基于深度神经网络的跳频图案生成方法及智能通信系统

摘要

本申请涉及一种基于深度神经网络的跳频图案生成方法及智能通信系统。所述方法包括：通过将各种已知传输信道以及分别对应的最优跳频图案输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，在对网络训练好的网络进行实际应用时，将实际应用环境的信道传输特征参数输入训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。采用本方法能够增强通信过程的保密性，保障通信安全。

权利要求

1.基于深度神经网络的跳频图案生成方法，其特征在于，所述方法包括：

获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

将所述训练样本对 输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

2.根据权利要求1所述的跳频图案生成方法，其特征在于，所述跳频图案样本集包括线性跳频图案、伪随机跳频图案以及不规则跳频图案三类。

3.根据权利要求1所述的跳频图案生成方法，其特征在于，所述跳频图案由一系列按特定规则组成的跳频频偏序列。

4.根据权利要求1所述的跳频图案生成方法，其特征在于，在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案包括：利用跳频通信系统在各所述已知传输信道中依次采用所述跳频图案样本集中的各跳频图案进行跳频通信，并计算对应的误码率；

将跳频通信系统在各所述已知传输信道中通信时，所述误码率最低对应的跳频图案作为该已知传输信道的最优跳频图案。

5.根据权利要求1所述的跳频图案生成方法，其特征在于，所述跳频图案生成网络采用多层深度学习神经网络。

6.根据权利要求1所述的跳频图案生成方法，其特征在于，所述根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练包括：根据所述损失函数对所述跳频图案生成网络的参数进行优化，直至所述损失函数收敛，则得到所述训练好的跳频图案生成网络。

7.根据权利要求1‑6任一项所述的跳频图案生成方法，其特征在于，当跳频通信系统实际应用环境的传输信道为未知传输信道时：提取所述未知传输信道的未知特征参数；

将所述未知特征参数输入所述训练好的跳频图案生成网络，并输出重构跳频图案；

利用跳频通信系统在所述未知传输信道中采用所述重构跳频图案进行跳频通信，并计算相应的误码率；

根据所述误码率对所述训练好的跳频图案生成网络的参数进行优化，再利用优化后的跳频图案生成网络根据所述未知特征参数生成新的重构跳频图案，并由跳频通信系统在所述未知传输信道中根据新的重构跳频图案得到对应的误码率，直至所述误码率收敛，则得到所述未知传输信道的最优跳频图案。

8.根据权利要求7所述的跳频图案生成方法，其特征在于，根据各已知传输信道特征参数以及对应的最优跳频图案构建跳频知识库。

9.根据权利要求8所述的跳频图案生成方法，其特征在于，将所述未知传输信道的特征参数以及对应的最优跳频图案对所述跳频知识库进行更新。

10.智能通信系统，其特征在于，包括：发射单元、接收单元、所述发射单元与接收单元之间进行通信的传输信道、以及分别与所述发射单元以及接收单元连接的跳频图案生成单元；

所述跳频图案生成单元根据权利要求7‑9任一项所述的基于深度神经网络的跳频图案生成方法生成跳频图案，并将所述跳频图案分别发送至所述发射单元以及接收单元；

所述发射单元包括发射基带调制部分以及发射射频处理部分，所述发射基带调制部分对数据报文进行数字调制后形成星座符号，并将所述星座符号根据所述跳频图案生成单元发送的跳频图案进行映射得到调制报文，所述调制报文由所述发射射频处理部分进行上变频处理后通过所述传输信道发送至所述接收单元；

所述接收单元包括接收基带调制部分以及接收射频处理部分，所述接收射频处理部分将通过所述传输信道接收到的调制报文进行下变频处理，所述接收基带调制部分将所述下变频处理后的调制报文根据所述跳频图案生成单元发送的跳频图案进行同步，再进行星座解调得到所述数据报文，以完成所述发射单元以及接收单元之间的通信。

说明书

基于深度神经网络的跳频图案生成方法及智能通信系统

技术领域

[0001] 本申请涉及电子对抗技术领域，特别是涉及一种基于深度神经网络的跳频图案生成方法及智能通信系统。

背景技术

[0002] 敌我双方围绕电磁空间展开对抗，已成为一种趋势，该背景下，如何在复杂的信道环境中，维持稳定可靠的通信，是军事活动中的重大挑战。跳频扩频通信，作为军事通信的常见方式，具有隐蔽性强、抗干扰、保密性好等特点。面对多变复杂的电磁环境，常常需要人工调整通信链路相关参数，而这需要大量的专业知识和经验，无法满足实际的通信需求；同时，通信过程存在被截获的可能，亟需增强通信的保密性。

