高级搜索

基于奇异值分解与神经网络的干扰识别

冯熳 王梓楠

引用本文: 冯熳, 王梓楠. 基于奇异值分解与神经网络的干扰识别[J]. 电子与信息学报, doi: 10.11999/JEIT190228 shu
Citation:  Man FENG, Zinan WANG. Interference Recognition Based on Singular Value Decomposition and Neural Network[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190228 shu

基于奇异值分解与神经网络的干扰识别

    作者简介: 冯熳: 女,1979年生,副教授,研究方向为超窄带通信、无线携能通信、军事抗干扰通信、智能通信信号处理等;
    王梓楠: 男,1993年生,硕士生,研究方向为通信信号处理,机器学习
    通讯作者: 王梓楠,183742104@qq.com
摘要: 无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明:基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%~25%的提高。

English

    1. [1]

      GRECO M, GINI F, and FARINA A. Radar detection and classification of jamming signals belonging to a cone class[J]. IEEE Transactions on Signal Processing, 2008, 56(5): 1984–1993. doi: 10.1109/TSP.2007.909326

    2. [2]

      DOBRE O A, ABDI A, BAR-NESS Y, et al. Survey of automatic modulation classification techniques: Classical approaches and new trends[J]. IET Communications, 2007, 1(2): 137–156. doi: 10.1049/iet-com:20050176

    3. [3]

      AZZOUZ E E and NANDI A K. Automatic identification of digital modulation types[J]. Signal Processing, 1995, 47(1): 55–69. doi: 10.1016/0165-1684(95)00099-2

    4. [4]

      梁金弟, 程郁凡, 杜越, 等. 联合多维特征的干扰识别技术研究[J]. 信号处理, 2017, 33(12): 1609–1615. doi: 10.16798/j.issn.1003-0530.2017.12.012
      LIANG Jindi, CHENG Yufan, DU Yue, et al. The research of interference recognition technology based on the joint multi-dimensional features[J]. Journal of Signal Processing, 2017, 33(12): 1609–1615. doi: 10.16798/j.issn.1003-0530.2017.12.012

    5. [5]

      郝万兵, 马若飞, 洪伟. 基于时频特征提取的雷达有源干扰识别[J]. 火控雷达技术, 2017, 46(4): 11–15. doi: 10.3969/j.issn.1008-8652.2017.04.003

    6. [6]

      HAO Wanbing, MA Ruofei, and HONG Wei. Radar active jamming identification based on time-frequency characteristic extraction[J]. Fire Control Radar Technology, 2017, 46(4): 11–15.(本条文献为第5条文献的英文信息, 请核对 doi: 10.3969/j.issn.1008-8652.2017.04.003

    7. [7]

      程汉文, 朱雷, 吴乐南. 基于累计量的干扰信号调制识别算法[J]. 电子与信息学报, 2009, 31(7): 1741–1745. doi: 10.3724/SP.J.1146.2008.00910
      CHENG Hanwen, ZHU Lei, and WU Lenan. Modulation classification algorithm for jamming signal based on cumulant[J]. Journal of Electronics &Information Technology, 2009, 31(7): 1741–1745. doi: 10.3724/SP.J.1146.2008.00910

    8. [8]

      李伟, 魏光辉, 潘晓东, 等. 复杂电磁环境下通信装备干扰预测方法[J]. 电子与信息学报, 2017, 39(11): 2782–2789. doi: 10.11999/JEIT170107
      LI Wei, WEI Guanghui, PAN Xiaodong, et al. Interference prediction method of communication equipment under complex electromagnetic environment[J]. Journal of Electronics &Information Technology, 2017, 39(11): 2782–2789. doi: 10.11999/JEIT170107

    9. [9]

      姜丹丹. 张量奇异值及高阶奇异值分解具有的若干性质[D]. [硕士论文], 哈尔滨工业大学, 2017.
      JIANG Dandan. A number of properties of singular value and higher order singular value decomposition of tensor[D]. [Master dissertation], Harbin Institute of Technology, 2017.

    10. [10]

      KALMAN D. A singularly valuable decomposition: The SVD of a matrix[J]. The College Mathematics Journal, 1996, 27(1): 2–23. doi: 10.1080/07468342.1996.11973744

    11. [11]

      SEILER M C and SEILER F A. Numerical recipes in C: The art of scientific computing[J]. Risk Analysis, 1989, 9(3): 415–416. doi: 10.1111/j.1539-6924.1989.tb01007.x

    12. [12]

      KONG Lei, XU Zhijun, WANG Jinming, et al. A novel algorithm for jamming recognition in wireless communication[C]. Proceedings of the 2013 6th International Congress on Image and Signal Processing, Hangzhou, China, 2013: 1473–1477. doi: 10.1109/CISP.2013.6743907.

    13. [13]

      章敏敏, 徐和平, 王晓洁, 等. 谷歌TensorFlow机器学习框架及应用[J]. 微型机与应用, 2017, 36(10): 58–60. doi: 10.19358/j.issn.1674-7720.2017.10.017
      ZHANG Minmin, XU Heping, WANG Xiaojie, et al. Application of Google TensorFlow machine learning framework[J]. Microcomputer &Its Applications, 2017, 36(10): 58–60. doi: 10.19358/j.issn.1674-7720.2017.10.017

    14. [14]

      徐国进. 典型通信干扰信号识别技术研究[D]. [硕士论文], 电子科技大学, 2018.
      XU Guojin. Research on identification of typical communication jamming signals[D]. [Master dissertation], University of Electronic Science and Technology of China, 2018.

  • 图 1  基于奇异值与神经网络到的干扰识别原理

    图 2  单音干扰、线性扫频干扰、部分频带干扰、噪声调频干扰信号的奇异值图

    图 3  各干扰信号奇异值求差分后波形

    图 4  神经网络结构图

    图 5  采用不同方法得到的干扰识别率对比

    图 6  采用不同维度奇异值分解得到的干扰识别率对比

    表 1  对单音干扰、线性扫频干扰、部分频带干扰信号的识别率(%)

    BP神经
    网络输入
    训练样本识别
    正确率(%)
    测试样本识别
    正确率(%)
    奇异值导数99.75398.437
    下载: 导出CSV
  • 加载中
图(6)表(1)
计量
  • PDF下载量:  15
  • 文章访问数:  244
  • HTML全文浏览量:  550
文章相关
  • 通讯作者:  王梓楠, 183742104@qq.com
  • 收稿日期:  2019-04-08
  • 录用日期:  2020-03-03
  • 网络出版日期:  2020-04-15
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章