CN111709520A - 一种单通道信号源个数估计方法和装置 - Google Patents

Abstract

本发明公开了一种单通道信号源个数估计方法和装置。其中的方法包括：获取多个信号样本数据，所述多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数；构造适用于信号处理的卷积神经网络；使用所述多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型；将单通道接收的实际信号作为待估计信号数据输入至所述信号源个数估计网络模型，输出所述待估计信号数据的信号源个数。本发明实施例是基于卷积神经网络对时频域混叠的混合射频信号的信号源个数进行估计，适用于各种不同数字通信调制样式的混合射频信号的信号源个数估计，具有通用性。

Description

一种单通道信号源个数估计方法和装置

技术领域

本发明涉及信号处理技术领域，具体涉及一种单通道信号源个数估计方法和装置。

背景技术

近年来，随着下一代移动通信(5G)技术的发展以及物联网的涌现，无线应用数据激增，各种通信信号此起彼伏，终端设备和基站产生的无线信号相互之间的干扰越来越严重。在某些情况下，甚至存在伪基站等非法用户或干扰源破坏合法用户的正常通信。由于无意干扰或有意干扰的存在，在同一时间、同一频率上可能存在多个信号混叠的情况，这种时频域混叠的混合信号场景给无线信号分析和频谱监管带来了严峻挑战。

混合信号处理过程中信号源个数估计是很多混合信号分析的重要内容，目前对信号源个数的估计多是基于阵列信号处理方法进行，在单通道接收条件下如何提升信号源个数估计的准确性并没有很好的解决方案。

发明内容

本发明实施例提供了一种单通道信号源个数估计方法和装置，可以适用于单通道接收的各种不同数字通信调制样式的混合射频信号的信号源个数估计，具有通用性。

本发明实施例采用下述技术方案：

第一方面，本发明实施例提供一种单通道信号源个数估计方法，包括：

获取多个信号样本数据，所述多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数；

构造适用于信号处理的卷积神经网络；

使用所述多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型；

将单通道接收的实际信号作为待估计信号数据输入至所述信号源个数估计网络模型，输出所述待估计信号数据的信号源个数。

第二方面，本发明实施例还提供一种单通道信号源个数估计装置，包括：

样本获取单元，用于获取多个信号样本数据，所述多个信号样本数据包括各种不同数字通信调制样式的的混合射频信号以及每种信号对应的信号源个数；

构造单元，用于构造适用于信号处理的卷积神经网络；

训练单元，用于使用所述样本获取单元获取的多个信号样本数据对所述构造单元构造的卷积神经网络进行训练，得到信号源个数估计网络模型；

估计单元，用于将单通道接收的实际信号作为待估计信号数据输入至所述训练单元得到的信号源个数估计网络模型，输出待估计信号数据的信号源个数。

本发明实施例采用上述技术方案能够达到以下有益效果：

本发明实施例是基于卷积神经网络对时频域混叠的混合射频信号的信号源个数进行估计，卷积神经网络适用于局部特征提取和分类，适用于信号个数分类场景。通过利用多个已知信号源个数的混合射频信号作为信号样本数据，对构造的卷积神经网络进行训练得到信号源个数估计网络模型，再利用该信号源个数估计网络模型对单通道接收的实际信号的信号源个数进行估计，从而可以适用于各种不同数字通信调制样式的混合射频信号的信号源个数估计，具有通用性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一个实施例的单通道信号源个数估计方法的流程示意图；

图2为本发明一个实施例的构造的卷积神经网络的工作流程示意图；

图3为本发明一个实施例的单通道信号源个数估计装置的框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明一个实施例的单通道信号源个数估计方法的流程示意图。参见图1，本实施例的信号源个数估计方法，包括下列步骤：

步骤S101，获取多个信号样本数据，该多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数。

本步骤S101获取的信号样本数据包括各种不同数字通信调制样式的混合射频信号，从而保证了本实施例的信号源个数估计方法的通用性。而且每种混合射频信号的信号源个数已知，这样才可以作为信号样本数据用于训练卷积神经网络得到信号源个数估计网络模型。

步骤S102，构造适用于信号处理的卷积神经网络。

需要说明的是，上述步骤S101与步骤S102为并列关系，在执行顺序上没有先后要求。

步骤S103，使用多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型。

卷积神经网络适用于局部特征提取和分类，适用于信号个数分类场景。本步骤S103停止训练的条件是，直至训练曲线收敛，信号源个数估计模型在测试集上的准确率符合要求，得到训练好的卷积神经网络。本步骤S103是将训练好的卷积神经网络作为信号源个数估计网络模型。

