电子战场环境下无人机抗干扰通信系统发明专利

专利名称：电子战场环境下无人机抗干扰通信系统

专利类型：发明专利

专利申请号：CN202411080537.3

专利申请（专利权）人：观典防务技术股份有限公司
权利人地址：北京市东城区白桥大街22号主楼3层301-306

专利发明（设计）人：发明人:王小东,孙康宁

专利摘要：本发明公开了电子战场环境下无人机抗干扰通信系统，本发明涉及无人机信号传输技术领域。该电子战场环境下无人机抗干扰通信系统，包括：系统参数设定模块、频谱感知单元及分布式系统架构、电子战场环境优化单元和评估优化单元；通过集成深度学习、机器学习算法和无人机多传感器融合技术，显著提升了频谱感知的准确性和实时性，增强了通信系统的抗干扰能力；同时，电子战场环境优化单元的设计，使得无人机能够迅速响应干扰并切换频谱，结合电子战协议和加密技术，有效保障了通信的安全性；评估优化单元的引入，通过反复迭代测试和优化，确保了系统性能持续达标，提高了无人机在复杂电磁环境中的生存能力和作战效能。

主权利要求：
1.电子战场环境下无人机抗干扰通信系统，其特征在于，包括：系统参数设定模块，用于设定频谱感知准确率Pacc和实时性Treal作为关键性能指标，并设定无人机网络信道功率增益模型参数，同时设定发射功率Pa和干扰功率Pb的范围；
频谱感知单元及分布式系统架构，采用深度学习、机器学习算法建模和预测复杂电磁环境，优化通信协议和算法，整合无人机多传感器融合技术，结合高效调制解调技术与编码方式，提高系统抗干扰能力；
电子战场环境优化单元，设计无人机快速频谱切换机制应对干扰，引入电子战协议和加密技术保障通信安全，开发电子侦察与反侦察技术实现敌方信号探测与干扰或伪装；
评估优化单元，在实际电子战场中测试系统性能，包括频谱感知、实时性、通信质量和抗干扰能力，并根据测试结果优化机器学习模型、传感器融合算法、通信协议，反复迭代直至性能达标；
所述系统参数设定模块参数设定步骤具体包括：
S1.1设定频谱感知准确率Pacc和频谱感知实时性Treal作为关键性能指标；
S1.2设定无人机网络信道功率增益模型为 ，其中H为相关距离等于1时的信道增益常数，dSa为无人机源节点到接收机的距离，α是路径损耗指数；
M
S1.3设定发射功率Pa和干扰功率Pb的范围，确保Pa和Pb分别在[0，Pmax]和[0，Pb]之间，M其中Pmax为无人机在传输数据时允许使用的最大发射功率，Pb代表干扰机在确定干扰功率时允许使用的最大功率；
S1.4将信噪比SNR和加性信噪比SINR作为评估通信质量和抗干扰能力的重要指标，用于后续的优化工作；
在存在干扰的情况下，接收机的信噪比SNR表示为：
；
其中，Ca表示无人机通信的单位传输功率损耗，σ代表噪声功率；
加性信噪比SINR则考虑了干扰功率的影响，表示为：
；
其中，Hb和dba分别表示干扰器与接收机之间的信道增益和距离，dsb表示无人机源节点到干扰器的距离，Cb表示干扰器通信的单位传输功率损耗，Hb表示干扰器与接收机之间的信道增益；
所述频谱感知单元及分布式系统架构分为频谱感知单元和分布式系统架构两部分构成，所述频谱感知单元包括复杂电磁环境模型；
所述频谱感知单元的工作步骤包括：
S2.1使用深度学习或机器学习算法构建复杂电磁环境模型，通过算法接收来自各种传感器的数据，并通过学习和训练来提取和识别频谱特征，以提高频谱感知的准确率；
S2.2设置模型优化模块不断优化机器学习模型，通过调整模型参数、增加训练数据或使用更先进的算法来提高复杂电磁环境模型的泛化能力和适应性；
所述分布式系统架构的工作步骤包括：
S2.3设计通信协议和算法，基于AdHoc网络协议或MeSH网络协议，提高节点间的自动发现、路由选择和网络拓扑优化能力；
S2.4设置多传感器融合单元，为多传感器分配权重并进行加权以综合评估电磁环境；
S2.5设置抗电磁环境干扰单元，增强无人机对强干扰和恶劣环境的适应性。
2.根据权利要求1所述的电子战场环境下无人机抗干扰通信系统，其特征在于：频谱感知准确率Pacc用以评估频谱感知系统的性能，并通过机器学习模型的准确率来评估；
