CN110336631A - 一种基于深度学习的信号检测方法 - Google Patents
一种基于深度学习的信号检测方法 Download PDFInfo
- Publication number
- CN110336631A CN110336631A CN201910482932.7A CN201910482932A CN110336631A CN 110336631 A CN110336631 A CN 110336631A CN 201910482932 A CN201910482932 A CN 201910482932A CN 110336631 A CN110336631 A CN 110336631A
- Authority
- CN
- China
- Prior art keywords
- neural network
- single node
- signal
- detection
- signal detecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信领域,涉及一种基于深度学习的信号检测方法:对时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,取其中较大者,得到单节点检测结果,作为信号检测结果;或,对不同节点的时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,并作为多节点协作检测神经网络的输入,得到多节点检测结果,作为信号检测结果;其中,所述单节点检测神经网络通过二段训练法进行训练。本发明有效挖掘、利用了调制信号的结构化信息和单节点的软信息,提升了单节点检测性能和多节点协作检测性能,改善了已有的传统信号检测方法的以上缺陷。
Description
技术领域
本发明属于无线通信领域,具体涉及一种基于深度学习的信号检测方法。
背景技术
认知无线电是解决频谱稀缺问题的重要技术之一,受到工业界和学术界的高度关注。认知无线电的特征之一是次级用户通过对主发射机信号的检测,确定是否存在可利用的频谱空穴。检测性能直接影响到次级用户频谱效率和主用户能否正常通信,因此,如何在尽可能低的信噪比下实现尽可能低的虚警概率和漏检概率的可靠检测,对于认知无线电的发展至关重要。
能量检测是一种常见的检测技术,但在实际系统中,其性能往往受限于背景噪声能量估计的不确定性,而导致SNR-Wall的出现,即低于一定信噪比时,即便感知时间无限长也无法实现可靠检测。能量检测仅利用了信号的能量信息,而主信号通常为调制信号,其本身具有结构化的特征,该部分特征在纯噪声信号中并不存在,若能得到有效利用则可提升检测性能。深度神经网络具有很强的自动特征提取能力,其在计算机视觉、自然语言处理等领域的成功应用很好地证明了这一点,因此可作为以上问题的解决方案。
人工神经网络作为一门活跃的边缘性交叉学科,众多方面有着十分广泛的应用。人工神经网络是由多个简单(通常是自适应的)单元及其层次化组织所构成的大规模并行互联的网络,它以类似于生物神经系统的方式与真实世界中的对象进行交互。一般将神经网络分为五类,单层前向网络、多层前向网络、反馈网络、随机神经网络以及竞争神经网络。而其中采用误差反向传播算法(Back-Propagation algorithm,BP算法)和反馈网络中的Hopfield神经网络己经被广泛应用于多种学科中,而自组织神经网络作为竞争神经网络的一种,相对于这些神经网络来说,更加的智能化,可以自主学习,可以将输出结果划分种类区域等,拥有其他神经网络不可比拟的优势。但由于现有神经网络中的虚警概率和漏检概率较高,限制了其应用。
发明内容
本发明的目的在于提供一种基于深度学习的信号检测方法,采用单节点检测神经网络时有较低的虚警概率和漏检概率,可以得到较高的检测概率;采用多节点协作检测网络可以对软信息进行融合,得到更高的检测概率。
本发明采用下述技术方案:
一种基于深度学习的信号检测方法,所述信号检测方法为:
当对单节点进行检测时,将时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,取其中较大者,作为信号检测结果;
当对多节点进行检测时,将对不同节点的时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,并作为多节点协作检测神经网络的输入,将多节点协作检测神经网络的输出作为信号检测结果;
其中,当对单节点进行检测时和对多节点进行检测时,所述单节点检测神经网络均通过二段训练法进行训练。
在信号检测中,一个区域里有很多个节点,一个节点是一个用户,大小尺度衰落都是不同的。单节点检测是指对一个节点进行信号检测,可以采用本发明提供的单节点检测神经网络进行信号检测;当需要对多个节点检测时,可以采取本发明提供的多节点协作检测神经网络,进行多节点检测,其中,多节点根据系统进行检测,如4个或8个节点。
所述单节点检测神经网络结构包括两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层、一个128神经元的全连接层和一个2神经元的全连接层;所述单节点检测神经网络通过前向计算得到检测结果。
所述单节点检测神经网络结构中的两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层和一个128神经元的全连接层均采用ReLU作为激活函数;所述单节点检测神经网络结构中的一个2神经元的全连接层采用SOFTMAX作为激活函数。
所述单节点检测神经网络为训练完成后的神经网络,所述单节点检测神经网络在训练过程中分为两个阶段:
(1)损失收敛阶段:漏检概率和虚警概率均随着训练轮次的增加而下降;
