基于多语义特征融合网络的压制干扰识别算法

王李军，葛红妨，韩 煜，王 勃，沈 雷

(1.通信信息控制和安全技术重点实验室，浙江 嘉兴 314000；2.中国电子科技集团公司第三十六研究所，浙江 嘉兴 314000；3.杭州电子科技大学通信工程学院，浙江 杭州 310018)

0 引 言

随着卫星导航系统及其应用的发展，全球卫星导航系统(Global Navigation Satellite System，GNSS)在军事和民用领域已成为不可缺失的空间基础设施。导航定位技术的深入应用使得“导航干扰战”逐渐成为电子对抗的重要分支[1]。在复杂的通信环境中，来自外部的压制干扰严重威胁卫星导航基础设施的安全、效率及稳定运行，压制干扰信号覆盖了一定范围内的卫星信号，致使接收机不能正常工作[2]。因此，有效识别压制干扰信号是当前GNSS领域的研究热点。传统的压制干扰识别技术通常是从信号时域、频域以及变换域中提取干扰信号特征。文献[3]通过提取信号带宽、频谱峰度等6个常见信号特征对单音干扰、脉冲干扰、扫频干扰、调频干扰、二进制相移键控(Binary Phase Shift Keying，BPSK)干扰、宽带高斯白噪声及窄带高斯白噪声等7类干扰信号进行识别，干噪比低于0 dB时的识别效果较差。文献[4]将高阶累积量、频谱特性以及离散相位变换结合起来，提取单频干扰、脉冲干扰、线性扫频干扰、调频干扰、BPSK干扰的时域特征，实现了不同干噪比下多类压制干扰的分类识别，但当叠加卫星信号时，识别率开始下降。文献[5]根据单音干扰、梳状谱干扰、脉冲干扰、扫频干扰在时域和频域的差异提取信号特征，并结合模糊模式进行分类识别，在指定干扰类型范围内取得较好的识别效果，但算法泛化能力较差。传统压制干扰识别算法通常根据干扰信号分布规律人为选取特征参数，面临复杂多类压制干扰时，提取有效区分度的特征参数不足，模型泛化能力差，干扰识别性能不高。近年来，在信号识别方面，运用深度学习网络结构自动提取信号特征取得较大突破。文献[6]提出一种利用反向传播(Back Propagation,BP)神经网络的干扰信号分类识别算法，对射频噪声干扰、噪声调幅干扰、噪声调频干扰和噪声调相干扰进行识别，但算法收敛速度慢，普适性较差。文献[7]搭建了卷积神经网络模型，当网络层次加深时，易发生梯度消失现象，增加了网络训练的困难和耗时。文献[8]提出一种基于时域构造的残差网络压制干扰识别算法，将信号时域构造的一维数据作为网络输入，输入样本维度规模小，无法提供更多的有效区分度特征。为了加强信号输出特征的可区分度，本文提出基于多语义特征融合网络的压制干扰信号识别算法，通过信号的图像化构造和多语义特征融合，构建更完善的高维信号时频域特征，提取更丰富的多语义特征，提高了压制干扰信号的识别率。

1 基于多语义特征融合网络的压制干扰识别算法

在复杂的卫星通信环境中，正确识别干扰信号类型后，信号接收方才可采取相应的抗干扰措施，规避或抑制干扰，降低干扰对通信质量的影响。本文采用信号图像化构造和多语义特征融合网络，提出一种基于多语义特征融合网络的压制干扰识别算法，主要由信号图像化构造模块、特征提取残差网络模块、特征融合模块、分类层构成，其基本框架如图1所示。

图1 基于多语义特征融合网络的压制干扰识别算法框架

首先，对卫星信号和压制干扰以及高斯噪声信号的混合信号进行图像化构造，得到224×244的高维数据图像，其通道数为1；然后，对单通道输入图像进行通道变化和尺寸缩小，得到信号图像大小为112×112×64；接着，通过8(2，2，2，2)个跳跃连接的残差网络，多角度提取信号的纹理细节和抽象特征，并采用本文提出的特征融合模块对信号进行各级语义特征的融合，得到更加抽象完整的信号时频域特征；最后，经过分类层完成压制干扰信号的分类和识别。