步骤S104，将单通道接收的实际信号作为待估计信号数据输入至信号源个数估计网络模型，输出待估计信号数据的信号源个数。

本步骤S104是利用训练好的信号源个数估计网络对单通道实际接收的射频信号进行信号源个数估计。

由图1所示可知，本实施例的信号源个数估计方法，通过构造卷积神经网络，使用多个已知信号源个数的混合射频信号作为信号样本数据，对构造的卷积神经网络进行训练，训练完成后就可以得到信号源个数估计网络，从而只需将待估计信号数据输入至该信号源个数估计网络，经推理后便可输出待估计信号中的信号源个数。本实施例方法可以适用于各种不同数字通信调制样式的混合射频信号的信号源个数估计，具有通用性。

在一个实施例中，上述步骤S101的“获取多个信号样本数据”包括：

将各种不同数字通信调制样式的混合射频信号进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1，其中，M为信号采样点数；

提取该复基带采样序列的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵x＝[I,Q]作为信号样本数据；

获取N个信号样本数据[x_i,y_i]，其中，x_i表示第i个信号样本数据，y_i表示第i个信号样本数据实际包含的信号源个数，N表示获取的信号样本数据的总数。

需要说明的是，数字通信调制样式可包含二进制相移键控(Binary Phase ShiftKeying,BPSK)、正交相移键控(Quadrature Phase Shift Keying,QPSK)、频移键控(Frequency-shift keying,FSK)、正交振幅调制(Quadrature Amplitude Modulation,QAM)等，实际的混合射频信号可以是单个数字调制信号，也可以是不同数字调制信号的两个或者多个组合。

在一个实施例中，上述步骤S102的“构造适用于信号处理的卷积神经网络”包括：

构造包括输入层、中间层和输出层的卷积神经网络；其中，

卷积神经网络的输入层的大小为M行2列，M为信号采样点数；卷积神经网络的中间层至少包含一个卷积层、池化层、非线性激活层和全连接层；卷积神经网络的输出层为分类层或回归层，如果卷积神经网络的输出层为分类层，则输出的估计所得的信号源个数为可枚举的离散数值；如果卷积神经网络的输出层为回归层，则输出的估计所得的信号源个数为连续区间。

在一个实施例中，上述步骤S103的“使用多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型”包括：

从N个信号样本数据中随机选取C(1<C<N)个信号样本数据作为训练集，其余信号样本数据作为测试集；

利用误差反向传播算法中的随机梯度下降法，使用该训练集和测试集的信号样本数据对构造的卷积神经网络进行训练，直至训练曲线收敛得到训练好的卷积神经网络，将训练好的卷积神经网络作为信号源个数估计网络模型。

其中，采用误差反向传播算法中的随机梯度下降法进行训练保证了较快的训练速度。

在一个实施例中，上述步骤S104的“将单通道接收的实际信号作为待估计信号数据输入至信号源个数估计网络模型，输出待估计信号数据的信号源个数”包括：

对待估计信号数据进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1；

提取复基带采样序列s(n)的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵；

将该矩阵输入信号源个数估计网络模型，则网络模型经过网络推理计算后的输出结果即为估计所得的待估计信号数据中的信号源个数。

参见图2，图2为本发明一个实施例的构造的卷积神经网络的工作流程示意图。图2中，卷积神经网络输入尺寸为8192行2列，即，前述信号采样点数M等于8192。图2中的conv代表卷积层，conv之前的数字(如图2所示8×2)表示卷积核的尺寸，之后的数字(如图2所示32)表示卷积核的个数。图2中ReLU激活层表示整流线性激活；Maxpool表示池化层，括号内数字表示滑动窗口大小，如图2所示(3,1)表示每次滑动窗口大小为3行1列；Dropout表示Dropout层，括号内数字(如图2所示0.5)中表示信号丢失或中途退出概率；图2中字母FC(Fully Connect)表示卷积神经网络的全连接层，数字(如图2所示256,4)代表神经元个数。最后，经过图2中softmax输出层的判决输出信号源个数。

在本发明的其他实施例中，卷积神经网络的卷积层和非线性激活层ReLU之间还包含归一化层。另外，在本发明的其他实施例中，图2中分类层可以被替换为卷积神经网络的回归层，以满足不同输出需求。

