CN108736918A - 一种基于混叠信号深度学习的跳频信号判别方法 - Google Patents

Abstract

本发明实施例公开了一种基于混叠信号深度学习的跳频信号判别方法。该方法包括如下步骤：搭建通信系统仿真平台步骤；数据的仿真和分析步骤；深度学习方法识别混合信号中的跳频信号步骤。利用本发明实施例，能够识别混合信号中是否有跳频信号，解决传统通信中对快速跳频信号的识别困难，具有很大的使用价值。

Description

一种基于混叠信号深度学习的跳频信号判别方法

技术领域

本发明涉及一种基于混叠信号深度学习的跳频信号判别方法，着重利用仿真的方式来获得信号数据，然后利用仿真的数据进行标注，通过深度学习的方法实现跳频信号识别。

背景技术的方案

随着通信技术的发展，无线通信技术在军事上得到了长足的进步。伴随着未来战争发展的趋势是信息化联合作战，军事通信系统抗干扰技术在战争的作用显得越来越重要，因此世界各国都在针对自己国家的军事通信对抗技术上进行研究和探索，以便在复杂的国际形势下取得信息优势，保证自己本国的国家安全。

在军事通信领域，电子战对抗双方谁能取得通信方面的优势谁就能在战争中取得先机。而在战场的环境下，想要保证通信信息的安全可靠，首先要保证自己传输的信号不被对方干扰，其次要保证信号在传输过程中不被对方给截获，最后就是要保证自己的信息不被破密。为了保证通信信号的抗干扰，低截获，稳定性能，跳频通信系统应就运而生。

而在跳频通信系统的跳频速率越来越高，调制识别的研究也越来越困难，尤其是快速跳频通信系统中，传统的识别算法已经不能满足要求。目前研究快速跳频信号的调制识别的也是屈指可数，针对这一问题，基于深度学习的混叠信号识别是否有跳频信号的技术，可以通过深度学习的方法，来完成对于混叠信号的识别，从而取得我们所需的有效信号。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于混叠信号深度学习的跳频信号判别方法，为了识别混叠信号中是否有跳频信号，通过深度学习的技术能够让混有跳频信号的混叠信号识别出信号中是否有跳频信号。

为了达到上述目的，本发明提出的基于深度学习的混叠信号识别主要包括下列步骤：

搭建通信系统仿真平台步骤：将现代通信技术上常用的几种简单调制方式和跳频信号进行仿真，并以平台的方式实现；

数据的仿真和分析步骤：同过第一步的仿真平台，完成深度学习需要用到的数据类型的仿真和分析；

深度学习进行识别混合信号中的跳频信号步骤：对仿真后的数据进行标注，通过深度学习的方法学习跳频信号的特征并进行识别。

搭建通信系统仿真平台步骤中，我们对通信系统中的模拟调制方式和数字调制方式进行了仿真。其中模拟调制主要完成调幅、调频、调相；数字调制主要完成振幅键控、频移键控、相移键控、差分相移键控；完成一种跳频信号。完成平台的搭建具体过程如下：

1.掌握每种调制信号的通信原理，通过数学模型进行表示，并通过仿真平台搭建仿真流程图，完成单个信号的仿真；

2.搭建简单平台，在平台上可以调用并完成指定的调制方式进行仿真，并可以在平台上对仿真数据的参数进行控制和改变，确保对单个仿真方式可以进行控制和仿真；

3.平台功能复杂化，在简单平台上实现更多功能，让控制多种调制方式可以同时在一个平台是实现，可以设置不同调制方式的不同参数，并且可以设置不同调制方式的仿真时间段，实现任意种调制方式在任意时间段内的组合拼接。可以快速完成大量不同的仿真数据用作深度学习。

数据的仿真和分析步骤中，通过上一步的仿真平台完成数据的仿真。主要步骤如下：

1.利用平台的功能，可以仿真任意两种信号的混合，任意多种信号的叠加，以及任意信号在任意时间上的出现。还可以对多种信号仿真中对单种信号的载波频率进行设置，使各个仿真类型拥有自己的载波频率，可以最大程度上模拟真实信号。

