基于CNN-LSTM模型的干扰信号抑制算法研究学术报告
一、 研究概况 本研究题为“基于CNN-LSTM模型的干扰信号抑制算法”，由西北工业大学电子与信息学院的宁博晓（Ningbo Xiao）和宋祖勋（Zuxun Song）合作完成。该研究成果以学术论文形式发表于期刊《Sensors》2025年第25卷第5048页，于2025年8月14日正式发布。
二、 学术背景 本研究隶属于无线通信与传感器网络信号处理领域，具体聚焦于复杂电磁环境下的抗干扰技术。随着物联网和智能传感技术的飞速发展，传感器网络在环境监测、工业控制、智能医疗等领域得到广泛应用。然而，在实际部署中，传感器节点不可避免地暴露在射频干扰、信道噪声、多径效应等多种干扰源构成的复杂电磁环境中，这些干扰严重影响了信号采集的精度与传输的可靠性。
传统的干扰抑制方法，如自适应阈值迭代法（IMAT）、时域参数插值法、斜坡滤波（RFMIN）等，虽能在特定频段或静态环境中发挥作用，但其难以适应传感器网络中动态变化的干扰模式以及多源信号耦合的特性，尤其在非平稳噪声环境或多种干扰共存的场景下，性能显著下降。近年来，深度学习技术凭借其强大的非线性建模能力，为干扰抑制提供了新范式。其中，卷积神经网络（CNN）擅长提取信号的空间特征（如时间频率图像中的局部结构），而长短期记忆网络（LSTM）则能有效捕捉信号的时间动态特性（如干扰强度的时序演化规律）。然而，单一CNN模型对信号时序动态特征建模不足，而单一LSTM模型则对信号空间特征提取能力较弱。因此，为了充分发挥深度学习的优势，本研究旨在提出一种融合CNN与LSTM的混合模型算法，旨在无需干扰信号先验知识（如功率谱密度、调制方式）的前提下，直接从传感器测量数据中学习并抑制复杂干扰，提升无线通信系统的抗干扰能力和通信质量，为传感器向更高可靠性与鲁棒性演进提供基础。
三、 详细研究流程 本研究工作流程清晰，主要包含算法模型构建、仿真性能评估以及实际场景验证三个主要阶段，具体步骤如下：
1. 算法模型设计与优化： 本研究核心是提出一种CNN-LSTM混合干扰抑制算法。该算法的基本思想是：首先利用CNN层对输入的多维信号（例如，来自多个传感器节点的振动加速度信号、电磁场强信号）进行特征提取，捕获干扰信号在时频域和空域的局部结构特征；随后，将CNN提取的特征序列输入LSTM层，以建模特征在时间维度上的长期依赖关系，分析干扰信号的时序演化规律；最后，通过全连接层输出预测信号，实现端到端的训练，最终目标是使预测信号尽可能逼近无干扰的纯净信号。
为了验证所提CNN-LSTM模型的有效性，研究将其与另外三种模型进行对比分析： * LSTM模型：作为基线模型，仅使用LSTM网络进行时序预测。 * BO-LSTM模型：在LSTM基础上引入贝叶斯优化（Bayesian Optimization, BO）算法。该模型通过设置目标函数（如最小化预测误差），利用树状结构帕森估计等方法，自动搜索并调整LSTM的超参数（如历史回归长度、隐藏层层数、隐藏层单元数、丢弃率、初始学习率），以期获得更优的预测性能。 * CNN-GRU模型：将CNN与门控循环单元（GRU）网络结合，GRU是另一种常用的循环神经网络变体，结构与LSTM类似但更简化。
研究建立了详细的模型架构参数。对于CNN-LSTM模型，其CNN部分包含卷积层和池化层，使用ReLU或ELU激活函数；LSTM部分包含两层，第一层128个隐藏单元，第二层32个隐藏单元，并采用双向传播；此外还包括丢弃层和L2正则化，总计约10万个可训练参数。
