卫星通信干扰信号样式及识别技术

作者：陈凤，李聪，朱立东，吴琦，乐秀权，戴志坚

（电子科技大学 中国空间技术研究院）

1卫星干扰信号样式

随着通信环境日益复杂，卫星通信系统常遭受各种干扰信号的威胁，导致通信中断、质量下降以及安全风险。

以下仅探讨人为恶意干扰。

图1 卫星干扰信号的来源

1.1 压制干扰

以大功率信号压制目标信号，受干扰的频率带宽无法通信。

表1 压制干扰的分类

1.2 灵巧干扰

有针对性地干扰特定目标系统，或试图欺骗目标系统。

表2 灵巧干扰的分类

表3 不同设备的欺骗干扰

1.3智能干扰

使用深度学习、感知和自适应等方法，根据目标系统的行为动态选择和调整干扰策略(功率、类型、脉冲率等)，完成最佳干扰决策。

图2 智能干扰的架构

卫星信号干扰类型的演进，标志着干扰从简单到复杂、从静态到动态，对通信安全提出了更大的挑战。

表4人为恶意干扰卫星信号的分类

2卫星干扰识别技术

一般先提取干扰信号的特征，再进行识别和分类。特征提取研究已成熟，但识别和分类研究仍在发展阶段。主要干扰识别方法有：信号处理法、传统机器学习、深度学习。

图3卫星干扰识别技术框架

2.1 信号处理

通过数学和算法分析信号时域、频域和时频域特征，以识别和区分干扰。

表5 信号处理识别干扰的常见特征

表6 信号处理识别干扰的其他特征

信号处理的方法众多，但如何选择适合信号数据本身的特征成为研究瓶颈。

2.2 传统机器学习

该方法先提取待识别信号的特征参数，然后利用传统机器学习中的分类算法或网络完成干扰识别。包括支持向量机、决策树、传统神经网络、K-最近邻算法、随机森林、朴素贝叶斯分类器、逻辑回归、最大熵模型等。

表7机器学习识别干扰的常见算法

2.3 深度学习

深度学习的目标是通过学习自动提取数据中的特征，以进行分类、回归、聚类等任务。目前，卷积神经网络(CNN)最具研究热度。

CNN将干扰特征提取和分类识别合并为一步。卷积层和池化层用于提取干扰特征，全连接层进行非线性映射，输出层则识别干扰类型。目前研究集中在CNN的输入处理、网络结构、特征可视化以及与其他算法的结合等方面。

图4 CNN结构图

设计适合干扰识别的CNN网络是关键。如指纹谱深度卷积神经网络是用于干扰信号的频谱特征识别的深度学习模型，结构复杂但性能更好。复数卷积神经网络(CV-CNN)能挖掘数据潜在特征，识别率高且受噪声影响小，能识别更大范围的干扰信号。

3干扰识别技术的发展趋势

未来，随着卫星通信发展和干扰威胁演化，高效、智能、可靠的干扰识别技术仍是重点。

表8 卫星干扰识别技术的发展趋势

文章来源：

陈凤，李聪，朱立东，吴琦，乐秀权，戴志坚.卫星通信干扰信号识别技术研究现状及展望[J]. 太赫兹科学与电子信息学报,2024,22(3):227-239.

本条内容来自微信公众号“太赫兹科学与电子信息学报”