文摘
干扰检测是电子防御系统的重要组成部分。很难检测到干扰的传统方法提取特征参数对生成的干涉与原始信号相同的频率。针对这种特殊的时频重叠的干扰信号,本文提出了一种干涉检测算法基于长期短期内存支持向量机(LSTM-SVM)模型。LSTM用于接收信号的时间序列预测。预测信号和接收信号之间的差异作为特征样本,并使用支持向量机算法分类特征样本获取识别的样本是否有干涉。LSTM-SVM模型与门复发unit-support向量机(GRU-SVM)模型,并使用混淆矩阵比较结果可视化。仿真结果表明,这种LSTM-SVM模型算法不能探测干扰信号的存在,而且可以确定具体位置接收到的干扰信号的波形,并检测性能优于GRU-SVM模型。
1。介绍
在目前的研究中,基于深度学习算法蓬勃发展,研究算法的基础上提出了深度学习在许多领域。LSTM神经网络可以更好地预测时间序列数据,和各种算法基于LSTM预测未来发展也被广泛使用。自然灾害的预测是一个非常重要的应用。LSTM用于学习灾害在不同地点之间的时空关系,这种关系是用来进行预测。通过历史轨迹数据的训练,获得轨迹预测模型,可以实现预警(1,2]。在医疗保健方面,使用一个LSTM网络独立检测心电图的收缩曲线或EMG信号,基于预测的信号,为医务人员提供了一个强大的助理快速诊断和帮助病人恢复3- - - - - -5]。采用LSTM可以达到更高的精度比传统的数学模型在疾病预测未来趋势6]。交通预测,为城市交通预测新方法结合谱图分析和提出了LSTM [7,8]。使用一个LSTM网络,电动汽车可以估算未来实时速度制动压力的精确值(9]。此外,地铁客流预测使用LSTM能有效引导乘客选择一站一站的起飞时间和转移(10]。广泛用于故障检测,如图像伪造检测,分析不同地区之间区别的特性结合编码器和LSTM网络,预测图像是否被篡改(11]。LSTM可以提供修复视频帧,利用卷积LSTM-based编码器和译码器预测丢失帧(12]。LSTM可以实现预测量化输出的机械寿命(13]。
目前,相关研究涉及在无线通信干扰检测一天天增加,并提出了一些有效的算法。这些算法都是基于计算机网络协议和检测的干扰信号载波信号通过检测听力的时间;一些算法分析信号频域变换,并执行信号的频域变换提取特征,然后分析是否存在干涉信号;一些算法实现信号分析的目的通过计算的数学特征信号,计算信号的高阶统计信息,提取信号特征。显然,上述方法属于传统的干涉检测方法,主要分析了参数特征,如接收信号的频谱和功率,然后确认是否有干涉。其次,当信号重叠的干扰频率,干扰信号难以检测的特征值(14]。
因为通信信号属于时间序列数据,基于深度学习的时间序列预测算法提供了信号干扰检测一个想法。其中,有递归神经网络的短期记忆的特点。如果长时间序列信号,它会影响信息的传播。LSTM和浇口复发单元(格勒乌)可以解决短期记忆问题。基于现有的研究领域,我们结合LSTM和格勒乌与SVM模型并提出GRU-SVM模型信号和LSTM-SVM干涉检测(15]。
2。材料和方法
一个信号是一个周期性的时间序列数据,和未知的采样点可以通过采样点之间的相关性预测(16]。根据这个特性,假设训练信号都是正常信号,预测未来的信号也应该正常信号。在这种情况下,计算真实信号之间的差异和预测信号的检测特性可以得到一个好的检测效果。信号预测LSTM网络可以解决的问题。从本质上讲,信号预测周期性的特色是一个时间序列的预测问题。先前接收信号作为输入,输出信号是目前你想预测。
2.1。LSTM结构
LSTM单元结构如图1。与RNN细胞结构相比,LSTM添加一个细胞结构状态。LSTM神经元由一个忘记门,一个输入门,和一个输出通道。忘记门用于确定信息的重要性,输入门用于更新细胞状态,和输出门是用来计算的值隐藏状态。
2.2。格勒乌结构
格勒乌单元结构如图2。与LSTM细胞结构相比,格勒乌降低了细胞的状态。格勒乌的神经元包括更新门和门(重置17]。更新门用于确定信息的重要性,而重置门用于确定的比例保留信息。LSTM相比,格勒乌简单神经元,因此速度训练。
2.3。激活功能:双曲正切,乙状结肠
双曲正切函数是用来调整阈值函数的输出。值范围是[−1,1],如图3。
激活函数乙状结肠类似于双曲正切函数,与一个值范围(0,1),如图4。
2.4。时间序列信号预测
60%的接收信号用于训练数据集LSTM和格勒乌。剩下的40%的信号,作为测试数据集,用于预测。的特征值都减去测试数据的预测数据。流程如图5(18]。
当正常的通信信号在接收到的信号采用余弦信号和干扰信号采用窄带高斯噪声(19),LSTM时间序列信号预测图所示6,获得特征值在图所示7。
