CN111541511A - 复杂电磁环境下基于目标检测的通信干扰信号识别方法 - Google Patents

Abstract

本发明属于信号识别技术领域，公开了一种复杂电磁环境下基于目标检测的通信干扰信号识别方法，获取已标定干扰信号的时频图像；使用目标检测网络对时频图像进行目标检测，并预测目标所在区域的矩形边界框坐标。本发明能够在复杂电磁环境下实现实时准确检测，并具有很好的泛化能力。本发明4个残差块串联构成主干网络，2个检测模块，最终得到维度为(Batch,14,14,128)和(Batch,28,28,128)的特征图，此特征图经过上采样层后，在通道维度上与上一层的输出融合，融合信息输入检测层实现预测。对训练好的目标检测网络进行测试，识别准确率可达到92.77％。

Description

复杂电磁环境下基于目标检测的通信干扰信号识别方法

技术领域

本发明属于信号识别技术领域，尤其涉及一种复杂电磁环境下基于目标检测的通信干扰信号识别方法。

背景技术

目前，通信干扰信号识别是进行电子对抗，保障通信链路稳定可靠的基础。现代战争的战场电磁环境异常复杂，多方的短波、超短波、卫星等通信系统以及各类电子干扰设备产生的信号使得有限的电磁频谱变得异常拥挤，在此条件下，快速准确地识别出当前电磁环境中针对通信方的恶意干扰信号有利于作战人员对战场电磁环境的把握，针对性地调整当前通信策略与部署，提升通信可靠性。

随着图像处理技术与信号识别技术的广泛应用，近年来出现了许多将形图像处理与时频图像相结合的信号识别算法。例如：基于时频图像识别雷达干扰信号，或利用图像分割、形态学去噪等处理方法对摩尔斯信号进行自动识别；或将时频分析与统计模型相结合，构建基于三种时频分析方法的水声信号被动检测模型等。由于常见的通信干扰信号在时频域上存在较为明显的几何特征，因此可以从图像目标检测的角度来解决干扰信号的识别问题。现实中通常是人工分辨时频图像中的这些干扰目标。然而，这种手段的检测效率较低，并且当环境中同时存在多种通信信号和干扰信号时，人工检测的方法的准确率和响应速度难以满足需求。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有技术中，解决复杂电磁环境下对干扰信号识别率低，为后续该领域的相关研究不能提供技术支持，实际应用价值小。

(2)现有技术依靠人工处理，人工操作繁琐，效率较低，在长时间工作条件下性能下降。

而且当目标较多时，依靠人工处理的现有技术难以应对，容易出现漏检等问题。

解决以上问题及缺陷的难度为：如何设计模型结构使得模型可以有效识别常见干扰的时频图像。

在保证准确率的条件下，如何降低模型的复杂度，以便能够部署在计算能力有限的设备上，

解决以上问题及缺陷的意义为：首先，本发明解决了复杂电磁环境下的通信干扰信号的识别问题，可为通信抗干扰决策提供重要的信息支持，且模型易于训练，复杂度低，便于实际部署；其次，在部分场景下，可以代替人工从时频图像中分辨干扰信号；最后，模型经过重新训练可以快速适应其他场景，不仅可用于军事领域，在无线电监测、频谱共享以及射频识别等场合都有较好的应用前景，具有良好的兼容性。

发明内容

为了解决现有技术存在的问题，本发明提供了一种复杂电磁环境下基于目标检测的通信干扰信号识别方法。本发明对于时频图像的识别模型可以部分或者完全代替人工处理通信干扰情况，相比于人工操作，在长时间工作条件下性能不会下降。

本发明识别模型是一种基于数据驱动的模型，通过更换数据集可以快速适应新的场景。

本发明此类基于时频图像的识别模型不仅可以用于通信对抗，还可应用于日常无线电频谱监测、商业频谱共享领域。

本发明是这样实现的，一种复杂电磁环境下基于目标检测的通信干扰信号识别方法包括：

步骤一，获取已标定干扰信号的时频图像,并进行数据增强处理；

步骤二，使用目标检测网络对时频图像进行目标检测，并获取预测结果所在区域的矩形边界框；

步骤三，利用训练好的目标检测网络对实际复杂环境下的时频图像进行检测。

进一步，所述步骤一中，使用USRP软件无线电平台和GNU Radio软件生成指定类型的通信干扰信号，利用RTL-SDR在不同背景下接收环境中的所有信号，并以时频图像的形式呈现，通过硬件搭建测试平台获取实测数据，并制作数据集；

