一种基于循环神经网络的复杂环境无线电通信干扰降噪方法与流程

本发明复杂环境下对包含干扰的无线电信号进行降噪处理的方法，应用于无线电通信信号。

背景技术：

1、现有的无线电通信系统在复杂环境中经常面临强烈的信号干扰和噪声问题。传统的滤波器技术和线性预测算法尽管在一定程度上可以抑制噪声，但在处理复杂干扰和保持信号完整性方面存在限制。特别是在高频信号处理时，传统方法常导致信号失真或频谱损失，这限制了其在实时通信和频谱管理中的应用。

2、传统方法在识别和处理突发信号、非突发信号以及复杂环境中的校准信号时的准确性和效率也有待提高。因此，现有技术的局限性促使研究人员寻求一种新的解决方案，能够更有效地应对复杂环境下的信号干扰和噪声问题，同时提高信号处理的精确性和实时性。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于循环神经网络的复杂环境无线电通信干扰降噪方法，采用循环神经网络，更有效地捕捉信号的时序特征，对噪声和干扰进行更精确的估计和抑制，从而显著提高信噪比。本发明有效解决传统无线电通信在复杂环境中面对的干扰识别精度低、实时性差等问题。

2、为达到上述目的，本发明采用如下的技术方案：

3、一种基于循环神经网络的复杂环境无线电通信干扰降噪方法，包括以下步骤：

4、(1)采集包含干扰的无线电信号数据；

5、(2)利用短时傅里叶变换方法，对在所述步骤(1)中采集的包含干扰的无线电信号数据进行预处理，得到短时傅里叶变换频谱数据；

6、(3)将在所述步骤(2)中得到的短时傅里叶变换频谱数据输入循环神经网络模型，进行噪声估计和降噪处理，得到去噪后的信号频谱；

7、(4)利用逆短时傅里叶变换方法，对在所述步骤(3)中得到的去噪后的信号频谱进行逆短时傅里叶变换，得到降噪后的无线电信号。

8、优选地，在所述步骤(2)中，对采集的无线电信号数据进行预处理时，包括以下步骤：

9、(2-1)对信号进行帧划分；

10、(2-2)对每一帧信号进行短时傅里叶变换，得到短时傅里叶变换频谱数据。

11、优选地，在所述步骤(2-1)中，所述帧划分采用256点的短时傅里叶变换。

12、优选地，在所述步骤(2-2)中，得到短时傅里叶变换频谱数据包括无线电信号的幅度谱和相位谱。

13、优选地，在所述步骤(3)中，所述循环神经网络模型采用门控循环单元或长短期记忆网络结构。

14、优选地，在所述步骤(3)中，所述循环神经网络模型包括三个部分：噪声跟踪部分、信号估计部分和滤波部分，各部分通过门控机制进行更新。

15、优选地，在所述步骤(3)中，所述循环神经网络模型的训练数据包括干净信号和添加噪声的信号对。

16、优选地，所述噪声跟踪部分的更新公式为：

17、

18、其中，n(t)为t时刻的噪声频谱估计，n(t-1)为t-1时刻的噪声频谱估计，x(t)为t时刻的接收信号频谱，g1(t)和g2(t)为门控函数，为卷积符号。

19、优选地，所述训练数据的信噪比(snr)范围为-5db～15db，以5db为间隔。

20、优选地，所述门控函数由循环神经网络实现，并采用复数谱进行优化，对频谱数据进行降噪处理，以提高降噪性能，消除数据噪声干扰。

21、优选地，所述复数谱优化采用l2-norm损失函数为：

22、

23、其中：为估计的t时刻的干净信号频谱,y(t)为实际的t时刻的干净信号频谱。

24、优选地，所述循环神经网络模型的输入层和输出层的维度分别为516和129。

25、优选地，所述循环神经网络模型的深度为3到4层，宽度为32到258个神经元单元。

26、优选地，所述循环神经网络模型的激活函数为逻辑函数，学习率为0.03。

27、优选地，在所述步骤(4)中，所述对去噪后的频谱进行逆短时傅里叶变换时，包括以下步骤：

28、(4-1)对每一帧去噪后的频谱数据进行逆傅里叶变换，得到时域信号；

29、(4-2)对时域信号进行重叠相加，恢复完整的无线电信号。

30、优选地，在所述步骤(4)中，在对去噪后的频谱进行逆短时傅里叶变换，得到降噪后的无线电信号后，利用信号失真比作为评价指标，对所述复杂环境无线电通信干扰降噪方法进行降噪性能评估。

