基于長(zhǎng)短期記憶網(wǎng)絡(luò)的無(wú)線通信智能抗干擾研究

摘" 要： 為提高無(wú)線通信網(wǎng)絡(luò)的抗干擾能力，提出一種基于長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的無(wú)線通信智能抗干擾方法。首先，結(jié)合無(wú)線通信抗干擾的原理，提出深度學(xué)習(xí)的通信抗干擾基本思路；其次，采用基于長(zhǎng)短期記憶網(wǎng)絡(luò)的逐時(shí)隙頻譜狀態(tài)預(yù)測(cè)方案進(jìn)行空閑頻譜預(yù)測(cè)；最后，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行空閑頻段優(yōu)化選擇，以實(shí)現(xiàn)跳頻通信。實(shí)驗(yàn)結(jié)果表明，在3 GHz頻點(diǎn)中，逐時(shí)隙預(yù)測(cè)的信道狀態(tài)信息與真實(shí)信道狀態(tài)信息相同，預(yù)測(cè)結(jié)果與真實(shí)結(jié)果一致，說(shuō)明采用所提方法可準(zhǔn)確預(yù)測(cè)到下一時(shí)隙的信道狀態(tài)并進(jìn)行跳頻頻段選擇，這有助于用戶提前避開(kāi)干擾，保障用戶的通信質(zhì)量。

關(guān)鍵詞： 無(wú)線通信； 抗干擾； 深度學(xué)習(xí)； 長(zhǎng)短期記憶網(wǎng)絡(luò)； 空閑頻段； 跳頻通信； 信道狀態(tài)

中圖分類(lèi)號(hào)： TN921?34； TP392" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）14?0035?06

Research on intelligent wireless communication anti interference based on

long short?term memory networks

SHI Jintao1， 2

（1. Shaanxi Provincial Government Offices Affairs Service Center， Xi’an 710004， China; 2. Xidian University， Xi’an 710126， China）

Abstract： A wireless communication intelligent anti?interference method based on long short?term memory network （LSTM） is proposed to improve the anti?interference ability of wireless communication networks. The basic idea of deep learning communication anti?interference is proposed based on the principle of wireless communication anti?interference. A time?slot spectrum state prediction scheme based on LSTM is used to predict the idle spectrum. The idle frequency band is optimized according to the predicted results to realize frequency?hopping communication. The experimental results show that， in the 3 GHz frequency point， the predicted channel state information and the real channel state information are the same， and the prediction results are consistent with the real results， indicating that the proposed method can accurately predict the channel state of the gap and select the frequency hopping frequency band， which can help users to avoid interference in advance and guarantee the communication quality of users.

Keywords： wireless communication; anti interference; deep learning; long short?term memory network; idle frequency band; frequency hopping communication; channel status

0" 引" 言

跳頻技術(shù)作為當(dāng)前通信抗干擾的主流技術(shù)，其本質(zhì)是不斷改變載波頻率，從而避開(kāi)通信的干擾。而該技術(shù)的關(guān)鍵是跳頻序列，如能實(shí)時(shí)獲取通信信道信息，就可根據(jù)這些信息實(shí)現(xiàn)跳變，進(jìn)而達(dá)到抗干擾的目的。姬智等為實(shí)現(xiàn)無(wú)線通信的抗干擾，設(shè)計(jì)了一個(gè)智能反射面，通過(guò)此設(shè)計(jì)對(duì)無(wú)人機(jī)通信進(jìn)行能效優(yōu)先輔助，從而提升了抗干擾技術(shù)的魯棒性[1]。張拓針對(duì)無(wú)線電子通信中的跳頻選擇問(wèn)題，提出一種TDMA跳頻系統(tǒng)，并通過(guò)頻率自適應(yīng)選擇方法進(jìn)行頻譜狀態(tài)區(qū)分，便于后續(xù)占用和空閑跳頻優(yōu)選[2]。章辰等以通信電子戰(zhàn)爭(zhēng)中的通信設(shè)備為研究對(duì)象，提出基于矩陣求逆型DFRFT，構(gòu)建一個(gè)抗干擾通信系統(tǒng)，通過(guò)此系統(tǒng)降低了無(wú)線干擾和系統(tǒng)誤碼率，具有一定的可行性[3]。以上研究為通信抗干擾和調(diào)頻的處理提供了參考，但信道狀態(tài)信息獲取是關(guān)鍵。傳統(tǒng)的獲取方式是采用頻譜感知來(lái)完成，耗費(fèi)大量資源和時(shí)間。為此，部分學(xué)者提出頻譜預(yù)測(cè)的方法，即采用深度學(xué)習(xí)的方式來(lái)挖掘頻譜的潛在規(guī)律，進(jìn)而實(shí)現(xiàn)信道狀態(tài)的預(yù)測(cè)?；诖?，本文提出一種基于長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的無(wú)線通信智能抗干擾技術(shù)，并對(duì)該方法的可行性進(jìn)行驗(yàn)證。