1.1 卫星信号和压制干扰信号模型

压制干扰原理简单，实现难度低，干扰效率高，是卫星通信系统的主要干扰因素[9]。本文主要研究7类不同压制干扰信号对卫星信号的影响，7类压制干扰类型分别是BPSK干扰、单音干扰、时域脉冲干扰、噪声调频干扰、正交相移键控(Quadrature Phase Shift Keying，QPSK)干扰、线性扫频干扰、梳状谱干扰。不同干扰模式下，接收卫星信号的时域模型为：

S(t)=ρ1b(t)c(t)exp(j2πft)+ρ2J(t)+N(t)

(1)

式中，ρ1和ρ2分别为卫星信号和压制干扰信号的幅度，b(t)为卫星信号的基带数据，c(t)为卫星信号的扩频序列，从周期为1 023的伪随机序列中截取224作为扩频序列[10]，f为卫星信号的载波频率，J(t)为压制干扰信号，N(t)为噪声信号，服从N(0,σ2)的高斯白噪声，σ2为噪声方差，j为虚部单位。

对压制干扰信号的产生原理分析，得到7类压制干扰信号的数学表达式J(t)[11]如表1所示。表1中，a(t)为BPSK干扰的基带数据，fc为干扰信号的载波频率，φ为初始相位，通常设为0。u(t)为时域脉冲干扰的脉冲信号，τ为脉冲持续时间，T为时域脉冲周期。n(t)为随机的高斯白噪声，KFM为噪声调频干扰的调频特性曲线斜率。a1(t)和a2(t)为QPSK干扰的基带数据。K1为扫频干扰的扫频速率。梳状谱干扰信号由5个噪声调频信号合成，K为梳状谱干扰的调频特性曲线斜率，fc,i为梳状谱干扰的载波频率，频点的选择由要干扰的通信频段来决定。

表1 7类压制干扰信号的表达式

1.2 压制干扰信号图像化构造

传统深度学习网络的输入通常为一维数据形式的训练样本，可提取的特征数不足，信号识别率低。因此，本文采用图像化构造方法来获取训练样本，通过对一维压制干扰信号的图像化构造得到224×224维的高维数据图像，更直观反映信号符号之间的相关性和完整性，便于深度学习网络提取区分度较好的信号特征。

为了保证与本文多语义特征融合网络使用的数据约束条件相同，首先，对接收到的待识别信号进行采样，将采样获得的I路和Q路一维时序信号表示为1×MN的数据块矩阵；然后，对数据矩阵进行拼接扩充，扩展网络输入信号的数据集，以便满足多语义特征融合网络的数据约束条件；最后，对I路和Q路的数据块进行矩阵变换和拼接，得到2M×2M的高维数据，作为本文多语义特征融合网络输入的二维图像。

对接收信号进行采样，由式(1)得到的I路和Q路信号可表示为：

(2)

(3)

式中，fs为采样频率，M表示符号个数，大小为112，N为BPSK和QPSK干扰信号的每个符号采样点数，大小为14。按照码元长度进行切割和变换，得到1×MN大小的数据块矩阵。将采样数据进行初步图像化构造得到的数据块矩阵为：

Smod,I,1=[SI(1),SI(2),SI(3),…,SI(MN)]1×MN

(4)

Smod,Q,1=[SQ(1),SQ(2),SQ(3),…,SQ(MN)]1×MN

(5)

为了提供尽可能多的可提取信号特征，进一步对式(4)和式(5)所得的数据块矩阵进行相应的拼接扩充，将数据块填充16次，得到新的数据块。填充过程表示为：

Smod,I=[Smod,I,1,Smod,I,2,…,Smod,I,16]1×16MN

(6)

Smod,Q=[Smod,Q,1,Smod,Q,2,…,Smod,Q,16]1×16MN

(7)

为了使构建的二维图像更能体现干扰信号的时频特点，对式(6)和式(7)所得的扩充数据块进行矩阵变换和拼接，得到大小为224×224的网络输入图像，图像矩阵表示为：

(8)

经过图像化构造处理，增强了待识别信号的数据集，提供了更多能提取的信号特征，提升了识别率。当信噪比为-5 dB，干信比为15 dB时，分别对受7种压制干扰影响的卫星信号和无压制干扰影响的卫星信号进行图像化构造，得到多语义特征融合网络的输入图像如图2所示。

