《复杂多径环境下的无人机集群通信波形识别.pdf》由会员分享,可在线阅读,更多相关《复杂多径环境下的无人机集群通信波形识别.pdf(9页珍藏版)》请在文库网上搜索。
1、第 卷第 期 年 月系统工程与电子技术 文章编号:()网址:收稿日期:;修回日期:;网络优先出版日期:。网络优先出版地址:基金项目:国家自然科学基金(,)资助课题通讯作者引用格式:翟茹萍,张书衡,平嘉蓉复杂多径环境下的无人机集群通信波形识别系统工程与电子技术,():犚犲 犳 犲 狉 犲 狀 犮 犲犳 狅 狉犿犪 狋:,():复杂多径环境下的无人机集群通信波形识别翟茹萍,张书衡,平嘉蓉(南京航空航天大学电子信息工程学院,江苏 南京 )摘要:无人机(,)集群通信电磁环境复杂,存在用户干扰、多径衰落与频移等现象,传统加性高斯白噪声信道下的波形识别算法在此场景下性能大幅降低。针对此问题,提出了一种复杂
2、多径环境下的集群通信波形识别算法。首先,建立 脉冲干扰下的集群通信多径衰落信道模型;然后,针对集群用户间存在 脉冲干扰的问题,提取信号广义循环均值和广义循环谱特征,建立复杂多径环境下的集群通信波形特征矩阵;最后,建立稀疏自编码器深度神经网络集群通信波形识别模型。仿真结果表明:提出的算法在 脉冲干扰、多径衰落与频移存在的复杂环境下具有较强的鲁棒性,实现了种集群通信波形的识别,且在信噪比为 时仍能保证 以上的识别准确率。关键词:无人机集群;调制识别;脉冲干扰;稀疏自编码中图分类号:文献标志码:犇犗犐:犠犪 狏 犲 犳 狅 狉犿狉 犲 犮 狅 犵 狀 犻 狋 犻 狅 狀狅 犳狌 狀犿犪 狀 狀 犲
3、犱犪 犲 狉 犻 犪 犾狏 犲 犺 犻 犮 犾 犲狊 狑犪 狉犿犮 狅犿犿狌 狀 犻 犮 犪 狋 犻 狅 狀犻 狀犮 狅犿狆 犾 犲 狓犿狌 犾 狋 犻 狆 犪 狋 犺犲 狀 狏 犻 狉 狅 狀犿犲 狀 狋 ,(犛 犮 犺 狅 狅 犾狅 犳犈 犾 犲 犮 狋 狉 狅 狀 犻 犮 狊犪 狀犱犐 狀犳 狅 狉犿犪 狋 犻 狅 狀犈狀犵 犻 狀 犲 犲 狉 犻 狀犵,犖犪 狀 犼 犻 狀犵犝狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犃犲 狉 狅 狀 犪 狌 狋 犻 犮 狊犪 狀犱犃狊 狋 狉 狅 狀 犪 狌 狋 犻 犮 狊,犖犪 狀 犼 犻 狀犵 ,犆犺 犻 狀 犪)犃犫 狊 狋 狉 犪 犮 狋:()
4、,犓犲 狔狑狅 狉 犱 狊:();第 期翟茹萍等:复杂多径环境下的无人机集群通信波形识别 引言无人机集群因高协调性、多功能性、强抗毁性等优势在军事作战领域的地位愈加突出,其威胁态势日趋严峻。因此,研究无人机集群通信波形识别技术具有重要意义。随着通信技术发展,信号的调制类型和复杂性不断增加,传统的调制识别方法因其通用性差、复杂度高,难以满足识别需求,基于深度学习的调制识别方法应运而生。基于深度学习的调制识别方法,除直接将基带信号输入神经网络,还可提取信号的特征输入神经网络,如时频图、星座图、高阶累积量等。等基于高斯信道生成信号星座密度矩阵,采用图像的方式利用残差神经网络实现了种调制信号的识别。等