1" 通信抗干擾問(wèn)題描述

無(wú)線通信干擾系統(tǒng)中，通信干擾問(wèn)題主要包括干擾與通信鏈路間的天線增益、路徑損耗與功率間關(guān)系公式的確定。通過(guò)以上兩個(gè)公式，可求出無(wú)線通信的干擾功率和作用范圍，進(jìn)而采取有效的抗干擾措施。

無(wú)線通信干擾系統(tǒng)的功率傳輸模型如圖1所示[4]。

圖1中，接收機(jī)的通信干擾公式表示為：

[PjiPsi=PTjPTsGTjGTsGRjGRsLsLj1LfLtLp]" " " " "（1）

式中：[PTs]和[PTj]分別表示發(fā)射機(jī)信號(hào)和干擾機(jī)干擾的發(fā)射功率；[Lp]表示極化損耗；[Ls]和[Lj]均為傳輸路徑損耗；[Lt]和[Lf]分別為干擾與信號(hào)的時(shí)頻域?yàn)V波損耗；[GTs]和[GTj]分別為發(fā)射機(jī)和干擾機(jī)的發(fā)射增益[5]；[GRs]和[GRj]分別表示接收機(jī)接收到的信號(hào)和干擾的接收增益；[Psi]和[Pji]分別為信號(hào)和干擾的輸入功率。

在無(wú)線通信抗干擾系統(tǒng)中，干擾容量[Mj]為一種度量方式，其代表系統(tǒng)在正常運(yùn)行時(shí)，接收機(jī)能夠忍受的最大干信比。干擾容量[Mj]與干擾方式、信號(hào)類(lèi)型和數(shù)據(jù)接收方法等均存在關(guān)聯(lián)性。

基于以上分析可知，無(wú)線通信系統(tǒng)中出現(xiàn)干擾信息后，系統(tǒng)可正常工作的基本條件表示為：

[PjiPsilt;Mj]" " " " " "（2）

式中：[Mj]表示系統(tǒng)的干擾容量；[PjiPsi]表示系統(tǒng)接收機(jī)的輸入干信比[6]。

為保證無(wú)線通信系統(tǒng)能夠正常運(yùn)行，通常采用兩種方式提升系統(tǒng)的抗干擾能力，具體表現(xiàn)如下。

1） 降低接收機(jī)的輸入干信比[PjiPsi]

基于式（1）可知，可采用提高[PTs]、[GTs]、[Lj]、[Lp]、[Lt]、[Lf]和減小[Ls]的方式降低接收機(jī)的干信比。

2） 提高系統(tǒng)的干擾容量[Mj]

[Mj=PjiPsimax=Gp-Lsys+PsoPjomin]" "（3）

式中：[PsoPjo]表示接收機(jī)中進(jìn)行信號(hào)處理后的輸出干信比；[Gp=PsoPjo-PsiPji]表示接收機(jī)中進(jìn)行信號(hào)處理后得到的干信比處理增益；[Lsys]表示實(shí)現(xiàn)此處理增益過(guò)程中的干信比損耗。采用提高[Gp]和降低[Lsys]、[PsoPjomin]的方式能夠提高系統(tǒng)的干擾容量[7]。