图2 接收信号的图像化构造

图2中，在高斯噪声环境下，横向方向的灰度变化体现了信号随频率和时间的变化情况，纵向方向的灰度变化反映的是信号在不同时刻的数据信息。从图2可以看出，经过图像化构造，各类信号的差异更加直观。图2(a)中，由于BPSK干扰信号的I路、Q路包含相同码元信息，故上下部分的纹理信息相似；图2(b)中，可以观察到单音干扰信号的周期性幅值变化；图2(c)的灰度变化显示了时域脉冲干扰在大占空比下的脉冲周期变化；图2(d)中，横向灰度变化的无规则性体现了随机噪声调频后的幅度变化；图2(e)中的上下部分纹理信息反映了2路QPSK干扰信号码元信息的差异；图2(f)中，可以发现信号频率连续变化带来的信号幅值周期性变化；图2(g)的灰度变化体现了梳状谱干扰多频点叠加使干扰能量集中的特性；图2(h)中，横向灰度变化反映了不同码元内随机扩频序列的变化。

1.3 多语义特征提取

为了满足多语义特征融合，确保网络获取更丰富的时域和频域特征，本文采用非线性映射的残差网络来提取信号特征。将单通道输入图像(224×224×1维)进行通道变化和尺寸变更，经过7×7的卷积层和最大池化层得到更适应残差网络的输入图像，图像大小为112×112，输入通道为64。

为了尽可能多地提取信号的局部细节和信号纹理特征，采用4级残差网络，残差单元分布为(2，2，2，2)。其中，每个残差单元涉及2个卷积层，卷积核大小为3×3，感受野范围较小，避免了较大范围感受野带来的干扰信号细节损失问题，使得残差网络提取更细致和更真实的干扰信号特征。同时，每个卷积层都附带1个ReLU激活函数层，各级残差网络跳跃连接形成深度网络[12]，增加了卷积运算的非线性，进而使残差网络从不同角度进行特征的提取，获取更准确的各级语义特征，提高了压制干扰信号识别率。

1.4 多语义特征融合

图3 特征预处理单元

接收信号为卫星信号和压制干扰信号以及高斯噪声信号的混合信号，信号成分复杂。本文运用残差网络提取信号特征时，主要提取干扰信号边缘、纹理等局部细节特征，随着层数的增多，可以提取更多信号特征[13]。同理，在更高层可以获得干扰信号抽象复杂的信号语义特征。因此，为了同时获得低层语义特征和高层语义特征，对提取信号的各级语义特征进行特征融合[14]。特征融合模块包含4个特征预处理和平均池化层以及flatten层。采用的特征融合方式为拼接融合，为了保持各层信号特征作用比例的一致性，对各级残差单元输出特征图进行尺寸、通道变化的预处理。本文采用的特征预处理单元主要由1个1×1卷积层、1个最大池化层、1个实例规范化层、1个ReLU函数激活层构成。为了避免因直接在采用卷积层下采样导致参数量成倍增加的问题，本文采用1×1卷积层改变特征输出的通道数，再借助池化层的降采样作用改变特征输出的宽度和高度。特征预处理单元流程如图3所示。

通过特征预处理单元将各级残差网络输出的不同尺寸和不同通道数的语义特征标准化(7×7×512维)，并对标准化后的特征通道进行拼接融合(7×7×2 048维)，再进行池化降维处理，得到信号的多语义融合特征(1×2 048维)。融合后的信号特征保留了更多的信号边缘和纹理等细节特征，同时增加了抽象复杂的信号特征，提高了网络提取干扰信号的多语义特征能力，进一步提升压制干扰信号的识别率。

2 实验结果及分析

实验服务器GPU为NVIDIA TITAN RTX，使用的深度学习框架是Pytorch，采用本文多语义特征融合网络进行训练，全局学习率为0.05，训练批次为16，训练轮次为100，损失函数采用交叉熵，优化器是Adam，特征融合后的信号特征向量维度为2 048维。

2.1 特征图可视化

接收信号图像化构造后输入本文多语义特征融合网络，经过各级残差网络，保存自动提取的信号特征，得到各级残差网络输出的特征图像。由于各级残差网络输出特征尺寸大小不一致，为了便于对比观察，将输出特征图进行尺寸归一化处理，并按照图像生成顺序得到受7类压制干扰影响的卫星信号经过各级残差网络的输出特征，结果如图4—图7所示。

