0 引　言

舰船行驶过程中，动力系统不间断振动，形成大量周期性干扰信号，即舰船辐射干扰信号^[1-3]。舰船行驶环境较为复杂，舰船行驶过程中不仅存在大量辐射信号，同时存在大量干扰信号。舰船采用网络通信时，需要检测通信信号中包含的辐射以及干扰信号，通过辐射干扰信号检测提升舰船通信性能^[4-6]。

目前针对舰船辐射干扰信号检测的方法较多，李楠等^[7]通过舰船辐射噪声线谱Duffing振子的检测，明确舰船通信过程中存在的噪声信号，李清等^[8]针对舰船通信时的水下辐射噪声进行研究。以上2种方法均可以实现舰船通信中的干扰噪声检测，但存在未考虑干扰信号瞬时特征的缺陷，导致辐射干扰噪声检测精度较差。

针对网络通信过程中容易存在离群点问题，检测舰船辐射干扰信号研究面向大数据网络的舰船辐射干扰信号检测方法。通过实验验证该方法具有较高的舰船辐射干扰信号检测有效性，可以精准检测舰船网络中包含的辐射干扰信号。

1 面向大数据网络的舰船辐射干扰信号检测方法 1.1 舰船网络的并行离群点检测

舰船采用网络通信时，信道中包含海量数据，数据维度多^[9]，需要检测舰船大数据通信网络中的离群点。将大规模信号集划分为众多子集，实现网络内信号集的有效分割。为了避免信号集分割时由于硬分割导致离群点检测准确率降低，网络离群点检测时，需要选取合理的划分策略分割网络中的信号集。

网络中的信号集选取软硬结合的划分策略分割。采用硬分割方法分割舰船网络中的信号集，选取K均值聚类算法处理舰船网络中的信号集，获取类簇数量为 $ n $ 。c_i表示所划分各类簇的聚类中心，B_i表示各类簇完成分割后的核心集。通过建立舰船网络信号集核心集扩展集的方式实现舰船网络信号集的软分割，设置冗余数据点添加于核心集外建立扩展集^[10]，通过所添加的冗余数据点保证核心集内各数据点的K近邻不丢失。计算各核心集内与聚类中心c_i最远数据点的距离，获取的计算结果即通过聚类获取的该类簇的簇半径为：

$ {r_i} = \max \left\{ {d\left( {{x_1},{c_i}} \right), \cdots ,d\left( {{x_m},{c_i}} \right)} \right\} 。$

(1)

式中： $ x $ 表示核心集内数量共 $ m $ 个的数据点； $ d $ 表示不同元素间的距离。

扩展核心集获取扩展集表达式如下：

$ {B_i}^\prime = \left\{ {x = \left\| x \right\| - \left\| {{c_i}} \right\| \leqslant {r_i} + {r^{Ex}}} \right\}。$

(2)

式中， $ {r_i} $ 与 $ {r^{Ex}} $ 分别表示所增加的扩展数据点以及扩展系数。

舰船网络信号集的冗余集为：

$ B_i^ * = {B_i}^\prime - {B_i} 。$

(3)

由以上过程可知，针对舰船网络信号集，通过硬分割以及软分割分别获取核心集以及扩展集 $ {B_i}^\prime $ ，核心集位于扩展集内，同时存在 $ B = {B_1} \cup {B_2} \cup \cdots \cup {B_n} $ ， $ {B_i} \cap {B_j} $ 为空， $ B = {B'_1} \cup {B'_2} \cup \cdots \cup {B'_n} $ 。

通过以上过程将舰船网络信号集划分为互相重叠的子集数量为 $ n $ ，核心集的近K邻信息在扩展系数取值最佳时最完整^[11]，有效避免仅采用硬分割造成的离群点检测精度较低的缺陷。

通过大数据技术的并行算法提升离群点检测效率。 $ {X_i} $ 与 $ KN{N_K}\left( {{X_i}} \right) $ 分别表示舰船网络信号集内随机数据点以及K个最近邻，存在 $ {N_j} \in KN{N_K}\left( {{X_i}} \right) $ 。信号集内各数据的离群度为：

