CN111832462A

CN111832462A - 一种基于深度神经网络的跳频信号检测与参数估计方法

Info

Publication number: CN111832462A
Application number: CN202010645400.3A
Authority: CN
Inventors: 李智; 代华建; 王宇阳; 吴俊�; 李健
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2020-07-07
Filing date: 2020-07-07
Publication date: 2020-10-27
Anticipated expiration: 2040-07-07
Also published as: CN111832462B

Abstract

本发明公开了一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域，可用于跳频信号检测与参数估计。包括以下步骤：1）跳频信号数据的生成和采集；2）将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理；3）把分类的跳频信号生成时频分布瀑布图，生成图像数据集；4）构建SSD模型；5）把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练；6）把训练好的模型用于测试集完成跳频信号检测与参数估计；7）针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正；8）进行时频瀑布图修正前后性能的比较分析；本发明对跳频信号检测率高且参数估计精确，对跳频信号的处理具有重要意义。

Description

一种基于深度神经网络的跳频信号检测与参数估计方法

技术领域

本发明涉及一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域与非协作通信领域，可用于跳频信号检测与参数估计。

背景技术

近年来随着深度学习的崛起并在图像处理和自然语言处理方面取得累累硕果。特别是在图像处理方面，深度学习的功能主要是目标检测和分类识别。目标检测的核心主要是利用深度神经网络来训练带有标签的目标图片，然后利用训练好的模型对未作标签的图片进行目标检测。利用深度学习进行目标检测，对目标进行动态实时跟踪定位、以及在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。国内外的专家已经开始研究把机器学习应用于信号处理领域。比如:Timothy J.O’Sheal等人利用原始信号去训练卷积神经网络，并进行了11种调制样式的识别。H. Ye, G. Y. Li等学者在2017年研究了基于深度学习的OFDM系统信道估计与信号检测。在复杂的电磁环境中捕获信号，本质上就是在电磁环境中找到目标信号，并确定目标信号的位置，即时域的起始点和频域的频宽、中心频率等。目标检测在计算机视觉领域应用比比皆是，经过国内外学者将近二十多年的研究，目标检测理论也逐渐成熟。近些年由于硬件设备越来越好深度学习技术的发展也一日千里，目标检测算法也从提取传统专家特征的方式向与深度神经网络结合的方向发展。目前比较前沿的基于深度神经网络的目标检测框架分为两大类：一类是采用分两个步骤(two-stage)的方法，比如RCNN、Fast RCNN、FasterRCNN等，两步具体为回归(location)和分类任务。另一类是采用一个步骤(one-stage)的目标检测框架，例如YOLO/YOLOv2、SSD等，同时完成检测和回归任务。分两步分析比较细微，当然检测精确度就高，但是相应的运算速度就慢了。只分一步分析则可以确保实时性，但是却降低了精确度。

跳频信号是一种非平稳随机信号，载波频率随着跳频序列随机跳动，要进行跳频信号检测与参数估计存在很多困难。因此在非协作跳频通信领域，国内外专家学者很少涉足。而本发明提出了一种基于深度学习的跳频信号检测与参数估计方法，该方法以深度学习在目标检测方面的成功为依据，首先把跳频信号生成时频分布瀑布图，然后把生成好的时频瀑布图打上标签作为vgg16训练模型的输入进行训练。最后把训练好的模型用于测试集完成跳频信号检测与参数估计。同时针对时频瀑布图的噪声问题，提出了基于k_means聚类的时频瀑布图修正方法。经过修正，该方法对噪声的容忍性更高。

发明内容

本发明针对低信噪比情况下跳频信号检测问题，提出了基于深度神经网络（vgg16网络）的跳频信号检测技术。首先，在时频分析的基础上，生成跳频信号的时频分布瀑布图；利用生成的跳频信号时频分布图作为深度神经网络模型的输入，进行带标签的学习训练，然后用训练好的模型实现跳频信号检测。同时针对时频分布图的噪声问题，提出了基于k_means聚类的时频图修正方法。经过修正，该方法对噪声的容忍性更高。仿真实验结果证明该方法在信噪比为-4dB的情况下，跳频信号检测率可达88%以上，实现了低信噪比情况下跳频信号的智能化检测。

