王 伟

（河南工业贸易职业学院 信息工程系，河南 郑州 451191）

0 引 言

利用大数据新一代信息化技术，通过特征提取和降噪提高通信干扰信息识别精度。结合先进科学技术不断优化，致力于实现通信干扰信息识别信息空间化和应用可视化，为通信干扰信息识别提供完善的运营指标[1]。结合杨缨提出的舰船大数据网络干扰信息高效识别方法表明，网络干扰信息高效识别工作中大数据技术运用的亮点之处在于通过大数据技术能够综合提取网络干扰信息的瞬时特征，从而提高网络干扰信息高效识别精度[2]。本文以此为研究依据，设计基于大数据的通信干扰信息识别方法，致力于能够更好地指导通信干扰信息识别。

1 基于大数据的通信干扰信息识别方法

1.1 建立通信干扰信息特征识别矩阵

大数据技术对通信干扰信息原始数据处理分为两部分。按照Row Key对数据进行排序，每个数据都有一个指定的Row Key。在创建Row Key时，可以对其最大长度和内容通过二进制字符串进行编制。通信网络内所有的数据会根据Row Key进行动态的切分，数据切分后的单位为tablet，标志着数据所属类型。将节分后数据的若干字段进行Column Group定义，其定义的目的是为后续提取数据瞬时特征提供方便[3]。在通信干扰信息识别中，首先要建立通信干扰信息特征识别矩阵，其次将干扰信息映射到同一个特征表示空间，最后得到维数一致的特征向量[4]。设干扰信息特征识别参数E，则其计算公式如下所示：

式中，M是干扰信息的字符长度；N指的是干扰信息的语义特征；x(i,j)是干扰信息在共享空间的投影位置坐标；i是干扰信息在共享空间的横坐标；j是干扰信息在共享空间的纵坐标。利用式（1）可得出干扰信息特征识别投影，使大数据网络中干扰信息瞬时特征提取成为可能。

1.2 大数据网络中干扰信息瞬时特征提取

在建立通信干扰信息特征识别矩阵的基础上，通过分析大数据网络中时域、频域以及时频3类干扰信息，将几何特征、空间、方向、匹配特征、距离以及语义特征作为干扰信息瞬时特征指标[5]。对干扰信息瞬时特征进行离散化处理。设离散化处理后的干扰信息瞬时特征为T，则其计算公式如下所示：

式中，R是干扰信号的波动幅度谱；e是离散系数；l是干扰信息频谱；m是干扰信息的时域特征；F是波动信号的归一化处理函数；n是干扰信息个数，为实数。根据式（2）可推导出干扰信息的空间峰值比。设干扰信息的空间峰值比为则其计算公式如下所示：

式中，N是干扰信号的波动幅度；J是通信过程中所有干扰信号的波动幅度之和。在得出干扰信息空间峰值比的基础上，采用Welch平均周期法，提取出大数据网络中干扰信息瞬时特征系数。设大数据网络中干扰信息瞬时特征系数为Y，则其计算公式如下所示：

式中，X是对应阶次；p是增益效果。通过式（2）～式（4）实现大数据网络中干扰信息瞬时特征提取。

1.3 处理干扰信息局部特征描述子

将高频干扰信息划分到信息空间，低频干扰信息划分到物理空间，在多维空间中寻找出训练数据的最佳拟合平面。将原干扰信息与进行处理后干扰信息设定为两组通道，根据特征描述子的向量进行干扰信息输出处理。基于大数据因子分析算法处理干扰信息局部特征描述子可用方程式的手段进行表示，设处理后的干扰信息局部特征描述子为D(x,y)，则其计算公式如下所示：

式中，K是干扰信号局部特征向量维度；k是维度，通常情况下取值为1；y是空间模态下的干扰信号；rk是在k维度下提取的干扰信号局部特征向量维度元素值。

1.4 基于大数据干扰信息识别数据降噪处理

为确保干扰信息局部特征描述子的误差能够通过修正系数进行改进，且在过程中不会出现权重比例失调的情况，可将干扰信息识别偏差值设为MSE，利用大数据云计算可得MSE的计算公式如下所示：

式中，A是干扰信息均值；D是干扰信息识别特征维数；B是干扰信息识别的逻辑系数。在求得干扰信息识别偏差值的基础上，对分割出边缘信息的干扰信息进行降噪处理。将干扰信息识别降噪处理表达式设为m，其计算公式如下所示：

式中，I是干扰信息识别的相关字向量；f是干扰信息的传输角速度。完成基于大数据干扰信息识别降噪处理后，可通过干扰信息高效识别算法取得高精度的通信干扰信息识别结果。

1.5 取得高精度的通信干扰信息识别结果

得到基于大数据干扰信息识别降噪处理结果后，构建一个通信干扰信息识别数据集，通过重构权值的方法直接省略前期的预处理流程，识别计算通信过程中产生的干扰信息。面对在通信干扰信息识别中运算复杂的情况，以瞬时特征参数作为通信干扰信息高精度识别依据，计算瞬时干扰信号的波动幅度标准差。设瞬时干扰信号的波动幅度标准差为v，则其计算公式如下所示：

式中，γ是大数据网络中待识别信号的最大参数值。根据式（8）判断波动幅度标准差，通过大数据网络通信过程中干扰信号的正交分量与正常信号的同相分量的绝对值，得出干扰信息高效识别算法表达式。设干扰信息高效识别算法表达式为τ，则其计算公式如下：

通过式（9）得出τ的具体数值。在lm与lj均为正数的前提下，当τ≤m时，所有干扰信息均进行识别决策，能够取得高精度的通信干扰信息识别结果；当τ＞m时，则证明该次通信干扰信息识别结果无效。至此，完成基于大数据的通信干扰信息识别方法设计。

2 对比实验

2.1 实验准备

以下将采用设计仿真实验的方式，验证本文设计的通信干扰信息识别方法在实际的应用中能否起到提升干扰信息识别瞬时特征之间同向性的作用。为了保证实验数据的准确性，整体实验在Matalb平台上进行。随机选取一台运行系统为XP的计算机，在计算机上安装双端口万兆位的路由协调控制器，安装流程需要严格遵循互联网连通标准，并允许地方局域网或存储网络对其共享，将网络格局实施统一化的处理。定义通信网络节点通信范围为（2.4×103×2.4×103）m2的二维矩形区域，打乱区域内数据，设置通信网络参数，信号传递耗能15 kJ，结合设定的通信参数，确定干扰信息形式参数。用传统识别方法识别干扰信号，收集5组实验数据，记为对照组。再用本文设计的识别方法进行相同步骤的操作，记为实验组，实验所得同步率越高证明该识别方法的识别精度越高。

2.2 实验结果与分析

根据实验结果得出两种识别方法下的同步率，具体结果如表1所示。

表1 实验组与对照组实验结果对比

从表1中的数据结果可以看出，实验组的同步率明显高于对照组的同步率。因此，通过对比结果进一步证明，本文提出的识别方法具有更高的同步率，识别精度更高，更适用于实际通信干扰信息识别。

3 结 论

根据目前对通信行业的深入研究，文章提出了基于大数据的通信干扰信息识别方法。通过仿真实验证明了设计的识别方法能够有效提升通信干扰信息识别的质量。因此，应加大该识别方法在通信干扰信息识别方面的应用。需要注意的是，尽管本文上述的设计已经趋近于完善，但在后期的发展中仍需要建立一个相对完善的数据管理机制，用来管理识别出的干扰信息。并从节点的角度进一步深入研究基于大数据的通信干扰信息识别方法，为通信干扰信息识别方法的优化设计提供帮助。