K聚类智能择取的微波信号多径干扰抑制方法与流程

本发明涉及干扰抑制方法，尤其是涉及可按照干扰程度分类相应分别选择合适算法的一种基于机器学习和神经网络的k聚类智能择取的微波信号多径干扰抑制方法。

背景技术：

全球信息化跟随全球定位系统走入公众的视野，大到对宇宙的探索，小到人手一部的手机，皆与信息传输密切相关。信息传输的普及使得对信息传输的效率和性能得到学术界的重视。而天线，作为信息传输的关键硬件，扮演着信号发射和接收的角色，对其性能的要求也越来越严格。

为保障天线性能，可从两个方面出发，一为设计使用的天线性能符合系统要求，二为天线测量系统的精度符合系统要求。由于天线的设计只能是对实物天线的一种逼近，这就使得一个高精度的测量系统尤其重要，高精度的测量系统也包括高性能的误差分析与修正能力。目前，天线测试作为一门专业技术，与天线设计相辅相成。通过组建合适的测量系统，辅以天线原理知识，对天线测量中会出现的误差进行系统而专业的分析，并结合以现有的各种软、硬件工具，对误差进行预测并排除，保证天线远场测量精度。现在常用的天线测量技术分为远场测量技术、近场平面扫描测量技术、近场柱面扫描测量技术、近场球面扫描测量技术。国内外对各类天线系统中可能存在的误差进行分析和抑制正在不断地进行研究，基于不同的机制与不同的入手角度，也提出各种奇特却也合乎情理的消除机制。总的来说，现有的天线多径干扰误差抑制方法较为复杂，费用较高，精度也存在问题。

天线辐射方向图的多径干扰抑制是一个从合成信号中剔除来自于其他信号源的干扰，提取主信号的过程，这种类型的干扰在微波混合测量暗室中非常常见。由于采用近场测量天线系统只需要测量天线口面上的场，就可避免远场测量技术中的诸多缺点。然而，近场测量系统中的设备容易引发远场中的多径干扰。近些年，人工智能如机器学习和神经网络等成为各个领域中非常强大的工具，广泛应用于识别和优化算法。传统天线的场分析方法虽然能够对天线的性能进行精确的计算，但是运算量极大，非常占用内存，而且常常集中在某一专门的天线软件当中，难以加入优化程序。将人工智能等方法用于天线优化的程序当中，虽然可以运用其特性来显著提高天线优化的效率和精度，但是算法较为单一，不能满足对算法多样化的需求。运用基于机器学习和神经网络的k聚类择取抑制方法增加了对算法选择的灵活性，可以充分发挥机器学习的优越性以及神经网络的泛化能力，最终提高天线的优化效率。

技术实现要素：

本发明的目的在于提供一种以根据不同的干扰条件择取不同的算法，可以充分的发挥机器学习的优越性以及神经网络的泛化能力，最终提高天线优化效率的k聚类智能择取的微波信号多径干扰抑制方法。

本发明包括几个步骤：

1)建立并训练多径干扰抑制模型；

2)设定天线在微波暗室的测试条件；

3)加入不同材质或形状的反射板干扰源以建立干扰模型；

4)划分干扰程度的难易情况；

5)按干扰程度分类相应分别选择合适的算法完成k聚类智能择取的微波信号多径干扰抑制。

在步骤1)中，所述建立并训练多径干扰抑制模型的具体步骤可为：以单极天线为实验天线，以垂直波传播的平面上的x轴为采样点，以原点为起点、0.1mm为移动单位在x轴正方向取10个采样点，分别采集存在干扰与不存在干扰下的数据；以干扰信号与直接信号的合成信号为输入，相同采样点的直接信号为输出，训练数据；以矩阵面上任意点的合成信号为输入，将所得到的输出值与该点上已知的直接信号作比较，进而定义输出值与已知的直接信号的误差和，通过求误差的梯度，采用梯度下降法进行更新权值和偏置，不断进行迭代，直至输出值与已知的直接信号无限接近时，结束训练并保存模型。

在步骤2)中，所述设定天线在微波暗室的测试条件的具体步骤为：将微波混合暗室中的多径干扰特征化为一个三维的mpm处理过程，将天线远场方向图的测量系统假设为：在辐射场中待测天线aut作为传输天线tx，而接收天线rx沿着一个矩形平面区域移动，在各个采样点收集测量数据，该矩形平面区域取自平面近场测量系统有限扫描面的一部分；

