CN112751633B - 一种基于多尺度窗口滑动的宽带频谱检测方法 - Google Patents

一种基于多尺度窗口滑动的宽带频谱检测方法 Download PDF

Info

Publication number
CN112751633B
CN112751633B CN202011157300.2A CN202011157300A CN112751633B CN 112751633 B CN112751633 B CN 112751633B CN 202011157300 A CN202011157300 A CN 202011157300A CN 112751633 B CN112751633 B CN 112751633B
Authority
CN
China
Prior art keywords
signal
window
neural network
target
data
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.)
Active
Application number
CN202011157300.2A
Other languages
English (en)
Other versions
CN112751633A (zh
Inventor
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
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unit 63891 Of Pla
Original Assignee
Unit 63891 Of Pla
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unit 63891 Of Pla filed Critical Unit 63891 Of Pla
Priority to CN202011157300.2A priority Critical patent/CN112751633B/zh
Publication of CN112751633A publication Critical patent/CN112751633A/zh
Application granted granted Critical
Publication of CN112751633B publication Critical patent/CN112751633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)

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＝[bc bw p0 p1]T，其中，bc和bw分别表示信号(归一化)中心频点和带宽，为信号边界框参数，
Figure BDA0002743180660000041
和
Figure BDA0002743180660000042
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：
Figure BDA0002743180660000043
在y与其估计结果
Figure BDA0002743180660000044
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
Figure BDA0002743180660000045
据此可计算出似然比，判断窗口内是否有目标信号，即：
Figure BDA0002743180660000046
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
Figure BDA0002743180660000051
和
Figure BDA0002743180660000052
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 (3)

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；
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。
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，所述设定带宽为：所有目标信号中最小带宽的2倍。
3.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)。
CN202011157300.2A 2020-10-26 2020-10-26 一种基于多尺度窗口滑动的宽带频谱检测方法 Active CN112751633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011157300.2A CN112751633B (zh) 2020-10-26 2020-10-26 一种基于多尺度窗口滑动的宽带频谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011157300.2A CN112751633B (zh) 2020-10-26 2020-10-26 一种基于多尺度窗口滑动的宽带频谱检测方法

Publications (2)

Publication Number Publication Date
CN112751633A CN112751633A (zh) 2021-05-04
CN112751633B true CN112751633B (zh) 2022-08-26

Family

ID=75648702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011157300.2A Active CN112751633B (zh) 2020-10-26 2020-10-26 一种基于多尺度窗口滑动的宽带频谱检测方法

Country Status (1)

Country Link
CN (1) CN112751633B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114584227B (zh) * 2022-01-12 2023-08-22 中国电子科技集团公司第十研究所 自动化突发信号检测方法
CN117040663B (zh) * 2023-10-10 2023-12-22 北京海格神舟通信科技有限公司 一种用于估计宽带频谱噪底的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN110991359A (zh) * 2019-12-06 2020-04-10 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于多尺度深度卷积神经网络的卫星图像目标检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11391830B2 (en) * 2014-07-30 2022-07-19 Origin Wireless, Inc. Method, apparatus, and system for qualified wireless sensing
CN106940998B (zh) * 2015-12-31 2021-04-16 阿里巴巴集团控股有限公司 一种设定操作的执行方法及装置
CN109166106B (zh) * 2018-08-02 2021-07-30 山东大学 一种基于滑动窗口的目标检测位置矫正方法和装置
CN109949593A (zh) * 2019-03-13 2019-06-28 北京联合大学 一种基于路口先验知识的交通信号灯识别方法及系统
DE102019203900A1 (de) * 2019-03-21 2020-09-24 Robert Bosch Gmbh Verfahren zum Überwachen eines technischen Geräts
US12015637B2 (en) * 2019-04-08 2024-06-18 Pindrop Security, Inc. Systems and methods for end-to-end architectures for voice spoofing detection
CN110236536A (zh) * 2019-06-04 2019-09-17 电子科技大学 一种基于卷积神经网络的脑电高频振荡信号检测系统
CN110929842B (zh) * 2019-10-15 2023-06-20 中国人民解放军国防科技大学 非合作无线电信号突发时间区域精确智能检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN110991359A (zh) * 2019-12-06 2020-04-10 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于多尺度深度卷积神经网络的卫星图像目标检测方法

Also Published As

Publication number Publication date
CN112751633A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
US11468273B2 (en) Systems and methods for detecting and classifying anomalous features in one-dimensional data
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN114755745A (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN112751633B (zh) 一种基于多尺度窗口滑动的宽带频谱检测方法
CN113452408B (zh) 一种网台跳频信号分选方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN111089856B (zh) 一种拉曼光谱弱信号提取的后处理方法
CN114564982A (zh) 雷达信号调制类型的自动识别方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN111832462A (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
CN112613443A (zh) 一种基于深度学习的鲁棒性通信辐射源智能识别方法
CN115828085A (zh) 联合迁移学习和监督学习的电磁谱辐射源智能识别方法
CN110569764B (zh) 一种基于卷积神经网络的手机型号识别方法
CN112164093A (zh) 一种基于边缘特征和相关滤波的人物自动跟踪方法
Geng et al. Spectrum sensing for cognitive radio based on feature extraction and deep learning
CN114757224A (zh) 一种基于持续学习和联合特征提取的特定辐射源识别方法
CN105743756A (zh) WiFi系统中基于adaboost算法的帧检测方法
CN113283467A (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
CN110991378B (zh) 一种功率放大器个体识别方法及装置
CN105717490B (zh) 基于时频分析的lfm信号分离及参数估计方法
CN116388798A (zh) 一种Link16跳频信号去噪侦察识别算法
CN113688953B (zh) 基于多层gan网络的工控信号分类方法、装置和介质
Weng et al. Message structure aided attentional convolution network for RF device fingerprinting
CN118118855B (zh) 一种基于多模态融合和深度学习的无线室内定位方法及系统

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