基于频谱感知的无人机通信干扰抑制方法

技术领域

本发明涉及通信干扰抑制技术领域，具体涉及基于频谱感知的无人机通信干扰抑制方法。

背景技术

得益于较强的任务适应性、优异的航行能力、高效性和安全性，无人机在军事、民用、商业等领域快速发展，广泛应用于目标侦察、目标打击、民用航拍、智慧监控等多类型任务中，无人机在给各行业带来便利的同时，随之产生了安全隐患，例如飞行过程中无人机的通信信号可能会改变飞行路径周围通信系统中通信信号的频率、幅度以及相位等特征参数、无人机侵入禁飞区、无人机恶意攻击等，为了解决上述安全隐患，实现对公共安全领域内的无人机的有效管辖，保护低空安全，无人机反制应运而生，通过实时监测和干扰无人机，反制系统可以有效预防无人机的非法侵入和恶意攻击，确保敏感区域的安全。

无人机反制系统可以根据不同的威胁和环境条件，基于频谱数据的处理调整干扰信号和策略，以实现最佳的反制效果，然而随着无人机技术的不断发展，可能出现新型无人机具有抗干扰能力、自主规避干扰或伪装成其他物体等问题；另一方面，传统频域干扰抑制中的置零法通过将受干扰的频点在频域中进行置零来实现干扰抑制，在反制无人机通信干扰的同时极易造成有效通信信号的损失。上述问题对无人机反制提出了更高的要求，需要对无人机通信信号进行精准分类识别，面对不同的干扰信号采取针对性性的反制措施。

发明内容

本发明提供基于频谱感知的无人机通信干扰抑制方法，以解决基于信号单一时域、频域数据难以实现飞行路径周围通信系统对无人机通信干扰信号分类抑制的问题，所采用的技术方案具体如下：

本发明一个实施例基于频谱感知的无人机通信干扰抑制方法，该方法包括以下步骤：

获取飞行路径周围通信系统接收到的干扰待处理信号；

根据每种仿真信噪比下每种干扰待处理信号的单一参数序列获取每种仿真信噪比下每种参数的参数权重；根据不同种类干扰待处理信号循环谱特性以及时频域参数之间的相似性获取两种干扰待处理信号之间的时频相关系数；将每种干扰待处理信号与其余干扰待处理信号之间的时频相关系数按照降序顺序组成的序列作为每种干扰待处理信号的频谱相关性序列；

根据所有干扰待处理信号的频谱相关性序列利用分类模型获取干扰待处理信号的初始分类结果；根据每种干扰待处理信号与正常通信信号的稀疏表示之间的差异性获取每种干扰待处理信号的稀疏拟合系数；

根据两种干扰待处理信号的时频相关系数以及稀疏拟合系数获取干扰待处理信号的真实识别结果；根据飞行路径周围通信系统中接收到的干扰信号的识别结果采取针对性的干扰抑制方法，实现对无人机通信干扰的分类抑制。

优选的，所述根据每种仿真信噪比下每种干扰待处理信号的单一参数序列获取每种仿真信噪比下每种参数的参数权重的方法为：

利用信息增益算法获取每种仿真信噪比下每种参数的信息增益，将每种仿真信噪比下所有参数的信息增益最大值与最小值的差值作为分母，将每种仿真信噪比下每种参数的信息增益与所有参数的信息增益中的最小值的差值作为分子，将分子与分母的比值作为每种仿真信噪比下每种参数的增益宽度；

将每种仿真信噪比下所有参数的信息增益最大值与所有仿真信噪比下所有参数的信息增益最大值的比值作为每种仿真信噪比的第一比例因子；

每种仿真信噪比下每种参数的参数权重由每种仿真信噪比下每种参数的增益宽度、每种仿真信噪比的第一比例因子两部分组成，其中，所述参数权重与增益宽度、第一比例因子成正比关系。

优选的，所述根据不同种类干扰待处理信号循环谱特性以及时频域参数之间的相似性获取两种干扰待处理信号之间的时频相关系数的方法为：

根据两种干扰待处理信号单一参数序列之间的相似性以及参数权重获取两种干扰待处理信号之间的单一参数相关性；

根据两种干扰待处理信号对应的循环谱密度估计之间的相似性获取每种仿真信噪比下两种干扰待处理信号之间的循环相似指数；

将所有仿真信噪比下两种干扰待处理信号之间的循环相似指数的均值作为第一组成因子；

将两种干扰待处理信号之间的单一参数相关性在所有干扰待处理信号上的累加作为第二组成因子；

两种干扰待处理信号之间的时频相关系数由第一组成因子、第二组成因子两部分组成，其中，所述时频相关系数与第一组成因子、第二组成因子成正比关系。

优选的，所述根据两种干扰待处理信号单一参数序列之间的相似性以及参数权重获取两种干扰待处理信号之间的单一参数相关性的方法为：

获取每种仿真信噪比下两种干扰待处理信号相同参数的单一参数序列之间的相似性度量；将所述相似性度量与所述相似性度量对应参数的参数权重的乘积作为每种仿真信噪比下的第一累加因子；