设定传输天线位于接收天线的远场区域，以此来满足天线的远场测量条件；同样的，来自于其他信号源或者衍射的多路径信号也可看为远场信号，以近似区域平面波入射到接收区域；在测量的过程中，将该矩形区域分为l×m个矩形格子来收集采样信号，以此来达到计算简便的效果。

在步骤3)中，所述干扰源可采用pec、铝和铜三种材质的反射板，所述反射板的形状可采用平面、凹面和凸面；反射板选择不同材质或形状进行多次训练，以让模型可以泛化不同的干扰源。最后，通过仿真运算得到干扰环境下的天线辐射值，并从软件中导出干扰环境下的天线辐射值以供使用。

在步骤4)中，所述划分干扰程度的难易情况，按多径干扰程度的不同将多径干扰信号智能划分为简单模式、中等模式、困难模式三类，分别对应n块反射板(n＝1、3、5)多径干扰源，对每种材质下的n块反射板进行平均误差的对比分析，从而模拟真实通信过程中干扰源的多样性；按干扰程度分类相应分别选择合适的算法完成k聚类智能择取的微波信号多径干扰抑制。

在步骤5)中，所述按干扰程度分类相应分别选择合适的算法，简单模式对应1块反射板，选择多项式回归算法；中等模式对应3块反射板，选择随机森林算法；困难模式对应5块反射板，选择bp神经网络算法；

所述多项式回归算法的具体步骤可为：当干扰源为一块反射板(n＝1，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的简单模式下所产生的微波混合暗室多径干扰信号，采用基于多项式回归的多径干扰抑制方法，将仿真数据分为训练集和测试集两部分，训练集用来给机器学习算法进行数据挖掘工作，学习率设置为0.01，损失函数采用均方误差，以此获取可靠特征来分离标准信号和干扰信号，测试集用来验证模型的可靠性，并采用交叉验证来保证每一个采样点均被测试，最后取平均误差值作为模型评价指标；

所述随机森林算法的具体步骤可为：当干扰源为三块反射板(n＝3，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的中等模式下所产生的微波混合暗室多径干扰信号，采用基于随机森林的多径干扰抑制方法，通过多颗cart联合决策整个模型的输出，形成了随机森林网络；在暗室等固定通信环境下，干扰源的材料及位置等基本固定不变，造成的干扰可以通过大量的信号数据拟合出整个接收区域中各个采样点的干扰情况；随机森林通过采样网格的数据，拟合出代表整个采样网格的多径干扰抑制模型；当有新的合成信号送入随机森林模型时，其通过合成信号的特征，选择对应的最佳网格点，直接预测出对应的直接信号；通过10个采样点的干扰天线方向图和对应的无干扰天线方向图拟合干扰信号以及其他干扰因子，采用10折交叉验证，确保每个采样点均能被测试，最后取采样点误差的平均值作为随机森林的性能指标。

所述bp神经网络算法的具体步骤可为：当干扰源为五块反射板(n＝5，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的困难模式下所产生的微波混合暗室多径干扰信号，采用基于bp神经网络的多径干扰抑制方法，其中bp神经网络由输入层、隐藏层和输出层构成，将其输入与输出皆设置为720×10的向量；在考虑输入向量维度过高、容易溢出的情况下，确定隐层数目为1～3、隐层神经元数目为5～7；在基于bp神经网络的多径干扰抑制方法中，将模拟测量数据分为五个数组；其中，第一对数组为训练数组，分为训练输入向量和训练输出向量，分别对应输入层和输出层，计算梯度和偏差则是在隐藏层中进行，从而不断更换连接权值的数值至满足要求；第二对数组为测试数组，同样地分为测试输入向量和测试输出向量，用于验证计算结果，避免未成功拟合或过拟合的状况，同时用于测试训练神经网络的拟合效果；第五个向量数组即为目标输入向量，用于求得目标输出向量；在基于bp神经网络的多径干扰抑制方法中，由于在微波混合暗室的多径干扰模拟实验过程中采用旋转测量法，所以每个输入向量的维度皆为360°；又由于bp神经网络只能拟合有限区域内的连续函数，因此分别将输入向量的实部、虚部取出，合并为维度为720°的有效输入向量；

采样点收集数据，通过改变隐层数目和隐层神经元数目，进行多次试验，确定适用于的隐层数目；采用mapminmax函数对所有数据进行归一化处理，损失函数采用最小二乘法来衡量，其他网络参数比如权值、偏置等采用神经网络库函数系统初始化方案；迭代次数越高，均方差曲线越平滑，迭代次数需要在确保拟合精度的条件下，防止曲线过拟合；

