0 引　言

船舶通信网络具备较强的开放性，能够为船舶的航行提供众多便利和帮助，为船舶的航行提供安全保障^[1]。但是由于通信环境、设备等多种因素的影响，存在多种干扰信息^[2]。导致船舶的航行存在风险^[3]。因此，有效识别出船舶通信网络中的干扰信息，是保证通信质量、船舶正常航行至关重要的内容。

因此，本文针对船舶的航行环境、特点等，研究大数据资源调度下船舶通信网络干扰信息识别方法。

1 船舶通信网络干扰信息识别 1.1 船舶通信网络干扰信息识别方法框架

为了有效完成船舶通信网络干扰信息的识别^[4]，采用数据挖掘方法获取船舶通信网络信息中的干扰信号并形成数字化通信数据信息，基于干扰信息完成该干扰信号的瞬时特征提取，采用Wigner-Ville分布方法和奇异值分解算法对该信号实行处理，降低其维度并完成特征融合^[8]，采用大数据分析技术的Softmax回归模型完成船舶通信网络干扰信息识别。整个识别框架如图1所示。

1.2 通信网络干扰信息特征提取 1.2.1 特征参数获取

由于干扰信息具备时变性、不稳定性以及变化性等，利用干扰信息通过大数据资源调度获取干扰信息中的干扰信号特征指标，结合几何、空间、距离等特征指标，提取干扰信息中的时频特征以及时域特征。

采用离散化方式对干扰信息实行处理，使其满足表1的信号特征指标，其计算公式为

$ R\left( n \right) = \sqrt {R{e^2} + l{m^2}\left( {F\left( n \right)} \right)} 。$

(1)

式中： $ R\left( n \right) $ 表示干扰信号的波动幅度谱； $ R{e^2} $ 表示离散系数； $ F\left( n \right) $ 表示干扰信息频谱。

依据大数据资源调度获取干扰信息的时域特征，求解干扰信息的空间峰值比，其计算公式为：

$ \bar R = N \cdot \frac{{J\left( n \right)}}{{{{\left| {R\left( n \right)} \right|}^2}}} 。$

(2)

式中： $ \bar R $ 表示空间峰值比； $ N $ 表示干扰信息存在的数量；船舶通信过程中， $ J\left( n \right) $ 表示由全部干扰信号产生的波动幅度总和。

为获取干扰信息的特征系数，采用Welch平均周期法完成，其计算公式为：

$ F\left( n \right) = \frac{{\bar R\left( {X\left( p \right)} \right)}}{N}。$

(3)

式中： $ F\left( n \right) $ 表示特征系数； $ X\left( p \right) $ 表示其对应阶次。

为使提取的特征参数更精准，对 $ F\left( n \right) $ 实行保留计算，以此保证船舶通信时的增益效果，并且采用备份的方式对提取的特征参数实行处理以及滤波降噪，保证特征参数的精准。

1.2.2 特征参数分析

完成特征参数获取后，对其实行平滑修正处理，本文采用Wigner-Ville分布方法完成，其公式为：

$ {W_z}\left( {t,\omega } \right) = \int_{ - \infty }^{ + \infty } {F\left( n \right)z\left( {t + \frac{\tau }{2}} \right){z^ * }} \left( {t - \frac{\tau }{2}} \right){e^{ - j\omega t}}{\rm{d}}\tau。$

(4)

式中： $ \tau $ 表示时滞； $ \left( {t + \dfrac{\tau }{2}} \right){z^ * }\left( {t - \dfrac{\tau }{2}} \right) = {R_z}\left( {t,\omega } \right) $ ，表示局部相关函数，因此公式（4）也可看作干扰信号 $ z\left( t \right) $ 的双线性变换处理。

由于其具备双线性特性，导致多个信号混合重叠后，Wigner-Ville时频和时域特征分布中会存在交叉项，对平滑的伪Wigner-Ville分布实行修正，可实现时频、时域分布时交叉项的抑制，其公式为：

$ \begin{split} {S_z}\left( {t,\omega } \right) =& \int_{ - \infty }^{ + \infty } {\int_{ - \infty }^{ + \infty } {F\left( n \right)g\left( u \right)} } h\left( \tau \right) \cdot z\left( {t - u + \frac{\tau }{2}} \right) \cdot \\ & \left( {t - u + \frac{\tau }{2}} \right){e^{ - j\omega t}}{\rm{d}}\tau {\rm{d}}u 。\end{split} $

(5)

式中： $ g\left( u \right) $ 和 $ h\left( \tau \right) $ 均表示窗函数。

修正后，能够可靠完成双线性的处理，但是不会导致特征参数中其他性质的改变，会提升时频、时域分布特征。因此，对公式（5）重新排列，得出：

$ \begin{split} {M_z}\left( {t,\omega } \right) =& \int_{ - \infty }^{ + \infty } {F\left( n \right)\int_{ - \infty }^{ + \infty } {{S_z}\left( {t',\omega '} \right)} } \cdot \\ &\delta \left[ {t - \overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{t} \left( {t{'},\omega {'}} \right)} \right]\delta \left[ {\omega - \overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{\omega } \left( {t{'},\omega {'}} \right)} \right]{\rm{d}}t{'}{\rm{d}}\omega {'} 。\end{split} $

(6)

式中： $ \overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{t} \left( {t',\omega '} \right) $ ， $ \overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{\omega } \left( {t',\omega '} \right) $ 分别表示重新排列后获取的时间和频率点。依据上述公式即可获取幅值信息，并将该信息用于描述时频图、时域图。

1.2.3 特征融合

$ D $ 表示设干扰信息特征数据， $ C $ 表示类别数量，从时频图、时域图中获取两者对应的特征矩阵，分别用 $ X \in {R^{p \times n}} $ 和 $ Y \in {R^{q \times n}} $ 表示，其中 $ p $ 、 $ q $ 均表示特征向量维数， $ n $ 表示特征数量。依据类别对 $ X $ 的 $ n $ 实行划分，每一类的数量用 $ {n_i} $ 表示，第 $ i $ 类中的第 $ j $ 个特征的向量用 $ {x_{ij}} \in X $ 表示，则全部类别特征的向量平均值用 $ \bar x = \displaystyle\frac{1}{n}\sum\limits_{i = 1}^c {{n_i}} {\bar x_i} $ 表示。

特征类别之间的散度矩阵公式为：

$ {S_{bx\left( {p \times p} \right)}} = {\Phi _{bx}}\Phi _{bx}^{\rm{T}}。$

(7)

式中： ${\Phi _{bx}} = \left[ {\sqrt {{n_1}} \left( {{{\bar x}_1} - \bar x} \right),\sqrt {{n_2}} \left( {{{\bar x}_2} - \bar x} \right),\cdots,\sqrt {{n_c}} \left( {{{\bar x}_c} - \bar x} \right)} \right]$ 。

如果 $ {H_{bx}} = {\Phi _{bx}}Q{\Lambda ^{{{ - 1} \mathord{\left/ {\vphantom {{ - 1} 2}} \right. } 2}}} $ ，其中， $ Q $ 表示矩阵，基于此，可实现 $ {S_{bx\left( {p \times p} \right)}} $ 矩阵的转换，形成单位矩阵，对 $ X $ 实行降维处理，得出：

$ {S_{bx}} = H_{bx}^{\rm{T}}{S_{bx}}{H_{bx}}，$

(8)

$ {X'_{\left( {r \times n} \right)}} = {\left( {H_{bx}^{\rm{T}}} \right)_{\left( {r \times n} \right)}} \cdot {X_{\left( {p \times n} \right)}} 。$

(9)

式中： $ X' $ 表示空间内 $ X $ 的投影； $ r $ 表示投影后的特征维度，即降维后维度。

将公式（7）代入公式（8）中得出：

$ {S'_{bx}} = {\Phi {'}_{bx}}\Phi {'}_{bx}^{\rm{T}}。$

(10)

式中： $ {\Phi '_{bx}} = H_{bx}^{\rm{T}}{\Phi _{bx}} $ 为正交矩阵。

同理，即可获取 $ Y $ 的投影矩阵，其公式为：

$ {Y'_{\left( {r \times n} \right)}} = {\left( {H_{bx}^{\rm{T}}} \right)_{\left( {r \times q} \right)}} \cdot {Y_{\left( {q \times n} \right)}} 。$

(11)

式中：空间内 $ Y $ 的投影用 $ Y' $ 表示。

依据上述步骤即可完成时频和时域特征的投影，获取投影结果 $ X' $ 和 $ Y' $ ，对特征类别之间的散度矩阵实行单元化处理后^[12]，需获取两者之间的协方差矩阵 $ {S'_{xy}} $ ，并对其实行奇异值分解，采用级联或者求和的方式实现特征融合，计算公式分别为：

