CN112784690B - 基于深度学习的宽带信号参数估计方法 - Google Patents

基于深度学习的宽带信号参数估计方法 Download PDF

Info

Publication number
CN112784690B
CN112784690B CN202011623078.0A CN202011623078A CN112784690B CN 112784690 B CN112784690 B CN 112784690B CN 202011623078 A CN202011623078 A CN 202011623078A CN 112784690 B CN112784690 B CN 112784690B
Authority
CN
China
Prior art keywords
signal
time
broadband
frequency
wideband
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
CN202011623078.0A
Other languages
English (en)
Other versions
CN112784690A (zh
Inventor
杨淑媛
郝晓阳
冯志玺
王翰林
潘求凯
包以铭
杨晨
汪智易
刘慧玲
段韵章
马宏斌
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202011623078.0A priority Critical patent/CN112784690B/zh
Publication of CN112784690A publication Critical patent/CN112784690A/zh
Application granted granted Critical
Publication of CN112784690B publication Critical patent/CN112784690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Complex Calculations (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于深度学习的宽带信号参数估计方法，基于YOLOv4网络和灰度时频图实现宽带特定信号的检测和识别，并对检测结果进一步计算和更新得到每个检测到宽带信号的估计参数，克服了现有方法检测识别精度低、参数估计不准、适用类型少且严重依赖专家先验等问题。本发明主要包括以下步骤：(1)生成宽带特定信号训练集；(2)训练YOLOv4网络；(3)对宽带信号灰度时频图进行检测识别；(4)计算检测识别到的每个宽带特定信号的参数；(5)对宽带特定信号的参数进行判断；(6)更新宽带特定信号参数。本发明具有宽带特定信号检测识别精度高、参数估计准和方法普适等优点，可用于无线电检测和侦查中对宽带信号进行分析。