根据预设初始参数，训练干扰环境下的天线辐射值至无干扰环境下的天线辐射值的映射关系模型；干扰环境下的天线辐射值输入目前所训练出的模型进行预测，得到预测值，并将其真实值之间采用均方误差的方式来度量预测值与真实值之间的总体差异；不断重复上述操作步骤并调参，通过最小二乘法来最小化误差的平方和寻找数据的最佳函数匹配使得模型输出与无干扰环境下的天线辐射值之间误差的平方和最小，设置迭代次数，当误差接近收敛至最小值时，记录误差最小时神经网络中的所有权值和偏置。

所述迭代次数优选200次。

本发明是用机器学习和神经网络的k聚类择取抑制方法，即按照干扰程度分类相应分别选择合适的算法。多径干扰模式简单时(一块反射板)运用多项式回归算法，采用梯度下降法来训练模型直至误差收敛，储存当前最优多径干扰抑制模型，操作简单，精度提升。多径干扰模式中等时(三块反射板)采用随机森林实现了三条干扰路径情况下的多径干扰抑制。多径干扰模式困难时(五块反射板)采用神经网络实现了在五条干扰路径情况下的多径干扰抑制，最终提高天线的优化效率。

与现有多径干扰抑制的设计方法相比，本发明的突出优点如下：

1、基于机器学习和神经网络的k聚类择取抑制方法增加了对算法选择的灵活性，可以根据不同的干扰条件择取不同的算法，可以充分的发挥机器学习的优越性以及神经网络的泛化能力，最终提高天线的优化效率；

2、通过多项式回归训练多径干扰抑制模型，将训练所得最优模型持久化，通过直接调用模型进行多径干扰的抑制，可以有效地减少算法的运算量；

3、随机森林摆脱了多项式回归必须建模表达式的局限性，适用于三条干扰路径的信号抑制，同时可以增大多径干扰的抑制精度；

4、神经网络可以将训练好的模型持久化之后再次运用于其他天线优化过程，可以提高其他天线的优化效率，降低重新设计多径干扰抑制模型所需的成本。

附图说明

图1为本发明实施例的微波混合暗室中多径干扰3d模型图。

图2为本发明实施例的基于微波混合暗室多径干扰抑制模型训练的机器学习算法流程图。

图3为本发明实施例的神经网络结构图。

图4为本发明实施例的基于微波混合暗室多径干扰抑制模型训练的神经网络算法流程图。

图5为本发明实施例n＝1块反射板对应的多项式回归算法的平均误差图。

图6为本发明实施例n＝3块反射板对应的随机森林算法的平均误差图。

图7为本发明实施例n＝5块反射板对应的神经网络算法的平均误差图。

具体实施方式

以下实施例将结合附图对本发明作进一步的说明。

本发明实施例的设计步骤如下：

步骤1：建立并训练多径干扰抑制模型；

建立并训练多径干扰抑制模型的具体步骤可为：以单极天线为实验天线，以垂直波传播的平面上的x轴为采样点，以原点为起点、0.1mm为移动单位在x轴正方向取10个采样点，分别采集存在干扰与不存在干扰下的数据；以干扰信号与直接信号的合成信号为输入，相同采样点的直接信号为输出，训练数据；以矩阵面上任意点的合成信号为输入，将所得到的输出值与该点上已知的直接信号作比较，进而定义输出值与已知的直接信号的误差和，通过求误差的梯度，采用梯度下降法进行更新权值和偏置，不断进行迭代，直至输出值与已知的直接信号无限接近时，结束训练并保存模型。

步骤2：设定天线在微波暗室的测试条件；

微波混合暗室测量天线方向图的系统建模如图1所示，将微波混合暗室中的多径干扰特征化为一个三维的mpm处理过程。将天线远场方向图的测量系统假设为：在辐射场中待测天线aut作为传输天线tx，而接收天线rx沿着一个矩形平面区域移动，在各个采样点收集测量数据，该矩形平面区域取自平面近场测量系统有限扫描面的一部分；

设定传输天线位于接收天线的远场区域，以此来满足天线的远场测量条件。同样的，来自于其他信号源或者衍射的多路径信号也可看为远场信号，以近似区域平面波入射到接收区域。在测量的过程中，将该矩形区域分为l×m个矩形格子来收集采样信号，以此来达到计算简便的效果；无干扰仿真模型采用了单极天线，传输天线tx位于原点处，坐标为(0,0,0)，接收天线rx位于y轴上，坐标为(0,2.5,0)。由于在电磁仿真软件中为无干扰环境，因此不可能存在干扰，所以满足无干扰仿真模型的建立。传输天线(tx)与接收天线(rx)距离为2.5m，分别沿着dx与dy方向移动接收天线来测量数据。每一位置的天线都以1°为单位进行旋转，重复360次完成360°旋转过程并测量，从而实现整个方向图的测定。