$ Z = \left( {\begin{array}{*{20}{c}} {{H_x}}&0 \\ 0&{{H_y}} \end{array}} \right)\left( {\begin{array}{*{20}{c}} X \\ Y \end{array}} \right)，$

(12)

$ Z = \left( {\begin{array}{*{20}{c}} X \\ Y \end{array}} \right){\left( {\begin{array}{*{20}{c}} {{H_x}} \\ {{H_y}} \end{array}} \right)^{\rm{T}}} 。$

(13)

式中： $ Z $ 表示融合后的干扰信息特征。

1.3 干扰信息识别

为避免该算法在训练过程中发生过拟合现象，保证识别结果的可靠程度，采用在算法中引入知识图谱，获取改进的Softmax回归算法，完成船舶通信网络干扰信息识别，识别方法结构如图2所示。

将融合后的干扰信息特征 $ Z $ 作为识别方法的输入，通过方法的传递学习，完成干扰信息的识别，其计算公式为：

$ I = {Z_1}{E_1} \oplus {Z_2}{E_2} \oplus \cdots \oplus {Z_n}{E_n} ，$

(14)

$ {y_i} = softmax\left( {{M_i}} \right) = {e^{{M_i}}}/\sum\limits_{j = 1}^n {{e^{{M_j}}}}。$

(15)

式中： $ {Z_1},{Z_2}, \cdots {Z_n} $ 表示归一化处理后的特征参数值； $ \oplus $ 表示向量拼接； $ {E_1},{E_2}, \cdots ,{E_n} \in {R^{1 \times 10}} $ 表示姿势图谱中嵌入向量； $ I $ 表示线性变换层的输入； $ {M_i} $ 表示 $ M $ 的第 $ i $ 元素，其经过Softmax 函数处理后的结果用 $ {y_i} $ 表示，即船舶通信网络干扰识别结果。

该方法在运算过程中，依据输入和输出结果构建损失函数，文中采用交叉熵损失函数，其公式为：

$ oss = \sum\limits_{{{\hat y}_i} \in \hat y,{y_i} \in y} { - \left[ {{{\hat y}_i}\log \left( {{y_i}} \right) + \left( {1 + {{\hat y}_i}} \right)\log \left( {1 - {y_i}} \right)} \right]} $

(16)

式中： $ \hat y $ 表示输入的特征标签向量，表示输入特征对应的类别，其中的第 $ i $ 个元素用 $ {\hat y_i} $ 表示。

2 测试分析

采用Matlab软件进行仿真模拟测试。仿真的船舶通信网络通道数量6条，节点数量30个，节点能耗为52.6 mW，测试时选取某船舶公司的通信网络数据作为研究对象，该数据总量2000 MB，输入不同的干扰信息。

采用本文方法提取实验数据中包含的5种干扰信息特征，获取每一种干扰信息的时域和时频特征，结果仅随机呈现其中1种干扰信息特征的提取结果，如图3所示。

分析可知，采用本文方法能够提取船舶通信网络中干扰信息的时域和时频特征，可依据各个信号的幅值波动范围，确定干扰信号的类别。因此，本文方法具备良好的船舶通信网路干扰信息特征提取效果，为干扰信息的识别提供依据。

为测试本文方法对船舶通信网络中干扰信息的识别效果，通过你6条信道进行2000 MB数据通信，在通信过程中，随机加入5种干扰信号，采用本文方法对干扰信号实行识别，获取识别结果，如图4所示。

分析可知，在船舶数据通信过程中，随机加入各类干扰信息，本文方法能够有效识别出通信网络中的5类干扰信息，是由于本文方法在识别过程中，结合大数据处理技术，提取干扰信息特征，并且对提取的特征实行融合，进一步提高干扰信息的特征提取效果，保证本文方法的干扰信息识别精度。

本文方法在船舶管理中和船舶航行监控中的应用结果，如图5和图6所示。

分析可知，本文方法应用后，对于船舶的管理和航行监控具备极大作用，船舶通信干扰信息的有效识别后，可对干扰信息实行处理，保证数据通信的实时性、有效性和完整性。

3 结　语

本文研究大数据资源调度下，船舶通信网络干扰信息识别方法，能够有效提取船舶通信网络品种的干扰信息特征，能够识别出通信网络中的各类干扰信息类别，保证通信网络的通信效果和通信质量，在船舶管理和监控中应用性较好。