Description

基于深度学习的宽带信号参数估计方法
技术领域
本发明属于通信技术领域，更进一步涉及无线通信技术领域中的一种基于深度学习的宽带信号参数估计方法。本发明中估计的宽带信号参数可应用于无线电检测与侦察、宽带频谱管理和各类通信信号分析产品。
背景技术
随着通信技术的发展以及实际应用需求的增加，信号传输所需的带宽越来越宽，宽带接收机正逐步代替窄带接收机进行信号的接收。在电子侦察中，针对大带宽进行信号的检测截获是后续信号识别、主要参数估计、信号截获数量统计、信号拼接以及特性判别等任务的前提。当前，信号检测常用的方法有脉冲宽度测量、信道化辐射计、自相关检测、功率谱对消、谱方差检测函数等，信号识别常用的方法有高阶谱关系法、循环自相关函数法和SVM等，参数估计常用的方法有短时傅里叶变换、小波变换、WVD混合时频分布等。以上每个实现方案各有优劣，且针对检测、识别和待估计需分别设计特定的算法和阈值来实现，对于先验知识和专家经验依赖较多，很难满足实际中不同环境和条件下自动化的普适应用需求。
成都华日通讯技术股份有限公司在其申请的专利文献“基于宽带频谱数据的跳频信号盲检测及参数估计方法”(申请号202010305392.8申请公布号CN 111510255 A)中公开了一种基于宽带频谱数据的跳频信号盲检测及参数估计方法。该方法的具体步骤如下：(1)对宽带频谱数据实现预处理，实现最大保持；(2)选择性地平滑滤波；(3)噪声基底估计，能量检测，参数提取和信号合并；(4)更新信号列表库list；(5)更新历史信号库，修正list中每个信号的参数；(6)异常信号判定，并删掉list和历史信号库中的异常信号；(7)判决处理，输出跳频频率集的个数和数值；(8)判断下一帧频谱数据是否完整；(8)重复步骤(1)～(7)。该方法存在的不足之处是：(1)针对单音跳频信号实现了盲检测和参数估计功能，不能对宽带特定信号同时完成检测、识别和参数估计，且适用信号类型少。(2)基于传统信号处理的多个算法实现，具有专家先验依赖多、条件假设限制多、适用信号类型少、参数估计精度低以及处理流程僵化等缺点。(3)提取的参数仅为当前频段帧的中心频率和带宽，对宽带信号的参数估计不够全面。(4)在对宽带频谱数据进行平滑滤波、噪声基底估计、能量检测和实现信号最大保持等多个过程中会引入误差积累。
发明内容
本发明的目的在于针对上述现有技术存在的不足，提出一种基于深度学习的宽带信号参数估计方法，旨在解决传统宽带信号参数估计算法需对检测识别和参数估计分别设计算法、只适应于某种类型、处理流程固化，且需要大量专家先验和领域知识的问题。
实现本发明目的的具体思路是：首先，将宽带接收机接收的时序数据等距切分，对每段数据取宽带信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到该段宽带信号文件对应的灰度时频图。然后，采用YOLOv4网络对宽带特定信号检测识别。最后，根据检测到宽带信号在时频图上检测框的位置坐标和本发明设计的一组公式，进一步计算、判断和更新检测到宽带信号的估计参数，从而提高在复杂通信环境下宽带信号参数估计的准确性。
实现本发明目的的具体步骤如下：
(1)生成宽带特定信号训练集：
(1a)从0.1s～10s之间取一个时间作为切割后的样本时长，将宽带接收机接收的时序数据按样本时长等距切分，从中筛选每段均包含宽带特定信号类型的多段宽带信号文件，该文件至少包含1类待估计的宽带特定信号类型且每类至少包含1000段；
(1b)对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到该段宽带信号文件对应的灰度时频图；
(1c)利用标注工具对每张灰度时频图中与噪声可区分的宽带特定信号类型进行标注，得到由该张灰度时频图上宽带特定信号的类型名称和位置坐标组成的标注文件；
(1d)将所有的灰度时频图和与每张灰度时频图对应的标注文件配对组成宽带特定信号训练集；
(2)训练YOLOv4网络：
(2a)将宽带特定信号训练集输入到YOLOv4网络中；
(2b)采用随机梯度下降法，对YOLOv4网络进行迭代训练和学习，通过损失函数反向传播误差实现网络权重参数的调整，当网络损失函数值收敛时，得到训练好的YOLOv4网络，保存训练好的YOLOv4网络的所有参数权重值；
(3)对宽带信号灰度时频图进行检测识别：
(3a)将宽带接收机接收的时序数据按样本时长等距切分，得到等距切分后每段以该段信号接收时刻的时间戳命名的宽带信号文件；
(3b)对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到与该段宽带信号文件对应的灰度时频图；
(3c)将灰度时频图输入到训练好的YOLOv4网络中，输出灰度时频图中检测识别到的每个宽带信号的类型、所属时频图的名称、识别的置信度、检测框在时频图时间轴上的最小坐标值、检测框在时频图频率轴上的最小坐标值、检测框在时频图时间轴上的最大坐标值和检测框在时频图频率轴上的最大坐标值，一并添加到数据库列表中；
(4)计算检测识别到的每个宽带特定信号的参数：