所述频谱感知实时性Treal为衡量系统从接收到信号到输出感知结果所需时间的指标，通过计算从接收到信号的时间Tin到输出感知结果的时间Tout的时间差来评估：Treal=Tout‑Tin。
3.根据权利要求1所述的电子战场环境下无人机抗干扰通信系统，其特征在于：所述S2.4具体包括：S2.4.1通过传感器数据采集模块收集来自不同传感器的数据，包括环境感知、位置定位；
S2.4.2根据每个传感器的可靠性和重要性，通过传感器权重分配模块为每个传感器分配一个权重Wi，设传感器的总数为N，则i为1～N中的任意一个整数；权重Wi基于传感器的历史表现、准确性、可靠性结合专家经验来人为或智能确定；
S2.4.3通过多传感器权重加权模块，使用加权和的方式将多个传感器的数据进行融合，以获得更全面、准确的环境信息：；
其中，S总表示多个传感器数据的加权和，Si是第i个传感器的输出。
4.根据权利要求1所述的电子战场环境下无人机抗干扰通信系统，其特征在于：所述S2.5具体包括：S2.5.1结合多传感器融合结果，通过电磁环境干扰分析模块分析当前电磁环境的干扰情况；
S2.5.2引入高效调制解调技术与编码方式，提高数据传输的可靠性和速率；
S2.5.3结合多个频段和通信模式，通过通信频段和模式选择模块使无人机能够在不同的电磁环境下选择适合的通信频段和模式；
S2.5.4采用自适应干扰抑制算法和噪声消除技术，进一步增强系统的抗干扰能力。
5.根据权利要求1所述的电子战场环境下无人机抗干扰通信系统，其特征在于：所述电子战场环境优化单元的工作步骤包括：S3.1设计快速频谱切换机制，使无人机在遭遇敌方干扰时能够迅速切换到其他频段进行通信；
S3.2引入电子战专用协议和加密技术，确保通信数据的安全性和保密性；
S3.3开发电子侦察和反侦察技术，使无人机能够探测敌方通信信号并进行干扰或伪装。
6.根据权利要求1所述的电子战场环境下无人机抗干扰通信系统，其特征在于：所述评估优化单元的工作步骤包括：S4.1在实际电子战场环境中测试系统的性能，包括频谱感知准确率、实时性、通信质量和抗干扰能力；
S4.2根据测试结果调整机器学习模型参数、优化传感器融合算法、调整传感器权重、优化通信协议和算法以及调整发射功率和通信频段；
S4.3重复步骤S2.1到S4.2，直至系统性能达到预期要求则停止迭代；停止迭代的标准为：（1）性能指标达到阈值：设定频谱感知准确率Pacc、频谱感知实时性Treal、通信质量和抗干扰能力的阈值，当系统性能连续多次迭代均达到或超过这些阈值时，认为系统性能达到预期要求，从而终止迭代；
（2）性能提升不再显著：即使性能指标尚未达到预设阈值，但如果连续多次迭代后系统性能的提升非常有限，即为性能提升设定百分比，当性能提升到设定的百分比时则终止迭代；
（3）达到最大迭代次数：为了避免无限循环，设定一个最大迭代次数Dmax，当迭代次数D=Dmax时，无论系统性能如何，都强制终止迭代。
7.根据权利要求6所述的电子战场环境下无人机抗干扰通信系统，其特征在于：所述S4.2中调整发射功率和通信频段目的为：在电子战场上，无人机的目标是最大化SINR，以提高通信质量和抗干扰能力；其以通过优化发射功率Pa和选择合适的通信频段和通信模式来实现。 说明书 : 电子战场环境下无人机抗干扰通信系统技术领域[0001] 本发明涉及无人机信号传输技术领域，具体为电子战场环境下无人机抗干扰通信系统。背景技术[0002] 由于飞机是在不断航行或盘旋动态变化之中，周围空间物理环境在时刻改变，通常环境下，我们采用6.0GHz以下波段进行无线通信，但是在这几个频段3G/4G和工业上使用的较多，干扰和背景噪声很大；[0003] 公开号CN117713967A公开了一种用于自组网无人机智能频谱感知抗干扰通信系统，改进了现有动态组网无人机的微波通信方式，针对只具有固定频段和固定模式的通信系统，构造基于智能频谱感知的分布式抗干扰无线通信系统，根据各个节点的信号质量评估，进行决策可自适应分配频谱资源，大幅度提高抗干扰能力，将其变成一个具备在线可变频段、根据外场电磁环境自适应改变的高码率数据通信系统，保证即使在强工业干扰和传输环境恶劣的条件下仍然能够高速实时传输数据；[0004] 