31、本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

32、1.现有的无线电通信干扰降噪方法，如传统的滤波器技术和线性预测算法，虽然在一定程度上可以抑制噪声，但在面对复杂环境下的强干扰时，效果有限；而本发明方法采用循环神经网络，特别是长短时记忆网络和门控循环单元，能够更有效地捕捉信号的时序特征，对噪声和干扰进行更精确的估计和抑制，从而显著提高信噪比；

33、2.传统的降噪方法在滤除噪声的同时，往往会导致目标信号的失真，特别是对于高频成分的损失严重；而本发明方法通过引入复杂谱优化的损失函数，能够更好地保留信号的细节和完整性。实验结果表明，使用本发明的方法进行降噪处理后，信号的频谱结构得到更好的保留，失真度显著降低；

34、3.本发明方法所采用的多头自注意力机制和窗口内、窗口间的自注意力计算，使得模型在处理频谱数据时能够更好地捕捉频谱信号的时频特征，提升了对突发信号、非突发信号和校准信号的识别准确率，这一优势在实时频谱监测和动态频谱管理中尤为重要；

35、4.本发明方法利用循环神经网络的门控机制和多层神经网络结构，在处理复杂信号时具有较高的计算效率和实时性；相比于传统方法的高计算复杂度和延迟性，本发明的方法可在较短的时间内完成大规模数据的处理，满足实际无线电通信系统中的实时需求；

36、5.本发明方法的循环神经网络模型通过大量带标签的数据进行训练，具备较强的泛化能力，能够适应不同类型的噪声和干扰环境；本发明方法不仅适用于车载通信、移动通信等常见的无线电通信场景，还可应用于更复杂的军事通信和应急通信等特殊环境，具有广泛的应用前景；本发明的方法可方便地与现有的无线电通信系统进行集成，作为独立的降噪模块进行应用；同时，由于采用了模块化的设计，整个系统具有良好的扩展性，未来可根据需要对神经网络的结构和参数进行调整和优化，以应对不断变化的噪声和干扰挑战。

技术特征：

1.一种基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：在所述步骤(2)中，对采集的无线电信号数据进行预处理时，包括以下步骤：

3.根据权利要求2所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：在所述步骤(2-1)中，所述帧划分采用256点的短时傅里叶变换；

4.根据权利要求1所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：在所述步骤(3)中，所述循环神经网络模型采用门控循环单元或长短期记忆网络结构；

5.根据权利要求4所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：所述噪声跟踪部分的更新公式为：

6.根据权利要求5所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：所述门控函数由循环神经网络实现，并采用复数谱进行优化，对频谱数据进行降噪处理。

7.根据权利要求6所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：所述复数谱优化采用l2-norm损失函数为：

8.根据权利要求7所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：所述循环神经网络模型的输入层和输出层的维度分别为516和129；

9.根据权利要求1所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：在所述步骤(4)中，所述对去噪后的频谱进行逆短时傅里叶变换时，包括以下步骤：

10.根据权利要求1所述基于循环神经网络的复杂环境无线电通信干扰降噪方法，其特征在于：在所述步骤(4)中，在对去噪后的频谱进行逆短时傅里叶变换，得到降噪后的无线电信号后，利用信号失真比作为评价指标，对所述复杂环境无线电通信干扰降噪方法进行降噪性能评估。

技术总结本发明涉及一种基于循环神经网络的复杂环境无线电通信干扰降噪方法，该方法通过获取包含干扰的无线电通信信号，进行短时傅里叶变换得到信号的幅度谱和相位谱，并利用循环神经网络模型对幅度谱进行噪声估计和降噪处理。随后，使用逆短时傅里叶变换重建降噪后的时域信号。通过引入多层门控循环单元和多重门控结构，该方法能够有效捕捉信号的时序特征，降低复杂环境中的噪声干扰，提高通信信号质量。实验结果表明，本发明在复杂环境下能显著提升信号的信噪比，具有广泛的应用前景。技术研发人员：魏朝臣,江超,张勇,魏文玉,杨飞受保护的技术使用者：微相科技（上海）有限公司技术研发日：技术公布日：2024/11/14