轻量化神经网络的通信干扰智能识别技术研究.pdfVIP

摘要

随着无线通信系统所面临的电磁环境愈加复杂，在受到各种自然干扰的同时

还面临着人为的破坏性干扰，各种干扰手段层出不穷，为了保证无线通信系统尤其

是军事无线通信系统的安全性与可靠性，通信抗干扰技术的需求愈发紧迫。在通信

抗干扰技术的实现中，高效的干扰识别技术手段能大幅提升抗干扰的性能，传统的

干扰识别算法是通过人工对干扰信号的特征进行提取与分类，这种方法依赖专家

知识并且泛化能力差。不同于传统基于人工特征提取的干扰识别算法，基于深度学

习的干扰识别算法能够自动提取特征和分类干扰，并得到了更强的干扰识别性能。

但深度学习模型规模大，对资源和运算能力要求更高。为此，本文研究了轻量化神

经网络的通信干扰识别算法，通过将轻量化处理后的卷积神经网络（Convolutional

NeuralNetwork，CNN）对干扰信号进行识别分类，该算法模型识别精度高且资源

占用相对较少，针对该模型进行量化并设计硬件实现方案，最后成功部署到现场可

编程逻辑门阵列（FieldProgrammableGateArray，FPGA）上。具体如下：

首先，针对9种压制式干扰信号识别问题，提出了轻量化CNN通信干扰识别

算法，该算法是将LeNet-5模型通过网络剪枝、知识蒸馏和量化后得到，参数量仅

为原本模型的一半，占用存储空间仅原本的1/8，识别精度95.24%，与轻量化处理

前识别精度相比仅下降1%，在CPU上的平均推理速度提升了一倍以上。

其次，针对所提出的轻量化CNN通信干扰识别算法，进行Matlab定点化仿

真，确定了每层输入、输出数据的位宽。将整个网络分为数据输入层、卷积层、池

化层以及全连接层。针对卷积层和全连接层中高度相似的乘加结构，综合考虑资源

与推理性能设计了高效的硬件并行实现方案，减少各层连接间的数据缓存；针对卷

积层和池化层，采用流水线结构提高数据吞吐率，减少推理时间。

最后，对轻量化CNN通信干扰识别算法进行寄存器传输级（RegisterTransfer

Level，RTL）的代码编写、仿真验证与上板实测。本文分别对卷积层、池化层及全

连接层分别进行了仿真分析，验证了算法功能的正确性。此外，本文还对代码的时

序与资源消耗进行了分析，结果表明，该算法除DPS以外资源的利用率不到板上

资源的15%，DPS占用板上资源的54%，并且算法实际功耗仅0.686W，适合低功

耗场景。算法模块在100MHz时钟下上板实测，算法干扰识别率为95.11%，与软

件端未量化模型识别率96.13%相比，下降仅1%，但其计算性能为7.71GOP/s，是

CPU的4.7倍及GPU的0.72倍，由于功耗较低，能效比为11.24GOP/(sW)，是

GPU的35倍及CPU的102倍，在低功耗与资源受限场景有着巨大优势。

本文所提出的轻量化CNN通信干扰识别算法及硬件实现，能够为资源受限平

台部署干扰识别系统提供理论基础与技术支持，具有较高的实际应用意义。

关键词：通信干扰识别，卷积神经网络，轻量化，FPGA实现

ABSTRACT

Aswirelesscommunicationsystemsfaceincreasinglycomplexelectromagnetic

environments,theyaresubjectedtovariousnaturalinterferencesaswellasdeliberate

destructiveinterferences.Variousinterferencemethodsemergeendlessly.Inorderto

ensurethesecurityandreliabilityofwirelesscommunicationsystems,especiallymilitary

wirelesscommunicationsystems,thedemandforcommunicationanti-jamming

technologyisbecomingincreasinglyurgent.Intheimplementationofcommunication