论文部分内容阅读
随着通信技术的发展,卫星通信系统已经广泛应用于各个领域。但是由于卫星通信系统长期暴露于开放的环境中,容易受到复杂电磁环境的影响,干扰类型识别作为卫星通信系统抗干扰的重要组成部分,准确高效的识别干扰类型可为通信接收机选择干扰抑制消除方法提供支持,从而使抗干扰手段更加智能,提高卫星通信系统的性能。目前卫星通信系统中干扰识别技术的相关研究,仅将干扰和高斯噪声叠加在一起进行特征提取,仿真验证也仅针对干噪比JNR进行。由于通信信号的叠加会使干扰特征提取的准确度有所降低,所提取的干扰特征含义变得模糊,对干扰识别正确概率也会有一定影响。本文所研究的干扰识别算法均是以通信信号、干扰和高斯噪声叠加为前提,仿真分析也针对干信比JSR进行。另外,由于干扰特征提取方法繁琐、效率低,本文将深度学习中的卷积神经网络应用到干扰识别中,避免了显式的提取干扰特征参数,利用卷积神经网络隐式地提取干扰的局部特性并利用局部信息间的相关性特点,进行干扰识别。本文将BPSK调制的通信信号分别与七种典型干扰叠加,混合高斯白噪声进行干扰信号建模,分别从时域、频域以及变换域提取待识别干扰信号的八个特征参数,将无干扰信号和七种干扰信号一共组成八种样本,实现了干扰信号的存在性检测和识别的一体化。基于特征提取的干扰信号识别技术,本文首先设计了一个SVM决策树分类器,由于决策树结构对错误样本比较敏感,还设计了一个BP神经网络模型。仿真结果表明,在相同的通信信号及噪声背景下,固定干信比情况下产生样本对两种模型进行训练和测试,当干信比为5dB时,SVM决策树分类器和BP神经网络模型的干扰正确识别概率分别可以达到95%和99%,但是当干信比降为0dB时,两者分别降为85%和95%。当混合所有样本后,样本的数量和复杂程度增大,导致两者的正确识别概率均严重下降,分别降为73%和77%。由于干扰信号特征提取复杂,本文还设计了干扰识别的卷积神经网络模型,直接将信号时域采样序列做归一化处理,作为网络的输入,仿真结果表明,当干信比为0dB时,该模型得到的干扰正确识别概率为98%,当混合所有样本时,正确识别概率为95%,均高于特征提取方法,且相比之下,该模型的收敛速度最快。