将所有仿真信噪比下的第一累加因子的均值作为两种干扰待处理信号之间的单一参数相关性。

优选的，所述根据两种干扰待处理信号对应的循环谱密度估计之间的相似性获取每种仿真信噪比下两种干扰待处理信号之间的循环相似指数的方法为：

分别获取两种干扰待处理信号对应循环谱中循环谱密度估计的极值点数量，将所述极值点数量中最小值与所述极值点数量之间的差值的乘积作为两种干扰待处理信号的极值点偏差，将两种干扰待处理信号的极值点偏差的倒数作为第一乘积因子；

根据每种仿真信噪比下两种干扰待处理信号对应的循环谱密度估计分布获取每种仿真信噪比下两种干扰待处理信号之间的循环特征相似度；

将所述第一乘积因子与循环特征相似度的乘积作为每种仿真信噪比下两种干扰待处理信号之间的循环相似指数。

优选的，所述根据每种仿真信噪比下两种干扰待处理信号对应的循环谱密度估计分布获取每种仿真信噪比下两种干扰待处理信号之间的循环特征相似度的方法为：

将每种仿真信噪比下每种干扰待处理信号每个循环谱密度估计的极值点对应的采样频率、循环频率以及循环谱密度估计组成的向量作为所述极值点的循环谱密度估计向量；获取两种干扰待处理信号对应的相同次序极值点的循环谱密度估计向量之间的相似性度量，将所述相似性度量在两种干扰待处理信号对应循环谱密度估计的极值点数量中最小值上的累加作为分子；

将每种仿真信噪比下每种干扰待处理信号对应的密度估计矩阵的奇异值组成的向量作为每种仿真信噪比下每种干扰待处理信号的奇异向量，将每种仿真信噪比下两种干扰待处理信号的奇异向量之间的相似性度量与预设参数之和作为分母；

将分子与分母的比值作为每种仿真信噪比下两种干扰待处理信号之间的循环特征相似度。

优选的，所述根据所有干扰待处理信号的频谱相关性序列利用分类模型获取干扰待处理信号的初始分类结果的方法为：

将每种干扰待处理信号与其余干扰待处理信号之间的时频相关系数降序排列组成的序列作为每种干扰待处理信号的频谱相关性序列；

将所有干扰待处理信号的频谱相关性序列作为神经网络分类模型的输入，根据神经网络分类模型的输出获取所有干扰待处理信号的初始分类结果。

优选的，所述根据每种干扰待处理信号与正常通信信号的稀疏表示之间的差异性获取每种干扰待处理信号的稀疏拟合系数的方法为：

根据每种干扰待处理信号与其余干扰待处理信号的稀疏差异值获取每种干扰待处理信号的类内系数差；

将有效原子在每种干扰待处理信号的稀疏系数上的稀疏拟合信号与每种干扰待处理信号上采样点之间的值方差，将所述值方差与有效原子在每种干扰待处理信号所在类内信号上值方差的均值之间差值的绝对值作为每种干扰待处理信号的重构差异量；

每种干扰待处理信号的稀疏拟合系数由每种干扰待处理信号的类内系数差、重构差异量两部分组成，其中，所述稀疏拟合系数与类内系数差、重构差异量成正比关系。

优选的，所述根据每种干扰待处理信号与其余干扰待处理信号的稀疏差异值获取每种干扰待处理信号的类内系数差的方法为：

将每种干扰待处理信号对应稀疏系数组成序列作为每种干扰待处理信号的稀疏表示序列；将所有有效原子在每种干扰待处理信号所在类别中的字典原子上的投影值按照降序的顺序组成的序列作为有效原子的投影序列；将所述稀疏表示序列与投影序列之间的距离度量结果作为每种干扰待处理信号的稀疏差异值；

获取每种干扰待处理信号的稀疏差异值与每种干扰待处理信号所在类内剩余每种干扰待处理信号稀疏差异值之间差值的绝对值，将所述绝对值在所述类内剩余所有干扰待处理信号稀疏差异值上的均值作为每种干扰待处理信号的类内系数差。

