通信环境日益复杂,无论是民用通信还是军事通信,对抗干扰的需求不断提高,为了实现抗干扰的更智能化、实时化,本文对认知抗干扰通信系统智能决策技术进行了研究。本文研究了认知抗干扰智能决策引擎,该引擎包括不同功能的三个单元:搜索决策单元、快速决策单元、修正决策单元。本文重点研究了基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)和基于反向传播(Back Proragation,BP)神经网络(Neural Network,NN)的认知抗干扰快速决策引擎,并在几种典型环境中进行了抗干扰性能的仿真分析。具体内容如下:第一部分首先就认知抗干扰智能决策课题介绍了选题背景,并对其研究意义作了分析,同时阐明了认知抗干扰技术的研究现状以及智能决策相关技术的研究现状。第二部分提出认知抗干扰通信系统智能决策引擎。在介绍现有认知环(Cognitive Cycle,CC)和认知引擎模型的基础上提出认知抗干扰通信系统智能决策引擎,对该模型进行了设计并对知识的表达进行了定义。由于搜索决策单元并不是本文研究重点,在这里进行了简单设计。最后,本部分重点研究了快速决策单元以及修正决策单元相关算法,介绍了各算法原理并进行了理论的对比和选择。第三部分研究基于人工蜂群算法的认知抗干扰快速决策引擎。首先为该引擎设计决策框架以及应用模型,接着针对该算法涉及的参数(初始化方式、初始种群数、邻域搜索方式、侦查蜂数和淘汰门限)进行仿真调整,选择适合本文的最佳参数,最后针对无干扰和不同干扰环境进行仿真分析,结果表明该引擎在不同干扰类型、不同干扰功率、不同信道时都能进行有效的抗干扰通信。第四部分研究了基于BP神经网络的认知抗干扰快速决策引擎。首先介绍了BP神经网络的原理——梯度下降法和反向传播法,并对该引擎的模型进行了设计。由于神经网络不同应用场景参数设置区别很大,本文通过仿真说明了网络大小、初始化方式、小批量数据量、学习率这些参数对网络性能的影响,在此基础上选择出最适用的参数。最后针对不同情况验证本文设计的网络性能,分析其抗干扰能力,同时比较了人工蜂群算法与BP神经网络的优缺点,人工蜂群算法每次决策需要搜索过程,耗时多,而BP神经网络能实现线上的实时通信且具有一定容错能力和泛化能力,但是训练样本误差不能过大。第五部分研究了认知抗干扰通信系统智能决策引擎的总体性能。首先介绍了基于规则推理的认知抗干扰修正决策模块,研究了该模块中使用的智能决策算法。然后将决策引擎的三个模块组合形成闭环的智能决策通信系统,针对可能遇到的不同场景进行仿真,结果表明该系统在面对各种情况时都具有良好的抗干扰能力。