使用Labelme软件完成对干扰信号的标定，获取干扰信号区域的坐标；

将所述时频图像和干扰信号区域的坐标以格式化的方式保存。

进一步，所述步骤一中，获取已标定干扰信号的时频图像额方法包括：

利用短时傅里叶变换，将接收信号的时域信息转换为时频域信息，以二维图像的形式展现；变换公式为：

式中x(m)为输入信号，g(m)为窗函数；使用N点快速傅里叶变换上述时域到时频域的变换，N＝65536；

所述步骤一中，利用Pytorch深度学习框架搭建SAR-YOLO-Tiny网络，使用 Opencv计算机视觉库对获取的图像进行随机调整图片的亮度、对比度和饱和度增强处理。

所述步骤一中，标签集中的数据格式为(x₁，y₁，x₂，y₂，class)，通过代码将此标签格式转化为SAR-YOLO-Tiny模型需要的指定格式 (class，x_center，y_center，Width，Heigh)。其中，class代表该目标的类别，x_center表示归一化的锚框中心x轴坐标，y_center表示归一化的锚框中心y轴坐标，Width表示锚框的归一化宽度，Height代表锚框的归一化高度。

进一步，所述步骤二中，使用获取的格式化数据训练SAR-YOLO-Tiny网络；

SAR-YOLO-Tiny网络基于YOLO-Tiny网络构建，使用小纵横比的锚框，锚框尺寸由实际标签中边界框的尺寸经过K-means++聚类算法计算得到，分别为： 19×51，8×66，23×16，10×29，23×152，50×83。

进一步，K-means++聚类算法通过不断地迭代选择出k个最具有代表性的尺寸用于预测。

进一步，使用深度学习框架构建网络模块，包括残差模块、卷积层、池化层和检测层，其中检测层用于计算预测结果与真实标签之间的误差，误差通过反向传播调整网络参数直到完成训练周期。

进一步，所述步骤二中，对于SAR-YOLO-Tiny的主干网络，使用残差块代替原始YOLO-Tiny主干网络中的传统卷积层，并结合浅层特征进行检测；包括步骤：

使用包含1×1和3×3卷积核的残差块；

将经过5次池化的特征图经过2倍上采样后与经过4次池化的特征图融合，将经过4次池化的特征图经过2倍上采样后与经过3次池化的特征图融合，同时利用浅层和深层特征进行检测。

进一步，所述步骤三中，使用时频图像测试训练好的SAR-YOLO-Tiny目标检测网络，性能评价指标均值平均精度包括：

式中，P(k)代表输入了k张图片后网络的准确率，Δr(k)代表读取了第k张图片后，召回率的变化情况。

本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法。

本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法方法。

本发明的另一目的在于提供一种执行所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法的电子干扰设备。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

本发明提供的复杂电磁环境下基于目标检测的通信干扰信号识别方法，获取已标定干扰信号的时频图像；使用SAR-YOLO-Tiny目标检测网络对时频图像进行目标检测，并获取预测结果所在区域的矩形边界框。同时，模型具有更快的收敛速度，方便重新训练以适应新的场景。

本发明基于不同类型的通信干扰信号的时频图像具有不同的视觉特性的规律，利用YOLO-Tiny目标检测网络为基础，并针对通信干扰信号识别场景对网络参数和结构进行改进，解决复杂电磁环境下的识别问题，为后续该领域的相关研究提供了思路，具有较强的实际应用价值。

结合实验或试验数据和现有技术对比得到的效果和优点：根据图5，可以看出，SAR-YOLO-Tiny损失函数的下降速度快于原始模型YOLO-Tiny和《基于图像深度学习的无线电信号识别》中的RadioYOLO模型。图6所示的是训练过程中，模型检测精确率的变化情况，SAR-YOLO-Tiny模型精确率的上升速度高于YOLO-Tiny和RadioYOLO。经过400次迭代训练后，精确率接近98％。对模型的测试结果如图7所示，每间隔6个训练周期进行一次测试，测试指标为 mAP(mean Average Precision)。该指标用于衡量目标检测网络的综合性能。SAR-YOLO-Tiny模型的mAP值在经过42周期的训练后显著升高，均高于对照模型。综合来看，SAR-YOLO-Tiny模型在检测有效性和模型复杂度方面优于对照模型。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的复杂电磁环境下基于目标检测的通信干扰信号识别方法流程图。

图2是本发明实施例提供的FSK扰信号时频图像示意图。

图3是本发明实施例提供的残差块结构图。

图4是本发明实施例提供的使用残差块的SAR-YOLO-Tiny网络结构示意图。

图5是本发明训练过程中损失函数的变化曲线。

图6是本发明训练过程中模型平均精确率的变化曲线。

图7是本发明的测试过程中平均精确率mAP随训练周期变化情况。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有技术中，解决复杂电磁环境下对干扰信号识别率低，为后续该领域的相关研究不能提供技术支持，实际应用价值小。

