[发明专利]基于倒残差深度神经网络的干扰识别方法和装置

说明书

本申请涉及一种基于倒残差深度神经网络的干扰识别方法和装置，属于无线通信技术领域。所述方法包括：将干扰信号的时频图像和真实类别组成训练集；将训练集中的时频图像输入基于通道、时间和频率的三重注意力模块的倒残差深度神经网络进行识别，输出干扰信号的预测类别；将训练集中的真实类别和预测类别输入预先构建的损失函数对倒残差深度神经网络进行训练，得到训练好的倒残差深度神经网络；将待识别的干扰信号输入训练好的倒残差深度神经网络进行识别，得到干扰信号类别。采用本方法能够根据三重注意力模块从时频图像中提取包含时频域和通道域的综合干扰特征，充分利用了时频图像中多个维度的干扰特征信息，有效提高了干扰识别的准确率。

技术领域

本申请涉及无线通信技术领域，特别是涉及一种基于倒残差深度神经网络的干扰识别方法和装置。

背景技术

干扰认知是实现抗干扰通信的基础和前提，是抗干扰通信系统的重要组成部分。在通信过程中，接收方如果能够有效识别出干扰信号类型，便可采取相对应的抗干扰决策，最大限度地躲避或抑制干扰，降低干扰对通信质量的损害。因此，准确识别干扰类别具有重要的研究意义和实用价值。

现有的干扰识别算法主要分为特征提取和分类决策两个步骤。特征参数提取主要分为提取如时域峰度、带宽因子等具备专家知识和明确物理含义的特征参数，和提取仅具有数值区分的无物理含义的特征参数2类。与2类参数提取方式相对应的分类决策方法又可分为支持矢量机（Support Vector Machine，SVM）、决策树模型，k最近邻算法（k-NearestNeighbor，KNN）等经典机器学习算法和卷积神经网络（Convolutional Neural Networks，CNN）方法。

其中，经典机器学习算法的优点在于结构简单、运算量小，但是仅在强干扰条件下具有良好的识别性能，且极易受到干扰信号功率的影响，并且需要专家建立模型特征描述等知识工程，人力成本依赖性较强。CNN方法可以实现自动提取出仅具有数值区分意义的特征参数，在特征提取方面具有显著优势，因而更多的基于CNN的算法被用于解决干扰识别问题，但是CNN方法在强噪声背景下性能仍然不能保证，不适用于低干噪比场景，同时为了提升准确率，传统算法数据集的构建以及网络的设计复杂度较高。

发明内容

一种基于倒残差深度神经网络的干扰识别方法，所述方法包括：

对干扰信号进行采样得到接收信号，对接收信号进行短时傅里叶变换得到干扰信号的时频图像，将时频图像和干扰信号的真实类别组成训练集；

将训练集中的时频图像输入基于通道、时间和频率的三重注意力模块的倒残差深度神经网络进行识别，输出干扰信号的预测类别；其中，倒残差深度神经网络包括：第一普通卷积层、倒残差结构、第二普通卷积层全局平均池化层、展平层、随机丢失层、全连接层和Softmax层；第一普通卷积层从时频图像中提取时频图像特征，得到时频图像特征图；基于三重注意力模块的倒残差结构从时频图像特征图中提取包含时频域和通道域的综合干扰特征，得到综合干扰特征图；将综合干扰特征图依次输入第二普通卷积层、全局平均池化层、展平层、随机丢失层、全连接层和Softmax层进行识别，得到干扰信号的预测类别；

将训练集中的真实类别和预测类别输入预先构建的损失函数对倒残差深度神经网络进行训练，得到训练好的倒残差深度神经网络；

将待识别的干扰信号输入训练好的倒残差深度神经网络进行识别，得到干扰信号类别。

在其中一个实施例中，对干扰信号进行采样得到接收信号，对接收信号进行短时傅里叶变换得到干扰信号的时频图像，包括：

在一定的干噪比范围内对干扰信号进行间隔采样，得到接收信号，对接收信号进行短时傅里叶变换得到干扰信号的时频图像，表示为