本发明所采用的技术方案如下：

步骤1：跳频信号数据的生成和采集；

步骤2：将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理；

步骤3：把分类的跳频信号生成时频分布瀑布图，生成图像数据集；

步骤4：构建SSD模型；

步骤5：把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练；

步骤6：把训练好的模型用于测试集完成跳频信号检测与参数估计；

步骤7：针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正；

步骤8：进行时频瀑布图修正前后性能的比较分析；

有益效果：1.本发明首先对跳频信号生成时频分布瀑布图按跳频频率，调制方式，信噪比等特征参数生成图像数据集，实现快速高精确度的图像分类。2.本发明构建了SSD检测框架模型，用深度学习框架进行信号处理，减少了专家特征的提取，使信号检测更智能化。3.本发明把训练好的模型用于测试集完成跳频信号检测与参数估计，对跳频信号检测率高且参数估计精确，对跳频信号的处理具有重要意义。4.本发明最后针对时频瀑布图的噪声问题，提出了基于k_means聚类的时频瀑布图修正方法，经过修正，该方法对噪声的容忍性更高，在信噪比SNR=-4dB时，跳频信号检测率可以达到88%以上，在军事通讯的电子对抗领域具有重要的意义。

附图说明

图1是本发明系统原理图

图2是SSD检测框架网络结构图

图3是跳频信号在不同信噪比下训练结果图

(图3中SNR分别为10dB、4dB、-2dB和-10dB，x轴为Time/secs,y轴为Freq/Hz)

图4是跳频信号在不同信噪比下的检测率图

图5是跳频信号在不同信噪比下相关参数估计精确度图

图6是k_means聚类算法流程图

图7是时频图修正前后对比图

(左图为修正前，右图为修正后，x轴为Time/secs，y轴为Freq/Hz)

图8 是修正后跳频信号在不同信噪比下的检测率图

图9是修正前后跳频信号检测率对比图

图10是修正后跳频信号在不同信噪比下相关参数估计精确度图

图11是本文方法与STFT时频分析方法对比图。

具体实施方式

下面结合附图和具体实施示例，对本发明对本发明涉及的技术方案做进一步的详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明：

1.跳频信号数据的生成和采集

目标检测需要大量标记的数据用于训练学习。对于跳频信号而言，在短时间内很难收集到大量满足训练要求带标签的跳频信号真实数据。因此本发明仿真生成3种数字调制方式（BPSK、QPSK、QAM）；采样率为3.2MHz；跳频信号跳速为6000跳/s；跳频频率集共三组{0.32MHz、0.96MHz、1.92MHz、2.56MHz}、{2.88MHz、2.24MHz、1.6MHz、0.96MHz}、{2.56MHz、1.92MHz、1.28MHz、0.64MHz}信噪比范围为-10 至+10dB 的跳频信号（SNR为-10dB、-8dB、……、+8dB、+10dB）。每种信噪比下有1080条数据，每条数据包含1000符号信息。总共有11000条数据。接着把仿真生成的跳频信号，通过STFT时频分析，保存为时间频率联合分布图的形式。

2.将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理

由于SSD需要带有标签的训练集和*.tfrecords格式的文件。所以首先利用labelImg工具给训练集图片打上标签，并生成*.xml文件；接着通过程序代码将.xml文件生成SSD所需要的*.tfrecords文件。

3.把分类的跳频信号生成时频分布瀑布图，生成图像数据集

生成的数据集是以SNR作为参数的，SNR覆盖范围从-10dB 到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号。在相同的信噪比SNR条件下，训练集由3组不同的跳频集组成，每种类型有120张跳频信号时频瀑布图，总共360张图像。验证集数量和训练数量相同，也是由3组跳频集组成，120张跳频信号时频瀑布图，总共360张图像。