2" 基于LSTM預(yù)測(cè)的通信抗干擾模型構(gòu)建

2.1" 本文研究思路

基于以上無(wú)線通信抗干擾原理，提出的抗干擾通信思路如圖2所示。

由圖2可知，本文的思路是：在功率傳輸模型的基礎(chǔ)上，增加其他通信用戶、深度學(xué)習(xí)服務(wù)器、信號(hào)處理中心、多個(gè)感知節(jié)點(diǎn)和多個(gè)干擾機(jī)[8]。

為確保數(shù)據(jù)傳輸時(shí)具有可靠性和穩(wěn)定性，提出采用有線方式對(duì)各個(gè)節(jié)點(diǎn)進(jìn)行連接。其中，感知節(jié)點(diǎn)的作用是進(jìn)行頻點(diǎn)歷史數(shù)據(jù)收集，并將收集信息作為數(shù)據(jù)集傳輸至深度學(xué)習(xí)服務(wù)器中；信息處理中心的作用是進(jìn)行數(shù)據(jù)處理；深度學(xué)習(xí)服務(wù)器的作用是對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)程序和深度學(xué)習(xí)框架進(jìn)行運(yùn)行維護(hù)。將歷史數(shù)據(jù)集作為訓(xùn)練集輸入深度學(xué)習(xí)服務(wù)器后，即可通過(guò)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，并基于輸入各頻點(diǎn)的歷史數(shù)據(jù)對(duì)下一時(shí)隙各頻點(diǎn)的頻譜狀態(tài)進(jìn)行預(yù)測(cè)。

2.2" 數(shù)據(jù)集構(gòu)建

為獲取無(wú)線通信系統(tǒng)中的歷史頻譜數(shù)據(jù)，本文采用頻譜感知方法對(duì)不同信道、不同時(shí)隙的歷史信息進(jìn)行采集，即獲取頻譜中各個(gè)頻點(diǎn)的功率譜密度數(shù)據(jù)，再將其與設(shè)定的閾值進(jìn)行對(duì)比。若此頻點(diǎn)的功率譜密度高于閾值，則說(shuō)明此頻點(diǎn)為占用狀態(tài)；反之則為空閑狀態(tài)。頻點(diǎn)狀態(tài)定義的具體表達(dá)式為：

[fit=0，" 功率譜密度≤-100 dBm/Hz1，" 功率譜密度gt;-100 dBm/Hz]" " （4）

式中[fit]為時(shí)隙t處第i個(gè)頻點(diǎn)的狀態(tài)[9]。

為實(shí)現(xiàn)頻譜預(yù)測(cè)，提出采用監(jiān)督學(xué)習(xí)方法對(duì)時(shí)間序列進(jìn)行有效處理，由此可獲得狀態(tài)數(shù)據(jù)，并將其保存為一個(gè)[M×N]的二維矩陣形式。矩陣的行和列分別為某個(gè)頻點(diǎn)不同時(shí)隙的狀態(tài)信息和某個(gè)時(shí)隙上各個(gè)頻點(diǎn)的狀態(tài)信息。為驗(yàn)證基于滑動(dòng)窗口的逐時(shí)隙頻譜狀態(tài)預(yù)測(cè)在跳頻通信系統(tǒng)中是否具備實(shí)時(shí)性，提出構(gòu)建一個(gè)模型對(duì)歷史時(shí)隙信息狀態(tài)間的關(guān)系進(jìn)行挖掘，以實(shí)現(xiàn)下一時(shí)隙各頻點(diǎn)的狀態(tài)預(yù)測(cè)。即基于最近的[T]個(gè)時(shí)隙的數(shù)據(jù)[xt-T+1，xt-T+2，…，xt]，預(yù)測(cè)下一時(shí)隙中各頻點(diǎn)的狀態(tài)信息[xt+1]。