步骤3：加入不同材质或形状的反射板干扰源以建立干扰模型；

干扰源可采用pec、铝和铜三种材质的反射板，所述反射板的形状可采用平面、凹面和凸面；反射板选择不同材质或形状进行多次训练，以让模型可以泛化不同的干扰源。最后，通过仿真运算得到干扰环境下的天线辐射值，并从软件中导出干扰环境下的天线辐射值以供使用。

步骤4：划分干扰程度的难易情况；

按多径干扰程度的不同将多径干扰信号智能划分为简单模式、中等模式、困难模式三类，分别对应n块反射板(n＝1、3、5)多径干扰源，对每种材质下的n块反射板进行平均误差的对比分析，从而模拟真实通信过程中干扰源的多样性；按干扰程度分类相应分别选择合适的算法完成k聚类智能择取的微波信号多径干扰抑制。

在步骤5：按干扰程度分类相应分别选择合适的算法完成k聚类智能择取的微波信号多径干扰抑制；

简单模式对应1块反射板，选择多项式回归算法；中等模式对应3块反射板，选择随机森林算法；困难模式对应5块反射板，选择bp神经网络算法，具体步骤如下：

(1)当干扰源为一块反射板(n＝1，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的简单模式下所产生的微波混合暗室多径干扰信号，采用基于多项式回归的多径干扰抑制方法，将仿真数据分为训练集和测试集两部分，训练集用来给机器学习算法进行数据挖掘工作，学习率设置为0.01，损失函数采用均方误差，以此获取可靠特征来分离标准信号和干扰信号，测试集用来验证模型的可靠性，并采用交叉验证来保证每一个采样点均被测试，最后取平均误差值作为模型评价指标；

根据预设初始参数，训练干扰环境下的天线辐射值至无干扰环境下的天线辐射值的映射关系模型。干扰环境下的天线辐射值输入目前所训练出的模型进行预测，得到预测值，并将其真实值之间采用均方误差的方式来度量预测值与真实值之间的总体差异。不断重复上述操作步骤并调参，设定了不同的传播路径数量，当数量为5时对应的误差最小，因此以5路干扰信号来建模整个暗室的多径干扰信号传播过程，通过梯度下降法来最小化损失函数直至收敛，并保存模型。

(2)当干扰源为三块反射板(n＝3，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的中等模式下所产生的微波混合暗室多径干扰信号，采用基于随机森林的多径干扰抑制方法，通过多颗cart联合决策整个模型的输出，形成了随机森林网络。在暗室等固定通信环境下，干扰源的材料及位置等基本固定不变，造成的干扰可以通过大量的信号数据拟合出整个接收区域中各个采样点的干扰情况。随机森林通过采样网格的数据，拟合出代表整个采样网格的多径干扰抑制模型；当有新的合成信号送入随机森林模型时，其通过合成信号的特征，选择对应的最佳网格点，直接预测出对应的直接信号。

在(1)、(2)基于多项式回归和随机森林算法的多径干扰抑制方法中，在干扰源模拟下通过10个采样点的干扰天线方向图和对应的无干扰天线方向图拟合干扰信号以及其他干扰因子。采用10折交叉验证，可以确保仿真实验结果的有效性，确保每个采样点均能被测试，最后取10个采样点的误差的平均值作为多项式回归和随机森林的性能指标；

(3)当干扰源为五块反射板(n＝5，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的困难模式下所产生的微波混合暗室多径干扰信号，采用基于bp神经网络的多径干扰抑制方法，其中bp神经网络由输入层、隐藏层和输出层构成，将其输入与输出皆设置为720×10的向量。在考虑输入向量维度过高、容易溢出的情况下，确定隐层数目为1～3、隐层神经元数目为5～7；在基于bp神经网络的多径干扰抑制方法中，将模拟测量数据分为五个数组。其中，第一对数组为训练数组，分为训练输入向量和训练输出向量，分别对应图3所示中的输入层和输出层，计算梯度和偏差则是在隐藏层中进行，从而不断更换连接权值的数值至满足要求；第二对数组为测试数组，同样地分为测试输入向量和测试输出向量，用于验证计算结果，避免未成功拟合或过拟合的状况，同时用于测试训练神经网络的拟合效果；第五个向量数组即为目标输入向量，用于求得目标输出向量；在基于bp神经网络的多径干扰抑制方法中，由于在微波混合暗室的多径干扰模拟实验过程中采用旋转测量法，所以每个输入向量的维度皆为360°。又由于bp神经网络只能拟合有限区域内的连续函数，因此分别将输入向量的实部、虚部取出，合并为维度为720°的有效输入向量。