但如上技术所示，现有技术还存在以下缺陷：[0005] 智能频谱感知的局限性：当前的智能频谱感知系统可能无法完全适应所有复杂的电磁环境，尤其是在信号变化迅速或环境噪声复杂的情况下；频谱感知的准确性和实时性可能受到限制，导致频谱资源分配不够优化；[0006] 分布式系统的复杂性：分布式系统需要各个节点之间进行高效的通信和协调，但在复杂环境中，节点之间的通信可能受到干扰，影响系统的整体性能；分布式系统可能面临节点失效或通信中断的风险，导致系统稳定性下降；[0007] 对强干扰和恶劣环境的适应性不足：在如电子战场等强干扰和传输环境恶劣的条件下，现有的无人机抗干扰通信技术可能无法满足高速实时传输数据的需求；系统可能无法快速适应电磁环境的变化，导致通信质量下降或中断。发明内容[0008] 针对现有技术的不足，本发明提供了电子战场环境下无人机抗干扰通信系统，解决了上述的问题。[0009] 为实现以上目的，本发明通过以下技术方案予以实现：电子战场环境下无人机抗干扰通信系统，包括：[0010] 系统参数设定模块，用于设定频谱感知准确率Pacc和实时性Treal作为关键性能指标，并设定无人机网络信道功率增益模型参数，同时设定发射功率Pa和干扰功率Pb的范围；[0011] 频谱感知单元及分布式系统架构，采用深度学习、机器学习算法建模和预测复杂电磁环境，优化通信协议和算法，整合无人机多传感器融合技术，结合高效调制解调技术与编码方式，提高系统抗干扰能力；[0012] 电子战场环境优化单元，设计无人机快速频谱切换机制应对干扰，引入电子战协议和加密技术保障通信安全，开发电子侦察与反侦察技术实现敌方信号探测与干扰或伪装；[0013] 评估优化单元，在实际电子战场中测试系统性能，包括频谱感知、实时性、通信质量和抗干扰能力，并根据测试结果优化机器学习模型、传感器融合算法、通信协议，反复迭代直至性能达标。[0014] 优选的，所述系统参数设定模块参数设定步骤具体包括：[0015] S1.1设定频谱感知准确率Pacc和频谱感知实时性Treal作为关键性能指标；[0016] S1.2设定无人机网络信道功率增益模型为 ，其中H为相关距离等于1时的信道增益常数，dSa为无人机源节点到接收机的距离，α是路径损耗指数；[0017] S1.3设定发射功率Pa和干扰功率Pb的范围，确保Pa和Pb分别在[0，Pmax]和[0，PbM]之M间，其中Pmax为无人机在传输数据时允许使用的最大发射功率，Pb代表干扰机在确定干扰功率时允许使用的最大功率；[0018] S1.4将信噪比SNR和加性信噪比SINR作为评估通信质量和抗干扰能力的重要指标，用于后续的优化工作。[0019] 优选的，频谱感知准确率Pacc用以评估频谱感知系统的性能，并通过机器学习模型的准确率来评估；[0020] 所述频谱感知实时性Treal为衡量系统从接收到信号到输出感知结果所需时间的指标，通过计算从接收到信号的时间Tin到输出感知结果的时间Tout的时间差来评估：[0021] Treal=Tout‑Tin。[0022] 优选的，在存在干扰的情况下，接收机的信噪比SNR表示为：[0023] ；[0024] 其中，Ca表示无人机通信的单位传输功率损耗，σ代表噪声功率；[0025] 加性信噪比SINR则考虑了干扰功率的影响，表示为：[0026] ；[0027] 其中，Hb和dba分别表示干扰器与接收机之间的信道增益和距离，dsb表示无人机源节点到干扰器的距离，Cb表示干扰器通信的单位传输功率损耗，Hb表示干扰器与接收机之间的信道增益。