5、在高斯信道下利用高阶累积量特征和深度神经网络(,)实现了种数字调制信号的识别。郝云飞基于稀疏自编码(,)网络和生成对抗网络提出重构判别网络,结合高阶谱在高斯信道下实现了种无人机调制信号的开集识别。王自维等将无人机遥控信号的时频图输入 模型,在低信噪比下实现了相移键控(,)、频移键控(,)、正交振幅调制(,)信号的类间识别和类内识别。然而,上述基于深度学习的调制识别方法存在以下问题:计算量较大,如提取信号时频图特征时计算量较大;考虑的信道条件过于理想,通常在高斯信道下,;低信噪比下识别性能较差,。无人机集群通信电磁环境复杂,不可避免地会出现时延、频移、用户干扰等现象。目前国内外针对无人机集群通信
6、波形识别的研究极少,而现有的调制识别算法因其存在信道条件过于理想、信噪比低、鲁棒性差等问题,难以满足无人机集群通信波形识别的要求,因此本文提出了一种复杂多径环境下的无人机集群通信波形识别算法。该算法在低信噪比下抗干扰能力强,在战场环境下,尤其是敌方采用小功率发射机或信号传播损耗较大的场景下具备应用价值。本文第部分为引言;第部分为系统模型,建立了 脉冲干扰下无人机集群通信多径衰落信道;第部分基于广义循环平稳特征建立了复杂多径环境下的无人机集群通信波形特征矩阵;第部分建立了网络无人机集群通信波形识别模型;第部分为仿真结果与分析;第部分为结论。系统模型本文考虑的无人机集群通信场景如图所示,集群内的多
7、个用户利用正交的方式进行通信,如当集群内的用户犝和犝进行通信时,侦收机可分别获得两个用户发送的信号。集群内所有用户采用同种调制方式,包括二进制(,)、正交(,)、二进制幅度键控(,)、最小频移键控(,)。图集群通信场景 无人机集群通信的电磁环境复杂,不可避免地会产生多径衰落、时延、频移和用户间干扰等现象。本文采用经典的抽头延迟线(,)信道模型,其中无人机多径衰落信道基于 无线电信道模型规范 设置信道参数,用户间干扰采用 脉冲噪声。多径衰落信道无人机多径衰落信道的冲激响应可表示为犺(狋)犔犾犘槡犾犑犾(狋)(狋犾)()式中:犘犾、犾和犑犾(狋)分别为第犾条多径所对应的抽头功率、时延和平坦衰落信号
8、发生器的输出(通过 模型 实现),且犾犔,犔为多径信道的可分辨路径数。规范根据实测数据提供了种信道模型参数,分别适用于非视距(,)场景和视距(,)场景。该报告规定可通过调节均方根(,)时延扩展获得指定场景下的抽头时延:犾犾,()式中:犾,为模型中第犾个抽头所对应的标准化时延;为特定场景下的时延扩展。对于含径的信道模型,用户可通过调节犓因子获得指定的犓 。在调节犓因子后,该模型每个抽头对应的功率将调节为犘犾犘犾,犓 犓 ()式中:犘犾,为模型中第犾个抽头所对应的功率;犓 为特定场景下的犓因子值;犓 为该模型现在的犓因子值。犃 犾 狆 犺 犪脉冲干扰本文采用 稳定分布脉冲噪声描述用户间的干扰:(狋
9、)狀狋 (狋)(狋,)()(狌,),狌,烅烄烆()系统工程与电子技术第 卷式中:为特征指数;为分散系数;为偏斜参数;为位置参数;(狋)为符号函数。本文采用,的对称 稳定分布噪声,定义混合信噪比(,)为犕 (狊)()式中:狊为信号的平均功率。接收信号处理流程侦收机截获的无人机通信信号可表示为狉(狋)犔犾犘槡犾犑犾(狋)狓(狋犾)狀(狋)()式中:狓(狋)为发送的调制信号;狀(狋)为 脉冲干扰。图为无人机集群通信波形识别的系统框图,调制信号在经过 脉冲干扰下的多径衰落信道后被侦收机截获;随后,提取信号的广义循环均值和广义循环谱特征,并构建无人机集群通信波形特征矩阵;最终,通过神经网络识别无人机集群
