CN112751633A

CN112751633A - 一种基于多尺度窗口滑动的宽带频谱检测方法

Info

Publication number: CN112751633A
Application number: CN202011157300.2A
Authority: CN
Inventors: 张凯; 刘义; 田瑶; 赵彬; 杨佳; 李运宏; 褚家旭; 陈海波; 苏向辰阳; 何旭
Original assignee: Unit 63891 Of Pla
Current assignee: Unit 63891 Of Pla
Priority date: 2020-10-26
Filing date: 2020-10-26
Publication date: 2021-05-04
Anticipated expiration: 2040-10-26
Also published as: CN112751633B

Abstract

本发明公开了一种基于多尺度窗口滑动的宽带频谱检测方法，利用标记好的单目标信号训练数据集完成信号检测神经网络的训练，使用信号采集设备进行信号采集，对采集信号进行预处理，使用多个不同带宽窗口分别对信号频谱进行划分，使用训练好的信号检测神经网络对各窗口内目标信号存在性进行判断，并在有目标信号的情况下输出信号边界参数，滑动窗口，重复上述步骤，直到遍历整个目标频段；本发明能够实现宽带信号频谱检测的分布式并行处理，在保证检测性能前提下，提升宽带信号检测效率。

Description

一种基于多尺度窗口滑动的宽带频谱检测方法

技术领域

本发明属于无线电信号检测的技术领域，具体涉及一种基于多尺度窗口滑动的宽带频谱检测方法。

背景技术

在无线电信号检测中，需要对宽带频谱内信号存在性进行判断，尤其在信号频谱未知时，为了提高信号检测概率，需要在较宽频带内进行搜索，传统信号检测方法主要基于信道化策略，通过对目标频段进行划分，利用窄带信号检测方法完成各个子带内信号的检测，并通过改变本振频率，完成整个目标频带的遍历。随着射频前端硬件设备性能的快速提升，宽带接收设备已大规模应用，频谱检测向着高瞬时带宽的方向发展，传统信道化的处理方法搜索速度慢，系统处理效率低下，并且，其通常仅适用于长时连续信号的检测，难以捕获瞬时突发信号。

发明内容

有鉴于此，本发明提供了一种基于多尺度窗口滑动的宽带频谱检测方法，能够实现宽带信号频谱检测的分布式并行处理，在保证检测性能前提下，提升宽带信号检测效率。

实现本发明的技术方案如下：

一种基于多尺度窗口滑动的宽带频谱检测方法，利用标记好的单目标信号训练数据集完成信号检测神经网络的训练，使用信号采集设备进行信号采集，对采集信号进行预处理，使用多个不同带宽窗口分别对信号频谱进行划分，使用训练好的信号检测神经网络对各窗口内目标信号存在性进行判断，并在有目标信号的情况下输出信号边界参数，滑动窗口，重复上述步骤，直到遍历整个目标频段。

进一步地，所述宽带频谱检测方法具体包括以下步骤：

步骤一、利用标记好的单目标信号训练数据集对神经网络进行训练，训练好的神经网络输出为目标信号有无两种假设的概率以及信号边界参数，所述信号边界参数包括带宽和中心频率；

步骤二、利用信号采集设备对信号进行采集，对采集信号进行分割、归一化、频域变换、平滑的预处理操作，生成适于神经网络处理的测试数据；

步骤三、从待检测信号起始频率开始，选择设定带宽窗口内的数据输入步骤一训练好的神经网络进行预测，神经网络输出为目标信号有无两种假设的概率以及信号边界参数，据此计算出似然比，判断窗口内是否存在目标信号；然后，以固定步幅滑动窗口，每次滑动将窗口内的数据输入训练好的神经网络进行预测，根据目标信号有或无进行分类，并在存在目标信号的情形下，输出信号边界参数；直至遍历整个待检测信号；

增大窗口带宽，截取更大区域的数据输入给神经网络进行预测，再以固定步幅滑动窗口，继续预测窗口内的数据，直至遍历整个待检测信号，输出结果；

以多尺度带宽的窗口并行对待检测信号频谱进行划分，并且并行预测各窗口内的数据，直至每个窗口都遍历整个待检测信号，输出所有预测结果。

进一步地，所述设定带宽为：所有目标信号中最小带宽的2倍。

进一步地，所述神经网络为卷积神经网络(CNN)或循环神经网络(RNN)。

有益效果：

1.本发明方法通过窗口滑动可以完成不同频点信号的检测，而改变窗口带宽大小则可以适应不同带宽目标信号的高效检测。窗口数目和窗口滑动的步幅均不固定，可以根据需要合理选取，以适应不同应用场景下时效性、功耗、检测性能等不同要求。