[0028] 优选的，所述频谱感知单元及分布式系统架构分为频谱感知单元和分布式系统架构两部分构成；[0029] 所述频谱感知单元的工作步骤包括：[0030] S2.1使用深度学习或机器学习算法构建复杂电磁环境模型，通过算法接收来自各种传感器的数据，并通过学习和训练来提取和识别频谱特征，以提高频谱感知的准确率；[0031] S2.2设置模型优化模块不断优化机器学习模型，通过调整模型参数、增加训练数据或使用更先进的算法来提高复杂电磁环境模型的泛化能力和适应性；[0032] 所述分布式系统架构的工作步骤包括：[0033] S2.3设计健壮的通信协议和算法，基于AdHoc网络协议或MeSH网络协议，提高节点间的自动发现、路由选择和网络拓扑优化能力；[0034] S2.4设置多传感器融合单元，为多传感器分配权重并进行加权以综合评估电磁环境；[0035] S2.5设置抗电磁环境干扰单元，增强无人机对强干扰和恶劣环境的适应性。[0036] 优选的，所述S2.4具体包括：[0037] S2.4.1通过传感器数据采集模块收集来自不同传感器的数据，包括环境感知、位置定位；[0038] S2.4.2根据每个传感器的可靠性和重要性，通过传感器权重分配模块为每个传感器分配一个权重Wi，设传感器的总数为N，则i为1～N中的任意一个整数；权重Wi基于传感器的历史表现、准确性、可靠性结合专家经验来人为或智能确定；[0039] S2.4.3通过多传感器权重加权模块，使用加权和的方式将多个传感器的数据进行融合，以获得更全面、准确的环境信息：[0040] ；[0041] 其中，S总表示多个传感器数据的加权和，Si是第i个传感器的输出。[0042] 优选的，所述S2.5具体包括：[0043] S2.5.1结合多传感器融合结果，通过电磁环境干扰分析模块分析当前电磁环境的干扰情况；[0044] S2.5.2引入高效调制解调技术与编码方式，提高数据传输的可靠性和速率；[0045] S2.5.3结合多个频段和通信模式，通过通信频段和模式选择模块使无人机能够在不同的电磁环境下选择适合的通信频段和模式；[0046] S2.5.4采用自适应干扰抑制算法和噪声消除技术，进一步增强系统的抗干扰能力。[0047] 优选的，所述电子战场环境优化单元的工作步骤包括：[0048] S3.1设计快速频谱切换机制，使无人机在遭遇敌方干扰时能够迅速切换到其他频段进行通信；[0049] S3.2引入电子战专用协议和加密技术，确保通信数据的安全性和保密性；[0050] S3.3开发电子侦察和反侦察技术，使无人机能够探测敌方通信信号并进行干扰或伪装。[0051] 优选的，所述评估优化单元的工作步骤包括：[0052] S4.1在实际电子战场环境中测试系统的性能，包括频谱感知准确率、实时性、通信质量和抗干扰能力；[0053] S4.2根据测试结果调整机器学习模型参数、优化传感器融合算法、调整传感器权重、优化通信协议和算法以及调整发射功率和通信频段；[0054] S4.3重复步骤S2.1到S4.2，直至系统性能达到预期要求则停止迭代；停止迭代的标准为：[0055] （1）性能指标达到阈值：设定频谱感知准确率Pacc、频谱感知实时性Treal、通信质量和抗干扰能力的阈值，当系统性能连续多次迭代均达到或超过这些阈值时，认为系统性能达到预期要求，从而终止迭代；[0056] （2）性能提升不再显著：即使性能指标尚未达到预设阈值，但如果连续多次迭代后系统性能的提升非常有限，即为性能提升设定百分比，当性能提升到设定的百分比时则终止迭代；[0057] （3）达到最大迭代次数：为了避免无限循环，设定一个最大迭代次数Dmax，当迭代次数D=Dmax时，无论系统性能如何，都强制终止迭代。[0058] 优选的，所述S4.2中调整发射功率和通信频段目的为：在电子战场上，无人机的目标是最大化SINR，以提高通信质量和抗干扰能力；其以通过优化发射功率Pa和选择合适的通信频段和通信模式来实现。[0059] 本发明提供了电子战场环境下无人机抗干扰通信系统。与现有技术相比具备以下有益效果：[0060] 1、该电子战场环境下无人机抗干扰通信系统，通过集成深度学习、机器学习算法和无人机多传感器融合技术，显著提升了频谱感知的准确性和实时性，增强了通信系统的抗干扰能力；同时，电子战场环境优化单元的设计，使得无人机能够迅速响应干扰并切换频谱，结合电子战协议和加密技术，有效保障了通信的安全性；评估优化单元的引入，通过反复迭代测试和优化，确保了系统性能持续达标，提高了无人机在复杂电磁环境中的生存能力和作战效能。