基于深度学习的无人机通信干扰任务生成方法

技术领域

本发明涉及通信信号处理技术领域，具体涉及基于深度学习的无人机通信干扰任务生成方法。

背景技术

无人机又称无人驾驶飞机，是一种由地面遥控装置以及机载程序控制的航空飞行器，应用在航拍测绘、农业植保、快递运输等多种领域。在无人机飞行过程中，无人机可能会误入未经允许进入、禁飞区等敏感地区，甚至发生人为操控无人机闯入敏感地区的恶劣情况，因此需要设计一种主动防御性的无人机反制方法，用于对抗和反制无人机的通信系统对敏感地区通信系统产生的通信干扰，防止无人机的非法入侵，维护公共安全和个人隐私。

在主动防御性的无人机反制过程中，无人机相对于敏感地区的通信系统而言是相对空间距离不断变化的干扰源，敏感地区通信系统的反制对象即为无人机通信系统产生的无人机通信信号。然而随着通信技术发展，无人机自身通过装配多个传感器检测外部干扰，借此提高自身通信的稳定性，因此需要分析无人机的抗干扰能力，区分无人机抗干扰能力的强弱项，利用深度学习技术针对性的生成无人机通信中的弱项抗干扰的反制信号，实现对闯入敏感地区的无人机的通信反制干扰，或向无人机发送驱逐信号，消除敏感地区的安全隐患。然而由于无人机空间位置的不稳定性，敏感地区通信系统接收端接收到的通信混合信号中各类子信号的方向差异减小，相关性增大，因此需要在识别无人机抗干扰能力的强弱项的过程中，对接收到的无人机通信信号进行精准分解。

发明内容

本发明提供基于深度学习的无人机通信干扰任务生成方法，以解决传统信号分解算法在信号接收端对无人机通信信号难以有效分离的问题，所采用的技术方案具体如下：

本发明一个实施例基于深度学习的无人机通信干扰任务生成方法，该方法包括以下步骤：

获取无人机通信系统产生的通信混合信号；

根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量；根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列；根据每个频率的局部振幅序列获取每个频率的成分特征匹配度；

利用阈值分割算法得到所有频率的成分特征匹配度构建的频率特征折线图中的分割区域；基于所述分割区域的数量利用独立成分分析算法获取通信混合信号的子信号分解结果；

根据通信混合信号的子信号分解结果利用波形匹配算法获取无人机通信的弱项干扰信号；根据无人机通信的弱项干扰信号利用深度学习模型生成作用于无人机通信的干扰反制信号，根据干扰反制信号实现对无人机通信的干扰。

优选的，所述根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量的方法为：

将通信混合信号的傅里叶变换结果作为通信混合信号频谱图；

分别获取通信混合信号频谱图中的每个频率处的斜率，对于所述斜率大于等于零的频率，将沿着频率变大的方向确定的第一个波峰对应的振幅作为频率的参考振幅；对于所述斜率小于零的频率，将沿着频率减小的方向确定的第一个波峰对应的振幅作为频率的参考振幅；

将每个频率的振幅、斜率、参考振幅组成的向量作为每个频率的成分特征匹配向量。

优选的，所述根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列的方法为：

将通信混合信号频谱图每个频率作为中心频率，在中心频率左右两侧分别获取预设数量的振幅，将所述预设数量的振幅与中心频率对应振幅按照频率升序的顺序组成的序列作为每个频率的局部振幅序列。

优选的，所述根据每个频率的局部振幅序列获取每个频率的成分特征匹配度的方法为：

根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数；

根据每个频率的局部振幅序列中元素的拟合结果以及每个频率与局部振幅极值对应频率获取每个频率的成分拟合系数；

每个频率的成分特征匹配度由每个频率的振幅波动指数、成分拟合系数两部分组成，其中，所述成分特征匹配度与振幅波动指数、成分拟合系数成正比关系。

优选的，所述根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数的方法为：

将每个频率的局部振幅序列删除最后两个元素后剩余元素组成的序列作为每个频率的计算序列，将所述计算序列中的每个元素标记为计算元素，将每个计算元素的下一个元素作为每个计算元素的第一相邻元素，将每个计算元素的第一相邻元素的下一个元素作为每个计算元素的第二相邻元素；