采用LSTM網(wǎng)絡(luò)對(duì)無(wú)線通信的頻譜進(jìn)行預(yù)測(cè)前，需通過(guò)收集歷史數(shù)據(jù)集信息對(duì)模型進(jìn)行訓(xùn)練，模型訓(xùn)練后達(dá)到預(yù)測(cè)精度要求，即可進(jìn)行頻點(diǎn)狀態(tài)信息預(yù)測(cè)。逐時(shí)隙數(shù)據(jù)集采用滑動(dòng)窗口進(jìn)行構(gòu)建，具體如圖3所示[10]。

圖3中，[wi]和[ei]分別表示訓(xùn)練輸入的樣本和樣本標(biāo)簽。隨著時(shí)隙的不斷增加，滑動(dòng)窗口向前滑動(dòng)時(shí)隙，由此可獲得不同頻點(diǎn)的信息狀態(tài)，從而形成一個(gè)樣本，并構(gòu)成神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。對(duì)訓(xùn)練數(shù)據(jù)集[wi]進(jìn)行不斷輸入后，深度學(xué)習(xí)模型即可輸出預(yù)測(cè)值[ei]；之后對(duì)模型參數(shù)進(jìn)行不斷調(diào)整和優(yōu)化，即可使得預(yù)測(cè)值[ei]逐漸接近標(biāo)簽值[ei]。

2.3" 基于LSTM的頻譜預(yù)測(cè)跳頻策略設(shè)計(jì)

2.3.1" 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN），其是為解決RNN網(wǎng)絡(luò)中存在的長(zhǎng)期時(shí)間依賴問(wèn)題進(jìn)化而來(lái)的[11]。LSTM網(wǎng)絡(luò)具備超強(qiáng)的記憶功能，在RNN網(wǎng)絡(luò)的基礎(chǔ)上加入門(mén)控機(jī)制的存儲(chǔ)單元后，即可解決RNN的長(zhǎng)期依賴問(wèn)題。LSTM網(wǎng)絡(luò)的存儲(chǔ)單元結(jié)構(gòu)主要由輸入門(mén)、輸出門(mén)和遺忘門(mén)組成。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

三個(gè)門(mén)控機(jī)制的計(jì)算公式為：

[it=σ（Wix?xt+Wih?ht-1+Wic?ct-1+bi）]" " （5）

[ot=σ（Wox?xt+Woh?ht-1+Woc?ct-1+bo）]" "（6）

[ft=σ（Wfx?xt+Wfh?ht-1+Wfc?ct-1+bf）]" （7）

存儲(chǔ)單元的輸入和輸出狀態(tài)分別表示為：

[ct=tanh（Wcx?xt+Wch?ht-1+bc）]" "（8）

[ct=it?ct+ft?ct-1]" " （9）

隱藏層輸出結(jié)果的計(jì)算公式表示為：

[ht=ot?tanhct]" " "（10）

式中：[xt]和[ht]分別為L(zhǎng)STM網(wǎng)絡(luò)在[t]時(shí)刻的輸入向量和隱藏狀態(tài)向量；[it]、[ft]和[ot]分別為L(zhǎng)STM存儲(chǔ)單元的輸入門(mén)、遺忘門(mén)和輸出門(mén)[10]；[ct]為存儲(chǔ)單元狀態(tài)；[Wix]、[Wox]、[Wfx]和[Wcx]分別為連接輸入門(mén)、輸出門(mén)、遺忘門(mén)和單元狀態(tài)與輸入向量間的權(quán)重矩陣；[Wih]、[Woh]、[Wfh]和[Wch]為連接隱藏狀態(tài)矩陣和輸入門(mén)、輸出門(mén)、遺忘門(mén)以及單元狀態(tài)間的權(quán)重矩陣；[Wic]、[Woc]、[Wfc]為將單元狀態(tài)連接到輸入門(mén)、輸出門(mén)和遺忘門(mén)的窺視孔連接矩陣；[bi]、[bo]、[bf]和[bc]為偏置向量；[tanh?]為激活函數(shù)，并將結(jié)果控制在[-1，1]范圍內(nèi)；[σ?]表示sigmoid函數(shù)，可將結(jié)果控制在[0，1]區(qū)間內(nèi)。

