Invert Fast Fourier Transformation，IFFT）生成时域信号，将两个信号通道的数据叠加作为干扰信号抑制网络的输出信号。频域干扰抑制算法的处理流程如图6所示。

图6 频域干扰信号抑制算法基本步骤

3.2 基于语义分割网络U-Net的干扰信号抑制网络

基于不同时域干扰信号和频域干扰信号的特性差异，选择合适的训练数据，基于语义分割网络U-Net网络建立干扰信号抑制网络，利用复数卷积神经网络提取数据特征[9]。语义分割网络U-Net被广泛用于医学成像领域，是一种包括下采样和上采样在内的全卷积神经网络，之所以称为U-Net，是因为网络的结构呈U形[8]。网络下采样通过减小池化层特征空间维度，增加感受野（卷积神经网络各层输出特征图上的一个点对应的输入图区域），可以逐渐显示有关周围环境的信息。上采样将每层信息的下采样与输入信息相结合可以恢复详细信息，从而逐渐还原图像。通过组合编码器和解码器的结构和功能将目标信号从接收信号中还原出来，图7为基于复数U-Net的干扰信号抑制网络的基本结构。

图7 基于U-Net的干扰信号抑制网络的基本结构

4 结 论

当前无线通信系统处在日益复杂的电磁环境中，容易受到干扰信号的影响，快速准确识别干扰信号并有效抑制干扰信号是确保无线通信质量的关键。近年来，随着深度学习的不断和应用，其强大的非线性关联和数据表示能力得到展现。基于此，将深度学习用于无线通信干扰识别和处理领域可以有效提高无线通信网络的抗干扰性能。