(4a)计算数据库列表中每个宽带信号的开始时间；
(4b)计算数据库列表中每个宽带信号的截止时间；
(4c)计算数据库列表中每个宽带信号的带宽；
(4d)计算数据库列表中每个宽带信号的中心频率；
(5)对宽带特定信号的参数进行判断：
(5a)将数据库列表中的宽带信号按宽带特定信号类型划分为多个子列表，并对各个子列表中所有的宽带信号按照时频图时间戳由小到大的顺序分别排序；
(5b)从每个子列表中选出满足|Lqk-Lqg|＝T要求的所有宽带信号，两两构成宽带信号对；其中，Lqk表示第q个子列表中第k张时频图的时间戳，q＝1,2,...,Q，Q表示子列表的数量，k＝1,2,...,K，K表示第q个子列表中时频图的数量，Lqg表示第q个子列表中第g张时频图的时间戳，g＝1,2,...,K，且q≠g，T表示等距切分宽带信号的时间间隔，|·|表示取绝对值运算；
(5c)从满足步骤(5b)条件的所有宽带信号对中选出满足|Cqkm-Cqgn|≤0.5kHz要求的宽带信号对；其中，Cqkm表示第q个子列表中第k张时频图中第m个宽带信号的中心频率，m＝1,2,...,M，M表示第q个子列表中第k张时频图中检测到宽带信号的总数，Cqgn表示第q个子列表的第g张时频图中第n个宽带信号的中心频率，n＝1,2,...,N，N表示第q个子列表的第g张时频图中检测到宽带信号的总数；
(5d)从满足步骤(5c)条件的所有宽带信号对中选出满足|Bqkm-Bqgn|≤0.2kHz要求的宽带信号对；其中，Bqkm表示第q个子列表中第k张时频图中第m个宽带信号的带宽，Bqgn表示第q个子列表的第g张时频图中第n个宽带信号的带宽；
(5e)从满足步骤(5d)条件的所有宽带信号对中选出满足|Sqgn-Eqkm|≤0.1×T要求的宽带信号对；其中，Sqgn表示第q个子列表的第g张时频图中第n个宽带信号的开始时间，Eqkm表示第q个列表的第k张时频图中第m个宽带信号的截止时间；
(5f)对满足步骤(5e)条件的每一个宽带信号对中的两个宽带信号合并为一个信号，计算合并后宽带信号的中心频率
Figure BDA0002876660770000041
和带宽
Figure BDA0002876660770000042
(6)更新宽带特定信号参数：
将第q个子列表第k张时频图中的第m个宽带信号的开始时间Sqkm作为更新后宽带信号的开始时间，将第q个子列表第g张时频图中的第n个宽带信号的截止时间Eqgn作为更新后宽带信号的截止时间，将
Figure BDA0002876660770000043
作为更新后宽带信号的中心频率，将
Figure BDA0002876660770000044
作为更新后宽带信号的带宽，将更新后宽带信号的估计参数添加到第q个子列表中，并删除更新前的宽带信号对的估计参数。
与现有技术相比，本发明具有以下优点：
第一，由于本发明采用YOLOv4网络对宽带信号灰度时频图进行检测识别，并可进一步计算检测识别到的每个宽带特定信号的参数，克服了传统方法不能对宽带特定信号同时完成检测、识别和参数估计的问题，使得本发明具有使用YOLOv4网络检测识别和进一步计算同时完成宽带特定信号检测、识别和参数估计的优点。
第二，由于本发明采用YOLOv4网络对宽带信号灰度时频图中的宽带特定信号类型进行检测识别，并可进一步计算检测识别到的每个宽带特定信号的参数，克服了传统宽带信号检测方法专家先验依赖多、条件假设限制多、适用信号类型少、参数估计精度低以及处理流程僵化等缺点，使得本发明具有专家先验依赖少、条件假设限制少、适用信号类型多、参数估计精度高以及处理流程自动化的优点。
第三，由于本发明可对每个宽带特定信号的类型、开始时间、截止时间、中心频率和带宽进行估计，克服了现有技术对宽带信号的参数估计不够全面的问题，使得本发明具有宽带特定信号参数估计全面的优点。
第四，由于本发明对每段宽带信号文件进行短时傅里叶变换，克服了现有技术对宽带频谱数据进行平滑滤波、噪声基底估计、能量检测和实现信号最大保持等多个过程中会引入误差积累的问题。
附图说明
图1是本发明的流程图；
图2是本发明的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，对本发明的具体实现步骤作进一步的描述。
步骤1，生成宽带特定信号训练集。
从0.1s～10s之间取一个时间作为切割后的样本时长，将宽带接收机接收的时序数据按样本时长等距切分，从中筛选每段均包含宽带特定信号类型的多段宽带信号文件，该文件至少包含1类待估计的宽带特定信号类型且每类至少包含1000段。
所述宽带特定信号类型是指，信号调制方式、莫尔斯信号、常规数据链信号、多音信号、话音信号、定频信号、猝发信号和跳频信号的所有类型或者为其非空子集。
对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到该段宽带信号文件对应的灰度时频图。
利用标注工具对每张灰度时频图中与噪声可区分的宽带特定信号类型进行标注，得到由该张灰度时频图上宽带特定信号的类型名称和位置坐标组成的标注文件。