针对现有技术存在的问题，本发明提供了一种复杂电磁环境下基于目标检测的通信干扰信号识别方法，下面结合附图对本发明作详细的描述。

如图1所示，一种复杂电磁环境下基于目标检测的通信干扰信号识别方法包括：

S101，使用USRP与GNU Radio软件构建干扰发射机，发射通信干扰信号，使用RTL-SDR接收机采集信号，采集到的信号经过短时傅里叶变化以时频图像流的形式呈现。

S102，对时频图像流进行帧提取，并使用矩形框作为标签，标注目标区域。使用时频图像和对应标签训练SAR-YOLO-Tiny网络模型。

S103，使用测试集图片对训练好的SAR-YOLO-Tiny网络进行测试。

步骤S101中，通信干扰信号，包括：单音干扰、FSK干扰、扫频干扰以及宽带噪声干扰。

步骤S101中，使用RTL-SDR接收机接收复杂电磁环境下的单音干扰、FSK 干扰、扫频干扰和宽带噪声干扰信号。

接收频段包含短波和超短波频段，以FM调频信号、航空无线电信号作为背景，使得通信干扰信号处于多种信号存在的复杂环境下。

利用短时傅里叶变换，将接收信号的时域信息转换为时频域信息，也即二维图像。变换公式如下：

式中x(m)为输入信号，g(m)为窗函数。使用N点快速傅里叶变换上述时域到时频域的变换，N＝65536。

步骤S102中，SAR-YOLO-Tiny采用原始的YOLO-Tiny的主干网络作为主干结构。

步骤S102中，针对SAR-YOLO-Tiny网络中的检测层，使用小纵横比锚框作为先验边界框。小纵横比锚框的尺寸通过聚类算法获得。

小纵横比锚框的宽和高分别对应信号带宽和持续时间，并相对于时频图像的宽和高做归一化处理。

使用K-means++聚类算法估计出最具有代表性的k个小纵横比锚框。

步骤S102中，本发明需要使用固定尺寸的边界框预测实际目标区域，该边界框的尺寸大小通过K-means++聚类算法获得。该算法通过不断地迭代选择出k 个最具有代表性的尺寸用于预测，包括步骤：

将每一个边界框的宽高数据视为一个点，首先对所有点进行初始化聚类，获取6个聚类中心，聚类中心确定的原则是每个聚类中心相距尽可能远。

按照距离公式，计算剩余所有点与当前点的距离，距离计算公式如下：

Distance＝1-box_iou(box,centrcid)

其中Distance表示距离，box_iou表示交并比计算函数，box代表剩余点中的某一个，centrcid表示初始化的聚类中心。box_iou的计算步骤如下：

获取box左上角在x轴上的坐标x₁和在该轴上的长度len_x1，获取box左上角在 y轴上的坐标y₁和在该轴上的长度len_y1以及centrcid的相同参数x₂，y₂，len_x2，len_y2。根据8个参数计算两个边界框的交集面积与并集面积之比。

依次计算得到所有box与已有聚类中心的距离，选择出与最近聚类中心的距离。设参与此轮聚类中心选择的box个数为m，根据如下公式计算各box被选为聚类中心的概率：

列出P[(box_i)]的分布律，随机生成一个处于0和1之间的数，该数所处的概率区间对应的box就是下一个聚类中心。计算得到的6个聚类中心的宽和高即为6个先验边界框的尺寸。

步骤S102中，针对SAR-YOLO-Tiny主干结构中的传统卷积层，使用残差残差块代替。检测层基于浅层特征图和深层特征图进行检测。

步骤S102中使用Pytorch深度学习框架构建SAR-YOLO-Tiny网络，由残差块、特征融合层以及检测层构成。包括步骤：

使用3×3卷积核、1×1卷积核和LeakyReLU激活函数组建残差块。

每个残差块之后连接一个步长为2的最大池化层，使得输出特征图尺寸为 1/2。

4个残差块以及若干卷积层和池化层串联构成主干网络，5次池化最终得到(Batch,7,7,128)的特征图，此特征图经过上采样层后，在通道维度上与第4 块残差块的输出融合。4次池化最终得到(Batch,14,14,128)的特征图，此特征图经过上采样层后，在通道维度上与第3块残差块的输出融合，融合信息输入检测模块用于计算损失函数。