需要说明的是，本实施例中构造的卷积神经网络的输出层可以是分类层比如softmax分类层，也可以是回归层，如果卷积神经网络输出层为分类层，则卷积神经网络输出的估计所得的信号源个数为可枚举的离散数值。如果卷积神经网络输出层为回归层，则卷积神经网络输出的估计所得的信号源个数为连续区间。

与前述单通道信号源个数估计方法同属于一个技术构思，本发明实施例还提供了一种单通道信号源个数估计装置。

图3是本发明一个实施例的单通道信号源个数估计装置的框图，参见图3，本实施例的单通道信号源个数估计装置300包括：

样本获取单元301，用于获取多个信号样本数据，其中，多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数；

构造单元302，用于构造适用于信号处理的卷积神经网络；

训练单元303，用于使用样本获取单元301获取的多个信号样本数据对构造单元302构造的卷积神经网络进行训练，得到信号源个数估计网络模型；

个数估计单元304，用于将单通道接收的实际信号作为待估计信号数据输入至训练单元303得到的信号源个数估计网络模型，输出待估计信号数据的信号源个数。

在本发明的一个实施例中，上述的样本获取单元301具体用于：

将各种不同数字通信调制样式的混合射频信号进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1，其中，M为信号采样点数；提取复基带采样序列的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵x＝[I,Q]作为信号样本数据；获取N个信号样本数据[x_i,y_i]，其中，x_i表示第i个信号样本数据，y_i表示第i个信号样本数据实际包含的信号源个数，N表示获取的信号样本数据的总数。

其中，数字通信调制样式可包含BPSK、QPSK、FSK、QAM等，实际的混合射频信号可以是单个数字调制信号，也可以是不同数字调制信号的两个或者多个组合。

在本发明的一个实施例中，上述的构造单元302构造的卷积神经网络包括输入层、中间层和输出层。其中，输入层的大小为M行2列，M为信号采样点数；中间层至少包含一个卷积层、池化层、非线性激活层和全连接层；输出层为分类层或回归层，如果输出层为分类层，则卷积神经网络输出的估计所得的信号源个数为可枚举的离散数值。如果输出层为回归层，则卷积神经网络的输出的估计所得的信号源个数为连续区间。

在本发明的一个实施例中，上述的训练单元303具体用于：

从N个信号样本数据中随机选取C(1<C<N)个信号样本数据作为训练集，其余信号样本数据作为测试集；

利用误差反向传播算法中的随机梯度下降法，使用该训练集和测试集的信号样本数据对构造的卷积神经网络进行训练，直至训练曲线收敛得到训练好的卷积神经网络，将训练好的卷积神经网络作为信号源个数估计网络模型。

在本发明的一个实施例中，上述的估计单元304具体用于：

对待估计信号数据进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1；提取复基带采样序列s(n)的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵；将该矩阵输入信号源个数估计网络模型，则网络模型经过网络推理计算后的输出结果即为估计所得的待估计信号数据中的信号源个数。

需要说明的是，关于图3所示的单通道信号源个数估计装置中的各单元所执行的各功能的举例解释说明，与前述方法实施例中的举例解释说明一致，这里不再一一赘述。

综上所述，本发明实施例的信号源个数估计方法和装置，基于卷积神经网络进行时频域混叠的混合射频信号的信号源个数估计，通过利用多个已知信号源个数的混合射频信号作为信号样本数据，对构造的卷积神经网络进行训练得到信号源个数估计网络模型，再利用该信号源个数估计网络模型对单通道接收的实际信号的信号源个数进行估计，从而可以适用于各种不同数字通信调制样式的混合射频信号的信号源个数估计，具有通用性。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的单通道信号源个数估计装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是，上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。

Claims (10)

1.一种单通道信号源个数估计方法，其特征在于，所述方法包括：

获取多个信号样本数据，所述多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数；

构造适用于信号处理的卷积神经网络；

使用所述多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型；

将单通道接收的实际信号作为待估计信号数据输入至所述信号源个数估计网络模型，输出所述待估计信号数据的信号源个数。

2.如权利要求1所述的方法，其特征在于，所述获取多个信号样本数据包括：

将各种不同数字通信调制样式的混合射频信号进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1，其中，M为信号采样点数；

提取所述复基带采样序列的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵x＝[I,Q]作为信号样本数据；