优选的，所述根据两种干扰待处理信号的时频相关系数以及稀疏拟合系数获取干扰待处理信号的真实识别结果的方法为：

获取两种干扰待处理信号的稀疏拟合系数之间差值的绝对值，将所述差值的绝对值与两种干扰待处理信号之间的时频相关系数的倒数的乘积作为两种干扰待处理信号之间的干扰距离；

将两种干扰待处理信号之间的干扰距离作为聚类算法中两种干扰待处理信号之间的度量距离，根据聚类算法的输出得到干扰待处理信号的真实识别结果。

本发明的有益效果是：本发明通过对不同干扰待处理信号在时频域以及循环谱特性的分析构建时频相关系数，时频相关系数考虑了多个参数在不同干扰信号上的识别能力，其有益效果在于飞行路径周围通信系统能够对信号强度不同的干扰信号进行区分，解决时域、频域少量参数只能识别几种特定干扰信号的问题。其次基于各个干扰待处理信号与无人机正常通信信号的稀疏表示结果构建稀疏拟合系数，稀疏拟合系数考虑了同源干扰信号之间的频域衰减特征，其有益效果在于能够通过稀疏表示对飞行路径周围通信系统中接收到的通信信号进行有效重构，提高飞行路径周围通信系统中对接收到的不同干扰源的无人机通信干扰信号的识别能力，有利于飞行路径周围通信系统根据无人机干扰信号识别结果采取针对性的无人机通信反制方法。

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频谱感知的无人机通信干扰抑制方法的流程示意图；

图2为本发明一个实施例所提供的基于频谱感知的无人机通信干扰抑制方法的具体实施流程图。

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频谱感知的无人机通信干扰抑制方法流程图，该方法包括以下步骤：

步骤S001，生成飞行路径周围通信系统中的仿真干扰信号，基于所述仿真干扰信号得到干扰待处理信号。

由于无人机飞行位置的不稳定性，无人机反制系统也具有灵活性和适应性，本发明旨在实现面向无人机通信的干扰分类反制，因此需要对无人机通信信号进行精准分割，从而识别无人机通信信号中干扰信号的类型，根据干扰信号的识别结果进行针对性的干扰反制。

本发明利用AMC-2C667x基带板生成无人机飞行时，飞行路径周围通信系统中常见的仿真干扰信号，本发明中所述仿真干扰信号为基带式信号，包括单音干扰信号、多音干扰信号、线性调频干扰信号、噪声调频干扰信号、噪声阻塞干扰信号、正交频分复用信号OFDM(Orthogonal Frequency Division Multiple)，仿真信噪比范围设置为-20-30dB，以-20dB为初始信噪比，相邻两次仿真信噪比设置为2dB，以30dB为截至信噪比。基带板的型号以及仿真信噪比的设置实施者可以根据无人机具体的飞行情况设置。

飞行路径周围通信系统在识别出无人机通信产生的干扰信号类型后，需要快速对无人机通信干扰进行反制，因此本发明考虑对仿真干扰信号进行离散化处理时，本发明利用汉明窗函数仿真干扰信号进行采样处理，其次为了消除功率不同对无人机接收到干扰源的分类，进一步对离散化结果进行功率归一化处理，将第a次仿真生成的第i种干扰信号的预处理结果记为x

至此，得到飞行路径周围通信系统接收到的每种仿真干扰信号对应的干扰待处理信号。

步骤S002，基于单一参数序列获取每种参数的参数权重，根据干扰待处理信号循环谱特性以及时频域参数之间的相似性获取干扰待处理信号之间的时频相关系数。

由于飞行过程中无人机飞行轨迹、飞行角度等因素的不确定性，飞行路径周围通信系统面临干扰源动态变化、无人机通信信号多变的复杂情况。因此飞行路径周围的通信系统想要实现对无人机通信进行有效反制，抑制不同干扰源的干扰信号，首先需要从不同类型的干扰待处理信号中提取信号特征进行分类表征，对飞行路径周围通信系统中接收到的无人机通信信号进行分类识别，根据干扰信号分类结果有针对性的选择抑制方法。

对于任意一种干扰待处理信号，本发明中分别获取在每种仿真信噪比下干扰待处理信号的峰值能量聚集度、功率谱变化系数、分数阶特征能量聚集度、频域矩峰度系数、频域矩偏度系数、包络变化度系数、时域峰度系数、高阶峰值能量聚集度八个参数，上述八个时域、频域参数的计算为信号处理中的公知技术，具体计算过程不再赘述。每种参数对干扰待处理信号的分类能力不同，例如，频域峰度系数用于表征信号频谱的陡峭程度，因此存在频域冲激的单音干扰信号的频域峰度系数往往高于其余几种干扰信号。其次，按照仿真信噪比升序的顺序，将每种干扰待处理信号的每种参数组成的序列作为每种干扰待处理信号的单一参数序列，将干扰待处理信号x

