一种穿越机无线电信号干扰方法与流程

本发明涉及穿越机干扰，具体涉及一种穿越机无线电信号干扰方法。

背景技术：

1、穿越机通常指的是一种无线电控制模型飞机，它们被设计用于进行高速飞行和复杂机动。穿越机在飞行爱好者中非常受欢迎，因为它们可以进行高难度的飞行动作，如快速穿梭、特技飞行和空中表演。这些飞机通常由轻质材料制成，配备有高性能的发动机和先进的飞行控制系统。

2、近年来，随着穿越机应用的越来越广泛，由其引发的控制事故与相关安全问题也越来越常态化，穿越机防御概念应运而生。穿越机未按照规定飞行或者在禁飞区域飞行，不仅可能会使他人泄露隐私，甚至可能导致企业、政府等机密泄露，因此需要对未按照规定飞行或者在禁飞区域飞行进行干扰，以保证禁飞区域的安全性。

3、在现有技术中，常常采用大功率信号对穿越机进行干扰，而向穿越机发送信号就需要先识别器调制模式，从而产生对应的干扰信号。现有技术常常采用机器学习算法对特征进行学习分类，以实现调制模式的识别，而现有的机器学习算法往往存在学习能力差以及学习效率的问题，从而降低了调制模式的识别准确性。

技术实现思路

1、本发明的目的在于提供一种穿越机无线电信号干扰方法，解决了现有技术中存在的问题。

2、本发明通过下述技术方案实现：

3、一种穿越机无线电信号干扰方法，包括：

4、在目标区域中实时截获穿越机对应的无线电通信信号；其中，目标区域用于表征穿越机禁飞区域；

5、采用深度学习模型构建无线电调制模式识别模型，并采用多策略启发式算法对所述无线电调制模式识别模型进行优化，得到优化之后的无线电调制模式识别模型；

6、对所述无线电通信信号进行预处理，得到预处理之后的无线电通信信号，并通过优化之后的无线电调制模式识别模型对预处理之后的无线电通信信号进行识别，得到目标信号调制模式；

7、以所述目标信号调制模式为基础，产生对应类型的无线电干扰信号，并向穿越机发送无线电干扰信号，完成穿越机的无线电信号干扰。

8、在一种可能的实施方式中，采用深度学习模型构建无线电调制模式识别模型，并采用多策略启发式算法对所述无线电调制模式识别模型进行优化，得到优化之后的无线电调制模式识别模型，包括：

9、采用深度学习模型构建无线电调制模式识别模型；

10、针对所述无线电调制模式识别模型，初始化其超参数，得到超参数编码，并重复获取多个不同的超参数编码；

11、采用训练数据获取每个超参数编码对应的误差函数值；

12、根据所述超参数编码对应的误差函数值，将超参数编码按照误差函数值从小到大的方式进行排序后，按照1：6：3的比例将所有的超参数编码划分为第一目标种群、第二目标种群以及第三目标种群；其中，超参数编码的总数为10的整数倍；

13、针对第一目标种群中的第一目标编码，采用配对交流探索策略对第一目标编码执行自定义搜索，得到搜索之后的第一目标编码；

14、针对第二目标种群中的第二目标编码，采用多信息融合策略以及自适应变速策略对第二目标编码进行均衡搜索，得到搜索之后的第二目标编码；

15、针对第三目标种群中的第三目标编码，采用跟随更新策略对第三目标编码进行局部搜索，得到搜索之后的第三目标编码；

16、针对搜索之后的第一目标种群、第二目标种群以及第三目标种群，重新获取误差函数值，并根据误差函数值进行多编码变异，重新保留n个超参数编码，实现对第一目标种群、第二目标种群以及第三目标种群中超参数编码的二次搜索；

17、判断是否到达最大迭代次数，若是，则从保留的保留n个超参数编码中获取误差函数值最小的超参数编码作为无线电调制模式识别模型的最终超参数，得到优化之后的无线电调制模式识别模型，否则返回划分第一目标种群、第二目标种群以及第三目标种群的步骤。