10、通信波形,输出实时分类结果。图无人机集群通信波形识别系统框图 特征矩阵构建 无人机集群通信波形特征在无线移动通信中,数字信号经采样、调制、编码等预处理过程后,其循环均值和循环谱特征通常会随时间呈周期性变化。定义接收信号狉(狋)的循环均值为犕狉犜犜犜犕狉(狋)狋狋()式中:犽犜为循环频率;犕狉(狋)为信号狉(狋)的均值。信号狉(狋)的循环谱密度 犛狉(犳)表示为犛狉(犳)犚狉()犳()式中:犚狉()为信号狉(狋)的循环自相关函数,定义为犚狉()犜犜犜犜狉狋()狉狋()狋狋()当时,循环谱密度退化为功率谱密度。由于 稳定分布噪声的二阶及以上各阶统计量趋于无穷,需对接收信号进行非线性变换,将噪声无穷
11、的幅值限制在有限的区间内,以获得有效的信号特征。经非线性变换 后的信号为狉(狋)狉(狋)狉(狋)()式中:时,的噪声抑制效果较好。信号经非线性处理后的特征被称为广义循环均值和广义循环谱。表为不同调制类型信号循环均值与循环谱特征离散峰值所对应的循环频率。其中,犳犮为中心频率,犚犫为码元速率。表不同调制信号循环平稳特征犜 犪 犫 犾 犲犆狔 犮 犾 狅 狊 狋 犪 狋 犻 狅 狀 犪 狉 狔犳 犲 犪 狋 狌 狉 犲 狊狅 犳犱 犻 犳 犳 犲 狉 犲 狀 狋犿狅 犱 狌 犾 犪 狋 犻 狅 狀狊 犻 犵 狀 犪 犾 狊调制类型循环均值犳截面的循环谱犳犮犳犮无离散峰值(犳犮犚犫)无离散峰值无离散峰
12、值犳犮犳犿(犳犮犳犿)无离散峰值(犳犮犚犫)集群通信波形特征矩阵根据表,选择神经网络的输入特征参数:对于不同调制信号的循环均值特征,以循环均值的离散峰值个数、平均循环均值和最大离散峰值作为特征参数;对于不同调制信号的循环谱特征,以犳截面且时的离散峰值作为特征参数,即犳犮,犳犮犚犫和犳犮犚犫处的循环谱密度峰值。本文中无人机通信频率为,此时大气损耗极小,可认为电磁波在自由空间传播。考虑无人机集群内存在犖个正在通信的用户,其发射功率、接收功率和载波频率均相同,无人机用户犝犝犖分别距侦收机犱犱犖,则集群内任意用户犝狀相对于无人机用户犝的接收信号功率差犘()定义为犘犺狆犔狆犺狆 犱犱狀()式中:犺狆为由
13、时变信道导致的接收信号功率差;犔狆为由两用户距侦收机的距离不同而导致的路径损耗差。以无人机用户的混合信噪比犕为标准,定义犕下的无人机集群通信波形特征矩阵为犝,犝,犝犖,犝犖,犝犛,犝犛,犝犛犖,犝犛犖,犝,犝,犝犖,犝犖,犝犛,犝犛,犝犛犖,犝犛犖,犝,犝,犝犖,犝犖,犝犛,犝犛,犝犛犖,犝犛犖,熿燀燄燅()式中:犝犛,表示混合信噪比为犕时,采用调制的无人机用户的第犛个样本信号的特征;犝犛犖,表示混合信噪比为犕犘时,采用调制的无人机用户犖的第犛个样本信号的特征。第 期翟茹萍等:复杂多径环境下的无人机集群通信波形识别 基于犛犃犈的集群通信波形识别本文采用具有稀疏特性的模型的自编码器 完成无人机集
14、群信号的调制识别。与循环神经网络和卷积神经网络等较为经典的网络相比,网络的隐藏层含有稀疏系数,可以减小过拟合风险,加速网络的训练和部署。假设自编码器的输入数据集为犿,犿,犿犽,其中犽为样本个数。自编码器的损失函数可以表示为犑(犠,犫)犽犽犻犿(犻)犿(犻)()熿燀燄燅犖犾狀犾狊犾犻狊犾犼(犠(犾)犼 犻)()式中:犠和犫分别表示自编码器的权重矩阵和各层偏置;犿(犻)为解码后的输出;犖犾为网络层数;狊犾为第狀犾层的神经元个数;为权重衰减系数。为实现特征表达的稀疏化,需添加惩罚因子对神经元进行稀疏约束,采用 ()散度进行稀疏约束:(犼)犼()犼()式中:犼为隐藏层第犼个神经元的平均稀疏激活度,定义
