基于残差连接与膨胀卷积的通信干扰存在性检测方法

摘要

本发明提供一种基于残差连接与膨胀卷积的通信干扰存在性检测方法，包括如下步骤：步骤1，构建干扰存在性检测数据集，仿真出不同干噪比下的系统信号和带有干扰的系统信号；步骤2，建立干扰存在性检测模型，用于检测系统信号中的干扰；所述干扰存在性检测模型基于残差连接与膨胀卷积；步骤3，利用步骤1中所述的干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，使得其收敛，得到最终的干扰存在性检测模型。本发明具有对信号中的干扰特征自动提取，干扰检测的准确率高，干扰检测速度快的特点。

权利要求

1.基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，包括如下步骤：步骤1，构建干扰存在性检测数据集，仿真出不同干噪比下的系统信号和带有干扰的系统信号；

步骤2，建立干扰存在性检测模型，用于检测系统信号中的干扰；所述干扰存在性检测模型基于残差连接与膨胀卷积；

步骤3，利用步骤1中所述的干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，使得其收敛，得到最终的干扰存在性检测模型；

步骤4，对真实通信数据进行采集，并求取真实通信数据的功率谱数据，将其输入所述最终的干扰存在性检测模型中，得出所述真实通信数据中干扰存在的概率，若概率低于设定的阈值则不存在干扰，否则存在干扰；

所述步骤2中的干扰存在性检测模型包括：输入部分，

中间层，

输出部分，所述输出部分包括神经元数目为1、激活函数为Sigmoid的全连接神经网络；

干扰存在性检测模型的执行过程包括步骤S1，输入部分获取信号数据x；

步骤S2，中间层对输入部分所获取的信号数据x进行计算；

步骤S3，输出部分获取中间层的输出结果后，通过Sigmoid激活函数输出信号中存在干扰的概率；

所述中间层包括：

膨胀卷积层结构；

残差连接结构；

批量归一化层结构；

最大池化层结构；

所述步骤S2中中间层对输入部分所获取的信号数据x进行计算包括：步骤S2.1，将输入数据x复制一份，记作x1和x2；

步骤S2.2，将x1输入到膨胀卷积层中进行卷积运算；

步骤S2.3，对卷积运算输出的结果xd＝DCNN(x1)进行批归一化处理；

步骤S2.4，对批归一化输出的结果xbn＝BN(xd)进行最大池化计算，结果记为xpool＝MaxPool(xbn)；

步骤S2.5，对x2与xpool进行残差连接计算，得到残差连接之后的结果xres＝x2+xpool；

步骤S2.6，对步骤S2.1至步骤S2.5依次重复进行两遍运算，得到中间层处理的输出结果xres_cnn。

2.根据权利要求1所述的基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，所述步骤1包括：

步骤1.1，对干扰信号出现的频率、干扰信号的能量、干扰信号的类型进行随机仿真，并仿真出不同干噪比下的系统信号和带有干扰的系统信号；所述干扰信号包括单音干扰、多音干扰、窄带干扰、线性扫频干扰；

步骤1.2，使用自相关法对步骤1.1中仿真后的信通信号进行功率谱估计，保存处理得到的实数数据，完成干扰存在性检测数据集的构建。

3.根据权利要求1所述的基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，步骤3包括训练过程：步骤3.1，利用干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，利用损失函数计算与干扰存在性检测数据集的真实值之间的损失值，再对其进行优化来降低所述损失值，

步骤3.2，对步骤3.1中的计算结果进行多个迭代，最终使网络收敛，得到训练完成的干扰存在性检测模型。

4.根据权利要求3所述的基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，步骤3.1中，训练过程中的训练集和验证集切分比例为7:3，损失函数包括二分类交叉熵损失函数。

5.根据权利要求1所述的基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，所述输入部分包括系统信号的功率谱数据，其维度为：batch_size,seq_len；