[0061] 2、该电子战场环境下无人机抗干扰通信系统，通过精确设定频谱感知的准确率和实时性指标，并引入机器学习模型来评估和优化这些指标，显著提高了频谱感知的效率和准确性；其次，通过设定无人机网络信道功率增益模型和发射、干扰功率范围，确保了通信的稳定性和可靠性，并有效应对了潜在的干扰威胁；最后，引入信噪比SNR和加性信噪比SINR作为评估通信质量和抗干扰能力的重要指标，为后续的优化工作提供了明确的指导方向；这些举措综合提升了无人机在电子战场环境中的抗干扰能力和通信性能。[0062] 3、该电子战场环境下无人机抗干扰通信系统，通过深度学习或机器学习算法构建复杂电磁环境模型，提高了频谱感知的准确率和实时性；其次，分布式系统架构通过设计健壮的通信协议和算法，结合多传感器融合技术，实现了无人机网络的高效通信和全面环境感知，增强了系统对强干扰和恶劣环境的适应性；此外，引入的高效调制解调技术与编码方式，以及自适应干扰抑制算法和噪声消除技术，进一步提升了数据传输的可靠性和抗干扰能力；这些改进使得无人机在复杂的电子战场环境中能够保持稳定的通信性能，有效提升了其作战效能。[0063] 4、该电子战场环境下无人机抗干扰通信系统，通过快速频谱切换机制，无人机能够迅速应对敌方干扰，确保通信连续性；引入的电子战专用协议和加密技术，则大幅提升了通信数据的安全性和保密性；此外，电子侦察和反侦察技术的应用，使无人机能够主动探测敌方信号并进行有效干扰或伪装，显著提高了无人机在电子战中的主动性和生存能力。[0064] 5、该电子战场环境下无人机抗干扰通信系统，通过在实际电子战场环境中测试系统性能，并根据测试结果对机器学习模型、传感器融合算法、通信协议和算法进行精细调整，确保了系统能够持续适应和应对复杂多变的电磁环境；特别是针对发射功率和通信频段的优化，能够最大化信噪比和抗干扰能力，极大提升了通信质量和系统稳定性；此外，通过设定性能指标阈值、性能提升百分比和最大迭代次数等停止迭代标准，确保了系统优化的高效性和可控性；这些措施共同提升了无人机在电子战中的生存能力和作战效能，为现代电子战提供了更为可靠和有效的技术支撑。附图说明[0065] 图1为本发明的总系统原理框图；[0066] 图2为本发明多传感器融合单元的原理框图；[0067] 图3为本发明抗电磁环境干扰单元的原理框图；[0068] 图4为本发明的系统流程图。具体实施方式[0069] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0070] 参阅图1‑图4，本发明提供五种实施例：[0071] 实施例一：电子战场环境下无人机抗干扰通信系统，包括：[0072] 系统参数设定模块，用于设定频谱感知准确率Pacc和实时性Treal作为关键性能指标，并设定无人机网络信道功率增益模型参数，同时设定发射功率Pa和干扰功率Pb的范围；[0073] 频谱感知单元及分布式系统架构，采用深度学习、机器学习算法建模和预测复杂电磁环境，优化通信协议和算法，整合无人机多传感器融合技术，结合高效调制解调技术与编码方式，提高系统抗干扰能力；[0074] 电子战场环境优化单元，设计无人机快速频谱切换机制应对干扰，引入电子战协议和加密技术保障通信安全，开发电子侦察与反侦察技术实现敌方信号探测与干扰或伪装；[0075] 评估优化单元，在实际电子战场中测试系统性能，包括频谱感知、实时性、通信质量和抗干扰能力，并根据测试结果优化机器学习模型、传感器融合算法、通信协议，反复迭代直至性能达标。[0076] 通过集成深度学习、机器学习算法和无人机多传感器融合技术，显著提升了频谱感知的准确性和实时性，增强了通信系统的抗干扰能力；同时，电子战场环境优化单元的设计，使得无人机能够迅速响应干扰并切换频谱，结合电子战协议和加密技术，有效保障了通信的安全性；评估优化单元的引入，通过反复迭代测试和优化，确保了系统性能持续达标，提高了无人机在复杂电磁环境中的生存能力和作战效能。