18、在一种可能的实施方式中，获取每个超参数编码对应的误差函数值，包括：

19、针对任一超参数编码，将超参数编码应用至无线电调制模式识别模型中；

20、获取预先存储的训练数据；所述训练数据包括历史无线电通信信号以及对应的信号类型标签；

21、对所述历史无线电通信信号进行预处理，得到预处理之后的历史无线电通信信号；

22、以所述预处理之后的历史无线电通信信号作为无线电调制模式识别模型的实际输入，以获取无线电调制模式识别模型的实际输出；

23、将预处理之后的历史无线电通信信号对应的信号类型标签作为无线电调制模式识别模型的期望输出，根据无线电调制模式识别模型的实际输出以及期望输出，获取超参数编码对应的误差函数值；

24、遍历所有超参数编码，得到每个超参数编码对应的误差函数值。

25、在一种可能的实施方式中，针对第一目标种群中的第一目标编码，采用配对交流探索策略对第一目标编码执行自定义搜索，得到搜索之后的第一目标编码，包括：

26、将所述第一目标种群中的第一目标编码进行两两随机配对，并根据配对得到的结果获取中间参数为：

27、

28、其中，表示中间参数，表示第i个第一目标编码对应的误差函数值，表示第i个第一目标编码的配对编码对应的误差函数值，表示常数项，且设置为0.001，exp表示以自然常数e为底的指数函数；

29、根据所述中间参数，对第i个第一目标编码更新为：

30、

31、

32、

33、其中，表示第t次迭代过程中第i个第一目标编码中第d维超参数，i=1,2,…,i，i表示第一目标编码的总数，d=1,2,…,d，d表示第一目标编码中超参数总维度，表示搜索之后的，表示第i个第一目标编码对应的惯性权重；表示均值为0，且方差为的正态分布；表示预设的惯性权重最大值，t表示最大迭代次数，表示第i个第一目标编码对应的状态因子，表示所有第一目标参数编码中的最大状态因子。

34、在一种可能的实施方式中，针对第二目标种群中的第二目标编码，采用多信息融合策略以及自适应变速策略对第二目标编码进行均衡搜索，得到搜索之后的第二目标编码，包括：

35、针对第二目标种群中的第二目标编码，获取第二目标编码对应的第一搜索编码以及第二搜索编码为：

36、

37、

38、

39、

40、

41、

42、其中，表示第t次迭代过程中第k个第二目标编码中第d维超参数，k=1,2,…,k，k表示第二目标编码的总数，表示第t+1次迭代过程中第k个第二目标编码的第d维超参数对应的搜索速度，表示第t+1次迭代过程中搜索距离，表示第一搜索编码中第d维超参数，表示第二搜索编码中第d维超参数，表示第一衰减因子，表示第t次迭代过程中搜索距离，表示第k个第二目标编码对应的惯性权重，表示第t次迭代过程中第k个第二目标编码的第d维超参数对应的搜索速度，表示第一学习因子，表示（0,1）之间的第一随机数，表示第k个第二目标编码对应的历史最优值中第d维超参数，表示第二学习因子，表示（0,1）之间的第二随机数，表示第二目标编码中当前最优编码的第d维超参数，表示第k个第二目标编码对应的状态因子，表示所有第二目标参数编码中的最大状态因子，表示圆周率，cos表示余弦函数；

43、根据所述第二目标编码对应的第一搜索编码以及第二搜索编码，获取第二目标编码对应的搜索量为：

44、

45、

46、其中，表示第t+1次迭代过程中第k个第二目标编码的第d维超参数对应的搜索量，表示第t+1次迭代过程中的搜索步长，表示第二搜索编码对应的状态因子，表示第一搜索编码对应的状态因子，sign表示符号函数，表示第二衰减因子，表示第t次迭代过程中的搜索步长；

