本发明属于通信技术领域，涉及一种干扰预警方法，具体涉及一种基于卷积神经网络的民航地空对讲系统干扰预警方法，可用于民航地空对讲系统的干扰预警。
背景技术：
甚高频地空通信是目前民航空中交通管理的主要手段，但是，随着航空网络的延伸，民航118～136.975mhz无线电专用频段受到干扰的情况也越来越多。这些干扰的存在严重影响了地空通信质量，使得民航地空指挥通信系统无法正常运行，进而影响到飞行安全。我国规定，广播电台和电视台的调频广播信号频率应该在88～108mhz之间，而民航通信导航专用频段紧随其后，信号频率为118～136.975mhz。调频广播电台的发射功率有数千瓦，空管vhf电台的调制功率最大为150w左右，如果调频广播电台发射机互调，射频放大部分的滤波装置因为年久失修性能下降或发生故障时，很可能会导致广播信号的频率溢出，继而干扰民航通信导航的专用频段。这样，电台发射的信号就会直接被民航或者地面控制端接收，进而发生巨大的安全隐患。
多数情况下地空对讲系统特别是空中对讲系统受到干扰后，频谱监测管理或民用航空管理部分无从而知，干扰发生时并不能有效的发现并使用预警手段，更别提后续及时的干扰定位排查，往往是飞机降落后飞行员报告空中存在对讲受扰的情况，而错过了最佳排查机会，或无奈回避了潜在的未来干扰威胁。因此，在避免假的干扰预警下如何快速而准确的判断干扰信号的存在对航空安全具有重大的保障意义。
现有的干扰检测技术中基于特征参数提取的干扰检测方法主要分析信号的特征参数，以特征参数与设定好的门限作比较来进行干扰是否存在的判断，在干扰检测速度上较快，但选取的特征参数抗噪性差，且不具有特征多样性，导致干扰检测的精度低。
例如德国学者ahmadsaad、barbarastaehle和yunchen发表的论文“onnterferencedetectionusinghigher-orderstatistics”(industrialinformatics(indin),2015ieee13thinternationalconferenceon)提出了一种基于高阶累积量的干扰检测的方法，该方法通过计算接收到的信号的峰态系数，并与设定好的门限进行比较，最后判断接收到的信号是否存在干扰。该方法具有良好的抗噪声特性，但不足之处是人为选取的门限会带来人为误差，在干扰较为严重的情况下，单一特征参数无法对是否存在干扰作出有效的判断，在低信噪比下误检概率高以及在高信干比下干扰检测概率低。
技术实现要素：
本发明的目的在于针对上述现有技术的不足，提出一种基于卷积神经网络的民航地空对讲系统干扰预警方法，旨在提高民航地空对讲系统的干扰预警精度。
本发明实现的基本思路是，对空管接收数据进行预处理，构建卷积神经网络模型，对卷积神经网络模型进行训练，对卷积神经网络模型进行验证，获取干扰预警结果。
根据上述技术思路，实现本发明目的采取的技术方案包括如下步骤：
(1)对空管接收数据进行预处理：
(1a)获取训练集和验证集：
采集空管接收数据中标签为am调制的时域信号和fm调制的时域信号，并从采集到的两种时域信号中各选取90％的时域信号作为训练集，其余时域信号作为验证集；
(1b)获取训练标签集和验证标签集：
将训练集中的am调制的时域信号和验证集中的am调制的时域信号标记为1，将训练集中的fm调制的时域信号和验证集中的fm调制的时域信号标记为2，得到训练标签集和验证标签集；
(2)构建卷积神经网络模型：
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数，以及卷积层、池化层和全连接层的激活函数，并对各层节点的权值wl及偏值bl进行初始化，所述卷积神经网络的输入层节点数与训练集中am调制的时域信号的采样点数相等，所述卷积神经网络的输出层节点数为2，其中，l表示卷积神经网络的层数标号，且l＝1,2,…,n，n表示卷积神经网络的总层数，n≥7，卷积层的卷积核卷积尺寸为一维线性，池化层的下采样尺寸为一维线性；
(3)对卷积神经网络模型进行训练：
(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数t；
(3b)从训练集中随机选取一个时域信号，并将其作为输入训练样本，同时将从训练标签集中选取的与从训练集中选取的时域信号对应的标记，作为输出训练样本；
(3c)采用正向传播算法，通过输入到卷积神经网络中的输入训练样本，计算卷积神经网络各层的输出；
(3d)采用反向传播算法，通过输出训练样本和卷积神经网络各层的输出，对卷积神经网络各层节点的权值和偏值进行修正；