图4 第1级残差网络输出特征图

图5 第2级残差网络输出特征图

图6 第3级残差网络输出特征图

图7 第4级残差网络输出特征图

图4中，a.1到g.1分别表示存在QPSK干扰、单音干扰、脉冲干扰、噪声调频干扰、QPSK干扰、线性扫频干扰、梳状谱干扰时，第1级残差网络的输出特征。相比高层残差网络，低级残差网络对点、线、面等底层特征比较敏感，能够反映不同压制干扰信号的纹理和边缘等局部特征。随着网络层增加，经过非线性卷积计算，高层残差网络输出的信号特征具有抽象的高级语义特征，不同压制干扰信号的输出特征具有更好的可区分性。

选取时域脉冲干扰的各级输出特征来分析，从c.1至c.4可以看出，浅层输出特征描述了更多脉冲干扰信号带来的周期性变化特征，高层输出特征则具有更多抽象语义特征。观察a.1和e.1对应的局部特征，BPSK信号上下两部分纹理相似，而QPSK信号的局部特征存在明显差异。a.4和e.4中，随着网络深度的增加，更高层的残差网络提取到的语义特征更抽象。从a.1至g.1可以看出，在第1级残差网络输出结果中，仍能观察到信号的时域和频域特征；当残差网络层数增多，从a.2至g.2及a.3至g.3可以发现，逐渐提取到更多的抽象语义特征和部分边缘等细节特征；从a.4至g.4可以发现，到第4级残差网络时，感受野范围增大，可以观察到具有可区分性的抽象特征。

通过残差网络提取到更多的不同层级的信号特征，便于特征融合时得到更多语义特征以及丰富的细节特征。

2.2 干扰信号的识别率

使用MATLAB软件实现受7类不同压制干扰影响的卫星信号的仿真，并对一维信号进行图像化构造，根据干扰参数得到网络的训练集和测试集图像样本，两者不存在交集。信噪比范围为-10～10 dB，干信比范围为-10～15 dB，采样频率为22.4 kHz，扩频码速为100 Hz，干扰信息速率为1.6 kHz，各类干扰的其他参数如表2所示。

表2 压制干扰信号生成参数

依据干扰参数在载频范围内均匀选取500个频率点，每个频率点生成4张图片，每类信号的数据图像数量为500×4=2 000张，得到训练集数据图像库大小为500×4×7=14 000。在载频范围内随机选取500个频点，每个频率点生成15张图片，得到测试集图像库大小为500×1×7=3 500。

分别采用本文提出的基于多语义特征融合网络的压制干扰识别算法和目前广泛使用的基于时域构造的残差网络压制干扰识别算法[8]进行仿真实验。基于时域构造的残差网络压制干扰识别算法的训练集和测试集样本数据的采集是基于时域构造的，通过MATLAB仿真得到7类不同压制干扰影响的卫星接收信号，并将采样后的I路和Q路信号拼接成一维数据。为了便于对比，干扰参数设置同表2，训练集和测试集大小、信噪比和干信比范围与本文设置一致。

通过训练好的网络对信号进行验证，分别使用本文算法的多语义特征融合网络和不进行特征融合的网络，以及文献[8]的基于时域构造的残差网络压制干扰识别算法和文献[4]的传统的基于时域和频域特征提取的干扰识别算法对各类压制干扰信号进行识别，当信噪比为0 dB时，不同算法的识别率随干信比的变化如图8所示，当干信比为0 dB时，随信噪比变化时各类压制干扰在3种网络算法和传统算法中的识别率情况如图9所示。

图8 不同算法在不同干信比下的识别结果

图9 不同算法在不同信噪比下的识别结果

由图8、图9可以看出，本文提出的特征融合网络和特征非融合网络的识别率高于其他2种算法。当信噪比大于0 dB或者干信比大于0 dB时，本文的多语义特征融合网络的干扰识别率均达到90%，这是因为本文对接收信号进行了图像化构造，增强了网络输入数据集，能提供更多可提取的信号特征，提升了干扰识别的识别率。并进一步进行特征融合得到更多有效区分度大的信号特征，从而得到更好的识别效果。

3 结束语

本文主要研究受7类压制干扰影响的卫星信号的分类识别，提出一种基于多语义特征融合网络的压制干扰识别算法。通过图像化构造增强了数据效果，为网络提供更多可提取的信号特征，并采用多语义特征融合技术提升了网络的特征提取和分类能力，实现了压制干扰信号的有效识别，具有良好的泛化能力。本文算法主要实现了特定种类压制干扰信号的识别，后续将针对随机压制干扰信号的识别展开进一步研究。