[0077] 实施例二，与实施例一的主要区别在于：系统参数设定模块参数设定步骤具体包括：[0078] S1.1设定频谱感知准确率Pacc和频谱感知实时性Treal作为关键性能指标；[0079] 频谱感知准确率Pacc用以评估频谱感知系统的性能，并通过机器学习模型的准确率来评估；[0080] 频谱感知实时性Treal为衡量系统从接收到信号到输出感知结果所需时间的指标，通过计算从接收到信号的时间Tin到输出感知结果的时间Tout的时间差来评估：[0081] Treal=Tout‑Tin；[0082] S1.2设定无人机网络信道功率增益模型为 ，其中H为相关距离等于1时的信道增益常数，dSa为无人机源节点到接收机的距离，α是路径损耗指数；[0083] S1.3设定发射功率Pa和干扰功率Pb的范围，确保Pa和Pb分别在[0，Pmax]和[0，PbM]之M间，其中Pmax为无人机在传输数据时允许使用的最大发射功率，Pb代表干扰机在确定干扰功率时允许使用的最大功率；[0084] S1.4将信噪比SNR和加性信噪比SINR作为评估通信质量和抗干扰能力的重要指标，用于后续的优化工作。[0085] 在存在干扰的情况下，接收机的信噪比SNR表示为：[0086] ；[0087] 其中，Ca表示无人机通信的单位传输功率损耗，σ代表噪声功率；[0088] 加性信噪比SINR则考虑了干扰功率的影响，表示为：[0089] ；[0090] 其中，Hb和dba分别表示干扰器与接收机之间的信道增益和距离，dsb表示无人机源节点到干扰器的距离，Cb表示干扰器通信的单位传输功率损耗，Hb表示干扰器与接收机之间的信道增益。[0091] 首先，通过精确设定频谱感知的准确率和实时性指标，并引入机器学习模型来评估和优化这些指标，显著提高了频谱感知的效率和准确性；其次，通过设定无人机网络信道功率增益模型和发射、干扰功率范围，确保了通信的稳定性和可靠性，并有效应对了潜在的干扰威胁；最后，引入信噪比SNR和加性信噪比SINR作为评估通信质量和抗干扰能力的重要指标，为后续的优化工作提供了明确的指导方向；这些举措综合提升了无人机在电子战场环境中的抗干扰能力和通信性能。[0092] 实施例三，与实施例一的主要区别在于：频谱感知单元及分布式系统架构分为频谱感知单元和分布式系统架构两部分构成；[0093] 频谱感知单元的工作步骤包括：[0094] S2.1使用深度学习或机器学习算法（如卷积神经网络、长短期记忆网络等）构建复杂电磁环境模型，通过算法接收来自各种传感器的数据，并通过学习和训练来提取和识别频谱特征，以提高频谱感知的准确率；[0095] S2.2设置模型优化模块不断优化机器学习模型，通过调整模型参数、增加训练数据或使用更先进的算法来提高复杂电磁环境模型的泛化能力和适应性；具体包括：[0096] S2.2.1参数调整：[0097] 选择适当的超参数：根据模型类型（如深度学习模型、机器学习算法等）选择适合的超参数，如学习率、批处理大小、迭代次数等。[0098] 网格搜索和随机搜索：利用网格搜索或随机搜索方法来确定超参数的最佳组合，这些方法可以帮助我们在预定义的参数空间中找到最优的参数配置。[0099] 动态调整学习率：在训练过程中，根据验证集的性能动态调整学习率，如使用学习率衰减策略，以提高模型的收敛速度和性能。[0100] S2.2.2增加训练数据：[0101] 数据收集：扩大数据集，收集更多样化的样本，包括不同场景、不同条件下的数据，以提高模型的泛化能力。[0102] 数据增强：采用数据增强技术（如旋转、缩放、平移、噪声添加等）来生成更多的训练样本，增加模型的鲁棒性。[0103] 数据筛选和清洗：去除低质量或噪声较大的数据，确保训练数据的准确性和可靠性。[0104] S2.2.3使用更先进的算法：[0105] 探索新的模型架构：研究并尝试使用最新的深度学习模型架构，如Transformer、ResNet等，以改善模型的性能。[0106] 集成学习：采用集成学习的方法（如Bagging、Boosting、Stacking等）来结合多个模型的预测结果，提高整体的预测精度。