15、为犼犽犽犻犪犼(犿犻)()式中:犪犼表示隐藏层第犼个神经元的激活函数,则稀疏约束后的总损失函数可表示为犑 犑(犠,犫)狇犼(犼)()式中:为稀疏权重因子;狇为隐藏层神经元的数目。仿真结果与分析本部分以 为仿真平台,分别对无人机集群多径衰落信道、无人机通信波形循环平稳特征、种无人机集群通信波形的识别进行仿真。仿真仿真为无人机集群多径衰落信道的仿真,信道模型参数参考 ,以 和 两种信道场景为例,其中 为场景,为场景。考虑场景,无人机通信的载波频率为,无人机飞行速率为,此时的最大多普勒频移为 。采用 模型参数,根据上述内容,设置时延扩展为 ,样本点数为 ,采样速率犳狊为 犕 。图为 模型路径增益随样
16、本时间和路径个数变换的三维图,该模型共有 条可分辨路径。图 模型的路径增益 考虑场景,采用 模型参数,设置时延扩展为 ,犓因子为,其余参数不变。图为 模型路径增益随样本时间和路径个数变换的三维图,该模型共有 条可分辨路径,其中第一条径为径,其增益相对其他径更大。图 模型的路径增益 仿真仿真为调制信号经 脉冲干扰及多径衰落信道后的广义循环平稳特征,图和图分别为的广义循环均值特征和的广义循环谱特征。图信号广义循环均值 系统工程与电子技术第 卷图信号广义循环谱 信道模型参数与仿真中的 相同,其他仿真参数如下:符号个数 ,码元速率犚犫为犕 ,升余弦脉冲成型的滚降系数为,混合信噪比为。由于接收信号载波频
17、率为,为降低射频采样成本,将信号下变频至 ,再进行带通采样。以信号为例,接收信号狉(狓)带宽为。经带通采样后,其信号功率谱以采样速率犳狊为周期进行延拓,低通滤波后,信号中心频率搬移至。仿真仿真为基于网络的无人机集群通信波形的识别。考虑集群内存在两无人机用户正在通信,通信频率为,其参数设置如表所示。集群内用户可能采用的调制方式类型包括、。表信道及无人机参数配置犜 犪 犫 犾 犲犆犺 犪 狀 狀 犲 犾犪 狀 犱狌 狀犿犪 狀 狀 犲 犱犪 犲 狉 犻 犪 犾狏 犲 犺 犻 犮 犾 犲狆 犪 狉 犪犿犲 狋 犲 狉犮 狅 狀 犳 犻 犵 狌 狉 犪 狋 犻 狅 狀参数无人机无人机飞行速度()最大多
18、普勒频移 时延扩展 时延扩展 本研究以 为步长,分别生成混合信噪比为 的数据集。根据表设置无人机及信道参数,并生成每种调制方式下的无人机用户和用户的信号样本各 个,提取每个样本的特征,根据式()构造无人机集群波形特征矩阵。本文所建立的网络集群波形识别模型包括个输入层、个隐藏层和个输出层,表为网络结构的参数配置。表犛犃犈网络结构参数配置犜 犪 犫 犾 犲犛犃犈狀 犲 狋 狑狅 狉 犽狊 狋 狉 狌 犮 狋 狌 狉 犲狆 犪 狉 犪犿犲 狋 犲 狉犮 狅 狀 犳 犻 犵 狌 狉 犪 狋 犻 狅 狀网络模型参数值输入层 隐藏层(,)续表犆狅 狀 狋 犻 狀 狌 犲 犱犜 犪 犫 犾 犲网络模型参数值
