基于深度学习的复合干扰信号识别

doi:10.12305/j.issn.1001-506X.2025.10.34

系统工程与电子技术 ›› 2025, Vol. 47 ›› Issue (10): 3512-3519.doi: 10.12305/j.issn.1001-506X.2025.10.34

• 通信与网络 • 上一篇

基于深度学习的复合干扰信号识别

刘佳楠(), 宋志群, 李勇, 刘丽哲, 夏金涛, 王斌, 李行健, 汪畅

中国电子科技集团公司第五十四研究所先进通信网全国重点实验室，河北石家庄 050081

收稿日期:2024-04-22 出版日期:2025-10-25 发布日期:2025-10-23
通讯作者: 李勇 E-mail:jiananliu@stu.xidian.edu.cn
作者简介:刘佳楠（2000—），男，硕士研究生，主要研究方向为抗干扰通信
宋志群（1963—），男，研究员，博士，主要研究方向为无线通信系统设计、抗干扰通信、认知无线电
刘丽哲（1978—），女，研究员，硕士，主要研究方向为无线通信系统
夏金涛（1994—），男，助理工程师，硕士，主要研究方向为无线通信系统
王　斌（1968—），男，研究员，硕士，主要研究方向为无线通信系统
李行健（1992—），男，工程师，博士，主要研究方向为无线通信系统
汪　畅（1995—），男，助理工程师，硕士，主要研究方向为无线通信系统
基金资助:
先进通信网全国重点实验室基金（FFX23641X002,SCX23641X011）资助课题

Composite interference signal recognition based on deep learning

Jianan LIU(), Zhiqun SONG, Yong LI, Lizhe LIU, Jintao XIA, Bin WANG, Xingjian LI, Chang WANG

National Key Laboratory of Advanced Communication Networks，China Electronics Technology Group Corporation No.54 Research Institute，Shijiazhuang 050081，China

Received:2024-04-22 Online:2025-10-25 Published:2025-10-23
Contact: Yong LI E-mail:jiananliu@stu.xidian.edu.cn

摘要/Abstract

摘要：

在无线通信环境中压制式复合干扰信号对通信系统的正常工作有着严重的影响，针对其特征提取和识别较为困难的问题，提出一种基于短时傅里叶变换（short time Fourier transform, STFT）和残差卷积网络的复合干扰识别算法。该算法将STFT得到的时频域信息作为输入，同时对复合干扰信号的种类和干噪比进行识别，为了使模型更加适合部署在移动端上，采用幻影卷积代替普通卷积。仿真结果表明，在干噪比为?15~10 dB的范围内，该算法在5种单一干扰及其复合而成的10种复合干扰信号种类识别任务上准确率可以达到99.97%，在干噪比识别任务上准确率可以达到99.04%。相比于残差卷积网络，该算法在几乎不降低准确率的前提下可以使模型参数量减小38.4%，计算复杂度降低46.6%，更加符合移动端的要求。

关键词: 深度学习, 复合干扰识别, 短时傅里叶变换, 残差卷积网络, 幻影卷积

Abstract:

In the wireless communication environment suppressed composite interference signal has a serious impact on the normal operation of the communication system, for its feature extraction and identification is more difficult, a composite interference identification algorithm based on short time Fourier transform （STFT） and residual convolution network is proposed. The algorithm takes the time-frequency domain information obtained from the STFT as the input, and identifies the type of composite interference signal and the jamming-to-noise ratio at the same time. In order to make the model more suitable to be deployed on the mobile terminal, the ghost convolution is used instead of the ordinary convolution. Simulation results show that in the range of jamming-to-noise ratios from ?15 to 10 dB the algorithm can achieve 99.97% accuracy on the task of identifying five single interferences as well as ten composite interference signal types compounded by them, and 99.04% accuracy on the task of identifying jamming-to-noise ratio. Compared with the residual convolutional network, the proposed algorithm can reduce the number of model parameters by 38.4% and the computational complexity by 46.6%, which is more in line with the requirements of the mobile terminal, with almost no reduction in the accuracy.

Key words: deep learning, composite interference recognition, short time Fourier transform （STFT）, residual convolutional network, ghost convolution

中图分类号:

TN 911

刘佳楠, 宋志群, 李勇, 刘丽哲, 夏金涛, 王斌, 李行健, 汪畅. 基于深度学习的复合干扰信号识别[J]. 系统工程与电子技术, 2025, 47(10): 3512-3519.

Jianan LIU, Zhiqun SONG, Yong LI, Lizhe LIU, Jintao XIA, Bin WANG, Xingjian LI, Chang WANG. Composite interference signal recognition based on deep learning[J]. Systems Engineering and Electronics, 2025, 47(10): 3512-3519.