2. 仿真实验与性能评估： 仿真实验旨在定量评估各算法在不同信噪比条件下的性能。实验信号构造为：r(t) = s(t) + j(t) + n(t)。其中，有用信号s(t)采用二进制相移键控（BPSK）调制信号；干扰信号j(t)采用余弦函数Acos(2πf_c t)；噪声n(t)为加性高斯白噪声（AWGN）。关键参数设置为：信号长度3000点，采样频率10 MHz，信号干扰比（SJR）固定为10 dB，信噪比（SNR）在0至20 dB范围内以5 dB为步进变化。
实验流程如下：将包含干扰的信号r(t)的60%数据用作训练集，剩余40%用作测试集。一个关键的设计是：训练时，输入（x-train）是带干扰的r(t)数据，而训练目标（y-train）是对应的无干扰纯净信号s(t)。模型通过学习从带干扰信号到纯净信号的映射关系来实现干扰抑制。
性能评估采用三个核心指标： * 均方误差（MSE）与均方根误差（RMSE）：衡量预测信号与纯净信号之间的差异，值越小表明抑制效果越好。 * 决定系数（R²）：评估回归拟合优度，其值越接近1，表明预测值与真实值的吻合程度越高。
研究绘制了在不同SNR下各模型的MSE、RMSE曲线图和柱状图，并展示了SNR=10 dB时CNN-LSTM模型预测输出波形、误差散点分布以及回归拟合图。同时，也展示了BO-LSTM模型在优化过程中目标函数值随迭代次数的变化曲线。
3. 算法有效性验证： 为了证明算法的实际应用潜力，研究进行了两项基于更贴近现实场景的验证： * 基于ITU-R P.1546信号传播模型的验证：ITU-R P.1546是国际电联定义的适用于30 MHz至100 GHz频段的短距离通信传播预测模型。研究利用该模型生成更符合实际传播特性（考虑路径损耗、环境类型如‘城市’）的BPSK信号，并添加高斯噪声，构成接收信号r(t)。随后将此信号输入已训练好的CNN-LSTM模型进行干扰抑制测试，计算其MSE、RMSE和误比特率（BER）。 * 基于公开噪声数据集的验证：研究从公开数据库（SPIB）选取了两组在实际环境中采集的噪声数据集：“Babble”（100人食堂嘈杂声）和“Volvo”（沃尔沃汽车内部噪声，时速120公里雨天路况）。将这些真实环境噪声作为n(t)的一部分，与BPSK信号和余弦干扰信号混合，构成测试信号。再次使用CNN-LSTM模型进行处理，评估其在这些复杂真实噪声背景下的抑制性能。
四、 主要研究结果 1. 模型性能比较结果： 仿真实验结果表明，所提出的CNN-LSTM混合模型在干扰抑制性能上综合表现最佳。 * 误差分析：在不同SNR条件下，CNN-LSTM模型的MSE和RMSE均低于对比的LSTM、BO-LSTM和CNN-GRU模型。例如，在SNR=15 dB时，CNN-LSTM的MSE仅为0.06，RMSE为0.24。在SNR=0 dB的极端条件下，CNN-LSTM的MSE为0.31，相较于未优化的LSTM模型（MSE=0.56）误差降低了20%，性能提升显著。CNN-GRU模型性能与CNN-LSTM相近但略逊一筹。 * 拟合优度分析：CNN-LSTM模型的回归拟合度R²最高。在SNR=10 dB时，其R²达到0.956，预测值散点紧密分布在最佳拟合线周围，表明其预测信号与纯净信号高度吻合。 * 计算开销分析：在运行速度上，LSTM最快，CNN-GRU次之，CNN-LSTM随后，BO-LSTM最慢（单次运行约1120秒）。这是因为BO-LSTM需要进行多轮迭代以寻找最优超参数。CNN-LSTM在保证高性能的同时，保持了可接受的计算成本（单次运行约58秒）。