(3e)重复执行步骤(3b)-(3d)，直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为t-1时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到训练好的卷积神经网络模型；
(4)对训练好的卷积神经网络模型进行验证：
(4a)从验证集中随机选取一个时域信号，并将其作为输入验证样本，同时将从验证标签集中选取的与从验证集中选取的时域信号对应的标记，作为输出验证样本；
(4b)采用正向传播算法，通过输入到卷积神经网络中的输入验证样本，计算卷积神经网络各层的输出；
(4c)采用反向传播算法，通过输出验证样本和卷积神经网络各层的输出，对卷积神经网络各层节点的权值和偏值进行修正；
(4d)重复执行步骤(4a)-(4c)，直到验证集中的时域信号被全部选取时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到验证好的卷积神经网络模型；
(5)获取干扰预警结果：
(5a)将民航地空对讲系统的通话数据作为验证好的卷积神经网络模型的输入，并采用正向传播算法，计算卷积神经网络输出层的输出，得到存在干扰的概率和不存在干扰的概率；
(5b)判断存在干扰的概率是否大于不存在干扰的概率，若是，则民航地空对讲系统的通话数据存在干扰，否则民航地空对讲系统的通话数据不存在干扰。
本发明与现有技术相比，具有以下优点：
第一，本发明采集空管接收数据中标签为am调制和fm调制的时域序列，并对构建的卷积神经网络模型进行训练学习，在对大量数据学习的基础上提取了am调制和fm调制的时域序列的丰富特征，避免了现有技术在提取信号特征的单一化，与现有技术相比，提高了民航地空对讲系统干扰预警的精度。
第二，本发明通过将民航地空对讲系统的通话数据直接作为验证好的卷积神经网络模型的输入，并使用修正后的卷积神经网络的结构和各层节点的权值及偏值来提取民航地空对讲系统的通话数据的时域序列特征，避免了现有技术对信号特征的人为分析和人为确定干扰预警门限，与现有技术相比，实现了干扰预警方法的自主智能化，进一步提高了民航地空对讲系统干扰预警的精度。
附图说明
图1为本发明的实现流程图；
图2为本发明和基于高阶累积量的干扰检测方法在民航地空对讲系统未受干扰影响的通话时干扰预警的误检概率仿真对比图；
图3为本发明和基于高阶累积量的干扰检测方法在民航地空对讲系统受干扰影响的通话时干扰预警的检测概率仿真对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，一种基于卷积神经网络的民航地空对讲系统干扰预警方法，包括如下步骤：
步骤1)对空管接收数据进行预处理：
步骤1a)获取训练集和验证集：
采集空管接收数据中标签为am调制的时域信号和fm调制的时域信号，并从采集到的两种时域信号中各选取90％的时域信号作为训练集，其余时域信号作为验证集，其中，本实施例中训练集和验证集的两种时域信号的采样点数为1024；
步骤1b)获取训练标签集和验证标签集：
将训练集中的am调制的时域信号和验证集中的am调制的时域信号标记为1，将训练集中的fm调制的时域信号和验证集中的fm调制的时域信号标记为2，得到训练标签集和验证标签集；
步骤2)构建卷积神经网络模型：
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数，以及卷积层、池化层和全连接层的激活函数，并对各层节点的权值wl及偏值bl进行初始化，所述卷积神经网络的输入层节点数与训练集中am调制的时域信号的采样点数相等，所述卷积神经网络的输出层节点数为2，其中，l表示卷积神经网络的层数标号，且l＝1,2,…,n，n表示卷积神经网络的总层数，n≥7，卷积层的卷积核卷积尺寸为一维线性，池化层的下采样尺寸为一维线性；
本实施例中卷积神经网络的总层数n为19层，输入层节点数为1024，输出层节点数为2，卷积层层数为10，池化层层数为5，全连接层层数为2，具体的卷积神经网络模型构建为：
net＝{i,c64,c64,s,c128,c128,s,c256,c256,s,c512,c512,s,c512,c512,s,f,f,o}，
其中，i表示该层为输入层，c64表示该层为卷积层，卷积核数为64，c128表示该层为卷积层，卷积核数为128，c256表示该层为卷积层，卷积核数为256，c512表示该层为卷积层，卷积核数为512，s表示该层为池化层，f表示该层为全连接层，o表示该层为输出层，卷积核尺寸为1×3，正则化选取l2正则化，池化层下采样尺寸为1×2，全连接层的神经元个数为4096，每层全连接层后启用dropout，dropout率为0.5或者0.8，使用[0,1]正态分布初始化各层节点的权值wl及偏值bl，卷积层、池化层和全连接层的激活函数均采用线性整流函数，表达式为f(x)＝max(0,x)，x为自变量，且x值与激活函数所在层节点的输入值相等。
