[發明專利]一種面向無線通信系統的智能認知與干擾方法及系統

有效

• 申請號: 202011240132.3
• 申請日: 2020-11-09
• 公開（公告）號: CN112564834B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 常誠;祝興晟;楊利民;李喆;陸婷婷;張堯;夏耘;顧鑫;鄧志均;岑小鋒;楊玉生;劉洋;吳海華
• 申請（專利權）人: 中國運載火箭技術研究院
• 主分類號: H04B17/345
• 分類號: H04B17/345
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 高志瑞

1.一種面向無線通信系統的智能認知與干擾方法，其特征在于，所述方法包括如下步驟：

(1)對樣本庫中的無線通信信號特征提取，從多層次、多維度、多尺度的角度對無線通信信號進行處理得到多層次特征、多維度特征和多尺度特征，多層次特征、多維度特征和多尺度特征構建特征集合；

(2)根據特征集合中的多層次特征中的信號級特征結合多維度特征和多尺度特征，對本次收到的無線通信信號通過遷移學習或在線半監督學習進行信號級參數識別得到信號級參數；

(3)以信號級參數為基礎，根據特征集合中的多層次特征中的信息級特征，結合對應的多維度和多尺度特征，對本次收到的無線通信信號通過專家經驗與遷移學習相結合的方式進行信息級逆向解析，實現對應的編碼、加密、協議解析，反向推測出本次收到的無線通信信號的部分或全部信息級參數；

(4)將信號級參數、部分或全部信息級參數和上次干擾效果評估情況作為輸入，得到對本次收到的無線通信信號最有效的干擾方式；

(5)將信號級參數、部分或全部信息級參數加入到特征集合以豐富特征集合；

在步驟(1)中，多層次特征包括信號級特征和信息級特征；其中，信號級特征包括頻點、帶寬、體制、調制特征，信息級特征包括編碼、加密、協議特征；

在步驟(2)中，所述遷移學習為通過將以往的學習經驗存儲到遷移學習經驗庫中，利用學習遷移算法對當前環境所需的最優遷移算法進行選擇，以提高算法選擇的效率，實現模型的快速適應；

在步驟(2)中，所述在線半監督學習為利用在變換空間的數據相似性，以歐式距離進行衡量，并通過在線更新樣本庫和神經網絡模型，控制運算復雜度，提高訓練效率。

2.根據權利要求1所述的面向無線通信系統的智能認知與干擾方法，其特征在于：在步驟(3)中，所述專家經驗與遷移學習相結合的方式為對專家經驗庫中的知識提取，形成關于無線通信信號的特征描述，并將其作為少量有標簽數據通過遷移學習到當前目標域，參與對當前目標域識別模型的訓練；其中，專家經驗庫用于存儲專家的知識經驗。

3.根據權利要求1所述的面向無線通信系統的智能認知與干擾方法，其特征在于：在步驟(4)中，采用基因編程方式對本次收到的無線通信信號生成干擾。

4.一種面向無線通信系統的智能認知與干擾系統，其特征在于包括：

信號特征提取模塊，用于對樣本庫中的無線通信信號特征提取，從多層次、多維度、多尺度的角度對無線通信信號進行處理得到多層次特征、多維度特征和多尺度特征，多層次特征、多維度特征和多尺度特征構建特征集合；

信號參數識別模塊，用于根據特征集合中的多層次特征中的信號級特征結合多維度特征和多尺度特征，對本次收到的無線通信信號通過遷移學習或在線半監督學習進行信號級參數識別得到信號級參數；

信號逆向解析模塊，用于以信號級參數為基礎，根據特征集合中的多層次特征中的信息級特征，結合對應的多維度和多尺度特征，對本次收到的無線通信信號通過專家經驗與遷移學習相結合的方式進行信息級逆向解析，實現對應的編碼、加密、協議解析，反向推測出本次收到的無線通信信號的部分或全部信息級參數；

干擾生成模塊，用于將信號級參數、部分或全部信息級參數和上次干擾效果評估情況作為輸入，得到對本次收到的無線通信信號最有效的干擾方式；

豐富特征集合模塊，用于將信號級參數、部分或全部信息級參數加入到特征集合以豐富特征集合；

多層次特征包括信號級特征和信息級特征；其中，信號級特征包括頻點、帶寬、體制、調制特征，信息級特征包括編碼、加密、協議特征；

所述遷移學習為通過將以往的學習經驗存儲到遷移學習經驗庫中，利用學習遷移算法對當前環境所需的最優遷移算法進行選擇，以提高算法選擇的效率，實現模型的快速適應。

5.根據權利要求4所述的面向無線通信系統的智能認知與干擾系統，其特征在于：所述在線半監督學習為利用在變換空間的數據相似性，以歐式距離進行衡量，并通過在線更新樣本庫和神經網絡模型，控制運算復雜度，提高訓練效率。