基于多任务学习的干扰认知方法

摘要

干扰信号认知在复杂电磁环境的通信、测控、预警中具有重要作用，可为后续干扰抑制提供关键决策依据，因此，高效可靠的干扰认知尤为关键。然而，现有干扰认知方法主要遵循先识别信号类型后估计参数的串行认知架构，导致干扰认知整体时效性不够高。针对该问题，提出了一种多任务学习的并行干扰认知方法，可同时识别干扰信号类型并估计干扰参数。该算法基于参数硬共享的多任务框架，通过设计共享层网络挖掘干扰信号及其参数间相关信息，利用不同独立任务层网络提取不同干扰信号间的差异特征，从而对干扰信号同时进行类型识别和参数估计。此外，为避免网络被单任务主导，进而导致困难任务无法有效优化的问题，采用改进的多梯度下降算法对干扰识别和参数估计任务进行联合优化。仿真结果表明：该方法干扰识别准确率在低干噪比下明显优于LSTM和SKNet基线算法；对于参数估计任务，在干噪比大于10 dB时算法对中心频率参数估计归一化均方根误差能够达到1 0^-2，优于传统算法和单任务算法；最后，相比于遵循串行架构的干扰认知过程，该方法的干扰认知时间降低了40%，有效提升了干扰认知过程的时效性。

关键词

干扰认知 / 多任务学习 / 干扰分类 / 参数估计