将每个计算元素的第一相邻元素与每个计算元素之间的差值作为分母，将每个计算元素的第二相邻元素与每个计算元素的第一相邻元素之间的差值作为分子，将分子与分母的比值的绝对值与预设参数的差值作为双曲正切函数的自变量；

将双曲正切函数的自变量对应的函数值在每个频率的计算序列内所有计算元素上的均值作为每个频率的振幅波动指数。

优选的，所述根据每个频率的局部振幅序列中元素的拟合结果以及每个频率与局部振幅极值对应频率获取每个频率的成分拟合系数的方法为：

获取利用最小二乘法对每个频率的局部振幅序列中的所有元素进行正弦函数拟合时的拟合优度，将所述拟合优度平方的倒数作为比例因子；

将每个频率的第一波谷、第二波谷对应频率之间的欧氏距离作为分母，将每个频率的成分特征匹配向量中每个元素与分母的比值在每个频率的成分特征匹配向量上的累加作为第一乘积因子；

将比例因子与第一乘积因子的乘积的归一化结果作为每个频率的成分拟合系数。

优选的，所述利用阈值分割算法得到所有频率的成分特征匹配度构建的频率特征折线图中的分割区域的方法为：

将以每个频率作为横坐标，以每个频率对应的成分特征匹配度作为纵坐标构建的二维坐标系中数据点的连线作为频率特征折线图；

利用阈值分割算法得到频率特征折线图中所有数据点的分割阈值，将以分割阈值作为纵坐标的水平直线作为频率特征折线图中的分割线；

将所述分割线上每一个连续数据点组成的局部线段与所述分割线组成的区域作为一个分割区域。

优选的，所述基于所述分割区域的数量利用独立成分分析算法获取通信混合信号的子信号分解结果的方法为：

将所述分割区域的数量作为独立成分分析算法中的成分数，将通信混合信号作为独立成分分析算法的输入，利用独立成分分析算法得到通信混合信号的子信号分解结果。

优选的，所述根据通信混合信号的子信号分解结果利用波形匹配算法获取无人机通信的弱项干扰信号的方法为：

利用波形匹配算法获取通信混合信号的子信号分解结果与原始干扰信号之间的波形匹配度，将所述波形匹配度最大值对应的原始干扰信号作为无人机通信的弱项干扰信号。

优选的，所述根据无人机通信的弱项干扰信号利用深度学习模型生成作用于无人机通信的干扰反制信号的方法为：

将无人机通信的弱项干扰信号作为生成对抗网络的输入，将生成对抗网络的输出作为无人机通信的干扰反制信号。

本发明的有益效果是：本发明通过分析无人机通信信号受到干扰后在通信混合信号频谱图中的特征构建成分特征匹配向量，并基于成分特征匹配向量构建振幅波动指数，反映无人机通信信号转换为频谱后的变异特征；其次结合成分特征匹配向量与振幅波动指数构建成分特征匹配度，综合考虑通信混合信号频谱图中各频率属于成分特征的匹配程度；基于频率特征折线图的分割区域结果获取ICA算法中的成分数，解决了传统的ICA算法对无人机通信混合信号分离时精度低的问题；基于改进后的ICA算法得到通信混合信号的子信号分解结果，最终利用生成对抗网络自适应生成对无人机产生干扰信号，完成面向不同无人机通信的干扰任务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于深度学习的无人机通信干扰任务生成方法的流程示意图；

图2为一个实施例所提供的频率特征折线图的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于深度学习的无人机通信干扰任务生成方法流程图，该方法包括以下步骤：

