论文部分内容阅读
信息化战争条件下,超短波通信系统面临着日益严重的通信干扰的威胁,对各种通信干扰进行准确高效的识别是当前迫切需要解决的问题。面对这一复杂而有挑战的研究课题,传统的模式识别方法存在着需要手动提取大量特征导致的盲目性和随机性与易受到噪声影响的缺点,有鉴于此本文将基于阈值的SPWVD时频分析算法和卷积神经网络用于通信干扰识别。本文针对单音干扰、多音干扰、线性扫频干扰、噪声调频干扰这四类典型的通信干扰信号,以信号的本质特征即时频域分布特征为基础,将卷积神经网络这一强有力的算法用于四类干扰的识别。本文首先分析了二进制相移键控(binary phase shift keying,BPSK)通信信号和上述四类通信干扰信号的时域和频域特性。接着在平滑伪Wigner-Ville分布(smoothed pseudo Wigner-Ville distribution,SPWVD)时频分析方法的基础上提出了基于阈值的SPWVD算法并验证了改进效果。然后使用基于阈值的SPWVD算法对通信信号和干扰信号以及高斯白噪声三者的叠加信号进行了时频域分析,获得叠加信号的时频域分布图像,并阐述了图像的直观特征。最后根据卷积神经网络的原理,设计了基于阈值SPWVD和卷积神经网络的通信干扰识别算法,该方法使用上述叠加信号的时频域分布图像作为训练样本和测试样本,能够自适应地提取时频域分布图像的深层次特征,无需手动定义和提取特征。本文给出了产生算法所需要的训练样本和测试样本的参数和方法,阐述了算法模型训练的过程,并列出了仿真结果和进行了性能分析。最终的仿真结果显示当信干噪比达到0dB时四类干扰信号的识别正确率均超过99%,表明本文的通信干扰识别算法能够较好地识别四类典型通信干扰信号。