任远林，聂凯

基于改进深度学习方法的电子通信设备信号异常自动识别

任远林，聂凯

（安徽工商职业学院 应用工程学院，合肥 231131）

为了提高电子通信设备信号异常自动识别的能力，提出基于改进深度学习的电子通信设备信号异常自动识别方法。构建电子通信设备信号的传输信道均衡调节模型，采用深度学习方法实现对电子通信设备信号的输出均衡调度，通过波束间隔均衡控制方法实现对电子通信设备输出信号谱分析和异常特征提取，以此为基础采用改进深度学习方法实现对电子通信设备信号异常自动识别。仿真结果表明，采用该方法进行电子通信设备信号异常自动识别的精度较高，性能较好。

改进深度学习；电子通信设备；信号异常；自动识别；传输信道

随着电子通信技术的发展，对电子通信设备的安全性和可靠性提出了更高的要求，需要构建优化的电子通信设备信号异常特征检测模型，通过分析电子通信设备信号异常特征量，结合信号特征分析和通信信道均衡控制的方法，实现对电子通信设备信号异常特征自动识别，提高电子通信设备信号异常识别和分析能力，相关的电子通信设备信号异常识别和自动识别方法研究受到人们的极大关注[1]。

对电子通信设备信号异常自动识别是建立在对电子通信设备信号的特征分析基础上，构建多维分布式传感信息跟踪识别模型，实现对电子通信设备信号检测和传感信息特征提取[2]，传统方法中，对电子通信设备信号异常识别方法主要有基于关联规则特征分析的电子通信设备信号异常特征识别方法、基于模糊度特征提取电子通信设备信号异常识别方法、统计特征分析方法和关联规则识别方法等[3-5]，建立电子通信设备信号异常自动识别的统计分析模型，通过关联规则融合调度和模糊度特征提取方法，实现对电子通信设备信号异常识别，但传统方法进行电子通信设备信号异常识别的精度不高，实际应用效果不好。针对上述问题，本文提出基于改进深度学习的电子通信设备信号异常自动识别方法。首先构建电子通信设备信号的传输信道均衡调节模型，采用深度学习方法实现对电子通信设备信号的输出均衡调度，通过波束间隔均衡控制方法，实现对电子通信设备信号匹配和谱分析，结合特征分布式提取和参数优化估计的方法，结合改进深度学习方法实现对电子通信设备信号异常自动识别。最后进行仿真测试分析，展示了本文方法在提高电子通信设备信号异常自动识别能力方面的优越性能。

1 电子通信设备信号传输信道分析

1.1 信道均衡调节模型

为了实现基于改进深度学习的电子通信设备信号异常自动识别，需要首先构建电子通信设备信号的传输信道均衡调节模型，采用深度学习进行电子通信设备信号传输信道控制和自适应寻优，采用人工智能算法对电子通信设备信号进行频谱分解运算：

采用深度学习方法实现对电子通信设备信号的输出均衡调度，构建电子通信设备信号的信道均衡调节模型如图1所示。

1.2 传输信道分析

对电子通信设备信号进行时频局部化处理，计算数据的新近似值和新残差[7]，得到电子通信设备的窗函数的输出样本记为

建立电子通信设备信号输出的动态相位补偿模型，通过波束间隔均衡控制方法实现对电子通信设备信号匹配和谱分解，得到最小收敛误差为

2 电子通信设备信号异常自动识别

2.1 信号异常特征提取

采用近似范函数解析的方法，得到电子通信设备信号有效特征量：

根据电子通信设备信号特征量聚集点，对电子通信设备的左右波束信号进行特征值分解，提取电子通信设备信号异常特征高分辨谱结果[9]，采用波束间隔均衡控制方法，实现对电子通信设备信号异常特征提取：

2.2 信号异常自动识别优化

对电子通信设备信号进行重组，得到电子通信设备信号的异常谱分布为

本文主要以卷积神经网络为代表的多种深度学习算法为基础，通过分析其网络拓扑结构，搭建了一种新的深度学习网路，该网络主要由输入层、采样层、连接层、卷积层以及输出层组成，改进后的神经网络结构见图2。

图2 改进神经网络结构

在上述的神经网络结构中，每层之间的变换都涉及一次特征提取，提取后的层由多个二维平面组成，这些二维平面统称为特征映射图。本文主要利用采样层采集电子通信设备信号异常特征，结合电子通信设备信号异常图谱数据采集结果，并将二者均作为输入样本，得到电子通信设备信号异常识别结果。

3 仿真实验与结果分析

为了测试本文方法在实现电子通信设备信号异常识别中的应用性能，进行仿真测试分析，对电子通信设备信号采样的长度为1024，信号异常特征采样是偏差为0.35，信号统计分析的时延为200ms，根据上述参数设定，得到电子通信设备信号如图3所示。

图3 电子通信设备信号

以图3的电子通信设备信号为输入，采用本文方法对电子通信设备信号的异常特征提取，得到特征提取结果如图4所示。

分析图4得知，本文方法能有效实现对电子通信设备信号的异常特征提取，实现对电子通信设备信号的异常自动识别。

测试本文方法对不同类型的电子通信设备信号异常识别的精度，结果如表1所示。

分析上表可知，对于不同的电子通信设备信号，本文方法的电子通信设备信号异常识别精度均在96%以上，说明该方法可以识别多种类型的电子通信设备信号异常问题，识别结果具有可靠性。

