1.本发明涉及电磁干扰效应评估技术领域，特别是涉及一种无人机数据链电磁干扰效应评估方法及系统。
背景技术：2.随着无人机技术的进步和成本降低，无人机系统在军用、农林、执法等应用领域发展迅猛，无人机使用数据链设备来控制和传递数据，对于超视距的中远程无人机来说，数据链通信的可靠性尤其重要。然而空间中可能存在的有意或无意的大功率电磁干扰，导致数据链通讯稳定性受到威胁，因此对无人机数据链的智能化和自主化程度提出了更高的要求。
3.电磁干扰对数据链的电磁效应建模，通常使用单一且特定的干扰类型提取干扰特征，然而在复杂电磁环境中，干扰类型具有多样性，难以用固定的参数进行表征，另外数据链受干扰的程度不仅与干扰源类型和功率有关，还与数据链工作距离有关。目前的电磁干扰效应建模方法研究主要包括：仿真分析法、机理建模法、机器学习方法。仿真分析法和机理建模法依赖于对受试系统结构详细的先验知识，模型的可扩展性存在一定的局限，难以在充满变化的实际场景中得到应用。随着人工智能在各领域的发展，机器学习方法在电磁兼容和通信领域也引起了学者的广泛关注和应用。
4.卷积神经网络是hubel和wiesel通过研究猫大脑皮层神经元的局部敏感和定向选择而提出的，由于网络避免了对图像进行复杂的预处理，具有一定的深度学习能力，它可以直接输入原始图像，因此得到了广泛的应用。但随着网络层数的加深，超参数维数的复杂度也大大增加，需要采取一定的方法选取最优化的超参数组合。一般来说，超参数优化有许多方法，比如：手动调参、网格搜索和贝叶斯优化方法等，但是这些方法在对卷积神经网络进行超参数调整时收敛速度和评估准确度低造成后续进行干扰评估时得到的干扰性能等级准确度低。
技术实现要素：5.本发明的目的是提供一种无人机数据链电磁干扰效应评估方法及系统。本发明提供的电磁干扰效应评估方法可以提高模型的收敛速度和评估准确度，评估得到的无人机数据链干扰性能等级可以用于评估无人机数据链的受扰程度，为后续采取抗干扰措施提供决策依据。
6.为实现上述目的，本发明提供了如下方案：
7.一种无人机数据链电磁干扰效应评估方法，包括：
8.获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；
9.根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型；
10.根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。
11.可选地，所述获取待训练无人机数据链的数据集，具体包括：
12.获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率；
13.根据所述电磁信号的iq数据得到电磁干扰时频谱图；
14.根据所述性能参数得到数据链性能参数直方图。
15.可选地，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第二最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接。
16.可选地，所述根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型具体包括：
17.将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级；
18.以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
19.一种无人机数据链电磁干扰效应评估系统，包括：
20.获取模块，用于获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；
21.超参数调整模块，用于根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型；
22.训练模块，用于根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。
23.可选地，所述获取模块具体包括：
24.获取单元，用于获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率；
25.时频谱图确定单元，用于根据所述电磁信号的iq数据得到电磁干扰时频谱图；
26.直方图确定单元，用于根据所述性能参数得到数据链性能参数直方图。
27.可选地，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第一最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接。
28.可选地，所述超参数调整模块，具体包括：
29.初始化单元，用于将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级；
30.超参数调整单元，用于以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
31.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明包括获取待训练无人机数据链的数据集，数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；根据待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型；根据待训练无人机数据链的数据集对ssa-dcnn模型进行训练得到ssa-dcnn预测模型，ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级，采用ssa算法对双通道卷积神经网络的超参数进行调优可以提高模型的收敛速度和评估准确度。
附图说明