[0003] 随着大数据、硬件算力的快速发展，人工智能特别是深度学习技术，取得长足的进步，与生产实践联系日益紧密。深度学习对于难以精确描述、建模复杂问题的解决，具有巨大推动作用。物理层通信面临复杂的电磁环境，需要依靠大量的测量数据进行统计建模分析，而现有理论不一定完全覆盖各种未知的通信场景；实现物理层通信的保密性和可靠性，与深度学习技术的结合是必然的。

[0004] 因此，开发具有人工智能特性的跳频扩频通信系统，尤为必要。而依托软件技术进行通信系统的原型验证，可大大节省研发周期，而不需要进行专用设备的繁琐测试。

发明内容

[0005] 基于此，有必要针对上述技术问题，提供一种能够增强通信过程的保密性，保障通信安全的基于深度神经网络的跳频图案生成方法及智能通信系统。

[0006] 一种基于深度神经网络的跳频图案生成方法，所述方法包括：

[0007] 获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0008] 在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

[0009] 将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0010] 获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0011] 在其中一实施例中，所述跳频图案样本集包括线性跳频图案、伪随机跳频图案以及不规则跳频图案三类。

[0012] 在其中一实施例中，所述跳频图案由一系列按特定规则组成的跳频频偏序列。

[0013] 在其中一实施例中，在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案包括：

[0014] 利用跳频通信系统在各所述已知传输信道中依次采用所述跳频图案样本集中的各跳频图案进行跳频通信，并计算对应的误码率；

[0015] 将跳频通信系统在各所述已知传输信道中通信时，所述误码率最低对应的跳频图案作为该已知传输信道的最优跳频图案。

[0016] 在其中一实施例中，所述跳频图案生成网络采用多层深度学习神经网络。

[0017] 在其中一实施例中，所述根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练包括：

[0018] 根据所述损失函数对所述跳频图案生成网络的参数进行优化，直至所述损失函数收敛，则得到所述训练好的跳频图案生成网络。

[0019] 在其中一实施例中，当跳频通信系统实际应用环境的传输信道为未知传输信道时：

[0020] 提取所述未知传输信道的未知特征参数；

[0021] 将所述未知特征参数输入所述训练好的跳频图案生成网络，并输出重构跳频图案；

[0022] 利用跳频通信系统在所述未知传输信道中采用所述重构跳频图案进行跳频通信，并计算相应的误码率；

[0023] 根据所述误码率对所述训练好的跳频图案生成网络的参数进行优化，再利用优化后的跳频图案生成网络根据所述未知特征参数生成新的重构跳频图案，并由跳频通信系统在所述未知传输信道中根据新的重构跳频图案得到对应的误码率，直至所述误码率收敛，则得到所述未知传输信道的最优跳频图案。

[0024] 在其中一实施例中，根据各已知传输信道特征参数以及对应的最优跳频图案构建跳频知识库。

[0025] 在其中一实施例中，将所述未知传输信道的特征参数以及对应的最优跳频图案对所述跳频知识库进行更新。

[0026] 一种智能通信系统，包括：发射单元、接收单元、所述发射单元与接收单元之间进行通信的传输信道、以及分别与所述发射单元以及接收单元连接的跳频图案生成单元；

[0027] 所述跳频图案生成单元根据上述的基于深度神经网络的跳频图案生成方法生成跳频图案，并将所述跳频图案分别发送至所述发射单元以及接收单元；

[0028] 所述发射单元包括发射基带调制部分以及发射射频处理部分，所述发射基带调制部分对数据报文进行数字调制后形成星座符号，并将所述星座符号根据所述跳频图案生成单元发送的跳频图案进行映射得到调制报文，所述调制报文由所述发射射频处理部分进行上变频处理后通过所述传输信道发送至所述接收单元；

[0029] 所述接收单元包括接收基带调制部分以及接收射频处理部分，所述接收射频处理部分将通过所述传输信道接收到的调制报文进行下变频处理，所述接收基带调制部分将所述下变频处理后的调制报文根据所述跳频图案生成单元发送的跳频图案进行同步，再进行星座解调得到所述数据报文，以完成所述发射单元以及接收单元之间的通信。