其中batch_size为一次输入所述干扰存在性检测模型的批数据量大小，seq_len为信号功率谱数据的长度。

6.根据权利要求1‑5中任一项所述的基于残差连接与膨胀卷积的通信干扰存在性检测方法，其特征在于，所述系统信号包括正交频分复用技术系统信号。

说明书

基于残差连接与膨胀卷积的通信干扰存在性检测方法

技术领域

[0001] 本发明具体涉及一种基于残差连接与膨胀卷积的通信干扰存在性检测方法。

背景技术

[0002] 随着目前通信设备的不断发展，复杂、动态多变的电磁环境为宽带无线通信系统的设计带来了巨大挑战。由于宽带无线通信系统的工作频谱覆盖范围相对较广，由于外界
环境可能存在复杂交织的其他信号，这将进一步增加系统受干扰的几率。多种多样的干扰
信号，会直接影响有用信号的正确传输，降低信号传输的效率。

[0003] 而原始通信领域，现有技术中的干扰检测需要大量人工干扰特征的提取，人为构建特征的压力较大，从而导致现有技术中的干扰监测的准确率较低并且检测速度较慢。

发明内容

[0004] 本发明提供一种基于残差连接与膨胀卷积的通信干扰存在性检测方法，具有对信号中的干扰特征自动提取，干扰检测的准确率高，干扰检测速度快的特点，从而解决现有技
术中的不足。

[0005] 基于残差连接与膨胀卷积的通信干扰存在性检测方法，包括如下步骤：

[0006] 步骤1，构建干扰存在性检测数据集，仿真出不同干噪比下的系统信号和带有干扰的系统信号；

[0007] 步骤2，建立干扰存在性检测模型，用于检测系统信号中的干扰；所述干扰存在性检测模型基于残差连接与膨胀卷积；

[0008] 步骤3，利用步骤1中所述的干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，使得其收敛，得到最终的干扰存在性检测模型；

[0009] 步骤4，对真实通信数据进行采集，并求取真实通信数据的功率谱数据，将其输入所述最终的干扰存在性检测模型中，得出该段真实通信数据中干扰存在的概率，若概率低
于设定的阈值则不存在干扰，否则存在干扰。

[0010] 本发明在不同干噪比条件下，仿真出常见的单音、多音、窄带、线性扫频等四种干扰，并且随机设定了干扰出现的频点位置和能量大小。这样可以尽可能模拟出真实通信环
境中的干扰场景。同时，也为之后基于深度学习和机器学习的干扰存在性检测研究奠定了
数据基础。

[0011] 采用这样的方法，将深度学习技术引入到干扰存在性检测任务中来，从而实现端到端的系统，解决了传统的干扰存在性检测任务需要大量的人工先验知识问题。本发明通
过膨胀卷积来对信号特征进行自动化提取，避免人工通过复杂计算来抽取信号中的有用信
息。