步骤S001，获取无人机通信系统产生的通信混合信号。

由于敏感地区面向无人机的反制是具有主动防御性的，因此本发明中由敏感地区的通信系统主动向敏感地区的通信范围内检测到的无人机间歇性的发送不同类型的干扰信号，其次由敏感地区的通信系统的接收端接收无人机返回的通信混合信号，由于通信过程中通信信号的强度逐渐变弱，在不同方向上的差异性逐渐减小，因此想要生成针对无人机弱项抗干扰的通信干扰任务，首先需要从所述通信混合信号中准确的分解出无人机弱项抗干扰信号。本发明中，每次通信后敏感地区的通信系统接收到的通信混合信号具体过程如下：

当地面通信中心监测到通信范围内出现无人机时，地面通信中心首先利用光电探测模块获取无人机的飞行轨迹，其次间隔固定的通信时间向无人机发送不同的干扰信号，通过通信接收器获取无人机通信信息数据，所述无人机通信信息数据包括无人机外形图像、外辐射源雷达获取的无人机飞行轨迹上的高度信息、经纬度信息以及飞行速度信息。

由于在无人机通信信息数据采集过程中可能受到自然噪声、信道衰落等因素，采集到的数据可能存在噪声等异常情况，据此本发明对所采集无人机通信信号数据进行去噪处理，常用的去噪技术有数字滤波、自适应滤波、小波变换等，为适应不同信号和噪声的变化，达到较好的去噪效果，本发明使用自适应滤波技术对采集到的无人机通信信号数据进行去噪处理，自适应滤波技术为公知技术，具体过程本发明不再赘述。将预处理后的无人机通信信号数据经过调制得到的信号作为通信混合信号，信号调制为公知技术，具体过程本不再赘述。

至此，得到每次通信后地面通信中心接收到的通信混合信号。

步骤S002，基于每个频率的成分特征匹配向量以及局部振幅序列得到每个频率的成分特征匹配度。

本发明的目的旨在对进入敏感地区的无人机产生的通信干扰进行反制，反制方法的实施方式是利用深度学习技术生成针对无人机通信中的弱项抗干扰的干扰反制信号，利用所述干扰反制信号实现对无人机通信的干扰、反制，避免无人机对敏感地区产生的安全隐患。现阶段的主动防御性无人机反制方法中对无人机通信中的弱项抗干扰信号的分解大多利用独立成分分析算法，然而由于独立成分分析ICA算法中对数据统计特征的计算较多，为降低算法的运算量，提高运算效率，且由于对无人机发出了多种噪声干扰，故无人机通信信号中包含的信号类型较多，即所得无人机通信信号为混合信号，据此本发明对所得通信混合信号使用ICA算法进行分离前需要对该混合信号进行中心化处理以及白化处理。

所述中心化处理即为去均值处理，使混合信号的均值为零，从而减小ICA算法的计算量，具体为将原始混合信号与其数学期望做差，得到中心化后的混合信号；所处白化处理为去除混合信号间的相关性，能够简化ICA算法提取独立分量的过程，进而提高ICA算法的运算效率，具体为通过主成分分析法求解白化矩阵，将所得白化矩阵与中心化后的混合信号做矩阵乘法，得到白化向量，向量中的各元素为混合信号中的各分量。其中主成分分析法为公知技术，具体过程本发明不再赘述。

现代大多数通信系统通常使用的是数字调制技术，其中无人机通信系统使用的同样为数字调制技术，所述数字调制技术包括QPSK、QAM、OFDM等，这些信号通常被认为是非高斯信号，在传输时具有复杂的调制结构，且无人机通信可能会受到多种干扰信号的影响，这些干扰信号的性质可能各不相同，即可以认为各干扰信号相互独立，且为非高斯信号。由于非高斯信号具有更多的非线性性质，即不同成分之间可能具有更大的差异，同时非高斯信号的概率分布通常不是对称的曲线，而是更复杂的分布，所包含的信息量更多，故使用ICA算法对其进行分离时的效果更好，据此本发明对通信混合信号进行傅里叶变换，将通信混合信号对应的频谱图记为通信混合信号频谱图。其中傅里叶变换为公知技术，具体过程本发明不再赘述。