将所有的灰度时频图和与每张灰度时频图对应的标注文件配对组成宽带特定信号训练集。
步骤2，训练YOLOv4网络。
将宽带特定信号训练集输入到YOLOv4网络中。
采用随机梯度下降法，对YOLOv4网络进行迭代训练和学习，通过损失函数反向传播误差实现网络权重参数的调整，当网络损失函数值收敛时，得到训练好的YOLOv4网络，保存训练好的YOLOv4网络的所有参数权重值。
步骤3，对宽带信号灰度时频图进行检测识别。
将宽带接收机接收的时序数据按样本时长等距切分，得到等距切分后每段以该段信号接收时刻的时间戳命名的宽带信号文件。
对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到与该段宽带信号文件对应的灰度时频图。
将灰度时频图输入到训练好的YOLOv4网络中，输出灰度时频图中检测识别到的每个宽带信号的类型、所属时频图的名称、识别的置信度、检测框在时频图时间轴上的最小坐标值、检测框在时频图频率轴上的最小坐标值、检测框在时频图时间轴上的最大坐标值和检测框在时频图频率轴上的最大坐标值一并添加到数据库列表中。
步骤4，计算检测识别到的每个宽带特定信号的参数。
计算数据库列表中每个宽带信号的开始时间。
所述数据库列表中每个宽带信号的开始时间是由下式计算得到的：
Figure BDA0002876660770000061
其中，St(i)表示第i个宽带信号的开始时间，i＝1,2,...,W，W表示数据库列表中宽带信号的总数，tr(i)表示第i个宽带信号所在时频图的时间长度，tpr(i)表示第i个宽带信号所在时频图的时间轴对应的像素点总数，tmin(i)表示第i个宽带信号的检测框在时频图时间轴上的最小坐标值。
计算数据库列表中每个宽带信号的截止时间。
所述数据库列表中每个宽带信号的截止时间是由下式计算得到的：
Figure BDA0002876660770000062
其中，Et(i)表示第i个宽带信号的截止时间，tmax(i)表示第i个宽带信号的检测框在时频图时间轴上的最大坐标值。
计算数据库列表中每个宽带信号的带宽。
所述数据库列表中每个宽带信号的带宽是由下式计算得到的：
Figure BDA0002876660770000071
其中，B(i)表示第i个宽带信号的带宽，fr(i)表示第i个宽带信号所在时频图的频率范围，fpr(i)表示第i个宽带信号所在时频图的频率轴对应的像素点总数，fmax(i)表示第i个宽带信号的检测框在时频图频率轴上的最大坐标值，fmin(i)表示第i个宽带信号的检测框在时频图频率轴上的最小坐标值。
计算数据库列表中每个宽带信号的中心频率。
所述数据库列表中每个宽带信号的中心频率是由下式计算得到的：
Figure BDA0002876660770000072
其中，Cf(i)表示第i个宽带信号的中心频率。
步骤5，对宽带特定信号的参数进行判断。
第一步，将数据库列表中的宽带信号按宽带特定信号类型划分为多个子列表，并对各个子列表中所有的宽带信号按照时频图时间戳由小到大的顺序分别排序。
第二步，从每个子列表中选出满足|Lqk-Lqg|＝T要求的所有宽带信号，两两构成宽带信号对；其中，Lqk表示第q个子列表中第k张时频图的时间戳，q＝1,2,...,Q，Q表示子列表的数量，k＝1,2,...,K，K表示第q个子列表中时频图的数量，Lqg表示第q个子列表中第g张时频图的时间戳，g＝1,2,...,K，且q≠g，T表示等距切分宽带信号的时间间隔，|·|表示取绝对值运算。
第三步，从满足本步骤第二步条件的所有宽带信号对中选出满足|Cqkm-Cqgn|≤0.5kHz要求的宽带信号对；其中，Cqkm表示第q个子列表中第k张时频图中第m个宽带信号的中心频率，m＝1,2,...,M，M表示第q个子列表中第k张时频图中检测到宽带信号的总数，Cqgn表示第q个子列表的第g张时频图中第n个宽带信号的中心频率，n＝1,2,...,N，N表示第q个子列表的第g张时频图中检测到宽带信号的总数。
第四步，从满足本步骤第三步条件的所有宽带信号对中选出满足|Bqkm-Bqgn|≤0.2kHz要求的宽带信号对；其中，Bqkm表示第q个子列表中第k张时频图中第m个宽带信号的带宽，Bqgn表示第q个子列表的第g张时频图中第n个宽带信号的带宽。
第五步，从满足本步骤第四步条件的所有宽带信号对中选出满足|Sqgn-Eqkm|≤0.1×T要求的宽带信号对；其中，Sqgn表示第q个子列表的第g张时频图中第n个宽带信号的开始时间，Eqkm表示第q个列表的第k张时频图中第m个宽带信号的截止时间。
第六步，对满足本步骤第五步条件的每一个宽带信号对中的两个宽带信号合并为一个信号，计算合并后宽带信号的中心频率
Figure BDA0002876660770000081
和带宽
Figure BDA0002876660770000082
所述合并后宽带信号的中心频率是由下式计算得到的：
Figure BDA0002876660770000083
其中，
Figure BDA0002876660770000084