[0012] 进一步的，所述步骤2中的干扰存在性检测模型包括：

[0013] 输入部分，

[0014] 中间层，

[0015] 输出部分，所述输出部分包括神经元数目为1、激活函数为Sigmoid的全连接神经网络；

[0016] 干扰存在性检测模型的执行过程包括：

[0017] 步骤S1，输入部分获取信号数据x；

[0018] 步骤S2，中间层对输入部分所获取的信号数据x进行计算；

[0019] 步骤S3，输出部分获取中间层的输出结果后，通过Sigmoid激活函数输出信号中存在干扰的概率。

[0020] 进一步的，所述中间层包括：

[0021] 膨胀卷积层结构；

[0022] 残差连接结构；

[0023] 批量归一化层结构；

[0024] 最大池化层结构；

[0025] 所述步骤S2中中间层对输入部分所获取的信号数据x进行计算包括：

[0026] 步骤S2.1，将输入数据x复制一份，记作x1和x2；

[0027] 步骤S2.2，将x1输入到膨胀卷积层中进行卷积运算；

[0028] 步骤S2.3，对卷积运算输出的结果xd=DCNN(x1)进行批归一化处理；

[0029] 步骤S2.4，对批归一化输出的结果xbn=BN(xd)进行最大池化计算，结果记为xpool=MaxPool(xbn)；

[0030] 步骤S2.5，对x2与xpool进行残差连接计算，得到残差连接之后的结果xres=x2+xpool；

[0031] 步骤S2.6，对步骤S2.1至步骤S2.5依次重复进行两遍运算，得到中间层处理的输出结果xres_cnn。

[0032] 膨胀卷积是在标准的卷积运算中加入空洞，从而增加卷积之后的感受野，膨胀卷积中的膨胀率表示卷积核之间的间隔，标准的卷积运算的膨胀率是1，膨胀卷积的膨胀率通
常大于等于2。膨胀卷积可以替代之前的基础卷积操作，能够增加感受野并保持特征图的尺
寸和原始数据相同。使用批量归一化层结构加速了神经网络的收敛和缩短训练时间。最大
池化层结构加强了原始特征平移、旋转性的保留。

[0033] 采用这样的方法，通过使用膨胀卷积层结构，批量归一化层结构，最大池化层结构，可以对信号中的特征进行有效的自动提取，并且在高维空间中，信号中的特征之间交差
组合，自动构造出较多复杂的特征，本方法有利于对干扰进行检测，避免了复杂人工信号特
征的抽取操作。膨胀卷积能够在模型参数量不变和不增加内存成本的情况下，具有更大的
感受野，同时还能够保持原始数据分辨率，更有利于对干扰特征的提取。并且因为使用的残
差结构简化了干扰存在性检测模型的学习过程，增强了梯度的传播，同时也会打破神经网
络的不对称性，增强网络的泛化性能。

[0034] 进一步的，所述步骤1包括：

[0035] 步骤1.1，对干扰信号出现的频率、干扰信号的能量、干扰信号的类型进行随机仿真，

[0036] 并仿真出不同干噪比下的系统信号和带有干扰的系统信号；所述干扰信号包括单音干扰、多音干扰、窄带干扰、线性扫频干扰；

[0037] 步骤1.2，使用自相关法对步骤1.1中仿真后的信通信号进行功率谱估计，保存处理得到的实数数据，完成干扰存在性检测数据集的构建。

[0038] 进一步的，步骤3包括训练过程：

[0039] 步骤3.1，利用干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，利用损失函数计算与干扰存在性检测数据集的真实值之间的损失值，再对其进行优化来降低所
述损失值，

[0040] 步骤3.2，对步骤3.1中的计算结果进行多个迭代，最终使网络收敛，得到训练完成的干扰存在性检测模型。

[0041] 进一步的，步骤3.1中，训练过程中的训练集和验证集切分比例为7:3，损失函数包括二分类交叉熵损失函数。

[0042] 进一步的，所述输入部分包括系统信号的功率谱数据，其维度为：batch_size,seq_len；

[0043] 其中batch_size为一次输入所述干扰存在性检测模型的批数据量大小，seq_len为信号功率谱数据的长度。

[0044] 进一步的，所述系统信号包括正交频分复用技术(Orthogonal Frequency Division Multiplexing, OFDM)系统信号。OFDM系统信号是一种特殊的多载波传输方法，
单个用户的信息流通过串并转换为多个低速率的码流，之后每个码流都使用一条载波进行
发送，其增强了信号抗频率选择性衰落和抗窄带干扰的能力。

[0045] 本发明的有益效果如下：

[0046] 1.本发明解决了传统的干扰存在性检测任务需要大量的人工先验知识问题。本发明通过膨胀卷积来对信号特征进行自动化提取，避免人工通过复杂计算来抽取信号中的有
用信息。