将每种仿真信噪比下所有干扰待处理信号的所有参数值作为信息增益算法的输入，分别获取每种参数的信息增益，信息增益越大，参数对不同种类干扰信号的分类能力越好，将第a次仿真信噪比下第k种参数的信息增益记为c

式中，c

其中，第a种仿真信噪比下干扰待处理信号之间的区分性越大，第一比例因子

进一步的，飞行路径周围通信系统受到无人机通信干扰是不固定的，一方面是由于无人机通信信号种类不同，甚至存在多架无人机在一片区域内飞行的情况；另一方面，随着无人机位置的实时变化，飞行路径周围通信系统与干扰源之间的距离也会随之改变，飞行路径周围通信系统接收到的同一种干扰信号的信号强度也会发生波动。因此本发明中考虑获取每种干扰待处理信号的循环谱，通过干扰待处理信号在每个循环频率下的循环平稳特征区分飞行路径周围通信系统中可能接收到无人机通信干扰信号。

本发明中，在获取信号循环谱时，以长度L对每种干扰待处理信号进行截断，以采样周期T对截断信号进行均匀采样，采样周期T的大小设置为每种干扰待处理信号最高频率的十分之一，长度L的大小设置为每种干扰待处理信号周期的3倍，信号循环谱的获取为公知技术，具体过程不再赘述，然后对循环谱进行离散化得到密度估计矩阵，干扰待处理信号x

基于上述分析，此处构建时频相关系数V，用于表征不同种类干扰信号频谱特性之间的相似程度，计算第i种、第j种干扰待处理信号的时频相关系数V

式中，v

u

V

时频相关系数反映了飞行路径周围通信系统可能接收到的不同干扰信号之间的时域、频域参数之间的相关程度。第i种、第j种干扰待处理信号在单一参数上的取值越接近，单一参数序列F

干扰待处理信号在谱密度估计极值点数量的差异越小，M-N的值越小，第一累加因子

至此，得到干扰待处理信号之间的时频相关系数，用于后续获取干扰待处理信号的识别结果。

步骤S003，基于频谱相关性序列得到干扰待处理信号的初始分类结果，根据不同信号的稀疏表示之间的差异性得到干扰待处理信号的稀疏拟合系数。

根据上述步骤，分别获取任意两种干扰待处理信号之间的时频相关系数，根据每种干扰待处理信号与其余干扰待处理信号之间的时频相关系数构建每种干扰待处理信号的频谱相关性序列U，将每种干扰待处理信号与其余干扰待处理信号之间的时频相关系数降序排列组成的序列作为每种干扰待处理信号的频谱相关性序列，例如对于干扰待处理信号x

分别获取每种干扰待处理信号的频谱相关性序列，其次利用分类模型对所有干扰待处理信号进行初步分类，将所有干扰待处理信号的频谱相关性序列作为分类模型的输入，分类模型的结构为BP神经网络，以交叉熵函数为损失函数，以Adam算法为优化算法，分类模型的输出是每种干扰待处理信号的类别，神经网络的训练为公知技术，具体过程不再赘述，本发明中，将神经网络分类模型获取的分类结果作为飞行路径周围通信系统对可能接收到的无人机通信干扰信号的初始分类结果。本发明中，将所有干扰待处理信号初始分类结果中的类别数量记为M，假设第i种干扰待处理信号位于第M类，将第M类内干扰待处理信号的数量为L

得到初始分类结果后需要对干扰待处理信号进行更深层次的识别，这是因为由于无人机通信信号传输过程中可能存在同源频谱衰减的现象，或者无人机伪装成其余物体发送的通信信号并不能够直接在初始分类结果中体现出来，因此为了提高无人机反制系统的精确性，本发明后续利用稀疏重构的方式对初始分类结果进行更进一步的识别，以便于无人机反制系统采取针对性的反制措施。

进一步的，如果飞行路径周围通信系统接收到的两个干扰待处理信号是同一干扰源产生的，则这两个待干扰信号应当具有同源信号的频域衰减特征，在抑制干扰的时候可以考虑利用稀疏表示的方式对干扰待处理信号进行重构抑制。对于每个类别内的干扰待处理信号，本发明中利用K-SVD字典学习算法对信号进行稀疏表示，得到每个类别内干扰待处理信号的学习字典。其次利用K-SVD字典学习算法对所有仿真信噪比下生成的飞行路径周围通信系统中接收到的正常通信信号进行稀疏表示，将得到的学习字典记为有效字典，将有效字典中的原子记为有效原子，K-SVD字典学习算法为公知技术，具体过程不再赘述。