基于通信混合信号频谱图中每个频率处的斜率信息构建每个频率的成分特征匹配向量，将频率f处的成分特征匹配向量记为HV

HV

其中，HV

另一方面，由于无人机通信信号被干扰后可能出现通信混合信号频谱图中峰值弱化、出现新的峰值、通信混合信号频谱图扭曲变形等情况，导致对ICA算法成分数的估计不准确，据此本发明基于上述步骤所得成分特征匹配向量构建成分特征匹配度，以频率f为例，频率f的成分特征匹配度的获取过程如下：

将通信混合信号频谱图中沿着频率变小的方向寻找到的第一个波谷记为频率f的第一波谷，将通信混合信号频谱图沿着频率变大的方向寻找到的第一个波谷记为频率f的第二波谷，将频率f为中心频率，在通信混合信号频谱图中左右两侧各取k个相邻的频率对应的振幅，将所述左右两侧各取k个相邻的频率对应的振幅与频率f对应振幅按照频率升序的顺序组成的序列作为频率f的局部振幅序列W(f)，本发明中k的大小取经验值10。其次对序列W(f)内的所有元素使用最小二乘法进行正弦函数拟合，将所得拟合结果的拟合优度记为r

计算频率f的成分特征匹配度HVD

式中，ACF

Norm[]是归一化函数，m是成分特征匹配向量中的元素数量，m的值为3，D

由于地面通信中心项无人机发送多种干扰信号，因此通信混合信号频谱图中的曲线形状扭曲程度较大，使原本平滑的频谱呈现出不规则的波动，故通信混合信号频谱图中频率f的局部振幅序列内相邻元素之差的差异性越强，即

至此，得到混合信号频谱图中每个频率的成分特征匹配度，便于后续独立成分分析算法中成分数的确定。

步骤S003，利用阈值分割算法得到频率特征折线图中的分割区域，基于分割区域数量利用独立成分分析算法获取通信混合信号的子信号分解结果。

在主动性防御反制无人机通信的过程中，本发明中对无人机通信干扰任务生成过程中的通信混合信号的分解算法进行改进，基于改进后的独立成分分析算法准确识别无人机通信中的弱项抗干扰，便于后续深度学习模型的训练。

为了实现对无人机通信的反制，上述内容通过通信混合信号中的特征匹配向量得到了每个频率的成分特征匹配度，还需要进一步获取独立成分分析算法中的关键参数，即独立成分分析算法中成分数，考虑根据所述成分特征匹配度进一步分析通信混合信号中可分解子信号的差异，实现对成分数的确定，完成对独立成分分析的改进。

根据上述步骤所得通信混合信号频谱图中各频率的成分特征匹配度，将以每个频率作为横坐标，以每个频率对应的成分特征匹配度作为纵坐标构建的二维坐标系中数据点的连线作为频率特征折线图，如图2所示。其次使用大津阈值分割法得到所有成分特征匹配度阈值THR，将所得阈值作为频率特征折线图的分割线，将所述分割线上每一个连续数据点组成的局部线段与所述分割线组成的区域作为一个分割区域，将频率特征折线图中所有分割区域数量作为成分数，记所得成分数为K。其中大津阈值分割法为公知技术，具体过程本发明不再赘述。

通过上述步骤所得成分数K，将其作为ICA算法的成分数，将通信混合信号作为ICA算法的输入，则可以通过ICA算法得到分解后的独立信号向量，所得向量长度为K，向量中的各元素即为各独立信号，将分解后的各独立信号记为无人机通信子信号，则所得无人机通信子信号中包含所发出的原始干扰信号与有效通信信号，ICA算法为公知技术，具体过程不再赘述。