表示合并后宽带信号的中心频率。
所述合并后宽带信号的带宽是由下式计算得到的：
Figure BDA0002876660770000085
其中，
Figure BDA0002876660770000086
表示合并后宽带信号的带宽。
步骤6，更新宽带特定信号参数。
将第q个子列表第k张时频图中的第m个宽带信号的开始时间Sqkm作为更新后宽带信号的开始时间，将第q个子列表第g张时频图中的第n个宽带信号的截止时间Eqgn作为更新后宽带信号的截止时间，将
Figure BDA0002876660770000087
作为更新后宽带信号的中心频率，将
Figure BDA0002876660770000088
作为更新后宽带信号的带宽，将更新后宽带信号的估计参数添加到第q个子列表中，并删除更新前的宽带信号对的估计参数。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真条件：
本发明仿真实验的硬件环境为：GTX1080*2、Intel Xeon(R)CPU E5-2630v4@2.20GHZ*40、Memory94G。
本发明仿真实验的软件环境为：Ubuntu16.04LTS、Pycharm、Python3.6.9、g++、cuda10.0.130+cudnn7.6.5、opencv4.4.1。
本发明仿真实验所使用的输入图像为：用宽带特定信号仿真代码仿真和预处理得到包含7类待估计宽带特定信号类型的10000张灰度时频图，按8：2将其划分为训练集和测试集两部分。每张宽带信号灰度时频图的分辨率为4881×2049，时频图纵轴频率范围为4MHz，对应像素点数为2049，横轴时间范围为1s，对应像素点数为4881，信噪比范围为6dB～20dB随机分布。7个宽带特定信号以定频、跳频和猝发的形式随机生成，类型名称分别记为A-G，其中，A表示BPSK调制的宽带信号，B表示QPSK调制的宽带信号，C表示16QAM调制的宽带信号，D表示2FSK调制的宽带信号，E表示OFDM调制的39音信号，F表示FM调制的16音信号，G表示AM调制的常规数据链信号。
本发明仿真实验YOLOv4的配置参数为：YOLOv4设置网络的Batchsize为128，网络输入分辨率为608*608，最大迭代次数设为10000。
2.仿真内容及结果分析
本发明的仿真实验是采用本发明和YOLOv4现有技术，分别对宽带信号灰度时频图检测识别，其结果如图2所示，并基于检测识别结果计算每个检测到的宽带特定信号的参数，通过对宽带特定信号的参数进行判断和更新实现最终的宽带特定信号参数估计。
在仿真实验中，采用的YOLOv4现有技术是指：
现有技术YOLOv4目标检测方法是指，Alexey Bochkovskiy等人在“YOLOv4:Optimal Speed and Accuracy of Object Detection,arXiv,Apr.2020”中提出的目标检测方法，简称YOLOv4目标检测方法。
下面结合图2的宽带特定信号检测识别结果示例图对本发明的效果做进一步的描述。
图2为宽带特定信号检测识别的可视化结果图。由图2可看出，宽带灰度时频图中出现的宽带特定信号全部被检测到并被检测框框住，检测框上方显示宽带特定信号的类型名称和识别的置信度。
利用八个评价指标(真正例TP、假反例FN、假正例FP、真反例TN、查准率Precision、查全率Recall、平均精度AP、所有类别的平均精度MAP)对更新后的宽带特定信号估计参数进行评价。利用下面公式，计算查准率Precision、查全率Recall、平均精度AP，将所有结果绘制成表1：
Figure BDA0002876660770000101
其中，TP表示将正样本预测为正样本的个数，FP表示将负样本预测为正样本的个数。
Figure BDA0002876660770000102
其中，FN表示将正样本预测为负样本的个数。
平均精度AP：采用11-point进行计算，即事先设定一组阈值[0,0.1,0.2,…,0.9,1]，recall值大于每一个阈值的都可以得到一个最大precision，这样就得到了11个最大precision，AP就是这11个最大precision的平均值。本实验中阈值取0.5。
所有类别的平均精度MAP：所有类别AP的平均数，可综合衡量检测和识别精度。
表1本发明宽带特定信号检测识别结果的定量分析表
Figure BDA0002876660770000103
结合表1可以看出，本发明在更新宽带信号参数后MAP结果为0.84，证明本发明可以得到较好的宽带信号检测和识别精度，即可以得到较准确的宽带信号估计参数。
以上仿真实验表明：本发明方法利用YOLOv4宽带特定信号检测识别的结果进一步计算获得的宽带信号估计参数具有检测精度高、识别效果好、适用类型广、参数估计准以及无需多个算法的优点，解决了传统宽带信号处理方法专家先验依赖多、条件假设限制多、适用信号类型少、参数估计精度低、处理流程僵化以及需要多个算法分别完成检测、识别和参数估计的问题，是一种简洁、实用、智能的宽带特定信号参数估计方法。