每次都取10个采样点来收集数据，因此该网络的输入与输出皆为720×10的向量。考虑输入向量维度过高，容易溢出的情况下，通过改变隐层数目和隐层神经元数目，进行多次试验，最终本发明确定适用于的隐层数目为1，隐层神经元数目为6。神经网络结构图如图4所示。采用mapminmax函数对所有数据进行归一化处理。损失函数采用最小二乘法来衡量，其他网络参数比如权值、偏置等采用神经网络库函数系统初始化方案即可。迭代次数越高，均方差曲线越平滑，并且曲线于130次迭代时趋于稳定。在实际训练过程中，迭代次数的确定是多次尝试的结果。迭代次数需要在确保拟合精度的条件下，防止曲线过拟合。通过比较，迭代次数选择为200次。

根据预设初始参数，训练干扰环境下的天线辐射值至无干扰环境下的天线辐射值的映射关系模型。干扰环境下的天线辐射值输入目前所训练出的模型进行预测，得到预测值，并将其真实值之间采用均方误差的方式来度量预测值与真实值之间的总体差异。不断重复上述操作步骤并调参，通过最小二乘法来最小化误差的平方和寻找数据的最佳函数匹配使得模型输出与无干扰环境下的天线辐射值之间误差的平方和最小，设置迭代次数，当误差接近收敛至最小值时，记录误差最小时神经网络中的所有权值和偏置。

微波混合暗室测量天线方向图的系统建模如图1所示。

结合多项式回归算法的微波混合暗室多径干扰抑制算法流程图如图2所示。

神经网络结构图如图3所示。

结合神经网络算法的微波混合暗室多径干扰抑制算法流程图如图4所示。

图5、图6、图7为n块反射板(n＝1、3、5)对应的多项式回归、随机森林和神经网络算法的平均误差图。横坐标为迭代次数，纵坐标为误差，单位为db。由于随机森林没有严格意义上的模型训练迭代次数，主要根据每颗子树的分裂情况进行迭代，不易量化，所以此处将其平均误差以常量值直接绘制于图中，不随迭代次数而改变，以方便对三种算法的误差有个直观的感受。

误差是在不同干扰源仿真下的平均值，包含不同材料、形状以及数量的干扰源模拟。在干扰源为一块反射板(n＝1，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的简单模式下采用多项式回归算法，信号传播表达式建模比较直观，易于理解，约在40次迭代时收敛，误差为0.212db。在干扰源为三块反射板(n＝3，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的中等模式下采用随机森林算法，不需要建模信号传播表达式，最终误差为0.173db。在干扰源为五块反射板(n＝5，材料可取pec、铝和铜而形状可取平面、凹面和凸面)的困难模式下采用神经网络算法，神经网络和随机森林一样不需要建模信号传播表达式，约在15次迭代时收敛，误差为0.100db。多项式回归和随机森林在抑制困难模式的干扰时，误差也会较大，而神经网络却表现很好，能有效的抑制大干扰，且整体表现更加稳定。在基于机器学习和神经网络的k聚类择取的抑制方法下，干扰信号近乎被完全消除，其误差低至约0.2db左右。较之传统的单一算法，本发明所提出的基于机器学习和神经网络的k聚类择取抑制方法显然更为有效、精确，对大干扰信号和小干扰信号的抑制灵敏度都很高。而且本发明中基于机器学习和神经网络的k聚类择取抑制模型训练成功后，将其运用于其他领域，比如卫星通信中的多径干扰抑制，可以充分发挥其优越性，重新设置适合卫星通信中多径干扰抑制的模型参数，并加以训练，不仅可以提高多径干扰抑制模型运用到另一领域需要重新设计的效率，而且较传统方法拥有更高的抑制精度。按照干扰程度分类相应分别选择合适的算法可以提高天线的优化效率。若遇到最严重的干扰情况如铝制或铜制五块反射板及以上的干扰源，可采用两种以上算法的加权综合优化方案，从而达到比较理想的干扰抑制效果，两种以上算法的加权综合优化方案为今后研究微波暗室多径干扰工作扩展了新的方向。