至此，得到通信混合信号的子信号分解结果，用于后续深度学习模型生成干扰抑制信号。

步骤S004，利用波形匹配算法获取无人机通信的弱项干扰信号，基于生成对抗网络得到干扰反制信号，根据干扰反制信号实现对无人机通信的压制。

在利用深度学习技术生成针对无人机通信中的弱项抗干扰的干扰反制信号的过程中，本发明侧重于对敏感地区的通信系统中接收到的通信混合信号中子信号的分解过程，在子信号分解的基础上与现有无人机原始干扰信号进行相似性度量，基于所述相似度度量的基础利用生成对抗网络得到用于反制无人机的干扰反制信号，敏感地区的通信系统利用干扰反制信号实现对无人机通信干扰的防御性反制，保证敏感地区的通信系统免受无人机通信的干扰。

根据上述步骤得到通信混合信号的子信号分解结果，其次利用波形匹配算法计算每个无人机通信子信号与各原始干扰信号之间的波形匹配度，波形匹配算法为公知技术，具体过程不再赘述。举例而言，无人机通信子信号与一类原始干扰信号之间的波形匹配度越大，表明无人机通信子信号与一类原始干扰信号的匹配度越高，即无人机通信信号中包含了较多的此类别的干扰信号，表明无人机对此类别的干扰信号的抗干扰能力较弱；无人机通信子信号与一类原始干扰信号之间的波形匹配度越小，表明无人机通信子信号与一类原始干扰信号的匹配度较低，即无人机通信信号中包含的此类干扰信号较少，表明无人机对该干扰信号的抗干扰能力较强。

进一步的，将所有波形匹配度中最大值对应的一类原始干扰信号作为无人机的弱项抗干扰信号，其次将无人机的弱项抗干扰信号作为生成对抗网络GAN的输入，生成对抗网络的损失函数包括鉴别器D的损失函数以及生成器G的损失函数，其中，鉴别器的作用在于鉴别输入到鉴别器内的样本是真实样本还是生成器生成的样本，因此将鉴别器的损失函数设置为二元交叉熵函数；而生成器的作用是为了使得生成样本接近真实样本，因此生成器的损失函数采用均方差损失函数。

将上述鉴别器的损失函数与生成器的损失函数之和作为生成对抗网络的损失函数，其次以Adam算法为优化算法，将生成对抗网络的输出作为干扰反制信号，其中GAN网络为监督学习，因此生成对抗网络的输出，即生成器输出的干扰反制信号需要人为标注，具体的可通过专家根据不同无人机的弱项信号，人为设定相应的干扰反制信号。具体的，首先利用专家先验知识建立现有常见无人机的弱项干扰信号数据库，将利用波形匹配算法获取干扰反制信号与所述弱项干扰信号数据库中每类无人机的弱项干扰信号的匹配度记为干扰反制信号的标记值，其次利用大津阈值分割算法获取干扰反制信号所有标记值的分割阈值，将所有大于分割阈值的标记值对应的弱项干扰信号组成的集合作为干扰反制信号的候选信号集合，为公知技术，具体过程不再赘述。

进一步的，分别计算候选信号集合中所有弱项干扰信号的能量峰值的均值，根据所述能量峰值的均值与所得到的通信混合信号中的能量均值进行对比，如果能量峰值的均值大于通信混合信号中的能量均值，则认为无人机通信过程中的无线电信号较强，敏感地区的通信系统采用向无人机发送一定的功率的定向射频以及干扰反制信号，使得无人机接收不到具体的坐标信息，发生失控或者坠落；如果能量峰值的均值小于通信混合信号中的能量均值，则认为无人机通信过程中的无线电信号偏弱，此时获取干扰反制信号中出现概率最大的频段，敏感地区的通信系统通过遥控信号频段阻塞干扰的方式对干扰反制信号中出现概率最大的频段进行阻断，实现对无人机的反制。专家先验知识构建数据库的具体过程为本领域人员所周知的，包括生成对抗网络的训练其都为公知技术，具体过程不再赘述。由于生成对抗网络的输入为无人机的弱抗干扰信号，因此无人机同样对所得干扰反制信号的抗干扰能力较弱，将生成对抗网络输出干扰反制信号向无人机发送，完成面向无人机的自适应的弱抗干扰生成任务。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。