基于深度卷积神经网络的变换域通信网络抗干扰优化算法.pdf

第 卷第期年月计算技术与自动化C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nV o l ,N o J u n 收稿日期:作者简介:孙桂萍(),女,山东青岛人,硕士,讲师,研究方向:通信与信息系统.通信联系人,E m a i l:s e j i p i n c o m文章编号:()D O I:/j c n k i j s j s y z d h 基于深度卷积神经网络的变换域通信网络抗干扰优化算法孙桂萍,唐艳娜,于爱华(青岛农业大学 理学与信息科学学院,山东 青岛 )摘要:为了有效抑制变换域通信网络干扰信号,改善信噪比,研究了基于深度卷积神经网络的变换域通信网络抗干扰优化算法.应用傅里叶变换方法将信号从时域转换到频域,并以傅里叶变换通信信号获得的参数为依据构建干扰信号模型;嵌入干扰信号模型以形成接收信号,然后对接收信号进行处理并存储在干扰数据库中,利用深度卷积神经网络完成干扰信号的特征学习与干扰估计,并根据干扰估计结果,在接收信号中去除干扰信号,完成变换域通信网络抗干扰优化.实验结果表明:该算法可有效完成变换域通信网络抗干扰优化,优化后通信信号的信噪比改善性能与误码性能均较佳,输出的通信信号几乎无干扰信号存在.关键词:深度卷积神经网络;变换域;通信网络;抗干扰优化;傅里叶变换中图分类号:T N 文献标识码:AA n t i i n t e r f e r e n c eO p t i m i z a t i o nA l g o r i t h mo fT r a n s f o r mD o m a i nC o mm u n i c a t i o nN e t w o r kB a s e do nD e e pC o n v o l u t i o nN e u r a lN e t w o r kS UNG u i p i n g,T ANGY a n n a,YU A i h u a(S c h o o l o fS c i e n c ea n dI n f o r m a t i o nS c i e n c e,Q i n g d a oA g r i c u l t u r a lU n i v e r s i t y,Q i n g d a o,S h a n d o n g ,C h i n a)A b s t r a c t:I no r d e r t oe f f e c t i v e l ys u p p r e s s t h e i n t e r f e r e n c e s i g n a l o f v a r i a b l ed o m a i nc o mm u n i c a t i o nn e t w o r ka n d i m p r o v et h es i g n a l t o n o i s er a t i o,t h ea n t i i n t e r f e r e n c eo p t i m i z a t i o na l g o r i t h mo fv a r i a b l ed o m a i nc o mm u n i c a t i o nn e t w o r kb a s e do nd e e pc o n v o l u t i o nn e u r a ln e t w o r ki ss t u d i e d T h es i g n a l i st r a n s f o r m e df r o mt i m ed o m a i nt of r e q u e n c yd o m a i nb yF o u r i e rt r a n s f o r m m e t h o d,a n dt h es i g n a l i n t e r f e r e n c em o d e l i sc o n s t r u c t e db a s e do nt h ep a r a m e t e r so b t a i n e db yF o u r i e rt r a n s f o r mc o mm u n i c a t i o ns i g