[0047] 2.本发明中的模型即可自动检测出信号中存在干扰的概率，极大降低了干扰检测的难度。

[0048] 3.本发明使用膨胀卷积能够在模型参数量不变和不增加内存成本的情况下，具有更大的感受野，同时还能够保持原始数据分辨率，更有利于对干扰特征的提取。

[0049] 4.本发明中的残差结构可以简化神经网络的学习过程，增强梯度的传播，打破神经网络的不对称性，增强网络的泛化性能。

[0050] 5.本发明将深度学习技术应用到干扰认知领域中来，通过数据驱动下的端到端对神经网络的有效利用，提出了一种基于残差连接与膨胀卷积的通信干扰存在性检测方法，
避免了现有技术中干扰检测需要大量人工干扰特征的提取，有效地提高了干扰识别的准确
率，提高了检测速度。

附图说明

[0051] 图1为本发明中基于残差连接与膨胀卷积的通信干扰存在性检测方法的流程图；

[0052] 图2为本发明中基于残差连接与膨胀卷积的通信干扰存在性检测模型结构的示意图；

[0053] 图3为本发明实施例2中不同神经网络通信干扰存在性检测准确率随JNR变化图；

[0054] 图4为本发明实施例3中三种通信干扰存在性检测模型每秒预测样本数目对比图。

具体实施方式

[0055] 显然，下面所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本发明保护的范围。

[0056] 在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了
便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、
“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说
明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解。

[0057] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0058] 实施例1

[0059] 基于残差连接与膨胀卷积的通信干扰存在性检测方法，包括如下步骤：

[0060] 步骤1，构建干扰存在性检测数据集，仿真出不同干噪比下的系统信号和带有干扰的系统信号；

[0061] 步骤2，建立干扰存在性检测模型，用于检测系统信号中的干扰；所述干扰存在性检测模型基于残差连接与膨胀卷积；

[0062] 步骤3，利用步骤1中所述的干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，使得其收敛，得到最终的干扰存在性检测模型；

[0063] 步骤4，对真实通信数据进行采集，并求取真实通信数据的功率谱数据，将其输入所述最终的干扰存在性检测模型中，得出该段真实通信数据中干扰存在的概率，若概率低
于设定的阈值则不存在干扰，否则存在干扰。

[0064] 本发明在不同干噪比条件下，仿真出常见的单音、多音、窄带、线性扫频等四种干扰，并且随机设定了干扰出现的频点位置和能量大小。这样可以尽可能模拟出真实通信环
境中的干扰场景。同时，也为之后基于深度学习和机器学习的干扰存在性检测研究奠定了
数据基础。

[0065] 采用这样的方法，将深度学习技术引入到干扰存在性检测任务中来，从而实现端到端的系统，解决了传统的干扰存在性检测任务需要大量的人工先验知识问题。本发明通
过膨胀卷积来对信号特征进行自动化提取，避免人工通过复杂计算来抽取信号中的有用信
息。