$ {O_{{X_i}}} = \sum\limits_{j = 1}^k w d\left( {{X_i},{N_j}} \right)。$

(4)

式中， $ w $ 表示信号元素的权重。

利用式(4)计算数据所划分的各信号集内全部元素的离群度。针对信号 $ X $ ，将该信号的K个最近邻距离之和设置为该信号权重，通过以上过程体现舰船网络信号集内不同信号点邻域的稀疏程度。舰船网络信号集中包含元素数量为 $ m $ 个时，分别计算不同信号元素的离群度，离群度较高的元素，即舰船网络信号集离群点，删除离群点提升舰船辐射干扰信号检测精度。

1.2 舰船辐射干扰信号特征提取

采用Hilbert变换方法与小波包方法结合，通过包络解调方式提取舰船辐射干扰信号特征。舰船辐射干扰信号的调制现象存在于一个或多个频段内，不同频段存在差异调制强度。将舰船辐射干扰信号利用小波包技术分解为带宽相同、不同频段的子小波包，采用Hilbert变换方法对完成分解的不同频段的子小波包实施包络解调处理，获取不同频带内舰船辐射干扰信号特征。依据网络的舰船辐射干扰信号采样频率确定小波包分解层数，小波包分解采样信号，获取不同频段的子空间信号。小波包分解舰船辐射干扰信号表达式如下：

$ {\phi _{2n}}\left( t \right) = \sqrt 2 \sum\limits_k {{h_k}{\phi _n}2t - k{h_k}{\phi _n}} ，$

(5)

分解后的舰船辐射干扰信号重构递归表达式如下：

$ {\phi _n}\left( {2t} \right) = \sqrt 2 \sum\limits_k {{{\bar h}_{2k + 1}}{\phi _{2n}}t} + \sqrt 2 \sum\limits_k {{{\bar g}_{2k + 1}}{\phi _{2n + 1}}k}。$

(6)

式中：h_k与g_k分别表示低通滤波器与高通滤波器； $ k $ 与 $ t $ 分别表示信号序号以及信号时长。

通过小波包分解过程可以看出，小波包分解方法将舰船辐射干扰信号通过低通滤波器h_k以及高通滤波器g_k建立的二通道滤波器重组后实施二抽一采样，将舰船辐射干扰信号分解为不同频段内的信号。

Hilbert包络解调方法是将处于高频以及中频的低频信息，解调至低频区域实施分析处理^[14]，提取信号中包含隐含信息的重要过程。设窄带调幅信号表达式如下：

$ x\left( t \right) = {A_0}\left[ {1 + {\beta _0}\cos 2\pi \cos {f_0}t} \right]\cos {f_c}t。$

(7)

式中： $ {\ \beta _0} $ 表示调制深度； $ {f_c} $ 与 $ {A_0} $ 分别表示调幅信号的调制频率以及幅度。

存在 $ {f_0} < < {f_c} $ ，信号 $ x\left( t \right) $ 的Hilbert变换表达式如下：

$ \hat x\left( t \right) = {A_0}\left[ {1 + {\beta _0}\cos 2\pi \cos {f_0}t} \right]\sin {f_c}t ,$

(8)

获取舰船辐射干扰的解析信号表达式如下：

$ y\left( t \right) = x\left( t \right) + \hat x\left( t \right)，$

(9)

舰船辐射干扰信号的包络表达式如下：

$ \left| {y\left( t \right)} \right| = {A_0}t\left| {{\beta _0}\cos 2\pi \cos {f_0}} \right|。$

(10)

