0 引　言

船舶通信网络运行过程中的数据资源调度主要由大数据资源调度任务和通信节点资源决定^[1,2]，考虑这两者具有一定的不确定性^[3]，由此将导致船舶通信网络工作过程中产生干扰信息，降低船舶通信网络信息传输质量。因此研究一种高效的干扰信息识别方法对于提升船舶通信网络信息传输质量产生重要影响。

罗彬珅等^[4]在研究干扰信息识别问题过程中，采用稀疏自编码器完成高维特征与低维特征的双向映射，构建支持向量机决策模型，向特征输入模型内，采用遗传算法优化模型参数，得到最终识别结果。该方法只适用于低频干扰信息。陈涛等^[5]以聚类算法为基础，结合时间戳识别干扰信息。该方法计算过程较为复杂，实用性较差。李旭等^[6]利用记忆网络对目标实施编码，在此基础上利用softmax实现干扰信息识别。该方法将许多不存在的干扰信息输入了网络模型内导致识别准确性较差。针对上述问题，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方法 1.1 船舶通信网络大数据资源调度

船舶通信网络信息传输过程中，采用三元组模型构建船舶通信网络数据资源调度形式化模型。

三元组描述船舶通信网络信息传输过程中的数据资源调度模型如下式：

$ RM = \left\langle {{E_Q}\left\langle {{E_D}} \right\rangle ,{S_M},{R_P}\left\langle {{R_D}} \right\rangle } \right\rangle 。$

(1)

式中： $ {E_Q}\left\langle {} \right\rangle $ 和 $ {R_P}\left\langle {} \right\rangle $ 分别表示有大数据资源调度任务集合构建的有序队列和用于描述船舶通信网络内不同通信节点资源应用情况的船舶通信系统数据调度资源池，其中 $ {E_Q}\left\langle {} \right\rangle $ 内元素可通过大数据资源调度任务模型 $ {E_D} $ 描述，而 $ {R_P}\left\langle {} \right\rangle $ 内元素可通过通信节点资源模型 $ {R_D} $ 描述； $ {S_M} $ 以 $ {E_Q}\left\langle {} \right\rangle $ 内资源调度任务需求量和 $ {R_P}\left\langle {} \right\rangle $ 内可用资源量为依据，确定满足船舶通信网络运行要求的数据资源调度任务分配资源，同时在船舶通信网络数据资源调度任务结束后回收资源。

通信节点资源模型 $ {R_D} $ 以七元组 $ \left\langle {a_T},{a_{UN}},{a_{IQ}}, \right. $ $\left. {a_{UIN}},{a_{UNN}},{m_T},{m_U} \right\rangle $ 形式表示，其中 $ {a_T} $ 和 $ {a_{UN}} $ 分别表示CPU核心数总值和已使用的CPU核心数； $ {a_{IQ}} $ 和 $ {a_{UIN}} $ 分别表示交互式分析类任务的CPU资源额定占比和已获取的CPU核心数据， $ {a_{UNN}} $ 和 $ {m_T} $ 分别表示普通类任务已获取的CPU核心数据和节点内存总量， $ {m_U} $ 表示已用内存量。

1.2 大数据资源调度下船舶通信网络干扰信息特征采集 1.2.1 船舶通信网络干扰信息特征识别矩阵构建

在大数据资源调度下船舶通信网络干扰信息识别过程中，需构建船舶通信网络干扰信息特征识别矩阵，将干扰信息映射至相同特征描述空间，由此获取维数相同的特征向量。以 $ C $ 表示大数据资源调度下船舶通信网络干扰信息特征识别参数，其表达式为：

$ C = \frac{{\displaystyle\sum\limits_i {\displaystyle\sum\limits_j {\left| {x\left( {i,j} \right)} \right|} } }}{{ZO}} 。$

(2)

式中， $ Z $ 和 $ O $ 分别表示船舶通信网络干扰信息的字符长度与语义特征， $ x\left( {i,j} \right) $ 表示特征描述空间内船舶通信网络干扰信息的映射位置坐标，其中 $ i $ 和 $ j $ 分别为横坐标和纵坐标。