获取N个信号样本数据[x_i,y_i]，其中，x_i表示第i个信号样本数据，y_i表示第i个信号样本数据实际包含的信号源个数，N表示获取的信号样本数据的总数。

3.如权利要求1所述的方法，其特征在于，所述构造适用于信号处理的卷积神经网络包括：

构造包括输入层、中间层和输出层的卷积神经网络；

所述卷积神经网络的输入层的大小为M行2列，M为信号采样点数；

所述卷积神经网络的中间层至少包含一个卷积层、池化层、非线性激活层和全连接层；

所述卷积神经网络的输出层为分类层或回归层，如果所述卷积神经网络的输出层为分类层，则输出的估计所得的信号源个数为可枚举的离散数值；如果所述卷积神经网络的输出层为回归层，则输出的估计所得的信号源个数为连续区间。

4.如权利要求2所述的方法，其特征在于，所述使用所述多个信号样本数据对构造的卷积神经网络进行训练，得到信号源个数估计网络模型包括：

从所述N个信号样本数据中随机选取C(1<C<N)个信号样本数据作为训练集，其余信号样本数据作为测试集；

利用误差反向传播算法中的随机梯度下降法，使用所述训练集和所述测试集的信号样本数据对构造的卷积神经网络进行训练，直至训练曲线收敛，将训练好的卷积神经网络作为信号源个数估计网络模型。

5.如权利要求2所述的方法，其特征在于，所述将单通道接收的实际信号作为待估计信号数据输入至所述信号源个数估计网络模型，输出待估计信号数据的信号源个数包括：

对待估计信号数据进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1；

提取所述复基带采样序列s(n)的I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵；

将所述矩阵输入所述信号源个数估计网络模型，网络模型的输出结果即为估计所得的所述待估计信号数据中的信号源个数。

6.一种单通道信号源个数估计装置，其特征在于，所述装置包括：

样本获取单元，用于获取多个信号样本数据，所述多个信号样本数据包括各种不同数字通信调制样式的混合射频信号以及每种信号对应的信号源个数；

构造单元，用于构造适用于信号处理的卷积神经网络；

训练单元，用于使用所述样本获取单元获取的多个信号样本数据对所述构造单元构造的卷积神经网络进行训练，得到信号源个数估计网络模型；

个数估计单元，用于将单通道接收的实际信号作为待估计信号数据输入至所述训练单元得到的信号源个数估计网络模型，输出待估计信号数据的信号源个数。

7.如权利要求6所述的装置，其特征在于，所述样本获取单元具体用于：

将各种不同数字通信调制样式的混合射频信号进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1，其中，M为信号采样点数；

提取所述复基带采样序列的I路数据和Q路数据，将所述I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵x＝[I,Q]作为信号样本数据；

获取N个信号样本数据[x_i,y_i]，其中，x_i表示第i个信号样本数据，y_i表示第i个信号样本数据实际包含的信号源个数，N表示获取的信号样本数据的总数。

8.如权利要求6所述的装置，其特征在于，所述构造单元具体用于：

构造包括输入层、中间层和输出层的卷积神经网络；其中，所述卷积神经网络的输入层的大小为M行2列，M为信号采样点数；所述卷积神经网络的中间层至少包含一个卷积层、池化层、非线性激活层和全连接层；所述卷积神经网络的输出层为分类层或回归层，如果所述卷积神经网络的输出层为分类层，则输出的估计所得的信号源个数为可枚举的离散数值；如果所述卷积神经网络的输出层为回归层，则输出的估计所得的信号源个数为连续区间。

9.如权利要求7所述的装置，其特征在于，所述训练单元具体用于：

从所述N个信号样本数据中随机选取C(1<C<N)个信号样本数据作为训练集，其余信号样本数据作为测试集；

利用误差反向传播算法中的随机梯度下降法，使用所述训练集和所述测试集的信号样本数据对构造的卷积神经网络进行训练，直至训练曲线收敛，将训练好的卷积神经网络作为信号源个数估计网络模型。

10.如权利要求7所述的装置，其特征在于，所述个数估计单元具体用于：

对待估计信号数据进行接收采样，得到复基带采样序列s(n)，n＝0,1,2,...,M-1；

提取所述复基带采样序列s(n)的I路数据和Q路数据，将所述I路数据和Q路数据分别作为一个列向量，构造M行2列的矩阵；

将所述矩阵输入所述信号源个数估计网络模型，网络模型的输出结果即为估计所得的所述待估计信号数据中的信号源个数。

Images