32.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
33.图1为本发明实施例提供的无人机数据链电磁干扰效应评估方法流程图；
34.图2为本发明实施例提供的ssa-dcnn模型预测的原理图；
35.图3为本发明实施例提供的注入式数据链电磁干扰采集系统结构框图；
36.图4为本发明实施例提供的ssa-dcnn模型预测的流程图；
37.图5为dcnn模型和ssa-dcnn模型的损失函数值对比图；
38.图6为dcnn模型和ssa-dcnn模型的均方根误差值对比图。
具体实施方式
39.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。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
41.麻雀搜索算法(sparrow search algorithm,ssa)是从麻雀的觅食和反捕食行动出发的一种基于仿生的群体设计优化方法，具有寻优能力强，收敛速度快、稳定性强的优点，可以应用于模型的超参数优化，基于此本发明实施例提供了一种无人机数据链电磁干扰效应评估方法，如图1、图2和图4所示，包括：
42.步骤101：获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱
图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级。
43.步骤102：根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
44.步骤103：根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。
45.在实际应用中，步骤101具体包括：
46.获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率。
47.根据所述电磁信号的iq数据得到电磁干扰时频谱图。
48.根据所述性能参数得到数据链性能参数直方图。
49.在实际应用中，可以采用等效注入的试验方法获取大量的电磁信号的iq数据和性能参数。
50.在实际应用中，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第一最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接，两个cnn通道相互独立，而后，经过一系列的降维和特征提取，得到维数相同的特征向量，并在相加层中结合，其中，卷积层和池化层是实现卷积神经网络特征提取功能的核心模块，卷积层和池化层的核大小和个数的设置是相互独立的，网络模型通过最小化损失函数对网络中的权值参数进行逐层的反馈调节，通过频繁的迭代训练提高网络的精度。
51.在实际应用中，步骤102具体包括：
52.将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级。
53.以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型，具体为：在dcnn网络结构的基础上，将超参数的组合仿生化为麻雀群体。在寻找最优超参数组合的过程中，每次寻优都需要进行模型训练和评估。以均方根误差为目标函数评估网络性能，在一定的寻优空间之内对超参数进行多次迭代训练，计算不同超参数组合下测试干扰性能等级和实际干扰性能等级之间的均方根误差，得到使均方根误差最小的超参数组合。
54.本发明实施例还提供了一种与上述方法对应的无人机数据链电磁干扰效应评估系统，包括：
55.获取模块，用于获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级。
56.超参数调整模块，用于根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
57.训练模块，用于根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下
的实际干扰性能等级。
58.作为一种可选的实施方式，所述获取模块具体包括：
59.获取单元，用于获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率。
60.时频谱图确定单元，用于根据所述电磁信号的iq数据得到电磁干扰时频谱图。
61.直方图确定单元，用于根据所述性能参数得到数据链性能参数直方图。
62.作为一种可选的实施方式，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第一最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接。
63.作为一种可选的实施方式，所述超参数调整模块，具体包括：
64.初始化单元，用于将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级。
65.超参数调整单元，用于以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
66.本发明还提供了在实际中应用上述方法的实施例：
67.步骤1：获取电磁干扰时频谱图和数据链性能参数直方图样本集，对样本集进行预处理，并将预处理后的样本集分为训练集和测试集。
68.步骤2：构建ssa-dcnn模型。首先搭建双通道卷积神经网络(dcnn)，然后利用ssa方法优化超参数得到ssa-dcnn模型(ssa-dcnn是使用ssa方法优化超参数的双通道卷积神经网络。数据链根据受干扰的情况划分为4个性能边界等级，分别代表数据链从正常工作到通信中断这个性能下降的过程。本模型采用双通道的卷积神经网络融合电磁干扰时频图和数据链性能参数直方图，对受干扰时数据链的性能等级进行预测。模型的输入是电磁干扰时频谱图和数据链性能参数直方图，输出是数据链在电磁干扰下的干扰等级)。