2.本发明方案的目标信号检测基于深度神经网络完成，借助于神经网络高速并行化特点，可以有效提升宽带信号检测效率。

附图说明

图1为本发明整体处理结构示意图。

图2为本发明离线网络训练示意图。

图3为本发明在线频谱检测示意图。

图4为本发明多尺度滑动窗检测示意图。

图5为本发明宽带接收信号频谱示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于多尺度窗口滑动的宽带频谱检测方法，总体技术方案如图1所示，主要包含离线训练和在线检测两部分。利用标记好的单目标信号数据集完成信号检测神经网络的训练，使用宽带采集设备进行宽带采集，对采集数据进行预处理，使用特定大小窗格对信号频谱进行划分，使用上述训练好的网络对各窗格内信号存在性进行判断，并在有信号的情况下输出信号边界参数，滑动窗口，重复上述步骤，直到遍历整个目标频段，改变窗口大小，重复上述步骤。

实施例一

步骤一，利用标记好的训练数据集对网络进行训练，如图2所示，网络结构不唯一，可以使用但不限于卷积神经网络(CNN)、循环神经网络(RNN)及相应快速检测方法如R-CNN、Fast R-CNN、YOLO，以适应不同应用场景下时效性、功耗、检测性能等不同要求。网络输出为：y＝[b_c b_w p₀ p₁]^T，其中，b_c和b_w分别表示信号(归一化)中心频点和带宽，为信号边界框参数，

和

则分别表征目标信号有、无两种假设的概率，X为观测数据，即标记数据集(训练阶段)或预处理后的采样数据。训练数据集可采用但不限于RadioML框架，在GNURadio仿真平台框架下产生不同带宽、不同信噪比、不同调制样式的信号。并在此基础上，可采用广泛使用的平方误差函数作为代价函数，即：

在y与其估计结果

平方误差最小化的准则下，使用优化算法(如随机梯度、Adam优化算法等)对网络进行训练，最终求得稳定的神经网络参数值。

步骤二，利用信号采集设备对目标频段内无线电信号进行采集，对采集数据分割、归一化、频域变换、平滑等预处理操作生成适于网络处理的数据，数据频谱示意图如图5所示。

步骤三，利用步骤一训练好的网络，通过窗口划分、窗口滑动进行信号检测，遍历整个目标频段，如图3所示。具体通过以下过程实现：

从目标频带起始频率开始，选择特定带宽(所有检测对象中最小带宽的2倍)的窗口内的数据(图4(a)方块内)，将窗口内频域数据输入步骤一训练好的网络进行预测，网络输出为

据此可计算出似然比，判断窗口内是否有目标信号，即：

其中，γ为判决门限。然后，以固定步幅滑动窗口，进行新的预测。依次进行，直至遍历图像每个区域。每次滑动将窗口数据输入预先训练好的网络进行预测，按0(没有信号)或1(有信号)进行分类，并在存在目标信号的情形下，输出信号边界参数

和

选择更大窗口，如图4(b)所示，截取更大的区域，并输入步骤一训练好的神经网络进行处理，再以某个固定步幅滑动窗口，重复以上操作，遍历整个目标频段，输出检测结果。

继续增大窗口，重复上述操作，如图4(c)所示。

以上多尺度窗口可以并行对待检测信号频谱进行划分，并行预测，以提升宽带信号的检测效率。

在上述步骤中，通过窗口滑动可以完成不同频点信号的检测，而改变窗口大小的目的则是为了适应不同带宽信号。窗口数目和窗口滑动的步幅均不固定，可以根据需要合理选取，如果选用较大滑动步幅，显然会减少输入网络的窗口个数，但是粗糙间隔尺寸可能会影响性能。反之，如果采用小步幅，传递给网络的窗口较多，意味着较高的计算成本。因此，实际中可以借鉴R-CNN、FastR-CNN、YOLO等高效目标检测思路，权衡速度与精度，以适应不同应用场景下时效性、功耗、检测性能等不同要求。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均应包含在本发明的保护范围之内。

Claims

1.一种基于多尺度窗口滑动的宽带频谱检测方法，其特征在于，利用标记好的单目标信号训练数据集完成信号检测神经网络的训练，使用信号采集设备进行信号采集，对采集信号进行预处理，使用多个不同带宽窗口分别对信号频谱进行划分，使用训练好的信号检测神经网络对各窗口内目标信号存在性进行判断，并在有目标信号的情况下输出信号边界参数，滑动窗口，重复上述步骤，直到遍历整个目标频段。

2.如权利要求1所述的一种基于多尺度窗口滑动的宽带频谱检测方法，其特征在于，所述宽带频谱检测方法具体包括以下步骤：

3.如权利要求2所述的一种基于多尺度窗口滑动的宽带频谱检测方法，其特征在于，所述设定带宽为：所有目标信号中最小带宽的2倍。

4.如权利要求1所述的一种基于多尺度窗口滑动的宽带频谱检测方法，其特征在于，所述神经网络为卷积神经网络(CNN)或循环神经网络(RNN)。