[0107] 迁移学习：利用在相关任务上已经训练好的模型进行迁移学习，通过微调模型参数来适应新的任务和数据集。[0108] S2.2.4模型验证和评估：[0109] 交叉验证：使用交叉验证（如K折交叉验证）来评估模型的性能，确保模型在不同数据集上的泛化能力。[0110] 性能指标：选择适当的性能指标（如准确率、召回率、F1分数、AUC‑ROC等）来评估模型的性能，并根据具体需求选择合适的指标。[0111] S2.2.5模型迭代和优化：[0112] 迭代训练：通过多次迭代训练来逐步提高模型的性能，每次迭代都根据验证集的性能对模型进行调整和优化。[0113] 模型融合：将多个模型进行融合，如采用加权平均或投票的方式来综合多个模型的预测结果，以提高整体的预测精度和稳定性。[0114] S2.2.6持续监控和更新：[0115] 实时监控：在实际应用中，持续监控模型的性能，并根据实际情况进行必要的调整和优化。[0116] 定期更新：定期收集新的数据并重新训练模型，以适应环境的变化和新的需求。[0117] 分布式系统架构的工作步骤包括：[0118] S2.3设计健壮的通信协议和算法，基于AdHoc网络协议或MeSH网络协议，提高节点间的自动发现、路由选择和网络拓扑优化能力；[0119] S2.4设置多传感器融合单元，为多传感器分配权重并进行加权以综合评估电磁环境，具体包括：[0120] S2.4.1通过传感器数据采集模块收集来自不同传感器的数据，包括环境感知、位置定位；[0121] S2.4.2根据每个传感器的可靠性和重要性，通过传感器权重分配模块为每个传感器分配一个权重Wi，设传感器的总数为N，则i为1～N中的任意一个整数；权重Wi基于传感器的历史表现、准确性、可靠性结合专家经验来人为或智能确定；[0122] S2.4.3通过多传感器权重加权模块，使用加权和的方式将多个传感器的数据进行融合，以获得更全面、准确的环境信息：[0123] ；[0124] 其中，S总表示多个传感器数据的加权和，Si是第i个传感器的输出；[0125] S2.5设置抗电磁环境干扰单元，增强无人机对强干扰和恶劣环境的适应性，具体包括：[0126] S2.5.1结合多传感器融合结果，通过电磁环境干扰分析模块分析当前电磁环境的干扰情况；[0127] S2.5.2引入高效调制解调技术与编码方式，如OFDM、MIMO和LDPC、Turbo码，提高数据传输的可靠性和速率；[0128] S2.5.3结合多个频段和通信模式，通过通信频段和模式选择模块使无人机能够在不同的电磁环境下选择适合的通信频段和模式；[0129] S2.5.4采用自适应干扰抑制算法（如MMSE算法）和噪声消除技术（如维纳滤波、卡尔曼滤波），进一步增强系统的抗干扰能力。[0130] 通过深度学习或机器学习算法构建复杂电磁环境模型，提高了频谱感知的准确率和实时性；其次，分布式系统架构通过设计健壮的通信协议和算法，结合多传感器融合技术，实现了无人机网络的高效通信和全面环境感知，增强了系统对强干扰和恶劣环境的适应性；此外，引入的高效调制解调技术与编码方式，以及自适应干扰抑制算法和噪声消除技术，进一步提升了数据传输的可靠性和抗干扰能力；这些改进使得无人机在复杂的电子战场环境中能够保持稳定的通信性能，有效提升了其作战效能。[0131] 实施例四，与实施例一的主要区别在于：电子战场环境优化单元的工作步骤包括：[0132] S3.1设计快速频谱切换机制，使无人机在遭遇敌方干扰时能够迅速切换到其他频段进行通信；快速频谱切换机制的设计，包括切换策略、触发条件、备选频段：[0133] S3.1.1切换策略：[0134] 优先频段列表：预先定义一个优先频段列表，该列表基于频段的历史可用性、通信质量以及干扰水平进行排序。当触发切换时，无人机将按照列表的顺序尝试连接到新的频段。[0135] 多频段并行检测：无人机可以同时在多个备选频段上进行频谱感知，以加快切换速度。一旦检测到可用的频段，无人机可以立即切换到该频段。[0136] 自适应切换：根据当前通信需求和干扰情况，无人机可以自适应地调整切换策略。例如，在紧急情况下，无人机可能会选择更快的切换方式，而在通信质量要求较高时，可能会选择更稳定的频段。