69.步骤3：将训练集输入到ssa-dcnn模型中进行训练，得到ssa-dcnn预测模型。
70.步骤4：将测试集输入到ssa-dcnn预测模型中，对测试集中的数据链干扰等级进行预测得到测试干扰性能等级，根据测试干扰性能等级和实际干扰性能等级，计算预测误差，根据预测误差确定最优的ssa-dcnn预测模型。
71.步骤1具体为：对无人机数据链进行注入式的电磁干扰试验，如图3所示，通过图3中的频谱监测接收机进行零中频采样，得到电磁信号的iq数据。为了方便统一提取不同干扰源的特征，将电磁空间信号的iq数据转换成时频谱图，使用时频谱图作为观察信号功率随的频率和时间变化的可视化表示。
72.信号增益控制agc、信噪比snr和比特误码率ber三个参数分别代表接收信号在放大滤波、捕获跟踪和解调译码三个过程中的状态。当干扰信号和工作信号一同进入接收机时，在射频前端的agc模块处会造成有用信号增益压缩，表现在接收agc电压数值上。而后，
信号在接收端经过解调后，通过实时捕获和跟踪获取同步信息，此时计算得到snr。最后经过数据解调和译码得到遥测信息，同时得到数据链的ber。联合三个性能参数，可以用于评估数据链的受干扰程度。规定失锁为数据链受干扰状态的上界，根据snr、ber、agc的数据特点，其具有明显且各不相同的分布边界，分别为：snr∈[0，20]，ber∈[0，3000]，agc∈[0，255]。因此对数据进行归一化，分别得到三类参数的归一化值：
[0073][0074]
其中，x
normalization
为归一化值，x为归一化前的数值，x
max
、x
min
分别为参数的分布边界的上限和下限。为了统一3种参数的表示方法，便于建模，绘制随受干扰状态而动态变化的数据链性能参数归一化直方图。
[0075]
为了对数据链电磁干扰等级进行预测，以失锁为判据，将干扰分为四个等级：分别为信号功率距离数据链失锁0db、-1db、-3db和-6db。按照电磁干扰等级对电磁干扰时频谱图和数据链性能参数直方图添加标签，得到模型的数据集。
[0076]
步骤2具体为：
[0077]
步骤2.1：建立双通道卷积神经网络(dcnn)，通过两个通道分别提取电磁干扰时频谱图和数据链性能参数归一化直方图的特征，充分融合两种数据的特点。
[0078]
步骤2.2：确定dcnn网络超参数的优化空间s，如表1所示。
[0079]
表1超参数优化范围设置
[0080]
层参数范围卷积层1/2大小[1,10]卷积层1/2数量[1,90]最大池化层1/2大小[1,20]最大池化层1/2数量[1,50]卷积层3/4大小[1,10]卷积层3/4数量[1,90]全连接层1/2大小[1,20]学习率[10-7
,10-5
]训练次数[5,10]小批量[1,10]
[0081]
步骤2.3：采用麻雀搜索算法(sparrow search algorithm,ssa)优化超参数，将超参数的组合仿生化为麻雀群体。以均方根误差f
rmse
为目标函数评估网络性能，在一定的寻优空间s之内对超参数x进行多次迭代训练，计算不同超参数组合下测试干扰性能等级yi和实际干扰性能等级ti之间的均方根误差，如下式，n
train
为训练模型样本的总数，i表示训练模型样本个数。
[0082][0083]
步骤2.4：得到使均方根误差最小的超参数组合，即为使网络最优化的超参数，如
表2。
[0084]
表2 ssa优化后的dcnn超参数
[0085][0086]
步骤3具体为：
[0087]
两个通道的输入数据各有484个样本，将每个通道的样本均按照7：3的比例分为训练集和测试集，预测目标为干扰等级标签{0，1，3，6}。我们使用sgdm、rmsprop和adam求解器分别优化的dcnn和ssa-dcnn模型对输入数据进行训练，为了对比不同求解器对模型的影响，只改变求解器类型而不改变模型结构和参数，然后对比了不同求解器的模型的收敛速度和训练结果，如图5和图6所示，其中图5(a)为使用sgdm、rmsprop和adam求解器分别优化的dcnn的损失值曲线图，图5(b)为使用sgdm、rmsprop和adam求解器分别优化的ssa-dcnn的损失值曲线图，图6(a)为使用sgdm、rmsprop和adam求解器分别优化的dcnn的均方根误差值曲线图，图6(b)为使用sgdm、rmsprop和adam求解器分别优化的ssa-dcnn的均方根误差值曲线图。由图5和图6可以得出，经过ssa优化后的dcnn模型稳定性更高，收敛速度更快，收敛后得到的损失函数值和均方根误差值均更小，性能有了明显的提高。
[0088]
步骤4具体为：
[0089]
为了进一步分析模型的预测准确度，我们引入模型的4个评价指标，然后分析各模型的结果，分别是决定系数r2、平均绝对百分比误差mape、均方根误差和准确度。
[0090]
根据模型测试集计算以上指标，得到表3。从不同优化算法的评价指标来看，在未使用ssa优化的dcnn模型中，sgdm优化的dcnn模型的准确率为79.17％，其它指标参数也明显优于另外两种优化方法。使用ssa优化后超参数的dcnn模型的预测效果明显优于未优化时的模型。其中，rmsprop优化的ssa-dsnn模型的预测准确率最高，为97.92％，sgdm优化的ssa-dcnn模型的准确率略低，为97.22％。但是相比rmsprop优化的ssa-dcnn，sgdm优化后的均方根误差更小，为0.3882，r2系数为0.88891，更接近1，mape值约为12.5％，在所有模型中最低。
[0091]
表3模型评价指标计算结果
[0092][0093]