[0066] 所述步骤2中的干扰存在性检测模型包括：

[0067] 输入部分，其包括系统信号的功率谱数据，

[0068] 中间层，其对输入的数据进行运算处理，

[0069] 输出部分，其输出系统信号中带有干扰的概率；所述输出部分包括神经元数目为1、激活函数为Sigmoid的全连接神经网络；

[0070] 干扰存在性检测模型的执行过程包括：

[0071] 步骤S1，输入部分获取信号数据x；

[0072] 步骤S2，中间层对输入部分所获取的信号数据x进行计算；

[0073] 步骤S3，输出部分获取中间层的输出结果后，通过Sigmoid激活函数输出信号中存在干扰的概率。

[0074] 所述中间层包括：

[0075] 膨胀卷积层结构，其为标准的卷积运算中加入空洞而得到，膨胀卷积增加了感受野并保持特征图的尺寸和原始数据相同；

[0076] 残差连接结构；

[0077] 批量归一化层结构，其对上一层的输出数据进行批量归一化，然后输入到下一层进行运算；

[0078] 最大池化层结构，其对卷积之后的特征进行强化提取；

[0079] 所述步骤S2中中间层对输入部分所获取的信号数据x进行计算包括：

[0080] 步骤S2.1，将输入数据x复制一份，记作x1和x2；

[0081] 步骤S2.2，将x1输入到膨胀卷积层中进行卷积运算；

[0082] 步骤S2.3，对卷积运算输出的结果xd=DCNN(x1)进行批归一化处理；

[0083] 步骤S2.4，对批归一化输出的结果xbn=BN(xd)进行最大池化计算，结果记为xpool=MaxPool(xbn)；

[0084] 步骤S2.5，对x2与xpool进进行残差连接计算，得到残差连接之后的结果xres=x2+xpool；

[0085] 步骤S2.6，对步骤S2.1至步骤S2.5依次重复进行两遍运算，得到中间层处理的输出结果xres_cnn。

[0086] 在本实施例中，输出层部分获取中间层输出结果xres_cnn之后，最终输出层使用全连接神经网络进行计算，记为xfc=Dense(xres_cnn)，最终通过Sigmoid激活函数输出信号中存
在干扰的概率，即p=Sigmod(xfc)。

[0087] 膨胀卷积是在标准的卷积运算中加入空洞，从而增加卷积之后的感受野，膨胀卷积中的膨胀率表示卷积核之间的间隔，标准的卷积运算的膨胀率是1，膨胀卷积的膨胀率通
常大于等于2。膨胀卷积可以替代之前的基础卷积操作，能够增加感受野并保持特征图的尺
寸和原始数据相同。使用批量归一化层结构加速了神经网络的收敛和缩短训练时间。最大
池化层结构加强了原始特征平移、旋转性的保留。

[0088] 采用这样的方法，通过使用膨胀卷积层结构，批量归一化层结构，最大池化层结构，可以对信号中的特征进行有效的自动提取，并且在高维空间中，信号中的特征之间交差
组合，自动构造出较多复杂的特征，本方法有利于对干扰进行检测，避免了复杂人工信号特
征的抽取操作。膨胀卷积能够在模型参数量不变和不增加内存成本的情况下，具有更大的
感受野，同时还能够保持原始数据分辨率，更有利于对干扰特征的提取。并且因为使用的残
差结构简化了干扰存在性检测模型的学习过程，增强了梯度的传播，同时也会打破神经网
络的不对称性，增强网络的泛化性能。

[0089] 所述步骤1包括：

[0090] 步骤1.1，对干扰信号出现的频率、干扰信号的能量、干扰信号的类型进行随机仿真，

[0091] 并仿真出不同干噪比下的系统信号和带有干扰的系统信号；所述干扰信号包括单音干扰、多音干扰、窄带干扰、线性扫频干扰；

[0092] 步骤1.2，使用自相关法对步骤1.1中仿真后的信通信号进行功率谱估计，保存处理得到的实数数据，完成干扰存在性检测数据集的构建。

[0093] 步骤3包括训练过程：

[0094] 步骤3.1，利用干扰存在性检测数据集训练步骤2中的干扰存在性检测模型，利用损失函数计算与干扰存在性检测数据集的真实值之间的损失值，再利用Adam优化器对其进
行优化来降低所述损失值，

[0095] 步骤3.2，对步骤3.1中的计算结果进行多个迭代，最终使网络收敛，得到训练完成的干扰存在性检测模型。

[0096] 步骤3.1中，训练过程中的训练集和验证集切分比例为7:3，损失函数包括二分类交叉熵损失函数。

[0097] 所述输入部分包括系统信号的功率谱数据，其维度为：batch_size,seq_len；

[0098] 其中batch_size为一次输入所述干扰存在性检测模型的批数据量大小，seq_len为信号功率谱数据的长度。

[0099] 所述系统信号包括正交频分复用技术(Orthogonal Frequency  Division Multiplexing, OFDM)系统信号。OFDM系统信号是一种特殊的多载波传输方法，单个用户的
信息流通过串并转换为多个低速率的码流，之后每个码流都使用一条载波进行发送，其增
强了信号抗频率选择性衰落和抗窄带干扰的能力。