2.3.2" 預(yù)測(cè)模型構(gòu)建

為達(dá)到逐時(shí)隙頻譜狀態(tài)預(yù)測(cè)的目的，提出采用LSTM網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型。基于LSTM預(yù)測(cè)的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示[12?13]。

基于LSTM預(yù)測(cè)的網(wǎng)絡(luò)模型主要由一個(gè)LSTM層、一個(gè)全連接層和一個(gè)輸出層組成。模型工作原理為：利用LSTM輸入數(shù)據(jù)xt+1，通過(guò)LSTM層進(jìn)行處理后即可將其處理結(jié)果傳輸至全連接層中，最后利用輸出層輸出時(shí)隙t的預(yù)測(cè)結(jié)果。

2.4" 基于LSTM預(yù)測(cè)的通信抗干擾流程設(shè)計(jì)

基于以上的預(yù)測(cè)網(wǎng)絡(luò)模型，將抗干擾通信的預(yù)測(cè)分為兩部分：深度學(xué)習(xí)模型訓(xùn)練和基于訓(xùn)練好的模型進(jìn)行頻譜狀態(tài)預(yù)測(cè)，以指導(dǎo)跳頻通信。具體思路為：進(jìn)行深度學(xué)習(xí)模型訓(xùn)練前，首先收集歷史數(shù)據(jù)，并將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；之后將訓(xùn)練集和驗(yàn)證集輸入至深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練；完成訓(xùn)練后，即可通過(guò)測(cè)試集對(duì)模型性能進(jìn)行驗(yàn)證，以檢測(cè)模型的預(yù)測(cè)精度。

深度學(xué)習(xí)模型的訓(xùn)練流程如圖6所示。

深度學(xué)習(xí)模型訓(xùn)練流程主要分為6步，具體如下。

1） 收集各頻譜數(shù)據(jù)并傳輸至信號(hào)處理中心。

2） 信號(hào)處理中心將數(shù)據(jù)進(jìn)行預(yù)處理，并將數(shù)據(jù)轉(zhuǎn)換為深度學(xué)習(xí)服務(wù)器可接收的數(shù)據(jù)集類(lèi)型。

3） 使用訓(xùn)練集和驗(yàn)證集進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練和參數(shù)調(diào)整，并不斷對(duì)模型進(jìn)行觀測(cè)。

4） 使用測(cè)試集評(píng)估觀測(cè)模型的預(yù)測(cè)精度。

5） 如果預(yù)測(cè)精度低于設(shè)定標(biāo)準(zhǔn)，重新調(diào)整和訓(xùn)練模型。

6） 當(dāng)觀測(cè)模型預(yù)測(cè)精度達(dá)到設(shè)定標(biāo)準(zhǔn)時(shí)，結(jié)束模型訓(xùn)練，并應(yīng)用于跳頻通信系統(tǒng)中，以預(yù)測(cè)頻點(diǎn)狀態(tài)并進(jìn)行跳頻決策。

基于深度學(xué)習(xí)預(yù)測(cè)的抗干擾通信系統(tǒng)流程如圖7所示。該系統(tǒng)流程主要分為4步，具體如下。

1） 將收集到的各頻譜數(shù)據(jù)進(jìn)行預(yù)處理后，利用訓(xùn)練好的深度學(xué)習(xí)模型預(yù)測(cè)下一時(shí)隙的頻譜狀態(tài)。