(2)指标权衡阶段:漏检概率和虚警概率随着训练轮次的变化呈现出相互权衡的状态,一个指标的上升对应着另一个指标的下降。
所述单节点检测神经网络通过二段训练法进行训练,训练样本包括训练集和验证集,所述训练的方法为:
(1)损失收敛阶段:训练直至验证集损失连续20轮不下降;
(2)指标权衡阶段:从损失收敛阶段最佳模型开始,训练直至虚警概率进入预设目标区间。
所述多节点协作检测神经网络结构包括一个32神经元的全连接层、一个8神经元的全连接层和一个2神经元的全连接层;所述多节点协作检测神经网络通过前向计算得到检测结果。
所述多节点协作检测神经网络为训练完成后的神经网络,训练的方法可以为梯度下降法。
与现有技术相比,本发明提供的信号检测方法:一是通过经二段训练法训练后的单节点检测神经网络进行特征提取,通过二段训练法可以得到较低的漏检概率和较高的检测概率,从而得到更佳的信号检测结果。二是通过协作检测,协作检测是一种通过协调多个检测节点之间的信息共享,有效提升检测性能的技术。协作检测中,对于各单节点软信息(存在物理意义难以解释,融合过程是非线性的的缺点)的有效利用可大大增强检测性能;而多节点检测神经网络中的神经网络权重通过训练数据学习得到,无需先验知识,并且具有很强的非线性映射拟合能力,因此,由一个专门的神经网络负责软信息的融合,可以得到更佳的信号检测结果。
在本发明提供的信号检测方法中:单节点检测神经网络(DetectNet)对各种调制方式的主信号均能有效检测,能在同类调制方式信号之间很好地泛化,且在各采样点数下均能保持比能量检测低5dB左右的SNR-Wall;多节点检测神经网络(SoftcombinationNet)能在达到与逻辑或融合准则相近的检测概率的同时,取得更低的虚警概率。本发明有效挖掘、利用了调制信号的结构化信息和单节点的软信息,提升了单节点检测性能和多节点协作检测性能,改善了已有的传统信号检测方法的以上缺陷。
附图说明
图1为单节点检测神经网络结构图;
图2为多节点协作检测神经网络结构图;
图3为本发明实施例中一次训练过程中性能指标变化情况示例;
图4为本发明实施例中单节点检测神经网络和其他常见神经网络的检测性能比较;
图5为本发明实施例中单节点检测神经网络对不同调制方式主信号的检测性能;
图6为本发明实施例中单节点检测神经网络在不同调制方式主信号之间的检测泛化能力;
图7为本发明实施例中各采样点数下,本发明提出的单节点检测神经网络和能量检测的SNR-Wall比较;
图8为本发明实施例中多节点协作检测神经网络和现逻辑或融合法则的检测性能比较。
具体实施方式
下面结合附图和实施例,详细描述本发明的具体实施方式。
图1给出了单节点检测神经网络结构图,以下将其命名为“DetectNet”,所述的DetectNet由两个具有60个大小为10的滤波器的卷积层(Conv1和Conv2)、一个128神经元的全连接层(FC1)、一个输入组合层(Concatenatedlayer)、两个128神经元的LSTM层(LSTM1和LSTM2)、一个128神经元的全连接层(FC2)和一个2神经元的全连接层(FC3)组成。除了最后一个全连接层使用SOFTMAX作为激活函数之外,其余网络层均使用ReLU。神经网络的输入为时域采样信号向量,输出为主信号存在与不存在的两类概率向量,取其中较大者即为单节点检测结果。
图2给出了多节点协作检测神经网络结构图,以下将其命名为“SoftcombinationNet”,所述的SoftcombinationNet由一个32神经元的全连接层(FC1)、一个8神经元的全连接层(FC2)和一个2神经元的全连接层(FC3)组成。除了最后一个全连接层使用SOFTMAX作为激活函数之外,其余网络层均使用ReLU。神经网络的输入为各个单节点经DetectNet后得到的两类概率向量,输出为主信号存在与不存在的两类概率向量,取其中较大者即为协作检测结果。
图3为DetectNet一次训练过程中性能指标变化情况示例。可以看到,指标的变化明显可分为两个阶段:第一个阶段,漏检概率和虚警概率均随着训练轮次的增加而下降,可称之为损失收敛阶段;第二个阶段,漏检概率和虚警概率随着训练轮次的变化呈现出相互权衡的状态,一个指标的上升对应着另一个指标的下降,可称之为指标权衡阶段。通过运用所述的二段训练法,调节虚警概率预设目标区间,可完成对虚警概率性能的准确控制,实现一个常虚警概率检测器。
下面通过仿真结果来证明DetectNet与SoftcombinationNet能取得比传统信号检测方法更好的性能。实施例达到的技术效果为:
图4为发明提出的DetectNet与其他常见神经网络的检测性能比较,仿真条件为:主信号为单位能量的QAM16调制信号,噪声为单位能量的圆对称复高斯加性噪声,信道分布并不影响检测,只需通过缩放将信噪比设定为预期值,再加入一个(0,2π]的随机相位即可。数据集信噪比为从-20dB至19dB、间隔为1dB,各信噪比均有1000条数据,训练、验证与测试三个子数据集划分比例为3:1:1。采样点数为128。可以看出,DetectNet具有最低的漏检概率和最高的检测概率。若取性能点漏检概率为5.92%,检测概率为90%,则DetectNet的SNR-Wall为-5.35dB,比能量检测的-8.50dB低3.15dB。
图5为发明提出的DetectNet对不同调制方式主信号的检测性能。除主信号调制方式不同外,其余仿真设置与图4相同。可以看到,DetectNet对不同调制方式检测性能不同,但均十分有效,其中对GFSK信号的检测性能最佳。
图6为发明提出的DetectNet在不同调制方式主信号之间的检测泛化能力。图例中“->”符号左侧表示训练数据调制方式,右侧表示测试数据调制方式,其余仿真设置与图4相同。通过与图5进行对比可以看到,DetectNet对同类调制方式信号的检测性能泛化很好,如BPSK与QPSK、QAM16与QAM64等;对不同类调制方式信号则泛化不佳,存在明显性能滑坡。