4.构建SSD模型

SSD（Single Shot multibox Detector）检测框架的主要思想是在不同大小的特征图上利用卷积核来预测检测目标的类型、偏移坐标，大大提高了目标检测的准确率与实时性,如图2所示。

SSD模型设计理念：

多尺度特征图（Mult-scale Feature Map For Detection），针对YOLO检测框架在同一类目标大小不同泛化能力较弱的缺陷。SSD检测框架对不同大小的特征图进行识别，这样做不管训练集采用多大的标签训练，对于测试集中同一类大小不同的目标，都能取得良好的检测效果。

卷积预测器（Convolutional Predictors ForDetection），每个添加的特征层（或可用基层网络的现有特征层）可以使用一组卷积核进行固定的预测。对于具有p通道大小为m×n的特征层，可以转化为3×3×p小核进行预测。卷积核要么为类别生成分数，要么生成默认框坐标偏移。

默认框和比例（Default Boxes AndAspect Ratio），在特征图的每个位置存在大小不同的先验框。对于每个先验框，分别预测属于各个类别的得分与相对于默认边界框的坐标偏移。对于k个先验框C个类型则需要(C+4)×k个卷积核，在m×n的特征图上预测出(C+4)×k×m×n个值。以先验框为基准预测默认边界框借鉴了Faster-RCNN中的Anchors机制。

模型训练：

监督学习的训练重要的是人工标注的label。对于包含默认框的网络模型（如：YOLO，Faster R-CNN，Multi-Box）关键点就是如何把标注信息(Ground True Box，Ground True Category)映射到默认框上。

给定输入图像以及每个目标的标记数据，首先找到每个标记数据框对应的默认框在IOU标准中值最大的作为正样本。然后，在剩下的默认框中找到那些与任意一个训练集范围的IOU标准值大于0.5的默认框作为正样本。其他的作为负样本。在训练过程中，采用Hard Negative Mining的策略（根据置信度损失对所有的框进行排序，使正负例的比例保持在1:3）来平衡正负样本的比率。

损失函数与Faster RCNN中的RPN是一样的，不过RPN在预测框里面没有进行分类，SSD直接用的SoftMax函数分类。

5.把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练

SNR覆盖范围从-10dB 到+10dB的数据集，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号。在相同的信噪比SNR条件下，训练集由3组不同的跳频集组成，每种类型有120张跳频信号时频瀑布图，总共360张图像。验证集数量和训练数量相同，也是由3组跳频集组成，120张跳频信号时频瀑布图，总共360张图像。对SSD网络模型的类别数等相关参数进行微调后，开始进行30000次迭代训练。训练的过程就是模型学习的过程，通过损失函数计算损失值，不断反馈调节模型参数，最后得到损失值较低的训练好的模型。

6.把训练好的模型用于测试集完成跳频信号检测与参数估计

6.1跳频信号检测

在每一信噪比下，3组不同跳频集的每种有120张跳频信号时频瀑布图，共360张图片进行跳频信号检测测试，验证训练好的模型目标检测效果。在信噪比为10dB、4dB、-2dB和-10dB情况下的检测结果如图3所示。从测试实验结果可以得出基于深度卷积神经网络的跳频信号检测实现了检测跳频信号的功能。在信噪比为10dB、4dB和-2dB条件下对跳频信号的检测效果明显，但在低信噪比条件下（-10dB）,检测性能严重恶化。不同信噪比下跳频信号的检测率如图4所示，可以看出在0dB以上都有很好的检测效果，可以达到84%的检测率。但在低信噪比下跳频信号的检测率出现严重下滑。

6.2跳频信号参数估计

通过测试结果可以得知SSD模型会对检测到的目标信号返回目标信号在图片中的归一化坐标值

。则可以通过坐标值和采样率

与时间刻度

估计出跳频频率集与瞬时带宽。参数估计公式如下所示：

（4-1）

（4-2）

（4-3）

不同信噪比情况下，通过100次蒙特卡洛实验，跳频信号频率集、瞬时带宽和跳频速率等参数估计准确度如图5所示。从仿真实验结果可以看出，在信噪比SNR=-6dB的情况下，跳频信号瞬时带宽与跳速的估计准确率能达到90%以上。在信噪比SNR=-2dB的情况下，跳频频率集的估计准确率能达到90%以上。其表明了深度神经网络在低信噪比下实现了跳频参数自动化估计。