19、输出层激活函数 ,优化算法 稀疏系数 稀疏权重因子权重衰减系数 其中,网络中训练集与测试集大小比例为。考虑其路径损耗差犔狆分别为和的场景,对应地,两无人机用户相对于侦收机的距离比分别为 和。图为不同信道条件下的集群通信波形识别性能曲线,其中(,)表示路径损耗差为时,信号经 信道且受 脉冲干扰的情况。图无人机集群通信波形识别性能曲线 整体上看,无人机集群通信波形的识别准确率随增大而递增,且本文提取的特征在低信噪比下鲁棒性强。从信道上分析,信道下的识别准确率优于 信道。考虑 干扰下路径损耗差为的情况,当为 时,信道下的识别准确率为 ,优于 信道下约,这是由于 信道存在径。从噪声干扰上分析,集群通信
20、波形的识别准确率在 干扰下比在噪声下的性能好。考虑 信道下路径损耗差为的情况,当为 时,受 脉冲干扰的识别准确率为 ,优于噪声下约,说明本文提取的特征虽适用于噪声,但在 干扰下稳健性更好。从路径损耗差分析,路径损耗差越大,其无人机集群通信波形的识别准确率越低。考虑 干扰下信号经 信道的情况,当为 时,路径损耗差为的识别准第 期翟茹萍等:复杂多径环境下的无人机集群通信波形识别 确率为 ,当路径损耗差为时,识别准确率为 。仿真仿真分析了影响无人机集群通信波形识别性能的因素,分别从识别方法、集群内通信用户数目、多普勒频移大小方面进行了分析。不同识别方法对识别性能的影响本文选用分类算法中较为经典的犓最
21、近邻(犓 ,)算法和决策树算法作比较。以 信道模型为例,考虑集群内存在两架正在通信的无人机用户,且两用户之间的路径损耗差为,其他参数参考表。其中,基于的识别方法采用欧式距离作为距离度量,犓值设置为;基于决策树的识别方法采用基尼多样性指数作为分裂准则,最大分裂数设置为;基于网络的识别方法参数与仿真相同。图为 信道下采用不同识别方法后的集群通信波形识别性能曲线。当为时,种识别方法的识别准确率几乎达 ,说明本文提取的广义循环平稳特征稳健性好、易于识别。同时,基于网络的识别方法识别性能整体优于算法和决策树算法,当为 时,基于的识别方法识别准确率为 ,优于算法约,优于决策树算法约。图不同方法下集群通信波
22、形识别性能曲线 图图 是为 时,不同方法下的混淆矩阵。此时,算法、算法、决策树算法对应的平均识别准确率分别为 、。混淆矩阵可以反映每个算法对种波形的识别性能和误判情况,其横坐标为预测类别,纵坐标为真实类别,对角线上的元素值表示某波形的识别准确率。颜色越深,识别准确率越高。图为 时的混淆矩阵(算法)()图 为 时的混淆矩阵(算法)()图 为 时的混淆矩阵(决策树算法)()系统工程与电子技术第 卷 集群内通信用户数目对识别性能的影响本部分研究集群内正在的通信用户数目对识别性能的影响,分别考虑集群内通信用户数目为、这种情况。通信用户与侦收机的距离分布如图 所示,以侦收机位置为圆心,用户、和用户、分别
23、位于半径相同圆上。仿真以 信道为模型,用户相对于用户的路径损耗差分别为,和,用户的其他参数设置如表所示。图 通信用户与侦收机位置分布 表信道及无人机参数配置犜 犪 犫 犾 犲犆犺 犪 狀 狀 犲 犾犪 狀 犱狌 狀犿犪 狀 狀 犲 犱犪 犲 狉 犻 犪 犾狏 犲 犺 犻 犮 犾 犲狆 犪 狉 犪犿犲 狋 犲 狉犮 狅 狀 犳 犻 犵 狌 狉 犪 狋 犻 狅 狀无人机 飞行速度()最大多普勒频移时延扩展 图 为 信道下不同通信用户数目的集群波形识别性能曲线,其中单机场景表示集群中仅存在一个通信用户犝,双机场景表示集群内的通信用户为犝和犝,四机场景表示集群内的通信用户为犝犝。图 不同通信用户数下集
24、群通信波形识别性能曲线 由图 可知,随着集群内通信用户数目的增多,集群通信波形的识别准确率有所提升。当为 时,集群内通信用户数目为、时,所对应的识别准确率分别为 、,这是由于集群内通信用户数越多,侦收机截获的信号样本越丰富,提取的特征数量越多。多普勒频移大小对识别性能的影响无人机的飞行速度会影响最大多普勒频移的数值,从而影响无人机集群波形的识别准确率。考虑两无人机用户的路径损耗差犔狆为的场景,采用 模型,无人机通信频率为,其他参数参考表。表信道及无人机参数配置犜 犪 犫 犾 犲犆犺 犪 狀 狀 犲 犾犪 狀 犱狌 狀犿犪 狀 狀 犲 犱犪 犲 狉 犻 犪 犾狏 犲 犺 犻 犮 犾 犲狆 犪 狉
25、 犪犿犲 狋 犲 狉犮 狅 狀 犳 犻 犵 狌 狉 犪 狋 犻 狅 狀场景参数无人机无人机所有场景时延扩展 场景飞行速度()最大多普勒频移 场景飞行速度()最大多普勒频移 场景飞行速度()最大多普勒频移 场景飞行速度()最大多普勒频移 图 为 信道下不同场景的无人机集群波形识别性能曲线。由图 可知,随着无人机飞行速度和多普勒频移的增大,无人机集群通信波形识别的准确率下降。当为 时,场景的识别准确率为 ,场景的识别准确率为 ,场景的识别准确率为 ,场景的识别准确率为 。图 不同场景下集群通信波形识别性能曲线 第 期翟茹萍等:复杂多径环境下的无人机集群通信波形识别 结论本文提出了一种复杂多径环境下
26、的无人机集群通信波形识别算法,该算法充分考虑了无人机通信过程中存在的多径衰落、时延、频偏、干扰等问题,实现了种无人机集群通信波形的识别,包括、。仿真结果表明:所构造的无人机集群通信波形特征向量在多普勒频移、多径时延和 脉冲干扰存在的环境下具备良好的鲁棒性,所建立的无人机集群通信波形识别模型性能优于传统的算法和决策树算法。同时,本文提出的无人机集群通信波形识别算法在低信噪比下的识别准确率较高,在信噪比为 时仍能保证 以上的识别准确率。参考文献柳征,王明阳,姜文利,等一种新的贝叶斯调制分类算法电子与信息学报,:,:李红光,郭英,眭萍,等基于时频能量谱纹理特征的跳频调制方式识别通信学报,():,()
27、:,():,:郝云飞基于深度学习的无人机信号检测与识别技术研究长沙:国防科技大学,:,:王自维,姚志成,王海洋,等基于改进 模型的无人机遥控信号调制方式识别算法火箭军工程大学学报,:,:,:,():,():张天骐,范聪聪,葛宛营,等基于 和特征提取的信号调制识别算法电子与信息学报,():,():,():张思成,林云,涂涯,等基于轻量级深度神经网络的电磁信号调制识别技术通信学报,():,():李晨,杨俊安,刘辉基于信息熵和 的调制识别算法系统工程与电子技术,():,():史蕴豪,许华,郑万泽,等基于集成学习与特征降维的小样本调制识别方法系统工程与电子技术,():,():冯径,熊鑫立,蒋磊软件通信适配器的调制模式识别算法东南大学学报,():,():(),:,:,:,系统工程与电子技术第 卷 孔豫京基于 稳定分布理论的无人机侦察信道建模与信号调制识别技术研究郑州:解放军信息工程大学,:,:,():作者简介翟茹萍(),女,硕士研究生,主要研究方向为无人机信道建模、调制识别。张书衡(),男,硕士研究生,主要研究方向为调制识别、雷达目标识别。平嘉蓉(),女,硕士研究生,主要研究方向为毫米波信道测量。