作者：陳鳳，李聰，朱立東，吳琦，樂秀權，戴志堅

（電子科技大學 中國空間技術研究院）

1衛星干擾信號樣式

隨著通信環境日益復雜，衛星通信系統常遭受各種干擾信號的威脅，導致通信中斷、質量下降以及安全風險。

以下僅探討人為惡意干擾。

圖1 衛星干擾信號的來源

1.1 壓制干擾

以大功率信號壓制目標信號，受干擾的頻率帶寬無法通信。

表1 壓制干擾的分類

1.2 靈巧干擾

有針對性地干擾特定目標系統，或試圖欺騙目標系統。

表2 靈巧干擾的分類

表3 不同設備的欺騙干擾

1.3智能干擾

使用深度學習、感知和自適應等方法，根據目標系統的行為動態選擇和調整干擾策略(功率、類型、脈沖率等)，完成最佳干擾決策。

圖2 智能干擾的架構

衛星信號干擾類型的演進，標志著干擾從簡單到復雜、從靜態到動態，對通信安全提出了更大的挑戰。

表4人為惡意干擾衛星信號的分類

2衛星干擾識別技術

一般先提取干擾信號的特征，再進行識別和分類。特征提取研究已成熟，但識別和分類研究仍在發展階段。主要干擾識別方法有：信號處理法、傳統機器學習、深度學習。

圖3衛星干擾識別技術框架

2.1 信號處理

通過數學和算法分析信號時域、頻域和時頻域特征，以識別和區分干擾。

表5 信號處理識別干擾的常見特征

表6 信號處理識別干擾的其他特征

信號處理的方法眾多，但如何選擇適合信號數據本身的特征成為研究瓶頸。

2.2 傳統機器學習

該方法先提取待識別信號的特征參數，然后利用傳統機器學習中的分類算法或網絡完成干擾識別。包括支持向量機、決策樹、傳統神經網絡、K-最近鄰算法、隨機森林、樸素貝葉斯分類器、邏輯回歸、最大熵模型等。

表7機器學習識別干擾的常見算法

2.3 深度學習

深度學習的目標是通過學習自動提取數據中的特征，以進行分類、回歸、聚類等任務。目前，卷積神經網絡(CNN)最具研究熱度。

CNN將干擾特征提取和分類識別合并為一步。卷積層和池化層用于提取干擾特征，全連接層進行非線性映射，輸出層則識別干擾類型。目前研究集中在CNN的輸入處理、網絡結構、特征可視化以及與其他算法的結合等方面。

圖4 CNN結構圖

設計適合干擾識別的CNN網絡是關鍵。如指紋譜深度卷積神經網絡是用于干擾信號的頻譜特征識別的深度學習模型，結構復雜但性能更好。復數卷積神經網絡(CV-CNN)能挖掘數據潛在特征，識別率高且受噪聲影響小，能識別更大范圍的干擾信號。

3干擾識別技術的發展趨勢

未來，隨著衛星通信發展和干擾威脅演化，高效、智能、可靠的干擾識別技術仍是重點。

表8 衛星干擾識別技術的發展趨勢

文章來源：

陳鳳，李聰，朱立東，吳琦，樂秀權，戴志堅.衛星通信干擾信號識別技術研究現狀及展望[J]. 太赫茲科學與電子信息學報,2024,22(3):227-239.

本條內容來自微信公眾號“太赫茲科學與電子信息學報”