Claims (8)

1.一种基于深度学习的宽带信号参数估计方法，其特征在于，生成宽带特定信号训练集，对宽带信号灰度时频图进行检测识别，计算检测识别到的每个宽带特定信号的参数，对宽带特定信号的参数进行判断以及更新宽带特定信号参数，该方法的步骤包括如下：
(1)生成宽带特定信号训练集：
(1a)从0.1s～10s之间取一个时间作为切割后的样本时长，将宽带接收机接收的时序数据按样本时长等距切分，从中筛选每段均包含宽带特定信号类型的多段宽带信号文件，该文件至少包含1类待估计的宽带特定信号类型且每类至少包含1000段；
(1b)对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到该段宽带信号文件对应的灰度时频图；
(1c)利用标注工具对每张灰度时频图中与噪声可区分的宽带特定信号类型进行标注，得到由该张灰度时频图上宽带特定信号的类型名称和位置坐标组成的标注文件；
(1d)将所有的灰度时频图和与每张灰度时频图对应的标注文件配对组成宽带特定信号训练集；
(2)训练YOLOv4网络：
(2a)将宽带特定信号训练集输入到YOLOv4网络中；
(2b)采用随机梯度下降法，对YOLOv4网络进行迭代训练和学习，通过损失函数反向传播误差实现网络权重参数的调整，当网络损失函数值收敛时，得到训练好的YOLOv4网络，保存训练好的YOLOv4网络的所有参数权重值；
(3)对宽带信号灰度时频图进行检测识别：
(3a)将宽带接收机接收的时序数据按样本时长等距切分，得到等距切分后每段以该段信号接收时刻的时间戳命名的宽带信号文件；
(3b)对每段宽带信号文件进行短时傅里叶变换，取信号实部的绝对值并进行最大值归一化处理，以矩阵的形式保存得到与该段宽带信号文件对应的灰度时频图；
(3c)将灰度时频图输入到训练好的YOLOv4网络中，输出灰度时频图中检测识别到的每个宽带信号的类型、所属时频图的名称、识别的置信度、检测框在时频图时间轴上的最小坐标值、检测框在时频图频率轴上的最小坐标值、检测框在时频图时间轴上的最大坐标值和检测框在时频图频率轴上的最大坐标值，一并添加到数据库列表中；
(4)计算检测识别到的每个宽带特定信号的参数：
(4a)计算数据库列表中每个宽带信号的开始时间；
(4b)计算数据库列表中每个宽带信号的截止时间；
(4c)计算数据库列表中每个宽带信号的带宽；
(4d)计算数据库列表中每个宽带信号的中心频率；
(5)对宽带特定信号的参数进行判断：
(5a)将数据库列表中的宽带信号按宽带特定信号类型划分为多个子列表，并对各个子列表中所有的宽带信号按照时频图时间戳由小到大的顺序分别排序；
(5b)从每个子列表中选出满足|Lqk-Lqg|＝T要求的所有宽带信号，两两构成宽带信号对；其中，Lqk表示第q个子列表中第k张时频图的时间戳，q＝1,2,...,Q，Q表示子列表的数量，k＝1,2,...,K，K表示第q个子列表中时频图的数量，Lqg表示第q个子列表中第g张时频图的时间戳，g＝1,2,...,K，且q≠g，T表示等距切分宽带信号的时间间隔，|·|表示取绝对值运算；
(5c)从满足步骤(5b)条件的所有宽带信号对中选出满足|Cqkm-Cqgn|≤0.5kHz要求的宽带信号对；其中，Cqkm表示第q个子列表中第k张时频图中第m个宽带信号的中心频率，m＝1,2,...,M，M表示第q个子列表中第k张时频图中检测到宽带信号的总数，Cqgn表示第q个子列表的第g张时频图中第n个宽带信号的中心频率，n＝1,2,...,N，N表示第q个子列表的第g张时频图中检测到宽带信号的总数；
(5d)从满足步骤(5c)条件的所有宽带信号对中选出满足|Bqkm-Bqgn|≤0.2kHz要求的宽带信号对；其中，Bqkm表示第q个子列表中第k张时频图中第m个宽带信号的带宽，Bqgn表示第q个子列表的第g张时频图中第n个宽带信号的带宽；
(5e)从满足步骤(5d)条件的所有宽带信号对中选出满足|Sqgn-Eqkm|≤0.1×T要求的宽带信号对；其中，Sqgn表示第q个子列表的第g张时频图中第n个宽带信号的开始时间，Eqkm表示第q个列表的第k张时频图中第m个宽带信号的截止时间；
(5f)对满足步骤(5e)条件的每一个宽带信号对中的两个宽带信号合并为一个信号，计算合并后宽带信号的中心频率
Figure FDA0002876660760000031
和带宽
Figure FDA0002876660760000032