以数字信号为例，进行了电子通信设备信号异常识别精度对比实验，结果如表2所示。

分析表2得知，本文方法进行电子通信设备信号异常识别的精度较高，原因在于该方法通过构建电子通信设备信号的传输信道均衡调节模型，采用深度学习方法实现对电子通信设备信号的输出均衡调度，通过波束间隔均衡控制方法实现对电子通信设备输出信号谱分析和异常特征提取，以此为基础采用改进深度学习方法实现对电子通信设备信号异常自动识别。

表1 电子通信设备信号异常识别精度

图4 电子通信设备信号异常特征提取结果

表2 电子通信设备信号异常识别精度对比

4 结束语

为解决传统方法存在的问题，本文提出基于改进深度学习的电子通信设备信号异常自动识别方法。采用深度学习进行电子通信设备信号传输信道控制和自适应寻优，建立电子通信设备信号输出的动态相位补偿模型，根据特征值的相角确定电子通信设备信号异常分布相位，结合改进深度学习方法实现电子通信设备信号的异常识别。研究得知，本文方法进行电子通信设备信号异常自动识别的精度较高，准确性较好。

[1] 刘亚冲，唐智灵. 基于softmax回归的通信信号循环谱的多分类识别方法[J]. 现代电子技术，2018, 41(3): 1-5.

[2] 付硕. 计量终端上行无线通信信号异常优化方案探究[J]. 电子制作，2019(15): 93-94.

[3] 黎仁刚，侯坤元，冷鹏飞，等. 基于卷积神经网络的雷达和通信信号调制识别[J]. 航天电子对抗，2020, 36(2): 7-13.

[4] 刘雪春. 船载远程电子通信设备异常信号识别方法[J]. 舰船科学技术，2019, 41(8): 167-169.

[5] 董良雷，钱金鑫. 光纤传输通信设备异常信号自动跟踪方法研究[J]. 电子设计工程，2020, 28(6): 149-152, 157.

[6] 王剑兰，姜阿龙，袁建. 移动通信网络异常信号优化识别[J]. 通信电源技术，2019, 36(8): 165-166.

[7] 刘文斌，王梦寒，寇云峰，等. 基于电磁泄漏信号的电子设备行为识别与安全应用[J]. 通信技术，2019, 52(7): 1761-1765.

[8] 杨婧，程乃平. 通信信号检测识别方法简析[J]. 图像与信号处理，2018, 7(4): 220-226.

[9] 唐玉兵，樊明哲. 船舶强噪声电子电力设备微弱故障信号获取系统[J]. 舰船科学技术，2019, 41(18): 104-106.

[10] 谢宝成. 非协调通信信号自动调制识别系统研究[J]. 电子设计工程，2019, 27(3): 150-154.

[11] 李唱白，杨杰，黄知涛，等. 基于深度学习的通信信号调制识别算法[J]. 空间电子技术，2019, 16(1): 53-58, 78.

[12] 王梦寒，寇云峰，刘文斌，等. 计算机网络电磁泄漏信号的实时监测与智能识别[J]. 通信技术，2019, 52(7): 1755-1760.

[13] 黎仁刚，侯坤元，冷鹏飞，等. 基于卷积神经网络的雷达和通信信号调制识别[J]. 航天电子对抗，2020, 36(2): 7-13.

[14] 刘涛，孟青，韩建宁. 基于神经网络的计算机通信系统干扰信号分离[J]. 吉林大学学报：理学版，2017, 55(6): 1545-1551.

[15] 梁晓雷. 一种无线通信设备信号快速跟踪方法[J]. 电脑知识与技术，2018, 14(10): 31-32.

Automatic signal anomaly recognition of electronic communication equipment based on improved deep learning

REN Yuan-lin，NIE Kai

(School of Applied Engineering, Anhui Business and Technology College, Hefei 231131, China)

In order to improve the ability of automatic signal anomaly recognition of electronic communication equipment, an automatic signal anomaly recognition method of electronic communication equipment based on improved deep learning is proposed. Build electronic communications equipment signal transmission channel equalization adjustment model, the deep learning method was adopted to realize the electronic communication equipment signal output balance scheduling, through a beam balance between control methods of electronic communication equipment abnormal output signal spectrum analysis and feature extraction, based on learning method with the improved depth of electronic communications equipment abnormal signal automatic recognition. The simulation results show that this method has high accuracy and good performance in the automatic identification of abnormal signals of electronic communication equipment.

improve deep learning；electronic communication equipment；abnormal signal；automatic identification；transmission channel

2020-12-21

安徽省省级质量工程教学研究项目（2020jyxm0196）；安徽省省级质量工程课程思政研究建设项目（2020kcszyjxm023）；安徽省省级质量工程项目（2017MOOC026）

任远林（1979-），男，安徽肥东人，讲师，硕士，主要从事嵌入式、自动化研究，renyuanaba@163.com。

TN919

A

1007-984X(2021)04-0005-05