基于 LSTM 的深度对决神经网络抑制多相关干扰机

抑制无线网络的蓄意干扰对保障可靠通信链路至关重要。当所发射干扰信号间的相关性被蓄意随时间变化时，消除干扰信号会变得困难。具体而言，近期研究表明，通过蓄意改变干扰信号间的相关性，攻击者可有效地改变干扰信道及其零空间，即便物理信道保持不变。这使得由干扰信道零空间导出的波束成形矩阵无法抑制干扰信号。大多数现有方案仅考虑不变的相关性，或通过在更新波束成形矩阵前持续监测残余干扰信号来启发式地适应时变相关问题。本文系统性地构建了零空间估计与数据传输阶段的优化问题。即便忽略干扰机未知策略及具挑战性的零空间估计过程，所得问题仍为整数规划问题，故难以获得最优解。为应对该问题并处理干扰机未知策略，我们利用部分可观测半马尔可夫决策过程（POSMDP）重构问题，并设计基于深度对决 Q-learning 的框架来调节零空间估计与数据传输阶段的时长。大量仿真表明，所提技术能有效应对相关性随时变化的干扰信号，且相关性范围未知。特别地，我们的技术在更新波束成形矩阵前无需（于消除过程后）持续监测残余干扰信号。因此，系统具有更高的频谱效率与更低的中断概率。