[0030] 一种基于深度神经网络的跳频图案生成装置，所述装置包括：

[0031] 样本集获取模块，用于获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0032] 训练样本对构建模块，用于在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

[0033] 跳频图案生成网络训练模块，用于将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0034] 跳频图案生成模块，用于获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0035] 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

[0036] 获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0037] 在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对：

[0038] 将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0039] 获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0040] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

[0041] 获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0042] 在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

[0043] 将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0044] 获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0045] 上述基于深度神经网络的跳频图案生成方法及智能通信系统，通过采用多种已知传输信道特征参数以及对应的最优跳频图案对深度神经网络进行训练以得到可根据信道特征参数得到对应该信道的最优跳频图案的跳频图案生成网络，并将其应用到跳频通信系统中，采用本方法生成跳频图案具有参数调整灵活的优点，相比专用电路，节省研发周期和成本，并且跳频图案无需按照传统的样式进行，图案更加随机，很好地掩盖跳频信号的时频特征，以实现通信过程的保密性。

附图说明

[0046] 图1为一个实施例中基于深度神经网络的跳频图案生成方法的流程示意图；

[0047] 图2为一个实施例中线性跳频图案的示例图；

[0048] 图3为一个实施例中伪随机跳频图案的示例图；

[0049] 图4为一个实施例中不规则跳频图案的示例图；

[0050] 图5为一个实施例中智能通信系统的结构示意图；

[0051] 图6为一个实施例中获取信道特征参数的框架示意图；

[0052] 图7为一个实施例中基于深度神经网络的跳频图案生成装置的结构框图；

[0053] 图8为一个实施例中计算机设备的内部结构图。

具体实施方式

[0054] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0055] 如图1所示，提供了一种基于深度神经网络的跳频图案生成方法，包括以下步骤：

[0056] 步骤S100，获取跳频图案样本集以及传输信道样本集，跳频图案样本集包括多张跳频图案，传输信道样本集包括多种已知传输信道的特征参数；

[0057] 步骤S110，在跳频图案样本集中根据传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

[0058] 步骤S120，将训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对跳频图案生成网络进行训练时，将训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据重构跳频图案以及训练样本对中最优跳频图案构建的损失函数对跳频图案生成网络进行训练；

[0059] 步骤S130，获取跳频通信系统实际应用环境的信道传输特征参数，并将信道传输特征参数输入训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0060] 本方法针对现有技术中面对多变复杂的电磁环境，常常需要人工调成通信链路的相关参数，而需要大量的专业知识和经验，无法满足实际的通信需求，同时，通信过程中报文数据存在被截获的可能，则需要增强通信时的安全性的问题，提出了一种基于人工智能特别是深度神经网络生成跳频图案的方法，以增强通信时的保密性，保障通信安全。

[0061] 在步骤S100中，传输信道样本集中的中各种传输信道以模拟山地、丘陵、平原等各类电磁环境，其中通过不同的传输信道的特征参数以模拟不同类别的电磁环境。

[0062] 在本实施例中，跳频图案样本集中包括线性跳频图案、伪随机跳频图案以及不规则跳频图案三类，并且各类跳频图案均包含多张跳频图案。

[0063] 具体的，如图2所示为线性跳频图案示例，从图中可以看出线性跳频图案为跳频频偏值随时间呈现递增或递减变化，各频点占据跳频时间相等。

[0064] 具体的，如图3所示为伪随机跳频图案，从图中可以看出伪随机跳频图案为跳频频偏值的变化顺序由伪随机序列控制，各频点占据跳频时间相等。

[0065] 具体的，如图4所示为不规则跳频图案，从图中可以看出不规则跳频图案为跳频频偏值序列变化完全随机，各频点占据跳频时间可以不相等。

[0066] 图2‑4中，此处的跳频时间指频率驻留时间，数字化跳频运算保证频率跳变切换时间可忽略不计。

[0067] 在本实施例中，传输信道的特征参数包括多径时延、多径平均功率、RMS时延扩展、相干带宽。

[0068] 在步骤S110中，在跳频图案样本集中根据传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案包括：利用跳频通信系统在各已知传输信道中依次采用跳频图案样本集中的各跳频图案进行跳频通信，并计算对应的误码率，在将跳频通信系统在各已知传输信道中通信时，其误码率最低对应的跳频图案作为该已知传输信道的最优跳频图案。