[0100] 本发明的有益效果如下：

[0101] 1.本发明解决了传统的干扰存在性检测任务需要大量的人工先验知识问题。本发明通过膨胀卷积来对信号特征进行自动化提取，避免人工通过复杂计算来抽取信号中的有
用信息。

[0102] 2.本发明中的模型即可自动检测出信号中存在干扰的概率，极大降低了干扰检测的难度。

[0103] 3.本发明使用膨胀卷积能够在模型参数量不变和不增加内存成本的情况下，具有更大的感受野，同时还能够保持原始数据分辨率，更有利于对干扰特征的提取。

[0104] 4.本发明中的残差结构可以简化神经网络的学习过程，增强梯度的传播，打破神经网络的不对称性，增强网络的泛化性能。

[0105] 5.本发明将深度学习技术应用到干扰认知领域中来，通过数据驱动下的端到端对神经网络的有效利用，提出了一种基于残差连接与膨胀卷积的通信干扰存在性检测方法，
避免了现有技术中干扰检测需要大量人工干扰特征的提取，有效地提高了干扰识别的准确
率，提高了检测速度。

[0106] 实施例2

[0107] 本实施例为采用实施例1中基于残差连接与膨胀卷积的干扰存在性检测模型与基于多层全连接层的神经网络、基于卷积的神经网络和基于循环神经网络之间的检测精度对
比。

[0108] 本实施例对不同干噪比下的信号功率谱数据进行干扰存在性检测的仿真，选取的干噪比范围JNR=[‑10:1:10]dB。

[0109] 基于多层全连接层的神经网络主要使用4,5,6层全连接神经网络，4层网络的每层神经元数目为[256,128,64,1]，5层网络的每层神经元数目为[512,256,128,64,1]，6层网
络的每层神经元数目为[512,256,128,64,32,1]，神经网络最后一层的激活函数为Sigmoid
函数，其它层均使用tanh激活函数对数据进行非线性映射。

[0110] 基于卷积的神经网络主要使用3层卷积，每层卷积使用一维卷积进行计算，各层卷积的输出特征数目为[16,32,64]，各层卷积核大小为[3,4,5]，各层卷积步长设置为2，激活
函数均为ReLU函数，padding方式为”same”方式进行填充，为了加速网络的收敛，每层卷积
层之后都使用批归一化层进行处理，之后都使用最大池化层进行池化操作，防止过拟合，最
后使用Dropout技术，dropout的比例为0.3，基于卷积的神经网络的输出层使用全连接层进
行输出，神经元数目为1，激活函数使用Sigmoid函数。

[0111] 基于循环神经网络主要使用双向长短期记忆网络(Bi‑directional Long Short‑Term Memory, BiLSTM)进行构建，BiLSTM的隐藏层单元数目为128，使用最后一个隐藏层单
元的表示进行干扰存在性检测，最终使用全连接层进行输出，全连接层神经元数目为1，激
活函数同样为Sigmoid函数。

[0112] 本实施例提出的基于残差连接与膨胀卷积的干扰存在性检测模型使用三层卷积进行构建，每层卷积的输出特征维度均为32，卷积核大小均为5，步长均为1，膨胀比例设置
为2，激活函数使用ReLU函数，padding方式为”same”方式进行填充，池化层和批归一化层和
基于卷积的神经网络设置保持一致。除此之外，本实施例使用残差结构，对第一层卷积输出
的特征与第二层卷积输出的特征进行残差连接，并输入到第三层卷积中进行计算，最终使
用平均池化和神经元数目为1的全连接层进行输出。

[0113] 上述所有模型使用Adam优化器进行训练，学习率设置为0.01，batch size设置为32，训练总轮数为50轮，早停轮数设置为5轮，即经过5轮之后，如果性能没有继续提升，则结
束训练。同时，为避免由于随机种子设置带来结果的随机性，所有的模型在每个干噪比下都
进行5次训练，最终取5次模型在验证集上结果的平均值作为模型的性能结果。