图/表 20

图1

表1

表2

图2

图3

表3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

表4

参考文献 20

1	宁国强, 张卫东, 侯波, 等. 通信中干扰及抗干扰技术综述[J]. 四川兵工学报, 2011, (5): 115- 119，130.
	NING G Q, ZHANG W D, HOU B, et al. Overview of interference and anti interference technologies in communication[J]. Journal of Sichuan Ordnance Industry, 2011, (5): 115- 119，130.
2	O’SHEA T J, CORGAN J, CLANCY T C. Convolutional radio modulation recognition networks[C]//Proc. of the 17th International Conference on Engineering Applications of Neural Networks, 2016: 213−226.
3	吴昊, 张杭. 基于高阶累积量与神经网络的干扰识别算法[J]. 军事通信技术, 2008, 29 (1): 67- 71.
	WU H, ZHANG H. Algorithm for jamming recignition based on high order cumulants and neural networks[J]. Journal of Military Communications Technology, 2008, 29 (1): 67- 71.
4	WANG P Y, CHENG Y F, DONG B H. Multi-depth adaptive networks for wireless interference identification[C]//Proc. of the International Conference on Communications, 2021.
5	WU Q Q, SUN Z, ZHOU X. Interference detection and recognition based on signal reconstruction using recurrent neural network[C]//Proc. of the IEEE Globecom Workshops, 2019.
6	XU Z, WU Z Y. Compound model of navigation interference recognition based on deep sparse denoising auto-encoder[C]//Proc. of the IEEE 3rd International Conference on Information Communication and Signal Processing, 2020: 430−435.
7	YANG Y, ZHU L D. An efficient way for satellite interference signal recognition via incremental learning[C]//Proc. of the International Symposium on Networks, Computers and Communications, 2019.
8	童超, 刁鸣, 杨承志. 独立分量分析联合小波变换的多分量信号调制识别研究[J]. 科学技术与工程, 2016, 16 (30): 258- 263.
	TONG C, DIAO M, YANG C Z. Multi-component signal modulation research based on joint independent component analysis and wavelet transform[J]. Science Technology and Engineering, 2016, 16 (30): 258- 263.
9	WANG Y X, HUANG Y, CHEN Z Y, et al. Complicated interference identification via machine learning methods[C]//Proc. of the IEEE 4th International Conference on Electronic Information and Communication Technology, 2021: 400−405.
10	QU Q Z, WEI S J, LIU S, et al. JRNet: jamming recognition networks for radar compound suppression jamming signals[J]. IEEE Trans. on Vehicular Technology, 2020, 69 (12): 15035- 15045. doi: 10.1109/TVT.2020.3032197
11	TU S M, CHENG Q, QIAN F, et al. Composite interference signals recognition based on YOLOv5[C]//Proc. of the IEEE 21st International Conference on Ubiquitous Computing and Communications, 2022: 210−215.
12	李杰, 孙闽红, 仇兆炀. 时频域重叠多信号智能检测方法研究[J]. 信号处理, 2021, 37(5): 878−884.
	LI J, SUN M H, CHOU Z Y. Research on intelligent setection method of overlapping multiple signals in time and frequency domain[J]. Journal of Singal Processing, 2021, 37(5): 878−884.
13	杨颖, 朱立东. 卫星导航系统中复合干扰的高效识别方法[C]//第11届中国卫星导航年会, 2020.
	YANG Y, ZHU L D. An efficient recognition method of mix-interference in satellite navigation system[C]// Proc. of the the 11th China Satellite Navigation Annual Conference, 2020.
14	陈自力, 韦乃棋, 朱安石. 基于分数阶Fourier变换的宽带干扰识别方法[J]. 电光与控制, 2013, (10): 102- 105. doi: 10.3969/j.issn.1671-637X.2013.10.023
	CHEN Z L, WEI N Q, ZHU A S. Identification of wide-band jamming based on FRFT[J]. Electronics Optics & Control, 2013, (10): 102- 105. doi: 10.3969/j.issn.1671-637X.2013.10.023
15	HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770−778.
16	HU J, SHEN L, SUN G. Squeeze-and-excitation networks [C]//Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132−7141.
17	HAN K, WANG Y H, TIAN Q, et al. GhostNet: more features from cheap operations[C]//Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020.
18	尚东东, 张劲东, 杜盈, 等. 基于SPWVD和改进AlexNet的复合干扰识别[J]. 数据采集与处理, 2021, 36 (3): 577- 586.
	SHANG D D, ZHANG J D, DU Y, et al. Composite jamming recognition based on SPWVD and improved AlexNet[J]. Journal of Data Acquisition and Processing., 2021, 36 (3): 577- 586.
19	YANG X L, FU T H, WANG Y B. Wireless communication jamming recognition based on lightweight residual network[C]//Proc. of the IEEE 3rd International Conference on Electronics Technolog, 2020.
20	LIU Q, ZHANG W. Deep learning and recognition of radar jamming based on CNN[C]//Proc. of the 12th International Symposium on Computational Intelligence and Design, 2019.