图7为各采样点数下,发明提出的DetectNet和能量检测的检测SNR-Wall比较。除主信号调制方式为GFSK、采样点数不同外,其余仿真设置与图4相同,图中SNR-Wall的单位均为dB。可以看到,在各采样点数下,DetectNet的SNR-Wall始终比能量检测低5dB左右。
图8为发明提出的SoftcombinationNet和现逻辑或融合法则的检测性能比较。仿真条件为:主信号为单位能量的QAM16调制信号,噪声为单位能量的圆对称复高斯加性噪声,主发射机与各节点之间的信道服从零均值、相同方差的复高斯分布,方差通过预期信噪比计算得到。数据集参数则与图4相同。注意图中横坐标为各节点平均信噪比。可以看到,SoftcombinationNet能在达到与逻辑或融合准则相近的检测概率的同时,取得更低的虚警概率。即在充分利用频谱空穴的同时,对主用户提供良好的保护,展现出了其优越性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的信号检测方法,其特征在于,所述信号检测方法为:
当对单节点进行检测时,将时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,取其中较大者,作为信号检测结果;
当对多节点进行检测时,将对不同节点的时域信号采样向量进行能量归一化后,输入单节点检测神经网络,输出主信号存在或不存在的两类概率向量,并作为多节点协作检测神经网络的输入,将多节点协作检测神经网络的输出作为信号检测结果;
其中,当对单节点进行检测时和对多节点进行检测时,所述单节点检测神经网络均通过二段训练法进行训练。
2.根据权利要求1所述的基于深度学习的信号检测方法,其特征在于,所述单节点检测神经网络结构包括两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层、一个128神经元的全连接层和一个2神经元的全连接层;所述单节点检测神经网络通过前向计算得到检测结果。
3.根据权利要求2所述的基于深度学习的信号检测方法,其特征在于,所述单节点检测神经网络结构中的两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层和一个128神经元的全连接层均采用ReLU作为激活函数;所述单节点检测神经网络结构中的一个2神经元的全连接层采用SOFTMAX作为激活函数。
4.根据权利要求1-3任一所述的基于深度学习的信号检测方法,其特征在于,所述单节点检测神经网络为训练完成后的神经网络,所述单节点检测神经网络在训练过程中分为两个阶段:
(1)损失收敛阶段:漏检概率和虚警概率均随着训练轮次的增加而下降;
(2)指标权衡阶段:漏检概率和虚警概率随着训练轮次的变化呈现出相互权衡的状态,一个指标的上升对应着另一个指标的下降。
5.根据权利要求4所述的基于深度学习的信号检测方法,其特征在于,所述单节点检测神经网络通过二段训练法进行训练,训练样本包括训练集和验证集,所述训练的方法为:
(1)损失收敛阶段:训练直至验证集损失连续20轮不下降;
(2)指标权衡阶段:从损失收敛阶段最佳模型开始,训练直至虚警概率进入预设目标区间。
6.根据权利要求1所述的一种基于深度学习的信号检测方法,其特征在于,所述多节点协作检测神经网络结构包括一个32神经元的全连接层、一个8神经元的全连接层和一个2神经元的全连接层;所述多节点协作检测神经网络通过前向计算得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482932.7A CN110336631B (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482932.7A CN110336631B (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110336631A true CN110336631A (zh) | 2019-10-15 |
CN110336631B CN110336631B (zh) | 2020-10-13 |
Family
ID=68140967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482932.7A Active CN110336631B (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110336631B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044617A (zh) * | 2019-11-28 | 2020-04-21 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111683023A (zh) * | 2020-04-17 | 2020-09-18 | 浙江大学 | 一种模型驱动的基于深度学习的大规模设备检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092503A (zh) * | 2014-07-15 | 2014-10-08 | 哈尔滨工程大学 | 一种基于狼群优化的人工神经网络频谱感知方法 |
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN108924847A (zh) * | 2018-06-04 | 2018-11-30 | 东南大学 | 一种基于ann的认知无线电频谱预测方法及设备 |
CN109597123A (zh) * | 2018-10-26 | 2019-04-09 | 长江大学 | 一种有效信号检测方法及系统 |