2） 判斷傳輸頻段是否可用，若可用則進(jìn)行正常傳輸，否則根據(jù)預(yù)測(cè)結(jié)果進(jìn)行跳頻決策。

3） 接收機(jī)接收信息。

4） 用戶完成通信，結(jié)束系統(tǒng)抗干擾。

3" 實(shí)驗(yàn)結(jié)果與分析

3.1" 實(shí)驗(yàn)環(huán)境

為驗(yàn)證所提方法的可行性，實(shí)驗(yàn)硬件平臺(tái)選擇采用個(gè)人主機(jī)和軟件無(wú)線電平臺(tái)USRP RIO，軟件代碼選用LabVIEW 2015編寫(xiě)程序和Matlab仿真軟件進(jìn)行實(shí)現(xiàn)。

3.2" 實(shí)驗(yàn)數(shù)據(jù)

無(wú)線通信系統(tǒng)在700 MHz的頻譜范圍內(nèi)運(yùn)行，將這700 MHz頻譜分為7個(gè)100 MHz寬的頻段。為展示系統(tǒng)的頻段選擇性能，實(shí)驗(yàn)將在無(wú)線通信信號(hào)中加入單音、多音和掃頻干擾信號(hào)，掃頻干擾信號(hào)可在600 s內(nèi)掃描800 MHz寬的頻譜。系統(tǒng)測(cè)試頻段范圍設(shè)置在2～4 GHz，用戶端的發(fā)射增益與接收增益均為0 dBm，干擾機(jī)端的發(fā)射增益為20 dBm。

3.3" 實(shí)驗(yàn)結(jié)果

為驗(yàn)證所提出的深度學(xué)習(xí)預(yù)測(cè)模型的性能，在Matlab軟件中進(jìn)行仿真實(shí)驗(yàn)。首先對(duì)收集的頻譜數(shù)據(jù)進(jìn)行預(yù)處理，并按照6∶3∶1的分配比例將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。最終得到的LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練曲線如圖8所示。

由圖8可知，在200次迭代過(guò)程中，LSTM網(wǎng)絡(luò)模型在迭代至40次時(shí)即可實(shí)現(xiàn)收斂，模型訓(xùn)練效果顯著。

為驗(yàn)證構(gòu)建的LSTM網(wǎng)絡(luò)預(yù)測(cè)模型在不同滑動(dòng)窗口中的預(yù)測(cè)效果，分別在滑動(dòng)窗口為1、5、10、20四種不同數(shù)據(jù)時(shí)進(jìn)行均方根誤差對(duì)比，對(duì)比結(jié)果如圖9所示。

由圖9對(duì)比結(jié)果可知，在不同的滑動(dòng)窗口下，LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的RMSE隨著時(shí)隙量的增加而不斷降低，在時(shí)隙量為30時(shí)逐漸趨于平緩。由此說(shuō)明，在滑動(dòng)窗口為10以上時(shí)可取得較好的預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果與真實(shí)結(jié)果間的誤差更小，可有效提升模型預(yù)測(cè)精度。為進(jìn)一步驗(yàn)證LSTM網(wǎng)絡(luò)預(yù)測(cè)模型在測(cè)試集中的逐時(shí)隙預(yù)測(cè)效果，對(duì)2 GHz頻點(diǎn)的數(shù)據(jù)集進(jìn)行預(yù)測(cè)分析。原始數(shù)據(jù)處理后的測(cè)試結(jié)果如圖10所示。

由圖10預(yù)測(cè)結(jié)果可知，在適宜的滑動(dòng)窗口中，采用LSTM網(wǎng)絡(luò)預(yù)測(cè)模型可實(shí)現(xiàn)測(cè)試集的逐時(shí)隙預(yù)測(cè)，很大程度上驗(yàn)證了該模型的有效性?；谝陨仙疃葘W(xué)習(xí)預(yù)測(cè)模型的驗(yàn)證結(jié)果，實(shí)驗(yàn)將在軟件無(wú)線電平臺(tái)USRP RIO上對(duì)設(shè)計(jì)的基于深度學(xué)習(xí)預(yù)測(cè)的抗干擾通信系統(tǒng)進(jìn)行實(shí)現(xiàn)。其中，軟件無(wú)線電平臺(tái)USRP RIO上LSTM網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖11所示。由圖11訓(xùn)練結(jié)果可知，在軟件無(wú)線電平臺(tái)USRP RIO上，LSTM網(wǎng)絡(luò)預(yù)測(cè)模型在迭代至100次時(shí)即可實(shí)現(xiàn)收斂，說(shuō)明該網(wǎng)絡(luò)的最佳收斂參數(shù)為100。