[0069] 具体的：

[0070] Ｓ1.1先针对传输信道样本集中的一种传输信道 ，跳频通信系统中的发射单元选择跳频图案样本集中的第一类跳频图案中的某一样本对原始报文数据进行调制，且接收单元同样选择该跳频图案进行同步、解调得到解调后报文数据，根据原始报文数据以及解调后报文数据进行计算得到误码率；

[0071] Ｓ1.2依次选择第一类跳频图案中的其余样本，重复步骤Ｓ1.1，获得系列误码率值;

[0072] S1.3发射单元选择第二类跳频图案中的某一样本进行调制，重复步骤 S1.2，记录系列误码率值；

[0073] S1.4发射单元选择第三类跳频图案中的某一样本进行调制，重复步骤 S1.2，记录系列误码率值；

[0074] S1.5比较误码率，获取最小值对应的跳频图案，作为信道 下的最优跳频图案；

[0075] S2针对传输信道样本集中的另一种传输信道 ，重复步骤S1.1‑S1.5，确定信道下的最优跳频图案 ；

[0076] S3针对传输信道样本集中的另一种传输信道 ，重复步骤S1.1‑S1.5，确定信道下的局部最优跳频图案 ；

[0077] 接着，依次针对传输信道样本集中已知信道 ，分别确定局部最优跳频图案 。

[0078] 最后，将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对。

[0079] 在步骤S120中，跳频图案生成网络采用多层深度学习神经网络。

[0080] 在本实施例中，在对跳频图案生成网络进行训练时，还将跳频序列集合与训练样本对一起输入至跳频图案生成网络中对其进行训练。其中跳频序列集合为一系列相对于中心载波的跳频频偏值集合 。另外，在对网络进行训练时，跳频序列集合中的跳频频偏值可是固定的，也可随实际环境进行调整。

[0081] 在本实施例中，根据重构跳频图案以及训练样本对中最优跳频图案构建的损失函数对跳频图案生成网络进行训练包括：根据损失函数对跳频图案生成网络的参数进行优化，直至损失函数收敛，则得到训练好的跳频图案生成网络。

[0082] 在本实施例中，由于采用的跳频通信系统中采用数字跳频，这样只需要知道各跳频频点相对中心载波的频偏值，就可在基带完成跳频调制，所以，跳频图案可以简化为一系列按特定规则组成的跳频频偏序列。而实际上由跳频图案生成网络输出的数据并非图像数据而是一系列按特定规则组成的跳频频偏序列。

[0083] 在步骤S130中，在应用训练好的跳频图案生成网络时，根据实际传输环境生成相应的信道传输特征参数，并将该特征参数输入训练好的跳频图案生成网络，以输出适应该环境下的跳频图案。

[0084] 在实际应用中，很有可能出现实际应用环境的传输信道为未知传输信道也就是实际应用环境所对应的传输信道类型并没有在传输信道样本集中，此时：则提取未知传输信道的未知特征参数，将未知特征参数输入训练好的跳频图案生成网络，并输出重构跳频图案，利用跳频通信系统在未知传输信道中采用重构跳频图案进行跳频通信，并计算相应的误码率，根据计算得到的误码率对训练好的跳频图案生成网络的参数进行优化，再利用优化后的跳频图案生成网络根据所述未知特征参数生成新的重构跳频图案，并由跳频通信系统在未知传输信道中根据新的重构跳频图案得到对应的误码率，直至误码率收敛，则得到未知传输信道的最优跳频图案。

[0085] 具体的，对于未知传输信道，利用伪随机序列作为发送序列，经过调制后再通过信道到达接收单元时，再与原发送序列进行滑动相关，可以估计出对应该未知应用环境信道的延时功率谱、均方时延拓展等特征参数，其过程如图5所示，再将其作为已训练好的跳频图案生成网络的输入，神经网络输出跳频图案，同时传递给跳频通信系统的发射、接收单元，统计接收单元的误码率后，代价函数值更新，驱动神经网络微调内部参数，得出一组新的跳频图案，经过不断迭代，获得该未知信道模型下的最优跳频图案。对于更多的未知的信号传输环境，均进行类似迭代训练。