式(10)获取的结果即所提取的面向网络的舰船辐射干扰信号特征。

1.3 舰船辐射干扰信号检测

依据所提取的舰船辐射干扰信号特征，利用自组织特征映射神经网络实现舰船辐射干扰信号检测。采用所提取的舰船辐射干扰信号特征作为训练样本输入自组织特征映射神经网络输入层，计算输入的训练样本与自身神经元间的欧式距离，具有最小欧式距离的神经元即所需保留的神经元。更新保留的神经元以及邻近神经元权向量，不断重复以上过程^[15]，直至样本数据与权向量间的误差最低，完成收敛。利用完成训练的自组织特征映射神经网络检测面向网络的舰船辐射干扰信号。

1）初始化

随机设置自组织特征映射神经网络连接权值初始值。

2）输入向量至网络中

将所需检测的网络中舰船通信样本 $X = ( {x_1}\left( t \right),{x_2}\left( t \right), \cdots , $ $ {x_m}\left( t \right) )^{\rm{T}}$ 输入神经网络输入层。

3）搜寻获胜节点

通过映射层计算内神经元权值向量和输入向量间欧式距离表达式如下：

$ d = \sqrt {\sum\limits_{i = 1}^m {{X_i}{{\left( t \right)}^2}} } - \sqrt {\sum\limits_{i = 1}^m {{w_{ij}}{{\left( t \right)}^2}} } 。$

(11)

式中，w_ij表示输入层以及映射层神经元 $ i $ 与 $ j $ 的权值。

4）权值修正

具体为

$ {w_{ij}}\left( {t + 1} \right) = {w_{ij}}\left( t \right) + \theta \left( t \right){x_i}q\left( t \right) - \theta \left( t \right){w_{ij}}\left( t \right) 。$

(12)

式中：θ(t)与q(t)分别表示学习速率以及邻域函数。

5）迭代次数加1，返回至步骤2直至学习速率达到设定值或满足最大次数，终止迭代。此时的输出结果即舰船辐射干扰信号检测结果。

2 实例分析

采用Matlab软件模拟该船舶运行时的网络通信情况，软件模拟过程中，在网络舰船航行信号中加入水动力辐射干扰信号、螺旋桨辐射干扰信号以及机械辐射干扰信号。加速比是衡量网络通信性能以及并行性能的重要指标。在不同数据量时，不同扩展系数时的加速比如图1所示。从图1可知，伴随数据量增加，网络通信加速比提升。扩展系数为2时，大数据网络通信加速比明显高于其他扩展系数。数据规模越大，本文方法的加速比提升幅度更加明显，说明本文方法适用于舰船大数据网络中，面对海量数据仍具有较高的通信稳定性。采用本文方法检测面向大数据网络的舰船辐射干扰信号时，设置扩展系数为2。

设置采样点数为1500个，在舰船辐射干扰信号中加入大小为10 dB的高斯噪声，采用本文方法对信号实施去噪处理，处理前后舰船辐射干扰信号变化如图2所示。从图2可以看出，采用本文方法可以有效去除舰船辐射干扰信号中的噪声信号，提升舰船辐射干扰信号检测性能。

不同类型舰船辐射干扰信号的归一化处理结果如图3所示。从图3可知，本文方法可以实现舰船辐射干扰信号的有效解调，成功解调舰船辐射干扰信号的调制线谱，验证了本文方法可以有效获取不同类型舰船辐射干扰信号特征，证明舰船辐射干扰信号存在振幅调制情况。

本文方法的舰船辐射干扰信号检测结果如表1所示。从表1可知，本文方法可以有效检测水动力、螺旋桨等不同类型的舰船辐射干扰信号，检测结果与实际舰船辐射干扰信号结果极为接近，可以精准检测舰船辐射干扰信号。

3 结　语

舰船航行进行通信时，面临着众多辐射与干扰，精准检测舰船辐射干扰信号可以提升舰船航行过程中的通信可靠性，为此本文提出面向大数据网络的舰船辐射干扰信号检测方法，并通过实验验证了该方法可以有效检测舰船通信时信号受到的辐射干扰，舰船通信管理人员可以依据辐射干扰信号检测结果制定管理措施，提升舰船网络通信可靠性。