[0137] S3.1.2触发条件：[0138] 通信质量阈值：设定一个通信质量阈值（如SNR或SINR），当当前频段的通信质量低于该阈值时，触发频谱切换。[0139] 干扰检测：使用频谱感知技术实时监测频段上的干扰水平。当检测到干扰水平超过预设阈值时，触发频谱切换。[0140] 时间触发：在固定时间间隔内（如每隔一段时间或每次通信会话结束后），无人机可以主动进行频谱感知，以评估是否需要切换频段。[0141] S3.1.3备选频段选择[0142] 历史数据：基于历史数据（如频段可用性、通信质量、干扰水平等）选择备选频段。这些数据可以通过长期的频谱感知和通信日志收集获得；[0143] 动态频谱分析：无人机可以根据当前的频谱环境和通信需求，实时分析备选频段的质量和可用性，并选择最适合的频段进行切换；[0144] 协同决策：在无人机集群中，可以通过协同决策来选择备选频段。例如，无人机之间可以共享频谱感知结果和通信质量信息，以共同确定最佳的频段选择。[0145] S3.2引入电子战专用协议和加密技术，确保通信数据的安全性和保密性；[0146] S3.3开发电子侦察和反侦察技，使无人机能够探测敌方通信信号并进行干扰或伪装。[0147] 通过快速频谱切换机制，无人机能够迅速应对敌方干扰，确保通信连续性；引入的电子战专用协议和加密技术，则大幅提升了通信数据的安全性和保密性；此外，电子侦察和反侦察技术的应用，使无人机能够主动探测敌方信号并进行有效干扰或伪装，显著提高了无人机在电子战中的主动性和生存能力。[0148] 实施例五，与实施例一的主要区别在于：评估优化单元的工作步骤包括：[0149] S4.1在实际电子战场环境中测试系统的性能，包括频谱感知准确率、实时性、通信质量和抗干扰能力；[0150] S4.2根据测试结果调整机器学习模型参数、优化传感器融合算法、调整传感器权重、优化通信协议和算法以及调整发射功率和通信频段；[0151] S4.2中调整发射功率和通信频段目的为：在电子战场上，无人机的目标是最大化SINR，以提高通信质量和抗干扰能力；其以通过优化发射功率Pa和选择合适的通信频段和通信模式来实现；[0152] S4.3重复步骤S2.1到S4.2，直至系统性能达到预期要求则停止迭代；停止迭代的标准为：[0153] （1）性能指标达到阈值：设定频谱感知准确率Pacc、频谱感知实时性Treal、通信质量和抗干扰能力的阈值，当系统性能连续多次迭代均达到或超过这些阈值时，认为系统性能达到预期要求，从而终止迭代；[0154] （2）性能提升不再显著：即使性能指标尚未达到预设阈值，但如果连续多次迭代后系统性能的提升非常有限，即为性能提升设定百分比，当性能提升到设定的百分比时则终止迭代；[0155] （3）达到最大迭代次数：为了避免无限循环，设定一个最大迭代次数Dmax，当迭代次数D=Dmax时，无论系统性能如何，都强制终止迭代。[0156] 通过在实际电子战场环境中测试系统性能，并根据测试结果对机器学习模型、传感器融合算法、通信协议和算法进行精细调整，确保了系统能够持续适应和应对复杂多变的电磁环境；特别是针对发射功率和通信频段的优化，能够最大化信噪比和抗干扰能力，极大提升了通信质量和系统稳定性；此外，通过设定性能指标阈值、性能提升百分比和最大迭代次数等停止迭代标准，确保了系统优化的高效性和可控性；这些措施共同提升了无人机在电子战中的生存能力和作战效能，为现代电子战提供了更为可靠和有效的技术支撑。[0157] 同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。[0158] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0159] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

专利地区：北京

专利申请日期：2024-08-08

专利公开日期：2024-10-11

专利公告号：CN118611801B