2.对于仿真完成的数据我们可以通过查看数据的波形图和频谱图等方式来确认所仿真的数据是否符合选择的仿真类型，以确保用于深度学习的数据的真实性和可靠性。

深度学习进行识别混合信号中的跳频信号步骤中，我们通过上一步平台得到数据进行标注，利用标注过的数据进行深度学习，深度学习主要包括以下两个模块：

1.针对单信号，通过对大量的单信号进行深度学习，学习出单个信号的时域特征，利用时域特征的特点来实现单信号的识别；

2.针对混叠信号，对于深度学习已经学习到了单信号时域特征，再进行混叠信号的训练和学习，通过混叠信号的时域与频谱特征，实现识别混叠信号中是否含有跳频信号。

本发明的有益效果在于结合通信上的方法与深度学习技术完成整个混叠信号识别的功能。

附图说明

图1为本发明基于深度学习的混叠信号的识别的步骤流程图；

图2为搭建通信系统仿真平台步骤流程图；

图3为深度学习进行信号识别和分离步骤流程图。

具体实施方式

下面将结合附图对本发明具体实施方式进行详细说明。

图1是本发明的流程图，包括以下步骤：

步骤S1：搭建通信系统仿真平台步骤；

步骤S2：深度学习进行信号识别和分离步骤；

下面将对每个步骤进行具体的说明：

步骤S1完成深度学习非常重要的一步，即获取数据。通过仿软件仿真出通信系统常见的调制信号。图2给出了仿真的过程，步骤如下：

1)选择所需要的仿真信号；

2)选择完待仿真的信号后，需要耐心设置完各个信号出现的时间段(开始时刻和结束时刻)和载波频率。每个调制方式都有各自的时间和载波频率，这样可以更加逼真的仿真真实的混叠信号

3)设置完各个调制方式的参数后，设置仿真的采样频率、信噪比参数以及发送的符号速率，给信号增加噪声，最后得到的数据就既考虑了信噪比，又考虑了信干噪比，使数据可靠有效；

4)完成了所有参数的设置后，点击开始仿真就可以完成仿真了；

5)完成仿真后，如果想查看仿真的结果，可以通过查看时域波形图和频域频谱图，如果不想看也可以直接点击保存数据即可

6)保存数据，将仿真完成的数据保存到本地，并自动的完成信号参数的命名等工作，保存完毕后如果想继续仿真不同的参数可以返回第一步继续完成仿真。

步骤S2实现深度模型学习，实现混叠信号的分离和识别工作，具体流程图如下：

1)获得单信号，利用S1仿真的数据作为机器学习的数据，完成信号特征的学习过程；

2)获得混叠信号，利用S1仿真的数据作为混叠信号进行信号的识别工作；

3)利用深度学习模型与辅助方法来完成信号的识别。

整个过程就实现了将混叠信号识别是否有跳频信号的任务。

以上结合附图对所提出的一种基于混叠信号深度学习的跳频信号判别方法的具体实施方式进行了阐述。通过以上实施方式的描述，所属领域的一般技术人员可以清楚的了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现，但前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现，该软件产品存储在一个存储介质中，包括若干指令用以使得一台或多台计算机设备执行本发明各个实施例所述的方法。

依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

以上所述的本发明实施方式，并不构成对发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于混叠信号深度学习的跳频信号判别方法，其特征在于，主要包括下列步骤：

搭建通信系统仿真平台步骤：将现代通信技术上常用的几种简单调制方式和跳频信号进行仿真，并以平台的方式实现；

数据的仿真和分析步骤：同过第一步的仿真平台，完成深度学习需要用到的数据类型的仿真和分析；

深度学习进行识别混合信号中的跳频信号步骤：对仿真后的数据进行标注，通过深度学习的方法学习跳频信号的特征并进行识别。

2.如权利要求1所述的方法，其特征在于，搭建通信系统仿真平台步骤中，我们对通信系统中的模拟调制方式和数字调制方式进行了仿真。其中模拟调制主要完成调幅、调频、调相；数字调制主要完成振幅键控、频移键控、相移键控、差分相移键控。完成平台的搭建具体过程如下：

1.掌握每种调制信号的通信原理，通过数学模型进行表示，并通过仿真平台搭建仿真流程图，完成单个信号的仿真；

2.搭建简单平台，在平台上可以调用并完成指定的调制方式进行仿真，并可以在平台上对仿真数据的参数进行控制和改变，确保对单个仿真方式可以进行控制和仿真；

3.平台功能复杂化，在简单平台上实现更多功能，让控制多种调制方式可以同时在一个平台是实现，可以设置不同调制方式的不同参数，并且可以设置不同调制方式的仿真时间段，实现任意种调制方式在任意时间段内的组合拼接。可以快速完成大量不同的仿真数据用作深度学习。

3.如权利要求2所述的方法，在数据的仿真和分析步骤中，通过上一步的仿真平台完成数据的仿真。主要步骤如下：

1.利用平台的功能，可以仿真任意两种信号的混合，任意多种信号的叠加，以及任意信号在任意时间上的出现。还可以对多种信号仿真中对单种信号的载波频率进行设置，使各个仿真类型拥有自己的载波频率，可以最大程度上模拟真实信号。

2.对于仿真完成的数据我们可以通过查看数据的波形图和频谱图等方式来确认所仿真的数据是否符合选择的仿真类型，以确保用于深度学习的数据的真实性和可靠性。

4.如权利要求3所述的方法，其特征在于，深度学习进行识别混合信号中的跳频信号步骤中，我们通过上一步平台得到数据进行标注，利用标注过的数据进行深度学习，深度学习主要包括以下两个模块：

1.针对单信号，通过对大量的单信号进行深度学习，学习出单个信号的时域特征，利用时域特征的特点来实现单信号的识别；

2.针对混叠信号，对于深度学习已经学习到了单信号时域特征，再进行混叠信号的训练和学习，通过混叠信号的时域与频谱特征，实现识别混叠信号中是否含有跳频信号。