干扰种类	参数信息
单音干扰	频率/MHz：0.1~0.45
多音干扰	频率/MHz：0.1~0.45
多音干扰	干扰频率个数：3
线性扫频干扰	初始频率/MHz：0.1~0.2
线性扫频干扰	截至频率/MHz：0.3~0.5
部分带干扰	窗函数：凯撒窗
	中心频率/MHz：0.1~0.38
	波器带宽/MHz：0.1~0.18
	进入滤波器前白噪声功率/dB：15
梳状谱干扰	窗函数：凯撒窗
	梳状个数：3，4，5
	梳状谱间隔/MHz：0.03
	梳状宽度/MHz：0.03
	起始频率/MHz：0.05~0.12

标签	干扰种类
1	线性扫频干扰
2	单音干扰
3	多音干扰
4	部分带干扰
5	梳状谱干扰
6	线性扫频干扰、多音干扰
7	线性扫频干扰、单音干扰
8	线性扫频干扰、部分带干扰
9	线性扫频干扰、梳状谱干扰
10	线性扫频干扰、多音干扰、部分带干扰
11	线性扫频干扰、单音干扰、梳状谱干扰
12	多音干扰、部分带干扰
13	多音干扰、梳状谱干扰
14	部分带干扰、梳状谱干扰
15	多音干扰、线性扫频干扰、部分带干扰、梳状谱干扰

模块	卷积核大小	步长	通道数（全连接层参数）
大卷积核	7	2	64
残差模块1	[1,3,1]	1	256
残差模块2	[1,3,1]	2	512
残差模块3	[1,3,1]	1	512
残差模块4	[1,3,1]	2	1024
残差模块5	[1,3,1]	1	1024
残差模块6	[1,3,1]	2	1024
残差模块7	[1,3,1]	1024	1024
全连接层1	[1,3,1]	—	（1024，16）
全连接层2	[1,3,1]	—	（1024，512）
全连接层3	[1,3,1]	—	（512，26）

模型	空间复杂度（参数量，×10⁶）	时间复杂度（浮点运算次数，×10⁹）	种类识别准确率/%	干噪比识别准确率/%
本文模型	2.61	1.48	99.97	99.04
对比1	2.28	1.47	99.96	98.48
对比2	4.24	2.77	99.98	99.62
对比3	3.91	2.77	99.98	98.32

[1]	李开明, 张袁鹏, 罗迎, 代肖楠. 弹道导弹雷达目标识别研究进展[J]. 系统工程与电子技术, 2025, 47(9): 2870-2889.
[2]	季策, 马相宇, 牟晓宇, 赵家毅. TS-GRU-VTA：基于深度学习的车辆信道估计方案[J]. 系统工程与电子技术, 2025, 47(9): 3093-3098.
[3]	闫小伟, 凌冲, 石胜斌. 地表未爆子弹药快速检测系统设计与实现[J]. 系统工程与电子技术, 2025, 47(8): 2639-2645.
[4]	张琬滢, 高由兵, 李泽一, 李鹏飞, 张伟. 基于双路径特征融合网络的背景信号抑制算法[J]. 系统工程与电子技术, 2025, 47(7): 2406-2413.
[5]	赵正义, 南普龙. 基于短时傅里叶变换的高效空频自适应抗干扰方法[J]. 系统工程与电子技术, 2025, 47(6): 1778-1785.
[6]	张新征, 闫梦可, 朱晓林. 噪声伪标签容忍的半监督SAR目标识别[J]. 系统工程与电子技术, 2025, 47(6): 1796-1805.
[7]	姜智杰, 宋恒, 胡楠, 段兰茜, 曹平. 隧道环境毫米波雷达目标识别与分类算法[J]. 系统工程与电子技术, 2025, 47(5): 1453-1460.
[8]	聂千祁, 沙明辉, 朱应申, 王崇宇, 崔念强. 基于盲源分离结合奇异谱分析的雷达多分量信号识别方法[J]. 系统工程与电子技术, 2025, 47(4): 1168-1175.
[9]	袁磊, 杨艳娟, 郭毅, 戴鹏. 相关噪声下基于深度学习的LDPC码码率半盲识别算法[J]. 系统工程与电子技术, 2025, 47(4): 1335-1345.
[10]	沈夏闰, 李若楠, 张昊田. 基于CVAE-LSTM的服务器KPI异常检测[J]. 系统工程与电子技术, 2025, 47(3): 1019-1027.
[11]	郭立民, 黄文青, 陈前, 王佳宾. 轻量化的ML-SNet雷达复合干扰识别算法[J]. 系统工程与电子技术, 2025, 47(2): 418-427.
[12]	刘晓琳, 郭梦娇, 李卓. Dueling DQN优化下的航班延误自适应图卷积循环网络预测方法[J]. 系统工程与电子技术, 2025, 47(2): 568-579.
[13]	付卫红, 张鑫钰, 刘乃安. 基于多尺度融合神经网络的同频同调制单通道盲源分离算法[J]. 系统工程与电子技术, 2025, 47(2): 641-649.
[14]	高飞, 席睿达, 邢相薇, 邢妍, 张强, 党红杏. SAR有源干扰分类识别图像数据集仿真构建[J]. 系统工程与电子技术, 2025, 47(10): 3257-3269.
[15]	赵昱宇, 刘耀蓬, 王雨潇. 融合机理与数据的陀螺飞轮姿态测量方法[J]. 系统工程与电子技术, 2025, 47(10): 3455-3463.

基于深度学习的复合干扰信号识别

Composite interference signal recognition based on deep learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价