步骤3)对卷积神经网络模型进行训练：
步骤3a)确定卷积神经网络模型训练的终止条件和最大迭代次数t，其中，本实施例的最大迭代次数t为500；
步骤3b)从训练集中随机选取一个时域信号，并将其作为输入训练样本，同时将从训练标签集中选取的与从训练集中选取的时域信号对应的标记，作为输出训练样本；
步骤3c)采用正向传播算法，通过输入到卷积神经网络中的输入训练样本，计算卷积神经网络各层的输出；
步骤3d)采用反向传播算法，通过输出训练样本和卷积神经网络各层的输出，对卷积神经网络各层节点的权值和偏值进行修正；
步骤3e)重复执行步骤3b)-3d)，直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为t-1时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到训练好的卷积神经网络模型，其中，本实施例中重复次数为499次；
步骤4)对训练好的卷积神经网络模型进行验证：
步骤4a)从验证集中随机选取一个时域信号，并将其作为输入验证样本，同时将从验证标签集中选取的与从验证集中选取的时域信号对应的标记，作为输出验证样本；
步骤4b)采用正向传播算法，通过输入到卷积神经网络中的输入验证样本，计算卷积神经网络各层的输出；
步骤4c)采用反向传播算法，通过输出验证样本和卷积神经网络各层的输出，对卷积神经网络各层节点的权值和偏值进行修正；
步骤4d)重复执行步骤4a)-4c)，直到验证集中的时域信号被全部选取时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到验证好的卷积神经网络模型；
步骤5)获取干扰预警结果：
步骤5a)将民航地空对讲系统的通话数据作为验证好的卷积神经网络模型的输入，并采用正向传播算法，计算卷积神经网络输出层的输出，得到存在干扰的概率和不存在干扰的概率；
步骤5b)判断存在干扰的概率是否大于不存在干扰的概率，若是，则民航地空对讲系统的通话数据存在干扰，否则民航地空对讲系统的通话数据不存在干扰。
以下通过仿真实验，对本发明的技术效果作进一步说明。
1仿真条件：
本发明的仿真条件中民航地空对讲系统通话信号为调制方式固定的am信号，通过高斯白噪声信道，载波频率为10mhz，信号采样速率为10khz，信噪比变换范围为0db到30db；
所加干扰信号为调频广播fm信号干扰，信干比变化范围为-25db到19db；
蒙特卡洛仿真试验的次数取1000次；
am调制以及fm调制的时域信号采样点数为1024，训练集的大小为152000，验证集的大小为15200，测试集的大小为152000；
卷积神经网络模型在python3.6的tensorflow下的tflearn上搭建；
训练迭代次数为500次，batch_size为64，学习率为0.0001，损失函数为categorical_crossentropy函数，优化器选择adam优化器。
2仿真内容：采用本发明和现有的基于高阶累积量的干扰检测方法对无干扰下民航地空对讲系统的通话数据和对存在干扰下民航地空对讲系统的通话数据这两种情况分别进行干扰预警仿真，仿真结果如图2和图3所示。
3仿真结果分析：
图2为本发明和基于高阶累积量的干扰检测方法在民航地空对讲系统未受干扰影响的通话时干扰预警的误检概率仿真对比图，横坐标表示被采集信号的信噪比，纵坐标表示被采集信号被误判为以调频广播fm为干扰的干扰信号的误检概率的百分比，实线表示基于本发明的民航地空对讲系统通话时被采集信号被误判为存在干扰的情况，虚线表示基于高阶累积量的民航地空对讲系统通话时被采集信号被误判为存在干扰的情况。
图3为本发明和基于高阶累积量的干扰检测方法在民航地空对讲系统受干扰影响的通话时干扰预警的检测概率仿真对比图，横坐标表示am信号与fm信号的信干比，纵坐标表示被采集信号检测出存在干扰的检测概率的百分比，实线表示基于本发明的民航地空对讲系统未通话时被采集信号检测出存在干扰的情况，虚线表示基于高阶累积量的民航地空对讲系统通话时被采集信号检测出存在干扰的情况。
由图2可知，在0db到7db的低信噪比时，本发明的误检概率小于5％，而基于高阶累积量的干扰检测方法的误检概率处于较高的百分比，因此，本发明降低了干扰预警的误检概率。
由图3可知，本发明的干扰检测概率在信干比小于15db时高于92％，而基于高阶累积量的干扰检测方法的检测概率在信干比小于6db时高于92％，在信干比为6db到15db之间，基于高阶累积量的干扰检测方法的检测概率迅速下降，因此，本发明提高了干扰预警的检测概率。
结合图2和图3的仿真结果可知，本发明提高了干扰预警的精度。