基于圖11訓(xùn)練結(jié)果，將處理后的測(cè)試集應(yīng)用到系統(tǒng)中進(jìn)行預(yù)測(cè)分析，預(yù)測(cè)結(jié)果如圖12所示。

由圖12測(cè)試結(jié)果可知，在設(shè)定閾值為0.4時(shí)對(duì)測(cè)試集進(jìn)行處理，本文系統(tǒng)的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果間的誤差較小，兩者間的變化曲線基本一致。由此說(shuō)明，在進(jìn)行閾值設(shè)定時(shí)，對(duì)測(cè)試集進(jìn)行處理，能夠提升系統(tǒng)的干擾預(yù)測(cè)精度。為進(jìn)一步驗(yàn)證系統(tǒng)的預(yù)測(cè)性能，在3 GHz頻點(diǎn)中進(jìn)行逐時(shí)隙預(yù)測(cè)，由此得到系統(tǒng)的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的對(duì)比結(jié)果，如圖13所示。

由圖13結(jié)果可知，本文系統(tǒng)在3 GHz頻點(diǎn)的逐時(shí)隙預(yù)測(cè)結(jié)果與真實(shí)結(jié)果基本相同，說(shuō)明本文系統(tǒng)能夠?qū)ο乱粫r(shí)隙的信道狀態(tài)進(jìn)行準(zhǔn)確預(yù)測(cè)?；谝陨蠈?shí)驗(yàn)結(jié)果，可得到本文系統(tǒng)對(duì)10個(gè)頻點(diǎn)的多時(shí)隙真實(shí)信息狀態(tài)強(qiáng)度和多時(shí)隙預(yù)測(cè)信息狀態(tài)強(qiáng)度，如圖14、圖15所示。由圖14、圖15對(duì)比結(jié)果可知，在10個(gè)頻點(diǎn)的多時(shí)隙預(yù)測(cè)結(jié)果與真實(shí)結(jié)果十分吻合，說(shuō)明基于LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的無(wú)線網(wǎng)絡(luò)通信抗干擾系統(tǒng)可進(jìn)行跳頻通信的逐時(shí)隙預(yù)測(cè)。

4" 結(jié)" 語(yǔ)

基于機(jī)器學(xué)習(xí)的無(wú)線通信智能抗干擾技術(shù)采用LSTM網(wǎng)絡(luò)預(yù)測(cè)模型，能夠?qū)崿F(xiàn)頻譜狀態(tài)分析和預(yù)測(cè)，從而有效預(yù)測(cè)惡意抑制和外界干擾，提升無(wú)線通信效果。通過(guò)Matlab仿真實(shí)驗(yàn)驗(yàn)證，該技術(shù)能夠利用LSTM網(wǎng)絡(luò)進(jìn)行空閑頻譜預(yù)測(cè)，區(qū)分占用頻段和空閑頻段，并基于選擇的空閑頻段進(jìn)行跳頻通信，實(shí)現(xiàn)智能抗干擾。仿真結(jié)果表明，本文預(yù)測(cè)模型能夠提升預(yù)測(cè)精度，降低誤差，可滿足無(wú)線通信抗干擾系統(tǒng)的設(shè)計(jì)需求，具備推廣和應(yīng)用的潛力。

參考文獻(xiàn)

[1] 姬智，高玉芳.能效優(yōu)先的智能反射面輔助無(wú)人機(jī)通信抗干擾魯棒設(shè)計(jì)[J].通信技術(shù)，2022，55（12）：1568?1575.