47、根据所述第二目标编码对应的搜索量，对第k个第二目标编码更新为：

48、

49、其中，表示搜索之后的，表示更新权重因子，且为位于（0,1）之间的常数。

50、在一种可能的实施方式中，针对第三目标种群中的第三目标编码，采用跟随更新策略对第三目标编码进行局部搜索，得到搜索之后的第三目标编码，包括：

51、以所述搜索之后的第二目标编码为基础，为每个第三目标编码随机匹配一个对应的第二目标参数编码；

52、以匹配得到的第二目标参数编码为目标，对第三目标编码执行跟随操作为：

53、

54、其中，表示第t次迭代过程中第m个第三目标编码中第d维超参数，m=1,2,…,m，m表示第三目标编码的总数，表示第一更新系数，且设置为常数，表示位于（0,2）之间随机的第二更新系数，表示与配对的第二目标参数编码中第d维超参数，表示搜索之后的。

55、在一种可能的实施方式中，针对搜索之后的第一目标种群、第二目标种群以及第三目标种群，重新获取误差函数值，并根据误差函数值进行多编码变异，重新保留n个超参数编码，包括：

56、针对搜索之后的第一目标种群、第二目标种群以及第三目标种群，重新获取误差函数值，并按照误差函数值从小到大的方式对所有的超参数编码进行排序，得到第一超参数编码序列；其中，第一超参数编码序列中超参数编码的总数为n，n=m+k+i，i表示第一目标编码的总数，k表示第二目标编码的总数，m表示第三目标编码的总数；

57、以所述误差函数值为基础，获取每个超参数编码对应的变异编码数以及变异范围；

58、根据所述超参数编码对应的变异编码数以及变异范围，获取每个超参数编码对应的多个变异编码；

59、获取所有超参数编码以及变异编码对应的误差函数值，并按照误差函数值从小到大的方式对所有超参数编码以及变异编码进行排序，得到第二超参数编码序列；

60、采用第二超参数编码序列中第n个编码对第一超参数编码序列中第n个编码进行更新，得到n个二次更新后的超参数编码；其中，n=1,2,…,n。

61、在一种可能的实施方式中，以所述误差函数值为基础，获取每个超参数编码对应的变异编码数以及变异范围，包括：

62、以所述误差函数值为基础，获取每个超参数编码对应的变异编码数为：

63、

64、其中，表示第n个超参数编码对应的变异编码数量，int表示取整函数，表示预设的最大变异编码数量，表示第一目标种群、第二目标种群以及第三目标种群中的最大误差函数值，表示第n个超参数编码对应的误差函数值，表示常数项，且设置为0.001；

65、以所述误差函数值为基础，获取每个超参数编码对应的变异范围为：

66、

67、其中，表示第n个超参数编码对应的变异范围，表示预设的最大变异范围，第一目标种群、第二目标种群以及第三目标种群中的最小误差函数值。

68、在一种可能的实施方式中，根据所述超参数编码对应的变异编码数以及变异范围，获取每个超参数编码对应的多个变异编码为：

69、设置计数器x=1；

70、根据所述超参数编码对应的变异范围，获取超参数编码对应的变异编码为：

71、

72、其中，表示在第t次迭代过程中，搜索之后的第一目标种群、第二目标种群以及第三目标种群组成的种群中第n个超参数编码对应的第d维超参数，表示变异编码中第d维超参数，表示中的随机数；

73、判断计数器的值是否大于或等于第n个超参数编码的变异编码数，若是，则得到第n个超参数编码对应的个变异编码，否则令计数器的计数值加一，并返回获取变异编码的步骤；

74、以搜索之后的第一目标种群、第二目标种群以及第三目标种群为基础，遍历每个超参数编码，得到每个超参数编码对应的多个变异编码。

75、在一种可能的实施方式中，对所述无线电通信信号进行预处理，得到预处理之后的无线电通信信号，包括：

76、对所述无线电通信信号进行时频分析，得到时频分析图，并采用灰度图像生成算法对时频分析图进行分析，得到预处理之后的无线电通信信号。

77、本发明提供的一种穿越机无线电信号干扰方法，通过深度学习模型构建无线电调制模式识别模型，并通过多策略启发式算法，能够对深度学习模型的超参数进行准确调整，从而避免其在训练过程中陷入局部最优，有效地提升了深度学习模型的性能，最终以多策略启发式算法优化之后的无线电调制模式识别模型进行穿越机无线电信号的调制模式识别，可以准确地获取穿越机的调制模式，并以此产生干扰信号，实现了对穿越机的有效干扰，保护了禁飞区域的安全性。