在现代化以及未来战争中,信息通信技术起着至关重要的作用,使得抗干扰通信成为电子对抗中的核心技术之一。无论在军用还是民用通信领域,跳频技术由于其组网方便、抗干扰能力强等特点,受到广泛关注和研究应用。为了提高跳频系统对抗干扰的能力,要求对干扰攻击进行规避。因此,本文融合了认知无线电和跳频技术的思想,提出了干扰认知和规避技术。首先通过数字信号处理技术,对干扰信号进行载波频率估计,构建频带的干扰占用状态。然后利用机器学习对干扰模型进行学习和预测,得到最优的抗干扰策略,即最优子频段选择策略。这样的智能抗干扰技术可以降低与干扰频段发生“碰撞”的可能性,从而提高跳频系统的通信抗干扰能力。1.干扰认知:干扰信号一般为多个窄带信号的时域混叠信号,而传统的参数估计算法只适合单信号的情形。信号的循环累积量对时域混叠多信号具有选择性,具备良好的抗噪特性。因此,基于循环累积量的载频估计算法可以利用信号的4阶0次循环累积量进行载频估计。这样,我们就不需要信号的完整的循环累积量,而且循环累积量具有稀疏性,所以我们利用压缩感知技术对信号的循环累积量进行重构计算,相较于传统计算方法,降低了ADC采样复杂度。仿真验证了上述干扰认知技术的有效性。2.干扰规避:本文主要针对在跳频系统中,应用人工智能算法对干扰认知得到的干扰占用状态进行学习,实施智能化干扰规避算法。对于无线通信中常见的干扰类型,如多音干扰、扫频干扰等,提出、定义了马尔可夫干扰。对于各种干扰类型,提出了0-1bit量化状态表征,然后利用强化学习技术,提出了基于Q-Learning的认知跳频算法。通过仿真验证了算法的有效性。3.在有些干扰模式中,干扰频段可能与多个时刻有关,而且有些系统可以获得干扰频谱。Q-Learning算法由于其局限性,不能直接处理频谱,因为它具有无限的环境状态。因此,针对这种场景,本文提出了融合时间特性和频谱特性的频谱流状态模型,并提出了一种基于DQN的认知跳频算法,将深度神经网络、卷积神经网络与Q-Learning算法相结合,直接从含有时、频域信息的频谱流中学习干扰特征,从而得到有效的最优子频段选择策略,实现智能抗干扰。仿真实验证明了算法的有效性,可以应用于各种干扰模型中。