n a l;t h es i g n a l i n t e r f e r e n c em o d e l i se m b e d d e dt of o r mt h er e c e i v e ds i g n a l,a n dt h er e c e i v e ds i g n a l i sp r o c e s s e da n ds t o r e d i nt h e i n t e r f e r e n c ed a t a b a s e T h ed e e pc o n v o l u t i o nn e u r a l n e t w o r k i su s e dt oc o m p l e t e t h e f e a t u r e l e a r n i n ga n d i n t e r f e r e n c ee s t i m a t i o no f t h e i n t e r f e r e n c e s i g n a l A c c o r d i n g t o t h e i n t e r f e r e n c e e s t i m a t i o n r e s u l t s,t h e i n t e r f e r e n c e s i g n a li sr e m o v e df r o mt h er e c e i v e ds i g n a l t oc o m p l e t et h ea n t i i n t e r f e r e n c eo p t i m i z a t i o no ft h et r a n s f o r md o m a i nc o mm u n i c a t i o nn e t w o r k T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e a l g o r i t h mc a ne f f e c t i v e l y c o m p l e t e t h e a n t i i n t e r f e r e n c e o p t i m i z a t i o no f v a r i a b l ed o m a i nc o mm u n i c a t i o nn e t w o r k T h e s i g n a l t o n o i s e r a t i oa n db i t e r r o r p e r f o r m a n c eo f t h eo p t i m i z e dc o mm u n i c a t i o ns i g n a l a r eb e t t e r,a n dt h eo u t p u t c o mm u n i c a t i o ns i g n a lh a sa l m o s tn o i n t e r f e r e n c es i g n a l K e yw o r d s:d e e pc o n v o l u t i o nn e u r a ln e t w o r k;t r a n s f o r md o m a i n;c o mm u n i c a t i o nn e t w o r k;a n t i i n t e r f e r e n c eo p t i m i z a t i o n;F o u r i e r t r a n s f o r m计算技术与自动化 年月具有各种功能的通信设备除了为人们的生活提供了诸多便利以外,各种辐射与干扰也会相应出现于通信网络中,.通信网络干扰问题的日益严重,已成为进一步提高通信网络通信性能的最大阻碍,因此,有必要研究一种有效的通信网络抗干扰算法,以提高通信网络的抗干扰能力,.近年来,通信网络抗干扰算法一度成为国内外诸多学者研究的重点内容,为有效提升通信网络的抗干扰能力,国内外学者对通信网络抗干扰算法进行了诸多研究,如王桂胜等对基于认知驱动的变换域通信网络抗干扰算法的研究、李夏昭等对频谱失配下的变换域通信网络抗干扰算法的研究.