(6)更新宽带特定信号参数：
将第q个子列表第k张时频图中的第m个宽带信号的开始时间Sqkm作为更新后宽带信号的开始时间，将第q个子列表第g张时频图中的第n个宽带信号的截止时间Eqgn作为更新后宽带信号的截止时间，将
Figure FDA0002876660760000033
作为更新后宽带信号的中心频率，将
Figure FDA0002876660760000034
作为更新后宽带信号的带宽，将更新后宽带信号的估计参数添加到第q个子列表中，并删除更新前的宽带信号对的估计参数。
2.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(1a)中所述宽带特定信号类型是指，信号调制方式、莫尔斯信号、常规数据链信号、多音信号、话音信号、定频信号、猝发信号和跳频信号的所有类型或者为其非空子集。
3.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(4a)中所述数据库列表中每个宽带信号的开始时间是由下式计算得到的：
Figure FDA0002876660760000041
其中，St(i)表示第i个宽带信号的开始时间，i＝1,2,...,W，W表示数据库列表中宽带信号的总数，tr(i)表示第i个宽带信号所在时频图的时间长度，tpr(i)表示第i个宽带信号所在时频图的时间轴对应的像素点总数，tmin(i)表示第i个宽带信号的检测框在时频图时间轴上的最小坐标值。
4.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(4b)中所述数据库列表中每个宽带信号的截止时间是由下式计算得到的：
Figure FDA0002876660760000042
其中，Et(i)表示第i个宽带信号的截止时间，tmax(i)表示第i个宽带信号的检测框在时频图时间轴上的最大坐标值。
5.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(4c)中所述数据库列表中每个宽带信号的带宽是由下式计算得到的：
Figure FDA0002876660760000043
其中，B(i)表示第i个宽带信号的带宽，fr(i)表示第i个宽带信号所在时频图的频率范围，fpr(i)表示第i个宽带信号所在时频图的频率轴对应的像素点总数，fmax(i)表示第i个宽带信号的检测框在时频图频率轴上的最大坐标值，fmin(i)表示第i个宽带信号的检测框在时频图频率轴上的最小坐标值。
6.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(4d)中所述数据库列表中每个宽带信号的中心频率是由下式计算得到的：
Figure FDA0002876660760000051
其中，Cf(i)表示第i个宽带信号的中心频率。
7.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(5f)中所述合并后宽带信号的中心频率是由下式计算得到的：
Figure FDA0002876660760000052
其中，
Figure FDA0002876660760000053
表示合并后宽带信号的中心频率。
8.根据权利要求1所述的基于深度学习的宽带信号参数估计方法，其特征在于，所述步骤(5f)中所述合并后宽带信号的带宽是由下式计算得到的：
Figure FDA0002876660760000054
其中，
Figure FDA0002876660760000055
表示合并后宽带信号的带宽。
CN202011623078.0A 2020-12-31 2020-12-31 基于深度学习的宽带信号参数估计方法 Active CN112784690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011623078.0A CN112784690B (zh) 2020-12-31 2020-12-31 基于深度学习的宽带信号参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011623078.0A CN112784690B (zh) 2020-12-31 2020-12-31 基于深度学习的宽带信号参数估计方法

