CN107808138A - 一种基于FasterR‑CNN的通信信号识别方法 - Google Patents

Abstract

本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于Faster R‑CNN的通信信号识别方法。本发明将Faster R‑CNN算法用于通信信号识别，将采集到的盲通信信号频谱数据绘制成图片；然后设计一个整体的多层神经网络，运用Faster R‑CNN算法对图片中有用的信号频段进行检测和定位，先利用卷积神经网络生成特征图，利用区域生成网络在原始图片上生成区域建议框；再对建议框区域进行感兴趣区域采样，并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归，根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置；最终将信号在图片上的像素位置还原为有用信号的频段信息，从而实现通信信号的识别。

Description

一种基于FasterR-CNN的通信信号识别方法

技术领域

本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于Faster R-CNN的通信信号识别方法。

背景技术

通信技术在现代军事领域占有越来越重要的地位，是决定战争胜负的一个关键因素。通信信号的识别是对敌方通信进行干扰或侦听的前提，一旦有效地识别有用的通信信号，就可以分析信号的调制类型，进而估计调制参数来获取更多有效的信息，从而有针对性地制定侦查和反侦查策略。然而随着现代科学技术的快速发展，空间电磁环境变得日趋复杂，多种不同调制方式的大量存在、信道对信号的影响以及噪声的干扰，使得常规的识别方法和理论很难适应实际需要，无法有效地对通信信号进行准确识别。

传统情况下，通信信号的识别，如使用聚类、支持向量机(SVM)等方法来识别盲通信信号中的有用频段，均需通过人为提取特征参数，但人为提取特征参数存在很大的主观性，如参数数量的选择和合理性等，且计算量大，效率低。

深度学习是人工智能的一个分支，Faster R-CNN是一种计算机视觉图像的深度学习算法。

发明内容

针对上述存在问题或不足，为解决现有技术因人为提取特征参数导致参数数量的选择和合理性以及效率低的问题；本发明提供了一种基于Faster R-CNN的通信信号识别方法，利用图像处理的方式来提取有用信号频段。

具体技术方案如下：

步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系，通过绘图软件或代码绘制成大小相同的图片，其分辨率大于100*100，并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系；

步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图，n＞0。

步骤3、通过区域生成网络(Region Proposal Networks，RPN)结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框；

步骤4、将步骤3得到的区域建议框映射到步骤2生成的特征图上进行感兴趣区域采样 (Region of Interest pooling，RoI pooling)，得到一个m维的特征向量，m≥128；

步骤5、对步骤4所得m维特征向量分别进行分类回归和位置回归，结合步骤1生成的原始图片大小，即可得到信号存在于图片上的像素位置和其置信程度；

步骤6、将步骤5得到像素位置中置信程度大于设定值的像素位置信息，利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系，还原成步骤1中盲通信信号的频段信息，0.1≤设定值≤1，即可完成盲通信信号中有用频段的提取。

本发明首次提出将Faster R-CNN算法用于通信信号识别，将采集到的盲通信信号频谱数据绘制成图片，由于有用的通信信号数据往往都存在一定规律性，故其呈现的形状具有规律性。然后设计一个整体的多层神经网络，运用Faster R-CNN算法对图片中有用的信号频段进行检测和定位，先利用卷积神经网络生成特征图，利用区域生成网络在原始图片上生成区域建议框；再对建议框区域进行感兴趣区域采样，并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归，根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置；最终将信号在图片上的像素位置还原为有用信号的频段信息，从而实现通信信号的识别。

综上所述，本发明基于Faster R-CNN算法，通过对标记好的盲通信信号数据生成的图片样本进行训练和参数调优，以有效的识别盲通信信号中的有用信号频段，避免了传统通信信号识别过程中人为选取参数带来的主观因素影响，且效率上得到提升。

附图说明

图1是本发明识别流程图；

图2是实施例的检测效果图。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细说明。

如图1所示，基于Faster R-CNN的通信信号识别方法包括以下步骤：

步骤1、将采集到的盲通信信号频谱数据，用Python代码绘制成大小相同的图片，其分辨率为1600*1000,并记录点的坐标大小与绘制成图片后的像素位置之间的关系：

