论文部分内容阅读
随着全球信息化的发展,信息传输的效率愈发重要。本文主要针对微波暗室环境中存在的多径干扰,提出机器学习和神经网络两类方法进行相应的干扰抑制研究,以此提高暗室的测量精度。核心思想为通过仿真提取辐射数据,将机器学习和神经网络应用于多径干扰抑制中,基于仿真数据训练干扰抑制模型。从理论上分析其抑制机理,亦在仿真实验中证明提出的方法有着不错的抑制精度。本文主要以微波暗室建模,针对其中存在的多径干扰,研究相关的抑制手段。具体研究工作概况如下:1.建模微波暗室通信环境。首先对暗室进行建模,分别仿真有干扰环境和对应的无干扰环境下的通信。为了模拟不同干扰源对干扰的影响,分别针对干扰源的材料、形状以及数量的不同进行多组仿真,材料选择PEC、铝和铜,形状选择平面、凹面、凸面和波浪面,材料和形状的不同使得干扰更加多元,而干扰源数量的增加可以明显加强整体干扰。每种干扰源下均取10个采样点,提取合成信号和其对应的标准信号,以备后续模型训练。2.提出基于机器学习的抑制方法,采用多项式回归和随机森林两种机器学习算法。首先根据多项式回归的理论,建模信号传播表达式,将合成信号输入至表达式中,标准信号作为输出监督模型的学习,以此拟合暗室中的干扰因子。仿真实验表明多项式回归可以有效的抑制干扰,抑制精度约93.88%,但对细微变化的干扰信号敏感度较差。接着采用随机森林,以同样的训练方式来生成抑制模型,其抑制精度约95.01%,无建模表达式的限制,且对细微或较强变化的干扰信号均有着较好的敏感度。3.提出基于神经网络的抑制方法。采用同样的仿真数据,学习率与多项式回归保持一致,均为0.01,使用梯度下降法更新参数以训练模型。多项式回归约40次迭代收敛,而神经网络约15次迭代即可收敛,其抑制精度约97.11%,相较于多项式回归收敛更快,并且抑制精度比多项式回归和随机森林均有不小的提升,且对细微或较强变化的干扰信号均有着良好的敏感度,稳定性和泛化性更好。