[0114] 本实施例对上述6种神经网络在干噪比范围JNR=[‑10:1:10]dB的条件下的干扰存在性检测准确率仿真结果如图3所示。

[0115] 图3中，MLP_4、MLP_5、MLP_6分别为4、5、6层全连接神经网络，RES_CNN为基于残差连接与膨胀卷积的神经网络。从实验结果可以看出，所有的神经网络模型干扰检测准确率
均随着干噪比的升高而逐渐变大，当干噪比大于0时，所有神经网络对干扰检测的准确率都
在85%以上，当干噪比大于4时，所有神经网络对干扰检测的准确率都在95%以上，均能获得
出色的检测结果。除此之外，本实施例提出的基于残差连接与膨胀卷积的神经网络在不同
干噪比条件下，均比其他5种神经网络的干扰检测准确率要高，尤其在低干噪比条件下，平
均超出效果最好的卷积神经网络2%左右的准确率，充分证明了本实施例提出模型的有效
性。基于循环神经网络的干扰检测模型准确率波动较大，当干噪比低于‑1时，该模型的干扰
检测准确率均大幅度优于4、5、6层全连接神经网络；然而当干噪比超过‑1时，该模型的干扰
检测准确率均低于4、5、6层全连接神经网络，可能是由于信号和干扰的随机性出现，使得循
环神经网络较难学习的有规律的序列信息。同时，从图3可以发现，4、5、6层全连接神经网络
对于干扰存在性检测的准确率在各个干噪比条件下都相差不大，由此可以说明，仅通过增
加神经网络层数或者增加神经元数目，并不会大幅度影响干扰存在性检测的精度。

[0116] 实施例3

[0117] 本实施例为实施例2中的不同模型之间预测速度的仿真对比。

[0118] 将各个干扰检测模型训练之后的模型在3000条验证集上进行测试，batch size设置为32，记录总共运行时间，并计算出各个干扰检测模型每秒预测样本数目，每秒预测样本
数目结果如表1所示。

[0119] 表1 不同神经网络每秒预测样本数目对比

[0120]干扰检测存在性检测模型 每秒预测样本数目
4层全连接层(MLP_3) 27961
5层全连接层(MLP_4) 23697
6层全连接层(MLP_5) 19394
基于卷积神经网络的干扰检测模型(CNN) 843
基于循环神经网络的干扰检测模型(BiLSTM) 382
基于残差连接与膨胀卷积的干扰检测模型(RES_CNN) 901

[0121] 从表1中可以观察到，4、5、6层全连接层神经网络每秒预测样本数目最多，每秒均接近或超过了20000个样本，这是因为全连接层网络计算较为简单，主要运算通过几次矩阵
相乘而得到最终输出，因此拥有较快的速度。然而结合图3可以发现，仅用全连接层神经网
络得到的干扰存在性检测准确率在不同干噪比条件下均较低，因此本专利着重对比基于卷
积神经网络的干扰检测模型、基于循环神经网络的干扰检测模型和基于残差连接与膨胀卷
积的干扰存在性检测模型每秒预测样本数目，结果如图4所示。

[0122] 从图4中可以看出，基于循环神经网络的干扰存在性检测模型每秒预测样本数目远远比其他两个模型的预测数目要少，这是由于循环神经网络每个循环单元中计算复杂度
较高，并且只能对数据进行串行计算，因此导致其预测时间较久，每秒预测样本数目较少。
而基于卷积神经网络的干扰检测模型和基于残差连接与膨胀卷积的干扰检测模型主要运
算单元为卷积操作，可以实行并行计算，所以大大加快了对样本的预测速度。此外，本专利
提出的基于残差连接与膨胀卷积的干扰检测模型在每秒预测样本数目上比原始的卷积神
经网络多大约60个样本。

[0123] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或
变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或
变动仍处于本发明创造的保护范围之中。