上采样层采用最邻近插值，上采样倍数为2。

检测层输入特征图通道数为30。

步骤S103中，使用时频图像测试训练好的SAR-YOLO-Tiny目标检测网络，性能评价指标平均准确率包括：

式中，P(k)代表输入了k张图片后网络的准确率，Δr(k)代表读取了第k张图片后，召回率的变化情况。

对训练好的目标检测网络进行测试，检测的均值平均精度可达到92.77％。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种复杂电磁环境下基于目标检测的通信干扰信号识别方法，其特征在于，所述复杂电磁环境下基于目标检测的通信干扰信号识别方法包括：

步骤一，获取已标定干扰信号的时频图像,并进行数据增强处理；

步骤二，使用目标检测网络对时频图像进行目标检测，并获取预测结果所在区域的矩形边界框；

步骤三，利用训练好的目标检测网络对实际复杂环境下的时频图像进行检测。

2.如权利要求1所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，所述步骤一中，使用USRP软件无线电平台和GNU Radio软件生成指定类型的通信干扰信号，利用RTL-SDR在不同背景下接收环境中的所有信号，并以时频图像的形式呈现，通过硬件搭建测试平台获取实测数据，并制作数据集；

使用Labelme软件完成对干扰信号的标定，获取干扰信号区域的坐标；

将所述时频图像和干扰信号区域的坐标以格式化的方式保存。

3.如权利要求1所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，所述步骤一中，获取已标定干扰信号的时频图像额方法包括：

利用短时傅里叶变换，将接收信号的时域信息转换为时频域信息，以二维图像的形式展现；变换公式为：

式中x(m)为输入信号，g(m)为窗函数；使用N点快速傅里叶变换上述时域到时频域的变换，N＝65536；

所述步骤一中，利用Pytorch深度学习框架实现搭建SAR-YOLO-Tiny网络，使用Opencv计算机视觉库对获取的图像进行随机调整图片的亮度、对比度和饱和度增强处理。

4.如权利要求1所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，所述步骤二中，使用获取的格式化数据训练SAR-YOLO-Tiny网络；

SAR-YOLO-Tiny网络基于YOLO-Tiny网络构建，使用小纵横比的锚框，包括19×51，8×66，23×16，10×29，23×152，50×83，估计实际的矩形目标区域；

小纵横比的锚框尺寸由实际标签中边界框的尺寸经过K-means++聚类算法计算得到；

所述SAR-YOLO-Tiny网络包括残差模块、卷积层、池化层和检测层，检测层用于计算预测结果与真实标签之间的误差，误差通过反向传播调整网络参数直到完成训练周期。

5.如权利要求4所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，K-means++聚类算法通过不断地迭代选择出k个最具有代表性的尺寸用于预测，具体实现方式：

将每一个边界框的宽高数据视为一个点，对所有点进行初始化聚类，获取6个聚类中心，按照距离公式，计算剩余所有点与当前点的距离，距离计算公式为：

Distance＝1-box_iou(box,centrcid)

其中Distance表示距离，box_iou表示交并比计算函数，box代表剩余点中的某一个，centrcid表示初始化的聚类中心；

box_iou的计算步骤包括：

获取box左上角在x轴上的坐标x₁和在该轴上的长度len_x1，获取box左上角在y轴上的坐标y₁和在该轴上的长度len_y1以及centrcid的相同参数x₂，y₂，len_x2，len_y2。根据8个参数计算两个边界框的交集面积与并集面积之比；

依次计算得到所有box与已有聚类中心的距离，选择出与最近聚类中心的距离。设参与此轮聚类中心选择的box个数为m，根据如下公式计算各box被选为聚类中心的概率：

列出P[(box_i)]的分布律，随机生成一个处于0和1之间的数，该数所处的概率区间对应的box就是下一个聚类中心；计算得到的6个聚类中心的宽和高，作为6个先验边界框的尺寸。

6.如权利要求1所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，所述步骤三中，对于SAR-YOLO-Tiny的主干网络，检测过程包括步骤：

使用包含1×1和3×3卷积核的残差块；

将经过5次池化的特征图经过2倍上采样后与经过4次池化的特征图融合，将经过4次池化的特征图经过2倍上采样后与经过3次池化的特征图融合，同时利用浅层和深层特征进行检测。

7.如权利要求1所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法，其特征在于，所述步骤三中，使用时频图像测试训练好的SAR-YOLO-Tiny目标检测网络，性能评价指标平均准确率包括：

式中，P(k)代表输入了k张图片后网络的准确率，Δr(k)代表读取第k张图片后，召回率的变化情况。

8.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～7任意一项所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法。

9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法方法。

10.一种执行权利要求1～7任意一项所述的复杂电磁环境下基于时频图像的通信干扰信号识别方法的电子干扰设备。

Images