通过式（2）能够获取船舶通信网络干扰信息特征识别投影，由此可提取大数据资源调度下船舶通信网络内干扰信息瞬时特征。

1.2.2 干扰信息瞬时特征提取

考虑船舶通信网络的实时性要求，在构建干扰信息特征识别矩阵基础上，将几何特征、匹配特征和语义特征等作为干扰信息瞬时特征指标，实施离散化处理，以 $ K $ 表示离散化处理后的船舶通信网络干扰信息瞬时特征，其表达式为：

$ K = \sqrt {R{\phi ^2} + B{\mu ^2}\left( {F\left( \partial \right)} \right)} 。$

(3)

式中： $ R $ 和 $ \xi $ 分别表示船舶通信网络干扰信息的波动幅度谱和离散系数； $ B $ 和 $ \mu $ 分别表示船舶通信网络干扰信息的频谱和时域特征， $ F $ 和 $ \partial $ 分别表示波动信息的归一化处理函数与干扰信息的数量。

依照式（3）能够得到船舶通信网络干扰信息的空间峰值比，以 $ \bar K $ 表示，其表达式为：

$ \bar K = \frac{{N \times J\left( \partial \right)}}{{{K^2}}} 。$

(4)

式中， $ N $ 和 $ J $ 分别表示船舶通信网络干扰信息的波动幅度和大数据资源调度下船舶通信过程中全部干扰信号波动幅度总值。

在获取 $ \bar K $ 后，选取Welch平均周期法，采集大数据资源调度下船舶通信网络内干扰信息瞬时特征系数，以 $ \xi $ 表示该系数，其表达式为：

$ \xi = \frac{1}{N} \times \bar K\left( {X\left( \varepsilon \right)} \right)。$

(5)

式中， $ X $ 和 $ \varepsilon $ 分别表示对应阶次和增益效果。

1.3 基于神经网络的干扰信息识别模型构建

基于单极Sigmoid函数构建3层神经网络的干扰信息识别模型，该模型内输入层、隐层和输出层的神经元数量分别为 $ m $ 个、 $ k $ 个和 $ n $ 个。隐层神经元的单极Sigmoid激励函数能够确保该模型的逼近性能，同时采用权值直接确定法确定隐层与输出层间的权值能够显著提升模型的收敛速度，并有效解决模型学习过程中形成的振荡问题。

以 $ \left\{ {\left( {{X_i},{Y_i}} \right)} \right\}_{i = 1}^G $ 表示样本集内的 $ G $ 个样本数据，利用式（6）表示输入样本 $ {X_i} $ （即大数据资源调度下船舶通信网络内干扰信息的瞬时特征）、输出样本 $ {Y_i} $ （即船舶通信网络内干扰信息识别结果）和神经网络的网络输出 $ {\theta _i} $ ：

$ \left\{ \begin{gathered} {X_i} = {\left[ {{x_{i1}},{x_{i2}}, \cdots {x_{im}}} \right]^{\rm{T}}} \in {R^m}，\\ {Y_i} = {\left[ {{y_{i1}},{y_{i2}}, \cdots {y_{in}}} \right]^{\rm{T}}} \in {R^n}，\\ {\theta _i} = {\left[ {{\theta _{i1}},{\theta _{i2}}, \cdots {\theta _{in}}} \right]^{\rm{T}}} \in {R^n}。\\ \end{gathered} \right. $

(6)

由此可通过下式描述单极Sigmoid函数神经网络的输出平均误差：

$ AE = \frac{{\left( {\displaystyle\sum\limits_{i = 1}^G {{{\left\| {{Y_i} - {\theta _i}} \right\|}^2}} } \right)}}{{Gn}} 。$

(7)

式中， $ \left\| \cdot \right\| $ 表示向量的二范数。

单极Sigmoid函数神经网络内，以 $ {\tau _j} $ 和 ${f_{ij}} = $ $ S\left( {\displaystyle\sum\limits_{l = 1}^m {{x_{il}}{u_{il}} - {\tau _j}} } \right) $ 分别表示第 $ j $ 个隐层神经元的随机阈值和输入第i个样本条件下第 $ j $ 个隐层神经元的输出，其中 $ i = 1,2, \cdots ,N $ ， $ j = 1,2, \cdots ,k $ 。由此，可通过下式描述单极Sigmoid函数神经网络的输入受激励矩阵：