前者为有效提升通信网络的抗干扰性能,对通信网络系统进行了认知驱动智能化设计,并对通信网络中存在的干扰进行了有效的识别、分析与处理,最终使得通信网络的传输误码率等达到相对理想程度;后者通过对频谱失配状况下的基函数进行有效合理的分析与调整,增强通信网络的误码性能,提高通信网络的抗干扰性.在一定程度上,二者均可提高通信网络的抗干扰性,但是对通信网络的干扰识别能力较弱,干扰信号的存在必然会使通信网络能力受到影响.深度卷积神经网络在卷积神经网络的基础上加以改进,在通信网络干扰识别方面具有较强的干扰识别能力,可为变换域通信网络的抗干扰提供有力的干扰识别保障.为此,本文提出基于深度卷积神经网络的变换域通信网络抗干扰优化算法,充分利用深度卷积神经网络的干扰识别性能,将其与通信网络干扰估计相融合,更好地完成实际变换域通信网络抗干扰优化工作.变换域通信网络抗干扰优化 干扰信号模型在实际工作中,采用时域分析方法对接收到的通信信号进行分析,虽然能够将接收信号的形状等信息,以一种比较直观的方式呈现出来,但却不能将接收信号以参数的形式比较准确地表示出来,这会使得对变换域通信网络干扰抑制的准确性大大降低.而如果采用频域分析的方法对接收到的通信信号进行分析,就可以将通信信号以有限的参数进行合理表 示,更 为 精 确 地 向 人 们 展 示 通 信 信 号 结构,.傅里叶变换是在通信网络抗干扰工作中经常使用的一种行之有效的通信信号预处理工具,它可实现通信信号由时域向频域的完美转换.本文利用傅里叶方法对接收到的通信信号进行预处理,完成通信信号从时域向频域的转换,并以傅里叶变换通信信号获得的参数构建干扰信号模型,表示为:ie()RmUmc o s fmem()()式()中,正弦波的数量用R代表;幅度用Um代表;第m个正弦波的频率用fm代表;第m个正弦余波点对应的初相用m代表;周期函数用e代表;第i个正弦频率点用i代表.深度卷积神经网络的干扰学习算法根据卷积神经网络基本结构以及通信网络中通信数据所显现的数据信号特征,本文对卷积神经网络的基本结构进行合理改进,构建深度卷积神经网络,以便更有效地完成对变换域通信网络中干扰的有效识别与估计.深度卷积神经网络结构将基本卷积神经网络中的池化层以及全连接层除去,并采用R E L U函数作为深度卷积神经网络的激活函数.采用这种方式对基本卷积神经网络结构进行改进是由于在卷积神经网络结构中池化层的主要职责是负责降低网络复杂度,而通信网络中存在的通信信号通常情况下都是结构相对比较简单的一维数据.全连接层在深度卷积神经网络中发挥的主要作用是实现数据信号的高维度推理,很显然对于简单的一维通信信号而言并不适用.R E L U函数较其他函数在收敛速度上更具优势,因而在深度卷积神经网络结构中将其定义为激活函数.深度卷积神经网络用公式可表示为:L;g,g,gl;z,z,zl()其中,卷积神经网络层的数量用L代表;第l层的卷积核尺寸与深度分别用gl与zl代表.需要注意的是,在深度卷积神经网络中,最后一层zl要满足zl,这样做的目的是使得输入到卷积神经网络中的通信信号始终拥有同一维度.激活函数可以使经过卷积神经网络学习得到的通信数据信号特征得以合理保留与映射.深度神经网络中引入的R E L U函数用公式可描述为:f x()m a x,x()()式()可以简单解释为在x轴负半轴上,f(x)满足f(x);在x轴正半轴上,f(x)满足f(x).第 卷第期孙桂萍,等:基于深度卷积神经网络的变换域通信网络抗干扰优化算法 变通域通信网络抗干扰算法本文利用深度卷积神经网络强大的特征学习性能,对 变通域通信 网络抗干扰 算法进行 合理设计.通常情况下,通信系统接收端由接收滤波器、信宿等构成.如果将深度卷积神经网络学习算法加入到接收滤波器中,则会受到滤波器内大量高频率通信信号的影响,使得卷积神经网络在通信网络干扰方面的优势无法有效发挥;如果将深度卷积神经网络学习算法加入到解调器、译码器中,又容易对解码译码产生不利影响,因而将深度卷积神经网络学习算法加入到接收滤波器与解调器之间,从而提高通信网络的抗干扰能力.深度卷积神经网络算法接入示意图如图所示.图深度卷积神经网络算法接入流程设计基于深度卷积神经网络的变换域通信网络抗干扰优化算法,算法结构如图所示.对本文设计的基于深度卷积神经网络的变换域通信网络抗干扰优化算法结构进行合理分析,通过构建抗干扰数据库以及深度卷积神经网络模型在深度卷积神经网络完成输出后,将输出结果作为输入信号,二次输入到干扰数据库中,对接收信号中的干扰信号进行二次去除,可以实现变换域通信网络抗干扰优化.