Publications (2)

Publication Number Publication Date
CN112784690A CN112784690A (zh) 2021-05-11
CN112784690B true CN112784690B (zh) 2022-12-27

Family

ID=75753358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011623078.0A Active CN112784690B (zh) 2020-12-31 2020-12-31 基于深度学习的宽带信号参数估计方法

Country Status (1)

Country Link
CN (1) CN112784690B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472390B (zh) * 2021-07-07 2022-08-02 哈尔滨工程大学 一种基于深度学习的跳频信号参数估计方法
CN114465631B (zh) * 2022-04-13 2022-06-14 中国科学院空天信息创新研究院 一种基于引导滤波的信号检测方法及装置
CN115065580B (zh) * 2022-07-28 2024-04-02 成都华日通讯技术股份有限公司 一种宽带下Link16数据链识别及参数估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN111541511A (zh) * 2020-04-20 2020-08-14 中国人民解放军海军工程大学 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN111707998A (zh) * 2020-06-15 2020-09-25 西安电子科技大学 一种基于连通区域特征的海面漂浮小目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11374947B2 (en) * 2019-02-01 2022-06-28 Skycope Technologies, Inc. Wireless threat detection device, system, and methods to detect signals in wideband RF systems and localize related time and frequency information based on deep learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN111541511A (zh) * 2020-04-20 2020-08-14 中国人民解放军海军工程大学 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN111707998A (zh) * 2020-06-15 2020-09-25 西安电子科技大学 一种基于连通区域特征的海面漂浮小目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Event-Related EEG Time-Frequency Analysis: An Overview of Measures and An Analysis of Early Gamma Band Phase Locking in Schizophrenia;Brian J. Roach et al;《Schizophrenia Bulletin 》;20080806;第34卷(第5期);907-926页 *
Morse信号的自动检测方法;张文静等;《测控技术》;20200418(第04期);76-80页 *
基于CNN和SVM的无线电同频干扰检测;刘雨灵;《中国知网》;20200315;第2020年卷(第03期);1-62页 *

Also Published As

Publication number Publication date
CN112784690A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112784690B (zh) 基于深度学习的宽带信号参数估计方法
CN108600135B (zh) 一种信号调制方式的识别方法
JP5793961B2 (ja) 電磁波識別装置、電磁波識別方法及びプログラム
CN107911183B (zh) 一种基于实时信号特征分析的无人机识别方法及系统
CN111148142B (zh) 基于异常检测和集成学习的休眠小区检测方法
CN108683526B (zh) 一种识别竞争类mac协议的方法
CN105785324A (zh) 基于mgcstft的线性调频信号参数估计方法
CN106357574A (zh) 基于顺序统计量的bpsk/qpsk信号调制盲识别方法
CN100521670C (zh) 一种多进制频移键控信号的检测和分析方法
CN105429719A (zh) 基于功率谱和多尺度小波变换分析强干扰信号检测方法
CN108120875A (zh) 一种基于快速频谱模板匹配的目标信号宽带检测方法
CN114519372A (zh) 基于支持向量机的一维距离像目标识别方法
US8175829B2 (en) Analyzer for signal anomalies
CN116961799A (zh) 一种基于时频域分布特征的信号干扰检测方法
CN109510644B (zh) 基于眼图能量的直扩通信信号干扰检测方法
CN112929141A (zh) 一种基于图传信号匹配的无人机检测识别方法和系统
CN102546116B (zh) 基于压缩感知的跳频信号盲检测方法
CN115755020A (zh) 一种机械扫描雷达天线扫描位置的跟踪方法
CN108718223A (zh) 一种非合作信号的盲频谱感知方法
CN111291495B (zh) 一种逆高斯纹理海杂波幅度分布模型参数估计方法
CN110190920B (zh) 基于最小均方误差对消算法的基准信号提取方法及系统
CN104348563B (zh) 认知无线网络中基于h无穷滤波理论的协作频谱感知方法
JP2012004612A (ja) 無線機同定装置
CN110958200A (zh) 一种基于无线电特征提取的无人机识别方法
CN118535931B (zh) 一种基于位置和用户画像智能匹配社交目标的系统

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