基于小样本学习的通信干扰识别技术研究.pdfVIP

哈尔滨工业大学硕士学位论文

摘要

随着通信技术的不断发展，无线通信系统在国家和社会生活中的作用愈发

重要。然而，越来越智能化的敌意干扰对通信系统的有效性和可靠性造成了严

重威胁，有必要施行有针对性的通信抗干扰措施。通信干扰识别是有效的通信

抗干扰措施的必要前提条件，因此其具有重要的研究意义与实用价值。

传统的干扰识别算法依赖于人工设计的专家特征，其在不同干扰类型间的

泛化能力较差，逐渐不能适应当前的电磁环境。一些研究利用深度学习的特征

提取能力来完成对干扰的自动特征提取，但由于干扰信号的特殊性，大量干扰

样本的获取是难以实现的，这限制了由数据驱动的深度学习的应用。

本文主要针对深度学习在通信干扰识别领域的有限样本问题展开研究，从

干扰样本的特征表达和网络模型的结构优化两方面入手设计干扰识别算法，实

现对10种干扰的准确识别。本文提出一种多通道联合时频图的方法，将一维时

序干扰信号二维化，以提高干扰样本的特征维度，并匹配神经网络的输入形式。

该方法分别在R、G、B通道中输入干扰信号的同步压缩小波变换、崔-威廉姆

斯分布和波恩-乔丹分布来构建联合时频图，仿真结果表明，该方法能够有效提

高算法的识别准确率。在此基础上，本文提出基于卷积神经网络的干扰识别算

法，仿真结果表明，该算法能够达到较高的识别准确率，证明其具有较强的特

征提取能力，但准确率受干扰样本量的影响较大。为解决该问题，本文结合小

样本学习理论，在孪生网络的基础上提出AR-SiamFDSC模型，其将干扰识别

由多分类任务转变为二分类任务。该模型通过小尺寸的深度可分离卷积来简化

模型复杂度，提高非线性映射能力；结合正则化损失来优化参数更新过程，降

低过拟合风险；引入注意力机制以帮助算法关注干扰特征，实现更有用的特征

聚焦。仿真结果表明，该模型相较于基于卷积神经网络的算法，可以有效降低

对训练样本量的需求，达到更高的识别准确率，且具有较好的泛化能力。

本文所提算法提高了识别准确率，减少了训练样本数量，对基于深度学习

的干扰识别算法在终端的部署和在实际小样本环境中的应用具有一定的意义和

价值，且为后续研究提供了思路。

关键词：通信干扰识别；小样本学习；孪生网络；卷积神经网络；联合时频图

-I-

哈尔滨工业大学硕士学位论文

Abstract

Withthedevelopmentofcommunicationtechnology,theroleofwireless

communicationsystemsinthelifeofthecountryandsocietyisbecomingmoreand

moreimportant.However,increasinglyintelligenthostilejammingposesaserious

threattotheeffectivenessandreliabilityofcommunicationsystems,anditis

necessarytoimplementtargetedanti-jammingmeasures.Jammingrecognitionisa

essentialprerequisiteforefficientanti-jammingmeasures.Therefore,ithasimportant

researchsignificanceandpracticalvalue.

Traditionaljammingrecognitionalgorithms,whichrelyonmanuallydesigned

expertfeatures,havepoorgeneralizationabilityamongdifferentjammingtypes.So

theygraduallyfai