1)通过open打开文件；

2)读取频谱文件信息，获得在该频段上一次采样得到的频谱幅值；

3)将幅值数据转换为dB单位；

4)根据采样率及信号的长短分别将采集到的盲通信信号频谱数据共计26段(每段65536个点)，使用25段频谱数据(剩余一段用作测试)，按照频谱数据点数的(K取大于2的整数，取10组，谱数据点数的大于100，这里K取16，即每段1024点)，且每段起始点与前一分段中除去起始点的随机点重叠，进行分段，并记录每段起始点位置，将每段频谱数据通过Python代码绘制成像素为1600*1000大小的图片，手动去掉其中没有不含频段的图片样本后，获得1236张图片样本；

5)记录点的坐标大小与绘制成图片后的像素位置之间的关系。

步骤2、将图片通过深度卷积神经网络VGG16-Net生成512个大小14*14维特征图：

1)将图片归一化到224*224大小；

2)调用GPU加速计算；

3)通过16个卷积层，5次下采样，得到512个大小14*14维特征图。

步骤3、通过区域生成网络结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框：

1)通过3*3大小的卷积核在特征图上滑动，设置一种锚定(anchor)机制，即分别以每一个卷积核中心当成一个基准点，然后围绕这个基准点选取3个不同面积大小(128、256、512，对应到特征图分别为3、6、12)和3种不同尺寸比例(1:1、 1:2和2:1)生成9个候选区域；

2)去掉候选区域中映射到原图中超过原图边界的候选框；

3)对每个锚定区域进行回归，分别判断该区域框内是否含有信号，以及信号的具体位置信息；

a)在训练阶段，其中预测位置和分类信息的损失函数为：

其中，i是每个训练批次中生成的候选区域的索引，p_i是第是i个候选区域中包含前景目标的预测概率。是候选区域相对实际区域真实值的标签，当该候选区域含有前景物体时，为1，否则为0。t_i是一个向量，表示预测的建议框的4个参数化坐标，是与当候选区域含有前景物体时相对应的真实物体包围框坐标向量；

b)其中分类损失函数为：

c)回归损失函数为：

其中：

意味着只有当候选区域内含有前景物体时，才计入回归损失值。N_cls是训练批次的数目，N_reg是产生的候选区域的数量，正则项λ在这里取值为10，用来平衡回归损失和分类损失的比重。

步骤4、对得到的区域建议框映射到特征图上进行感兴趣区域采样，得到一个512维的特征向量。

步骤5、分别对512维特征向量进行分类回归和位置回归，结合步骤1生成的原始图片大小，即可得到信号存在于图片上的像素位置和其置信程度；

1)cls score层：用于分类，输出k+1维数组p，表示属于k类前景和背景的概率对每个感兴趣区域输出离散型概率分布。p由k+1类的全连接层利用softmax计算得出。

p＝(p₀,p₁,…,p_k)

2)bbox_prdict层：用于调整候选区域位置，输出建议框回归的位移，输出4*k维数组t^k，表示分别属于k类时，应该平移缩放的参数。

其中，是指相对于物体真实框尺度不变的平移，是指对数空间中相对于物体真实框尺的高与宽。

3)分类层评估分类损失函数L_cls(p,u)由真实分类u对应的概率决定：

L_cls(p,u)＝-logp_u

4)对于评估检测框定位的损失函数，则从比较真实分类对应的预测平移缩放参数和真实平移缩放参数为v＝(v_x,v_y,v_w,v_h)的差别，通过计算得到：

5)最后联合损失为：

其中正则项λ用来是控制分类损失和回归损失之间的平衡，这里取1。当候选区域为背景时，仅计入分类损失。

6)通过反向传播对1256张样本进行迭代训练共24000次，保存最终权值。

步骤6、对剩余的一段测试信号，按步骤1的方法获得50张待识别图片，送入步骤2定义的神经网络，通过步骤3到步骤5的计算，将步骤5得到像素位置中置信程度≥0.8的像素位置信息，利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系，还原成步骤1中盲通信信号的频段信息，即可完成盲通信信号中有用频段的提取。