-
2019
- 2019-06-04 CN CN201910482932.7A patent/CN110336631B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092503A (zh) * | 2014-07-15 | 2014-10-08 | 哈尔滨工程大学 | 一种基于狼群优化的人工神经网络频谱感知方法 |
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN108924847A (zh) * | 2018-06-04 | 2018-11-30 | 东南大学 | 一种基于ann的认知无线电频谱预测方法及设备 |
CN109597123A (zh) * | 2018-10-26 | 2019-04-09 | 长江大学 | 一种有效信号检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
NATHAN E WEST , TIM O"SHEA: "Deep Architectures for Modulation Recognition", 《2017 IEEE INTERNATIONAL SYMPOSIUM ON DYNAMIC SPECTRUM ACCESS NETWORKS (DYSPAN)》 * |
刘鹤: "基于人工神经网络的认知无线电频谱感知研究", 《电子测试》 * |
吴媛媛等: "基于RBF神经网络的认知无线电频谱的联合检测", 《工程与试验》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044617A (zh) * | 2019-11-28 | 2020-04-21 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111044617B (zh) * | 2019-11-28 | 2022-08-02 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111683023A (zh) * | 2020-04-17 | 2020-09-18 | 浙江大学 | 一种模型驱动的基于深度学习的大规模设备检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110336631B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kramer et al. | Network inference with confidence from multivariate time series | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN104217216B (zh) | 生成检测模型的方法和设备、用于检测目标的方法和设备 | |
CN108400895A (zh) | 一种基于遗传算法改进的bp神经网络安全态势评估算法 | |
CN108090658A (zh) | 基于时域特征参数融合的电弧故障诊断方法 | |
CN105105743B (zh) | 基于深度神经网络的心电图智能处理方法 | |
CN110232319A (zh) | 一种基于深度学习的船舶行为识别方法 | |
CN110336631A (zh) | 一种基于深度学习的信号检测方法 | |
Sestito et al. | Knowledge acquisition of conjunctive rules using multilayered neural networks | |
CN108171329A (zh) | 深度学习神经网络训练方法、层数调整装置和机器人系统 | |
CN106628097A (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN111832417A (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN108596027A (zh) | 基于监督学习分类模型的未知类别信号的检测方法 | |
CN101282243A (zh) | 无线传感器网络分布式融合识别方法 | |
CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
CN108596251A (zh) | 一种基于委员会机器利用测井数据进行储层流体识别方法 | |
CN110188834A (zh) | 一种电力通信网的故障诊断方法、装置及设备 | |
CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN110503185A (zh) | 一种改进的深度调制识别网络模型 | |
CN109766791A (zh) | 一种基于自编码器的通信信号调制识别方法 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
Na et al. | Fake data injection attack detection in AMI system using a hybrid method | |
CN105956661A (zh) | 一种在sdn网络上实现dann在线训练的系统 | |
CN107622354A (zh) | 一种基于区间二元语义的突发事件应急能力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |