一种对集群通信信号干扰的检测方法研究

高 峰，熊 刚，王思博

(1.中国电子科技集团公司第三十研究所，四川 成都 610041；2.解放军92001部队，山东 青岛 266000)

0 引 言

集群通信的显著优点是其优越的指挥调度能力，不仅具备语音无线传输功能，而且非常适合构建指挥调度网络，包括组呼、群呼、紧急呼叫、动态重组等。集群通信的一种典型系统是陆上集群无线电(TETRA)数字集群系统，它是基于欧洲电信标准协会(ETSI)协议制定的无线电集群通信，可以应用于大型的政府、公安和军事系统，如世界各国的轨道交通控制[1-2]、民航系统[3]、港口调度[4]、公安消防系统、城市应急系统、边防部队等，起到地面调度、指挥通信、全员广播、列车控制等非常重要的作用[5]。

随着无线通信技术的发展，信号面临的环境日益纷繁复杂，集群通信系统受到外部的电磁干扰也越来越多，因此需要对干扰信号开展检测、分析研究，从而为采取适合的抗干扰处理手段提供基础。

1 信号模型原理分析

集群通信系统波形传输模型如图1所示，TRTRA原始信息经过块编码、卷积编码，通过交织、加扰后，经过调制及滤波，最后由接收端的逆向处理，还原出信息。

图1 集群通信系统波形传输模型简图

x(t)=Aejθ=Acosθ+jsinθ=xI(t)+jxQ(t)

(1)

式中：A表示信号幅度；θ表示相位差；xI(t)和xQ(t)表示I路和Q路基带信号。

集群通信TETRA的同步包括频率校正字段和训练序列字段，前者产生未调制的载频、实现频率校正，后者则实现定时同步[6-7]。同步主要是从经过解调的接收采样信号样本中，通过检测突发的脉冲序列，对突发的同步位置进行确定，并确定对应的突发信号同步相关峰特征。

TETRA突发脉冲信号同步的互相关示意图如图2所示。

图2 TETRA突发脉冲信号同步互相关峰

2 基于机器学习的集群通信干扰检测方法分析

根据对国内外研究现状的分析，目前对于集群通信干扰信号检测的研究相对很少，只有雷达或导航领域中一些信号干扰检测研究可用作借鉴[8-9]。

在集群通信干扰检测算法中，基于机器学习的思路能够使干扰信号的检测更高效和准确。

在无需集群通信系统配合和借助先验信息码字的情况下，通过监督学习算法，判断出干扰的存在，另一方面也减少依赖多个序列匹配进行检测所消耗的资源。

本文采用的支持向量机(SVM)优化方法是一种稳健的机器学习思路，可获取到唯一的分类超平面。其中，决策边界根据训练数据设置，用以进行线性判别。在线性判别中，可通过识别任一类最大边界点来确定。各类与支持向量相关的数据最大边界及划分如图3所示。

图3 支持向量机思路中边界划分原理示意图

支持向量机分类器采用区间为f:X⊆Rn→R的判别函数，具体形式如下：

f(x)=<α.ks(x)>+b

(2)

式中：ks(x)=[k(x,s1),…,k(x,sd)]T，表示核函数的评估向量，以支持向量为中心；支持向量S={s1,s2,…,sd},si∈Rn，其通常为训练数据的子集；α表示权向量，且有α∈Rl；b表示偏差，且有b∈R。

分类准则q:X→Y={1,2}可具体定义为：

(3)

本文基于支持向量机的干扰检测算法，针对集群通信的机制开展优化，实际采用了突发信号参数特征以及同步突发进行综合分析处理，比起过去一些通过信号频域能量计算的思路，进一步提高了检测概率。具体参数包括：同步均值、同步峰值和CRC标志。

首先，对同步突发脉冲信号求取归一化幅度包络均值，用于和接收信号强度指示(RSSI)比较，其计算式如下：

(4)

基于SVM的干扰检测算法原理流程框图如图4所示。

图4 基于SVM方法的干扰检测算法原理流程

在集群通信的干扰检测中，还可采用以下策略：一是需要对每个突发脉冲接收信号的干扰强度开展检测，从而完全确保信道传输质量，也可基于干扰检测进一步实现通信异常报警；二是干扰检测算法可通过适当设置初判门限，忽略对功率很低的干扰信号进行检测以节省计算资源，因为极低功率的干扰信号通常不会影响通信接收性能。

令xj(ψj,φj)表示第j个突发脉冲信号样本的观测数据，其中ψj为同步峰值，φj为同步均值。这些数据特征是通过计算待检测信号的训练序列样本Tx与参考信号样本之间的互相关函数来提取的。

若第j次突发的循环冗余校验(CRC)值为0且Pj≥TH,TH为相关峰门限，则在后续分类算法中进行计算，否则不处理。SVM算法的学习训练时间需要比其它一些机器学习算法相对更短，是一种高效的处理思路。分类算法的策略是对分类窗口中的突发信号进行处理，分类窗口可采用固定时间的滑动窗口形式，其长度取决于系统所需的精度，分类窗口的长度越长，算法性能的准确性越高。

对集群通信TETRA信号干扰检测时，采取SVM机器学习方法进行分类训练，主要训练参数特征如表1所示。

表1 主要训练参数特征

3 仿真分析

图5 本文干扰检测算法与过去算法的性能曲线

对图5分析可得出，本文的新算法可实现对集群通信干扰的成功检测，在干信比为1 dB时，检测概率在90%以上；且新方法的检测效果优于过去的思路，检测性能得以提高。

4 结束语

本文提出了一种基于机器学习的集群通信干扰检测算法，并采用了一些优化处理策略，降低了复杂度。采用SVM算法可提高对集群TETRA信号干扰检测算法的性能，通过仿真试验验证了新算法检测的有效性，比传统方法的检测成功率更高，具有较好的鲁棒性，适用性强，今后将进一步改进，为通信网络安全和抗干扰技术发挥更加重要的作用。