1)通过open打开测试信号文件；

2)读取频谱文件信息，获得在该频段上一次采样得到的频谱幅值；

3)将幅值数据转换为dB单位；

4)根据步骤1，按照频谱数据点数的即每段1024点，且每段起始点与前一分段中除去起始点的随机点重叠，进行分段，记录每段起始点时间序列位置分别为：

0	323	714	1313	2307	3135	3544	4093
								4151	4533	4590	4976	5501	5914	6282	7047
8000	8614	9402	9980	10348	10379	10929	11765
								11867	12438	12861	13787	14220	14243	14477	15072
15894	16759	17183	17882	18281	19153	20120	20515
								21374	22141	23070	23223	24108	24460	25021	25312
26007	26271	27208	27408	28260	29245	29497	29501
								30222	30301	30435	30633	30914	31273	31572	31864
32113	32756	32905	33600	33978	34222	35044	35252
								36222	36897	37669	38517	38646	38746	39615	39809
40544	40651	41437	42449	43264	43376	43750	44596
								45106	45273	45608	45843	45900	46808	47496	48057
48917	49257	49802	50472	51198	52192	53087	53250
								53921	54927	55356	55904	56308	56377	56380	57155
58047	59022	59814	60298	60730	61095	61292	62054
								62375	62508	63482	64454	65125

5)将每段频谱数据通过Python代码绘制成像素为1600*1000大小的图片，手动去掉其中没有不含频段的图片样本后，获得125张待检测图片，同时记录图片像素与坐标点的关系为每段起始点对应像素200，每段终止点对应1440，因此换算关系为{实际坐标位置＝(每段终点坐标位置-每段起点坐标位置)*(像素点位置/1240)+ 每段起始点坐标位置}；

6)将这125张待检测图片通过步骤2到步骤5的神经网络计算，保留步骤5输出的像素位置中置信程度≥0.8的像素位置；

7)根据步骤6第4)步中像素点与真实坐标点的换算关系，求得每一点的步骤6第5)步中像素点的真实坐标位置；

8)叠加所有不同尺度的图片所得到的信号的坐标位置，消除重叠的影响即可识别出所有有用信号的坐标位置，共计求得23段频带，每段坐标点位置分别为：

9)由于采样频率为40M Hz，根据采样定理，该65536点频谱数据表示带宽范围为20M Hz，将坐标点位置映射到频率位置后，使用Python作图，并使用方框标出每一个频带，如图2所示，整个流程结束。

通过图2可以看出，在整个频段上，仅有2个非常窄的频带没有被检测出，因此整体检测准确率达到92％，能够有效的识别盲通信信号中的有用信号频段，且整个检测效率很高，可以方便的迁移到其他不同通信信号有用频段的加测，避免了传统通信信号识别过程中人为选取参数带来的主观因素影响。

综上所述，可见本发明通过对标记好的盲通信信号数据生成的图片样本进行训练和参数调优，以有效的识别盲通信信号中的有用信号频段，避免了传统通信信号识别过程中人为选取参数带来的主观因素影响，且效率上得到提升。

Claims (2)

1.一种基于Faster R-CNN的通信信号识别方法，具体步骤如下：

步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系，绘制成大小相同的图片，其分辨率大于100*100，并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系；

步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图，n＞0；

步骤3、通过区域生成网络RPN结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框；

步骤4、将步骤3得到的区域建议框映射到步骤2生成的特征图上进行感兴趣区域采样RoI pooling，得到一个m维的特征向量，m≥128；

步骤5、对步骤4所得m维特征向量分别进行分类回归和位置回归，结合步骤1生成的原始图片大小，即可得到信号存在于图片上的像素位置和其置信程度；

步骤6、将步骤5得到像素位置中置信程度大于设定值的像素位置信息，利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系，还原成步骤1中盲通信信号的频段信息，0.1≤设定值≤1，即可完成盲通信信号中有用频段的提取。

2.如权利要求1所述基于Faster R-CNN的通信信号识别方法，其特征在于：所述步骤1中绘制成大小相同的图片的方式为绘图软件或代码的方式。