7.针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正

从6.2测试结果中可以看出低信噪比情况下，信号的检测率比较低。于是提出了基于k_means聚类的时频瀑布图修正方法。该方法的基本思想是将时频瀑布图的能量值通过k_means聚类，来把信号和噪声分开。然后根据噪声和信号的能量值设置阀值，进行时频图修正。

k_means算法（k-均值聚类算法）是可以对类别已知的混合数据分类的算法。它的基本原理是以距离作为数据分类的依据，简单地说，两个数据离得越近，那么是一类的概率就越大。距离则是采用欧氏距离来衡量的。k_means算法可以有效、迅速地处理大数据集。只需要输入原始数据与类别，就能得到划分好的各个类别各自的数据集。k_means算法的核心思想采用更新迭代的方式不断优化聚类目标函数，使聚类目标函数达到极小值，最终实现分类的目标。算法的基本流程如下所示：

假设原始数据的大小为n，令L=l，选取k个初始聚类中心

，j=1，2，3，…，k，L代表不同迭代轮数的聚类中心;

计算样本数据与聚合中心的距离

，i=1，2，3，…，并分类;

令

，计算新的聚类中心和误差平方和准则

(目标函数)的值;

判断聚类目标函数是否收敛或者分类数据无类别变化；如果是则算法结束，否则

，返回

步。具体框架流程图如图6所示:

8.进行时频瀑布图修正前后性能的比较分析

在时频图中，可以把噪声和信号的值作为两个类别。经过聚类以后，设噪声的聚类中心为L1，信号的聚类中心为L2；则可设置修正门限为

。在时频图中把小于门限的值置为0；大于等于门限的值保留。图7为信噪比SNR=-8dB下，修正前后的对比图。

通过k_means聚类方法对时频图进行修正去噪。用修正后的时频图，进行30000次迭代训练。然后对测试集的数据进行信号检测。对各个信噪比下的检测结果进行统计，计算跳频信号的最终检测率。修正后的检测率表现如图8修正后不同信噪比下的检测率所示。从检测结果可以得出，基于目标检测框架的跳频信号检测是有效、可行的。在SNR=-4dB时，检测率能达到88%以上。

修正前后的跳频信号检测率如图9所示。从图中可以看出修正后的检测率对比修正前在低信噪比下大大提高。说明通过k_means聚类对时频图进行修正去噪，可以提高跳频信号的检测效率。且k_means聚类算法步骤简洁，计算量比较小，在实际工程中可以广泛使用。

通过时频图修正以后，不同信噪比情况下，通过100次蒙特卡洛实验，跳频信号频率集、瞬时带宽和跳频速率等参数估计准确度如图10所示。

从仿真实验结果可以看出，在信噪比SNR=-6dB的情况下，跳频信号瞬时带宽与跳速的估计准确率能达到93%以上。在信噪比SNR=-4dB的情况下，跳频频率集的估计准确率能达到90%以上。这表明了基于k_means聚类的时频图修正能够提高跳频参数自动化估计的准确度。

基于深度神经网络的跳频参数估计方法与主流的STFT时频分析方法对跳频频率集、跳频瞬时带宽等参数估计准确度对比如图11所示。从仿真实验结果可以看出，在低信噪比情况下，本文方法对相关参数的估计精确度远远高于STFT时频分析方法。美中不足的是在SNR=4dB以上本文方法不如STFT时频分析方法,但也能达到90%以上，完全满足实际工程中跳频相关参数粗估计的要求，可谓是瑕不掩瑜。

综上所述，基于深度神经网络的跳频参数盲估计方法，不仅不需要任何的先验知识，而且在低信噪比情况下，大大提高了参数估计精确度。使跳频参数盲估计更加智能化、实时性和准确性也变得更高。