综上所述，从模型的训练过程和评估指标的分析可以得出，不经过超参数优化的dcnn模型很有可能在训练过程中陷入局部最小值，从而导致模型不收敛。ssa优化后的dcnn的模型收敛速度加快且更加平稳，使用rmsprop求解器的ssa-dcnn的预测准确度最高，模型收敛过程稳定；sgdm优化的ssa-dcnn综合指标最好，且模型收敛最快性能最佳。
[0094]
本发明有以下技术效果：
[0095]
本发明采用等效注入的试验方法收集大量的电磁干扰信号iq数据和数据链性能参数，通过预处理转化为时频谱图和数据链性能参数直方图作为模型输入，然后构建一个基于ssa优化的双通道卷积神经网络(ssa-dcnn)，对数据链电磁干扰效应等级进行预测，提供的新方法对不同类型电磁干扰的兼容性好，能够避免人工提取电磁干扰数据特征，提高了数据链电磁干扰感知和评估的智能化水平。
[0096]
本发明还对比了sgdm、rmsprop和adam求解器下的dcnn和ssa-dcnn的模型性能。结果表明，与dcnn相比，ssa-dcnn模型能够显著提高模型训练的收敛速度和预测准确度，sgdm求解器优化的ssa-dcnn性能最佳。
[0097]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0098]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：1.一种无人机数据链电磁干扰效应评估方法，其特征在于，包括：获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型；根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。2.根据权利要求1所述的一种无人机数据链电磁干扰效应评估方法，其特征在于，所述获取待训练无人机数据链的数据集，具体包括：获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率；根据所述电磁信号的iq数据得到电磁干扰时频谱图；根据所述性能参数得到数据链性能参数直方图。3.根据权利要求1所述的一种无人机数据链电磁干扰效应评估方法，其特征在于，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第一最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接。4.根据权利要求1所述的一种无人机数据链电磁干扰效应评估方法，其特征在于，所述根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型具体包括：将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级；以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。5.一种无人机数据链电磁干扰效应评估系统，其特征在于，包括：获取模块，用于获取待训练无人机数据链的数据集，所述数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级；超参数调整模块，用于根据所述待训练无人机数据链的数据集采用ssa算法对双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型；训练模块，用于根据所述待训练无人机数据链的数据集对所述ssa-dcnn模型进行训练得到ssa-dcnn预测模型，所述ssa-dcnn预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级。6.根据权利要求5所述的一种无人机数据链电磁干扰效应评估系统，其特征在于，所述获取模块具体包括：获取单元，用于获取待训练无人机数据链的电磁信号的iq数据、性能参数和在电磁干扰下的实际干扰性能等级，所述性能参数包括信号增益控制、信噪比和比特误码率；
时频谱图确定单元，用于根据所述电磁信号的iq数据得到电磁干扰时频谱图；直方图确定单元，用于根据所述性能参数得到数据链性能参数直方图。7.根据权利要求5所述的一种无人机数据链电磁干扰效应评估系统，其特征在于，所述双通道卷积神经网络包括：依次连接的卷积网络、相加层、第三全连接层和回归层；所述卷积网络包括第一卷积模块和第二卷积模块；所述第一卷积模块包括依次连接的第一卷积层、第一最大池化层、第三卷积层、第一relu激活函数和第一全连接层；所述第二卷积模块包括依次连接的第二卷积层、第一最大池化层、第四卷积层、第二relu激活函数和第二全连接层；所述第一全连接层和所述第二全连接层均与所述相加层连接。8.根据权利要求5所述的一种无人机数据链电磁干扰效应评估系统，其特征在于，所述超参数调整模块，具体包括：初始化单元，用于将所述电磁干扰时频谱图输入所述双通道卷积神经网络的第一卷积层，将所述数据链性能参数直方图输入双通道卷积神经网络的第二卷积层，得到测试干扰性能等级；超参数调整单元，用于以测试干扰性能等级和在电磁干扰下的实际干扰性能等级的均方根误差最小为目标，采用ssa算法对所述双通道卷积神经网络的超参数进行调优得到ssa-dcnn模型。
技术总结本发明涉及一种无人机数据链电磁干扰效应评估方法及系统，涉及电磁干扰效应评估技术领域。所述方法包括根据待训练无人机数据链的数据集采用SSA算法对双通道卷积神经网络的超参数进行调优得到SSA-DCNN模型；根据待训练无人机数据链的数据集对SSA-DCNN模型进行训练得到SSA-DCNN预测模型，SSA-DCNN预测模型用于确定无人机数据链在电磁干扰下的实际干扰性能等级，数据集包括：电磁干扰时频谱图、数据链性能参数直方图和在电磁干扰下的实际干扰性能等级。本发明可以提高模型的收敛速度和评估准确度。准确度。准确度。
技术研发人员：陈亚洲 王玉明 许彤 赵敏 马立云
受保护的技术使用者：中国人民解放军陆军工程大学
技术研发日：2022.03.31
技术公布日：2022/7/5