如果飞行路径周围通信系统中接收到了无人机通信干扰信号，飞行路径周围通信系统中的正常通信信号与所接收的无人机通信干扰信号之间的稀疏表示结果是不同的，有效原子与每个类别内的干扰待处理信号内字典原子上的投影结果与每个类别内的干扰待处理信号内字典原子对应的字典系数具有较大的差异，则说明每个类别内的干扰待处理信号之间具有明显的频谱差异。例如，将第M类的字典原子作为投影向量，分别获取每个有效原子在投影向量上的投影值，将所有投影值按照降序的顺序组成的序列作为有效原子在第M类的投影序列t

基于上述分析，此处构建稀疏拟合系数u，用于表征正常信号与干扰信号稀疏表示之间的差异，计算第i种干扰待处理信号的稀疏拟合系数u

d

式中，d

s

h

稀疏拟合系数反映了飞行路径周围通信系统中正常信号对应的稀疏表示与无人机通信干扰信号稀疏表示之间的差异。第i种干扰待处理信号与无人机正常通信信号之间的区分程度越高，有效原子在第M类的投影序列t

有效原子在第i种干扰待处理信号对应稀疏系数的基础上重构得到的稀疏拟合信号与第M类其余干扰信号对应的稀疏拟合信号的差异越大，第M类中第i种干扰待处理信号的被识别的概率越大，重构差异量

至此，得到每种干扰待处理信号的稀疏拟合稀疏，用于后续获取所有干扰待处理信号的真实识别结果。

步骤S004，根据干扰待处理信号的真实识别结果采用针对性的干扰抑制方法，实现飞行路径周围通信系统对无人机通信干扰信号的反制。

根据上述步骤，获取每种干扰待处理信号的稀疏拟合系数，根据稀疏拟合系数获取不同干扰待处理信号之间的干扰距离，计算第i种、第j种干扰待处理信号之间的干扰距离D

式中，V

其次将不同干扰待处理信号之间的干扰距离作为聚类算法中的度量距离，利用K-shape聚类算法获取所有干扰待处理信号的最终分类结果，K-shape聚类算法为公知技术，具体过程不再赘述，得到飞行路径周围通信系统中可能接收到的所有无人机通信干扰信号的分类结果。当飞行路径周围通信系统的通讯范围内出现无人机时，实时获取飞行路径周围通信系统中接收到的所有通信信号，根据上述步骤获取每个通信信号的分类结果，根据通信信号的分类识别结果与无人机通信数据库进行匹配对比，基于接收到的通信信号的分类结果与无人机通信数据库中的每个已知干扰信号获取频域相关法的输入，利用频域相关法得到通信信号的分类结果与每个已知干扰信号的相似度，将相似度最大的已知干扰信号作为接收到的通信信号中通信干扰信号的真实识别结果，其中，频域相关法为公知技术，具体过程不再赘述。

得到飞行路径周围通信系统中接收到的无人机通信干扰信号的识别结果后，其次飞行路径周围通信系统根据每个类别内干扰信号的信号参数采取相应的通信反制策略，减轻无人机通信干扰对周围通信系统的损害。举例而言，分别获取真实识别结果中每个类别的干扰信号的功率值、以及出现概率最高的频率，其次获取飞行路径周围通信系统中接收到的无人机通信干扰信号的平均功率值。基于每个类别内所述出现概率最高的频率，飞行路径周围通信系统可以向无人机发射与所述出现概率最高的频率相同频率的电子反制信号，干扰无人机导航设备的接收系统，使得无人机导航信号幅度过大或者过小，实现对无人机导航设备的干扰反制；另一方面，还可以对比每个类别的干扰信号的功率值与所述平均功率值的大小，如果每个类别的干扰信号的功率值大于所述平均功率值，则认为无人机通信系统对高功率、高能量的干扰信号的抵抗较弱，飞行路径周围通信系统可以向无人机发射与每个类别的干扰信号的功率值相等大小的高功率干扰信号，实现对无人机导航信号的诱骗，完成对无人机通信干扰的反制，保证飞行路径周围通信系统的安全性。其次将每种无人机通信干扰信号出现的频率以及时间间隔发送至飞行路径周围通信系统的通信中心，通信中心根据无人机通信干扰信号的发生频率和时间间隔确定干扰源的位置和数量，并根据干扰源的位置和数量进行后续无人机飞行过程中的通信反制，保证飞行路径周围通信系统的正常通信。

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。