[2] 張拓.一種TDMA跳頻系統(tǒng)中頻率自適應(yīng)選擇方法研究[J].現(xiàn)代導(dǎo)航，2020，11（1）：41?45.

[3] 章辰，王湘寅，吳林健，等.基于矩陣求逆型DFRFT的抗干擾通信系統(tǒng)[J].艦船科學(xué)技術(shù)，2021，43（z1）：82?88.

[4] 趙跟黨，張揚(yáng).基于無(wú)線局域網(wǎng)的CBTC車(chē)地?zé)o線通信系統(tǒng)抗干擾性能提升方案研究[J].城市軌道交通研究，2021，24（12）：205?209.

[5] 管金稱.基于迭代自適應(yīng)方法的跳頻信號(hào)缺失數(shù)據(jù)恢復(fù)[J].電訊技術(shù)，2020，60（7）：791?797.

[6] 孫永林，李大成，劉飛.基于分?jǐn)?shù)傅立葉變換的通信抗干擾性能研究[J].無(wú)線互聯(lián)科技，2020，17（15）：10?14.

[7] 宋佰霖，許華，蔣磊，等.一種基于深度強(qiáng)化學(xué)習(xí)的通信抗干擾智能決策方法[J].西北工業(yè)大學(xué)學(xué)報(bào)，2021，39（3）：641?649.

[8] 肇曉楠，謝新連，趙瑞嘉.基于滑動(dòng)窗口動(dòng)態(tài)輸入LSTM網(wǎng)絡(luò)的鐵路運(yùn)輸系統(tǒng)碳排放量預(yù)測(cè)方法[J].交通信息與安全，2023，41（1）：169?178.

[9] 李璐，張風(fēng)麗，邵蕓，等.基于滑動(dòng)窗口的高分辨率SAR圖像點(diǎn)目標(biāo)積分響應(yīng)能量計(jì)算方法研究[J].遙感技術(shù)與應(yīng)用，2023，38（1）：182?189.

[10] 何雨桐，朱立東，施文軍.基于GRU神經(jīng)網(wǎng)絡(luò)的自適應(yīng)跳頻技術(shù)研究[J].無(wú)線電通信技術(shù)，2022，48（6）：1074?1079.

[11] 安寧，張之棟.基于深度強(qiáng)化學(xué)習(xí)的D2D通信網(wǎng)絡(luò)抗干擾資源調(diào)度方法[J].電力信息與通信技術(shù)，2022，20（9）：108?114.

[12] 張惠婷，張然，劉敏提，等.基于深度強(qiáng)化學(xué)習(xí)的無(wú)人機(jī)通信抗干擾算法[J].兵器裝備工程學(xué)報(bào)，2022，43（10）：27?34.

[13] 王任之，潘克剛，趙瑞祥.跳頻抗干擾通信系統(tǒng)中LDPC碼的編碼優(yōu)化設(shè)計(jì)[J].系統(tǒng)工程與電子技術(shù)，2022，44（11）：3548?3555.

[14] 王健，王仲陽(yáng)，劉勁峰，等.基于渦旋電磁波的無(wú)線通信技術(shù)[J/OL].激光與光電子學(xué)進(jìn)展：1?42[2023?11?02].http：//kns.cnki.net/kcms/detail/31.1690.TN.20240422.1637.108.html.

[15] 謝聯(lián)蓮，虞凱，劉孜學(xué)，等.長(zhǎng)大干線高速磁浮無(wú)線通信系統(tǒng)工程方案研究[J].鐵路通信信號(hào)工程技術(shù)，2023，20（6）：20?25.

[16] 張敏，方健，王勇，等.基于ZigBee無(wú)線通信的變電站端子箱溫濕度傳感器系統(tǒng)設(shè)計(jì)[J].制造業(yè)自動(dòng)化，2023，45（2）：169?174.