[0086] 在本实施例中，根据各已知传输信道特征参数以及对应的最优跳频图案构建跳频知识库。

[0087] 进一步的，将未知传输信道的特征参数以及对应的最优跳频图案对跳频知识库进行更新。

[0088] 具体的 ，对于上述神经网络训练泛化过程中的 获得的映射集合，作为知识库进行积累。面对复杂多变的信道环境，
首先提取信道环境的特征参数，进行知识库的检索匹配，然后，将新的信道特征模型和最优跳频图案，补充至知识库，完成更新。以便后期遇到相似信道的情景，进行快速决策。

[0089] 如图6所示，在本实施例中，还提供了一种智能通信系统，包括：发射单元、接收单元、发射单元与接收单元之间进行通信的传输信道、以及分别与发射单元以及接收单元连接的跳频图案生成单元。

[0090] 其中，跳频图案生成单元根据上述的基于深度神经网络的跳频图案生成方法生成跳频图案，并将跳频图案分别发送至所述发射单元以及接收单元；

[0091] 发射单元包括发射基带调制部分以及发射射频处理部分，发射基带调制部分对数据报文进行数字调制后形成星座符号，并将星座符号根据所述跳频图案生成单元发送的跳频图案进行映射得到调制报文，调制报文由发射射频处理部分进行上变频处理后通过传输信道发送至接收单元；

[0092] 接收单元包括接收基带调制部分以及接收射频处理部分，接收射频处理部分将通过传输信道接收到的调制报文进行下变频处理，接收基带调制部分将下变频处理后的调制报文根据跳频图案生成单元发送的跳频图案进行同步，再进行星座解调得到数据报文，以完成发射单元以及接收单元之间的通信。

[0093] 在本实施例中，基带调制和解调部分，依据无线电平台采用软件编程实现，进行基带IQ数据的处理，而射频部分由FPGA实现，跳频图案生成单元由专用GPU实现。

[0094] 上述基于深度神经网络的跳频图案生成方法中，本方法通过构造适合信道传输的跳频图案。此处，针对给定的信道，进行建模，提取信道特征参数作为多层神经网络训练的输入，以获得最优跳频图案。本方法利用深度学习技术解决通信系统物理层的专业、复杂的调参问题，并结合基础理论和人工智能的物理层跳频设计，增强通信过程的保密性，保障通信安全，依托通用架构、通用平台，采用软件可重构技术加快智能跳频通信原型平台的验证开发。

[0095] 应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[0096] 在一个实施例中，如图7所示，提供了一种基于深度神经网络的跳频图案生成装置，包括：样本集获取模块200、训练样本对构建模块210、跳频图案生成网络训练模块220和跳频图案生成模块230，其中：

[0097] 样本集获取模块200，用于获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0098] 训练样本对构建模块210，用于在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对；

[0099] 跳频图案生成网络训练模块220，用于将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0100] 跳频图案生成模块230，用于获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0101] 关于基于深度神经网络的跳频图案生成装置的具体限定可以参见上文中对于基于深度神经网络的跳频图案生成方法的限定，在此不再赘述。上述基于深度神经网络的跳频图案生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0102] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度神经网络的跳频图案生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0103] 本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0104] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

[0105] 获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0106] 在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对：

[0107] 将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0108] 获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0109] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

[0110] 获取跳频图案样本集以及传输信道样本集，所述跳频图案样本集包括多张跳频图案，所述传输信道样本集包括多种已知传输信道的特征参数；

[0111] 在所述跳频图案样本集中根据所述传输信道集中的各种已知传输信道分别确定其对应的最优跳频图案，并将各种已知传输信道的特征参数以及对应的最优跳频图案构建训练样本对：

[0112] 将所述训练样本对输入跳频图案生成网络对其进行训练，并得到训练好的跳频图案生成网络，其中，在对所述跳频图案生成网络进行训练时，将所述训练样本对中的特征参数输入所述跳频图案生成网络中，并输出重构跳频图案，根据所述重构跳频图案以及所述训练样本对中最优跳频图案构建的损失函数对所述跳频图案生成网络进行训练；

[0113] 获取跳频通信系统实际应用环境的信道传输特征参数，并将所述信道传输特征参数输入所述训练好的跳频图案生成网络以生成适合该实际应用环境的跳频图案。

[0114] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

[0115] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0116] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。