Claims

1.一种基于深度神经网络的跳频信号检测与参数估计方法，其特征是，包括以下几个步骤：

步骤1、跳频信号数据的生成和采集：生成3种数字调制方式（BPSK、QPSK、QAM），采样率为3.2MHz，跳频信号跳速为6000跳/s，跳频频率集共三组{0.32MHz、0.96MHz、1.92MHz、2.56MHz}、{2.88MHz、2.24MHz、1.6MHz、0.96MHz}、{2.56MHz、1.92MHz、1.28MHz、0.64MHz}信噪比范围为-10dB至+10dB 的跳频信号（SNR为-10dB、-8dB、……、+8dB、+10dB），接着把仿真生成的跳频信号，通过STFT时频分析，保存为时间频率联合分布图的形式；

步骤2、将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理：利用labelImg工具给训练集图片打上标签，并生成*.xml文件，接着通过程序代码将.xml文件生成SSD所需要的*.tfrecords文件；

步骤3、把分类的跳频信号生成时频分布瀑布图，生成图像数据集：生成的数据集是以SNR作为参数的，SNR覆盖范围从-10dB 到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图；

步骤4、构建SSD模型：SSD检测框架的主要思想是在不同大小的特征图上利用卷积核来预测检测目标的类型、偏移坐标，用以提高目标检测的准确率与实时性；

步骤5、把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练：SNR覆盖范围从-10dB 到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，对SSD网络模型的类别数等相关参数进行微调后，开始进行迭代训练，训练的过程就是模型学习的过程，通过损失函数计算损失值，不断反馈调节模型参数，最后得到损失值较低的训练好的模型；

步骤6、把训练好的模型用于测试集完成跳频信号检测与参数估计

跳频信号检测：在每一信噪比下，不同跳频集的都有相应的跳频信号时频瀑布图，将所有图片进行跳频信号检测测试，验证训练好的模型目标检测效果；

跳频信号参数估计：不同信噪比情况下，通过多次蒙特卡洛实验，得出对跳频信号频率集、瞬时带宽和跳频速率等参数的估计的准确度；

步骤7、针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正：提出了基于k_means聚类的时频瀑布图修正方法，该方法的基本思想是将时频瀑布图的能量值通过k_means聚类，来把信号和噪声分开，然后根据噪声和信号的能量值设置阀值，进行时频图修正；

步骤8、进行时频瀑布图修正前后性能的比较分析：通过k_means聚类方法对时频图进行修正去噪，用修正后的时频图，进行迭代训练，然后对测试集的数据进行信号检测，对各个信噪比下的检测结果进行统计，计算跳频信号的最终检测率。

2.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤1中跳频信号仿真数据的生成方式，以及把仿真生成的跳频信号，通过STFT时频分析，保存为时间频率联合分布图的形式。

3.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤2中将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理，并利用labelImg工具给训练集图片打上标签，用于生成SSD所需要的*.tfrecords文件。

4.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤3中把分类的跳频信号生成时频分布瀑布图，生成图像数据集，并且生成的数据集是以SNR作为参数的，SNR覆盖范围从-10dB 到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号。

5.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤4中在不同大小的特征图上利用卷积核来预测检测目标的类型、偏移坐标，构建SSD模型。

6.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤5中把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练，并且通过损失函数计算损失值，不断反馈调节模型参数，最后得到损失值较低的训练好的模型。

7.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤6中基于深度神经网络在低信噪比下把训练好的模型用于测试集完成跳频信号检测与参数估计。

8.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤7中将基于k_means聚类的时频瀑布图修正方法用于跳频信号噪声干扰的修正，即将时频瀑布图的能量值通过k_means聚类，来把信号和噪声分开，然后根据噪声和信号的能量值设置阀值，进行时频图修正。

9.根据权利要求1所述的一种基于深度神经网络的跳频信号检测与参数估计方法，其特征在于：步骤8中通过k_means聚类方法对时频图进行修正去噪，用修正后的时频图，进行迭代训练，然后对测试集的数据进行信号检测，对各个信噪比下的检测结果进行统计，计算跳频信号的最终检测率。