$ F = \left[ \begin{array}{*{20}{c}} {f_{11}}&{f_{12}}&{ \cdots}&{f_{1k}} \\ {f_{21}}&{f_{22}}&{ \cdots }&{f_{2k}}\\ { \vdots }&{ \vdots }&{}& \vdots \\ {f_{N1}}&{f_{N2}}&{ \cdots }&{f_{Nk}} \\ \end{array} \right]。$

(8)

依照神经网络结构，利用下式表示目标输出矩阵：

$ Y = \left[ \begin{array}{*{20}{c}} {y_{11}}&{y_{12}}&{ \cdots }&{y_{1n}} \\ {y_{21}}&{y_{22}}&{ \cdots }&{y_{2n}} \\ { \vdots }&{ \vdots}&{}& \vdots \\ {y_{N1}}&{y_{N2}}&{ \cdots }&{y_{Nn}} \\ \end{array} \right] = {R^{n \times N}}。$

(9)

利用下式能够进一步描述隐层与输出层的权值矩阵：

$ \begin{split} W =& \left[ {{W_1},{W_2}, \cdots ,{W_n}} \right] = \\ & \left[ \begin{array}{*{20}{c}} {w_{11}}&{w_{12}}&{ \cdots}&{w_{1n}} \\ {w_{21}}&{w_{22}}&{ \cdots}&{w_{2n}} \\ { \vdots}&{ \vdots }&{}& \vdots \\ {w_{k1}}&{w_{k2}}&{ \cdots }&{w_{kn}} \\ \end{array} \right] = {R^{n \times k}} \end{split}。$

(10)

基于上述描述，可利用下式直接确定单极Sigmoid函数神经网络隐层至输出层权值：

$ W = {F^ + }Y 。$

(11)

式中， $ {F^ + } $ 表示矩阵 $ F $ 的伪逆阵。

2 研究结果 2.1 干扰信息识别结果

采用本文方法对研究对象通信数据中的低频、中频和高频干扰信息进行识别，所得结果如图1～图3所示。

可知，采用本文方法能够有效识别实验对象通信数据中所包含的低频、中频和高频干扰信息，这表示本文方法对于实验对象通信过程中所产生的干扰信息有较好的识别效果。

2.2 神经元数量对于干扰信息识别结果的影响

本文方法中采用神经网络模型进行干扰信息识别，神经元数量对于干扰信息识别结果产生显著影响。表1为不同神经元数量条件下，本文方法对于低频、中频和高频干扰信息的识别性能。

分析可知，在低频、中频和高频干扰信息识别过程中，当神经元数量较少（5个）的条件下，学习与测试的准确率较低，但迭代时间较短；当神经元数量较少（9个）的条件下，学习与测试的准确率较高，但迭代时间较长；当神经元数量为7的条件下，学习与测试的准确率与神经元数量为9时较为接近，且迭代时间与神经元数量为5时较为接近。由此说明采用本文方法识别研究对象干扰信息时，神经网络输入层神经元数量为7时，识别性能最优。

2.3 通信数据的同步率

为进一步验证本文方法的识别性能，以文献[4]中基于SAE-GA-SVM模型的方法和以文献[6]中基于循环神经网络的方法为对比方法，以同步率为识别精度指标，同步率越高说明干扰信息识别精度越高。分析本文方法与2种对比方法针对研究对象干扰信息的识别性能，结果如表2所示。

可知，基于SAE-GA-SVM模型的方法在低频干扰信息识别效果上略优于本文方法，但在中频和高频干扰信息识别效果上低于本文方法，而基于循环神经网络的方法在各频段干扰信息的识别效果上均低于本文方法，由此能够说明本文方法的同步率更高。

2.4 通信信息传输效率分析

图4为采用本文方法识别干扰信息前后，研究对象信息传输效率的对比情况。

分析可知，与采用本文方法前相比，采用本文方法对测试对象干扰信息进行识别后，可有效清除测试对象信息传输过程中的干扰信息，不仅能够提升通信信息的安全性，同时还能够显著提升信息的传输效率。实验结果表明，本文方法对确保研究对象通信性能具有重要作用。

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，针对船舶通信网络数据资源调度下，通信网络运行过程中产生的干扰信息，采用神经网络构建识别模型，完成干扰信息的识别。结果显示本文方法具有较好的识别性能，能够保障船舶通信网络的通信质量。