首先,在整个深度卷积神经网络结构中,设置损失函数与连续不断的网络训练函数,构建输入/输出函数:xrjfiBjxrikrjbrj()()式()中,卷积操作与激活函数分别用与f()代表;第r的第j个特征图以及偏置分别用xri与brj代表;第j个卷积核用krj代表;对卷积核krj执行卷积运算获得的特征谱集合用Bj代表.在卷积神经网络的卷积层后,通常情况下会存在一个池化层,它不仅可以使卷积神经网络的复杂度降低,还可增强卷积神经网络对数据信号缩放等的失真敏感度.图深度卷积神经网络改进结构在进行二分类操作时,可区别于往常将神经元的数量规定为,用公式可将深度池化层描述为:xrjp(xrjxj)()式()中,p()代表池化操作.全连接层是连接深度卷积神经网络各层的纽带,其主要职责是负责对通过卷积神经网络学习到的数据信号特征信息执行规整以及分类操作、迭代操作,便 可 完 成 变 换 域 通 信 网 络 的 抗 干 扰优化.实验与分析实验以某大型电力公司的通信系统为实验对象,该系统需要自动根据历史数据分析发现设备的异常温升及劣化过程,采用分体式结构,将温度传感器附着在高压设备发热点上,经数据处理后通过无线通讯方式按照一定的周期将数据传送到汇聚终端设备,再由汇聚终端经通讯信道上传至监控中心,其采用一个接收装置接收个或个测温终端,而接收终端需要在开关柜开孔嵌入开关柜面板,多个接收装置再通过 总线与主机相连,施计算技术与自动化 年月工复杂、设备冗余,对此,对其进行抗干扰优化,即应用本文算法对该通信系统实施变换域通信网络抗干扰优化,验证本文算法的有效性.实验环境采用 MH z MH z免申请开放频率,最远传输半径 m.采用无线通讯代替信号传输导线,将干扰信号模型嵌入,以此形成接收信号,然后经过一系列行之有效的数据信号整理操作,将其有序地放入干扰数据库中进行存储,实时生成数据,作为实验样本.为验证本文算法在变换域通信网络抗干扰优化方面的优势,绘制未进行变换域通信网络抗干扰优化以及应用本文算法对变换域通信网络进行抗干扰优化获得的最终接收通信网络信号效果图,具体如图所示.(a)未进行变换域通信网络R抗干扰优化(b)应用本文算法进行抗干扰优化图最终接收通信网络信号效果图从图可以看出,未对变换域通信网络进行抗干扰优化获得的通信网络信号中含有大量的干扰信号,而应用本文算法对变换域通信网络进行抗干扰优化后获得的通信网络信号却不存在干扰信号.实验证明:应用本文算法对变换域通信网络进行抗干扰优化输出的通信信号质量较好,可更好满足实际通信工作需要.图是应用本文算法对通信信号进行傅里叶变换后获得的傅里叶频幅图.(a)原始通信信号(b)傅里叶频幅图图通信信号傅里叶变换从图可以看出,应用本文算法可以实现通信信号傅里叶变换,利用通信信号傅里叶变换结果,可以对通信信号进行有效的分析操作,从而为干扰信号模型构建提供可靠参数依据.S N R(信噪比)改善性能曲线能够反映变换域通信网络的抗干扰性能.图是分别应用本文算法与文献 基于认知驱动的变换域通信网络抗干扰算法、文献 频谱失配下的变换域通信网络抗干扰算法对变换域通信网络进行抗干扰优化获得的S N R改善性能对比图.图S N R改善性能对比分析图可知,应用本文算法获得的变换域通信网络S N R改善曲线始终高于应用文献、文献 算法获得的变换域通信网络S N R改善曲线.这说明,本文算法对变换域通信网络具有较好的第 卷第期孙桂萍,等:基于深度卷积神经网络的变换域通信网络抗干扰优化算法S N R改善效果,较其他两种算法,在对变换域通信网络抗干扰优化工作中更具优势.误码率曲线与S N R改善曲线一样,同样可以反映变换域通信网络的抗干扰性能.为从误码率角度对本文算法在变换域通信网络抗干扰方面的优势进行进一步验证,绘制分别应用本文算法与文献、文献 算法进行变换域通信网络抗干扰优化获得的误码率曲线,具体如图所示.图不同算法误码率曲线从图可以看出,应用本文算法对变换域通信网络进行抗干扰优化获得的误码率曲线下降趋势要明显快于应用文献、文献 算法对变换域通信网络进行抗干扰优化获得的误码率曲线.这说明,本文算法在变换域通信网络中的误码性能更好,可更好满足实际通信网络抗干扰工作需要.