2. 算法验证结果： * ITU-R P.1546模型验证：在使用该标准传播模型生成的信号上，CNN-LSTM算法取得了MSE=0.12，RMSE=0.35，BER=0.039的结果，验证了算法在更接近实际传播场景下的有效性。 * 公开噪声数据集验证：在“Babble”数据集上，算法取得MSE=0.19，R²=0.91；在“Volvo”数据集上，取得MSE=0.21，R²=0.905。尽管在包含复杂真实噪声的环境下性能略有下降，但依然保持了较高的拟合优度和显著的干扰抑制效果，证明了算法对未知、非平稳环境噪声具有一定的泛化能力。
3. 结果逻辑关系： 仿真实验的结果确立了CNN-LSTM模型相对于其他对比模型的性能优势，这为其应用于更实际的场景提供了信心和基础。随后进行的基于标准传播模型和真实噪声数据集的验证，实质上是将已在“理想化”仿真环境中证明有效的算法，置于“半实物”或“真实数据”环境中进行压力测试。验证结果（MSE、RMSE、R²等指标仍处于较好水平）表明，该算法不仅适用于简化的仿真条件，其核心的“CNN提取空间特征 + LSTM建模时间动态”的混合架构对于处理包含实际传播效应和真实环境噪声的干扰也具有较强的适应性和有效性，从而完成了从理论方法到潜在实际应用的逻辑闭环。
五、 研究结论与价值 本研究得出结论：针对复杂电磁环境中影响传感器网络的动态干扰问题，所提出的基于CNN-LSTM的干扰信号抑制算法具有优异性能。该算法能够有效融合信号的空间与时间特征，在无需干扰先验知识的情况下，自适应地抑制干扰信号和环境噪声对有用信号的影响。
研究的价值体现在： * 科学价值：提出了一种有效的深度学习混合模型架构（CNN-LSTM），用于解决通信和传感器网络中的动态干扰抑制问题，为基于数据驱动的智能抗干扰研究提供了新的思路和方法验证。 * 应用价值：算法经过标准传播模型和真实噪声数据集验证，展现出向实际工程应用转化的潜力。它为提升无线通信系统（尤其是物联网、传感器网络）在复杂环境下的测量精度、可靠性与稳定性提供了一种智能解决方案，有助于推动高可靠性、高鲁棒性传感器的发展。
六、 研究亮点 1. 创新性的模型架构：创造性地将CNN的空间特征提取能力与LSTM的时间序列建模能力相结合，构建了CNN-LSTM混合模型，充分发挥了两种网络的互补优势，实现了对干扰信号更全面、更深层次的特征学习与抑制。 2. 全面的性能评估体系：研究不仅进行了广泛的仿真对比（包括LSTM, BO-LSTM, CNN-GRU），还引入了基于国际电联标准（ITU-R P.1546）的传播模型和来自实际环境的公开噪声数据集进行算法验证，使性能评估更加严谨、可信，且贴近实际应用场景。 3. 显著的性能提升：实验数据明确显示，所提算法在关键指标（MSE, RMSE, R²）上均优于对比模型，特别是在中高信噪比条件下表现卓越，证明了其方法的有效性。 4. 明确的问题导向与实用潜力：研究直击传感器网络在复杂电磁环境中的实际痛点，提出的算法不依赖于干扰的先验知识，具备更好的适应性和实用性，为解决动态、多源干扰抑制问题提供了新的技术途径。
七、 其他有价值内容 研究在讨论部分客观分析了模型的局限性并提出了未来优化方向：例如，可以在LSTM层后引入注意力机制（Attention Mechanism）模块，以增强模型对关键干扰特征的捕捉能力；同时，指出需要继续使用更多实际采集的信号数据来验证和提升模型的泛化性能。这些思考为后续研究指明了有价值的改进空间。此外，论文对SNR（信噪比）、SJR（信号干扰比）、SINR（信号与干扰加噪声比）等关键评价指标进行了明确定义，并详细阐述了实验信号的生成方法和参数设置，确保了研究的可重复性。