第一幅图6是原来的接收信号。你可以看到,2500 - 3000年之间有干扰信号。第二个图片是LSTM训练和预测时间序列的第一个训练集是60%,最后40%的预测价值。第一幅图740%的接收信号,需要预测。第二个图片是预测值的比较与原接收信号,第三个仿真图的特征值(20.]。
2.5。窗口的样本值的信号
在检测过程中,当每个采样点的偏差作为功能训练SVM分类器,计算出的差异测试数据集,特别是包含干扰信号的一部分,包含了许多差异类似于正常信号的差分计算点,这些点是很难检测到。所以,我们添加windows功能基于时间步和检测它们基于多特征点的波形和相关性来克服应急。在图所示的窗口过程8。
要是每个采样点都用作功能干扰检测,检测的效果会很差由于偶然误差计算的差别。因此,这里我们选择采样点的平均值n连续信号特性,常数的方法翻译是用来构造一个完整的干扰检测的特点。如图8,信号窗口的窗口长度”N步长是“年代”,输入数据在时间序列形成。的价值年代是1,当N一个奇数,我根据公式(th特征值计算3),当N一个偶数,我根据公式(th特征值计算4)。
2.6。数据标准化处理
特征值归一化预处理,采用归一化法是根据以下公式:
3所示。结果
在AWGN信道环境中,接收信号的采样频率是3 KHz,中心的通信信号和干扰信号的频率是1 KHz,和信号功率是10 dB。接收到的信号的采样信号是 ,见公式(6)。
在上面的方程N采样长度,是通信信号,是干扰信号,是高斯白噪声。
3.1。比较在干涉检测信噪比的影响
LSTM和电流的设置训练第0.6部分的时间序列数据和测试剩余的0.4部分在100训练迭代。后获得特征值,特征值不受窗口处理和支持向量机的特征值进行分类得到干涉检出率。当信号功率是10 dB,信噪比的值范围是0 db-20 dB,步长是2 dB,干扰检测准确性如图9。
从图可以看出9,区别LSTM获得的数据和电流的时间预测模型没有窗口的。随着信噪比的增加,不同信号通过SVM的检出率也逐渐增加。
3.2。窗口的比较实验
由于干扰信号的连续性特征,考虑到采样点之间的相关性,在采样点上执行窗口处理,可以克服偶然误差的影响。当信号是10 dB的力量和信噪比是20 dB,窗口的特征值处理。窗口长度是1 - 10,步长为1,干扰检测精度得到如图10。
从图可以看出10LSTM检出率最高,当窗口长度是6,但格勒乌窗口效果并不好。检出率最高,当没有添加窗口,窗口选择值为1。
3.3。干扰检测精度下的最佳窗口
差异产生的信号LSTM窗口的长度为6和生成的差分信号格勒乌不是窗口的。正常化后,它被发送到支持向量机分类。分类结果图如图11(21]。
从图可以看出11当有一个干扰信号,干扰检测的准确性LSTM-SVM是93.6%,和干涉检测的准确性GRU-SVM是89.6%。
3.4。混淆矩阵
因为SVM分类结果不能看到每个类型的检测精度,我们使用混淆矩阵来进一步完善检测结果。LSTM-SVM混淆矩阵和GRU-SVM干扰检测分类如图12(22]。
从图12可以看出,当没有干扰,检测的准确性GRU-SVM是100%,而检测LSTM-SVM模型的精度是99.5%。当有干扰,GRU-SVM是68.7%,检测精度和检测的准确性LSTM-SVM是81.8%。总的来说,GRU-SVM的错误检测率是10.4%,LSTM-SVM的错误检测率是6.4%。因此,特征值通过LSTM-SVM更有利于检测干扰信号的存在。
4所示。讨论
传统的干扰检测从接收到的信号,分析了接收信号的频域特征,提取特征值,然后决定是否有一个干扰信号。然而,当干扰信号和通信信号具有相同的频率,很难用传统方法提取特征值。从时域的角度,本文采用LSTM模型具有良好的预测能力对时间序列信号。得到特征值的预测信号和接收信号之间的差异,解决问题的信号干扰检测的干扰。
干扰信号的设置在本文中所描述的实验相对理想。本文中使用的干扰信号部分频带干扰信号,也就是说,高斯噪声产生的干扰信号通过窄带滤波器。你可以尝试使用其他干扰信号来验证本文实验结果是否适用。
5。结论
针对特殊的时频重叠干扰信号的检测,一个干扰检测算法提出了基于LSTM-SVM模型。LSTM用于接收信号的时间序列预测,并预测信号和接收信号之间的差异作为样本特征。这种方法还可以被训练使用少量的数据,可以获得更好的预测性能。特征值的样本是有窗的,支持向量机算法用于分类和检测样本的特征值。LSTM-SVM模型相比GRU-SVM模型。比较结果表明,两个模型的干扰检测精度随信噪比的改善。窗口特征值可以显著提高的干扰检测性能LSTM-SVM模型,但是窗口GRU-SVM模型将降低精度。在最优窗口,LSTM-SVM模型算法的检测性能优于GRU-SVM模型。这个算法,基于LSTM-SVM模型,研究具有参考意义的干涉检测方法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。