为验证应用本文算法在变换域通信网络干扰信号识别与估计准确性方面的优势,绘制在不同信噪比环境下,应用本文算法对变换域通信网络干扰信号进行识别与估计时获得的不同信噪比条件下的AU C曲线对比图,具体如图所示.图不同噪声环境AU C曲线图中,随着通信数据样本点数量的逐渐增加,应用本文算法对变换域通信网络干扰信号进行识别与估计时获得的A U C值也随之下降,但是下降幅度极小,并且各信噪比环境下的A U C曲线不仅下降趋势一致,曲线本身也十分接近.这说明,应用本文算法对变换域通信网络干扰信号进行识别与估计,可获得较好的干扰信号识别与估计效果.为验证应用本文算法在进行变换域通信网络抗干扰优化时的收敛性能,绘制不同通讯数据量下的R E L U函数收敛效果图,具体如图所示.图R E L U函数收敛效果从图可以看出,随着通讯数据量的不断增加,R E L U函数的迭代效率虽呈现出不断下降的趋势,但是下降趋势并不明显,即使在通讯数据量高达 G B时,R E L U函数在迭代次数约为 时也已完成了迭代操作.这说明,应用本文算法对变通域通信网络进行抗干扰优化,只需要较少的时间R E L U函数便可达到收敛状态,本文算法在变换域通信网络抗干扰优化方面具有较好的效率优势.结论本文算法可较好实现变换域通信网络抗干扰优化,满足实际通信网络抗干扰工作需要.其在变换域通信网络抗干扰优化方面具有如下优势:()本文算法可完成接收通信信号的傅里叶变换,完成信号由时域向频域的转换,更好实现对通信信号的合理分析,为干扰信号模型的构建提供可靠依据.()应用本文算法进行变换域通信网络抗干扰优化,较其他算法表现出的S N R改善性能、B E R性能均较强,在实际的变换域通信网络工作中更具优势.()即使在噪声环境较大的情况下,应用本文算法进行变换域通信网络抗干扰优化获得的干扰信号识别与估计AU C值也依然较高,并且应用本文算法进行变换域通信网络抗干扰优化获得的R E L U函数的收敛曲线收敛效果也较好.这说明,应用本文算法可以更准确、更高效地完成变换域通信网络抗干扰优化工作.(下转第 页)第 卷第期晏晓凡:改进灰狼优化算法求解机器人作业车间调度问题通过实验结果可以看出,本设计面向工件运输的编码方式,通过R OV转换和驱动解码方式在寻优上具有极大优势,不仅优于其他智能优化算法,与同类灰狼算法相比,也表现出极好的优势,由此可以看出本文所提灰狼优化算法具有较高的可靠性和鲁棒性.此外,研究了机器人数量对完工时间的影响,完工时间随机器人数量的增加逐渐减小,且减小速度逐渐放缓.同时,由于在编码时没有考虑机器人的选择问题,在少数算例中也暴露出计算能力不足的缺点.这些问题有待于今后的深入研究和解决.参考文献S AW I KTAm u l t i l e v e lm a c h i n ea n dv e h i c l es c h e d u l i n g i naf l e x i b l em a n u f a c t u r i n gs y s t e mJM a t h e m a t i c a la n dC o m p u t e rM o d e l l i n g,():杨煜俊,龙传泽,陶宇,等作业车间类型多机器人制造单元调度算法J计算机集成制造系统,():陈魁,毕利,王文雅,等柔性作业车间A GV与机器双资源集成调度研究J系统仿真学报,():成丽新,唐秋华,张利平,等基于基因表达式编程的单A G V加工车间调度规则生成J现代制造工程,():Z HE N GY,X I A OYJ At a b us e a r c ha l g o r i t h mf o r s i m u l t a n e o u sm a c h i n e/A GVs c h e d u l i n gp r o b l e mJ I n t e r n a t i o n a lJ o u r n a l o fP r o d u c t i o nR e s e a r c h,:,全燕鸣,何一明多机器人任务分配调度的克隆选择算法J华南理工大 学学报:自 然科学版,():李峥峰,刘阳阳考虑充电的多A GV的作业车间调度问题J计算机集成制造系统,():胡晓阳,姚锡凡,黄鹏,等改进迭代局部搜索算法求解多A GV柔性作业车 间调度问题J计算机集 成 制 造 系 统,():顾九春,姜天华,朱惠琦,等多目标离散灰狼优化算法求解作业车间节能调度问题J计算机集成制造系统 ,():姜天华基于灰狼优化算法的低碳车间调度问题J计算机集成制造系统,():M I R J A L I L IS G r e yw o l fo p t i m i z e rJA d v a n c e s i nE n g i n e e r i n gS o f t w a r e,:E R O LR,S AH I NC,B AY KA S O G L UA,e t a l Am u l t i a g e n tb a s e da p p r o a c ht od y n a m i cs c h e d u l i n go fm a c h i n e sa n da u t o m a t e dg u i d e dv e h i c l e si n m a n u f a c t u r i n gs y s t e m sJA p p l i e dS o f tC o m p u t i n gJ o u r n a l,():徐逸凡,张利平,唐秋华,等求解带A GV柔性作业车间调度问题的改进灰狼算法J工业工程,():(上接第 页)参考文献李明,任清华,吴佳隆基于有限零和博弈和变换域优选的智能抗干扰策略研究J信号处理,():GA I A R I NS,D ARF,D ERN,e t a l E x p e r i m e n t a l d e m o n s t r a t i o no fn o n l i n e a rf r e q u e n c yd i v i s i o n m u l t i p l e x i n gt r a n s m i s s i o nw i t hn e u r a ln e t w o r kr e c e i v e rJ J o u r n a lo fL i g h t w a v eT e c h n o l o g y:AJ o i n tI E E E/O S AP u b l i c a t i o n,():T I ANY,L I A ORM u l t i n o d ec o l l a b o r a t i v e i m a g ec o m p r e s s i o na l g o r i t h mf o rw i r e l e s sm u l t i m e d i as e n s o rn e t w o r k sb a s e do nL B TJ I E E Es e n s o r sj o u r n a l,():谢添,高士顺,赵海涛,等基于强化学习的定向无线通信网络抗干扰资源调度算法J电波科学学报,():王桂胜,黄国策,王叶群,等基于认知驱动的变换域通信智能抗干扰方法J系统工程与电子技术,():李夏昭,任清华,孟庆微频谱失配下的变换域通信系统基函数优化设计J信号处理,():宋佰霖,许华,蒋磊,等一种基于深度强化学习的通信抗干扰智能决策方法J西北工业大学学报,():谢文旺,孙云莲,黄雅鑫基于改进随机森林的电力线通信优化算 法 研 究 J电 力 系 统 保 护 与 控 制,():张晓博,王海,冯智斌,等基于主动诱导机制的中继通信智能抗干扰方法J南京邮电大学学报(自然科学版),():ME J I AJ,O C HOA Z E Z Z A T T IA,C RU Z ME J I AO,e ta l P r e d i c t i o no f t i m es e r i e su s i n gw a v e l e tG a u s s i a np r o c e s sf o rw i r e l e s ss e n s o rn e t w o r k sJW i r e l e s sn e t w o r k s,():周恒杰,孙闽红,钟华,等基于不完全信息动态博弈的多信道无线网络抗干扰传输J电信科学,():盖建新,薛宪峰,吴静谊,等基于深度卷积神经网络的协作频谱感知方法J电子与信息学报,():殷璐一种基于正交设计的通信抗干扰性能试验与评估方法J火力与指挥控制,():冉雨,程郁凡,陈大勇,等采用B P神经网络的智能抗干扰决策引擎研究J信号处理,():孙艺夫,安康,朱勇刚,等基于智能反射面的无线抗干扰通信方法J电波科学学报,():