CN113221781A - 一种基于多任务深度卷积神经网络的载波信号检测方法 - Google Patents
一种基于多任务深度卷积神经网络的载波信号检测方法 Download PDFInfo
- Publication number
- CN113221781A CN113221781A CN202110549327.4A CN202110549327A CN113221781A CN 113221781 A CN113221781 A CN 113221781A CN 202110549327 A CN202110549327 A CN 202110549327A CN 113221781 A CN113221781 A CN 113221781A
- Authority
- CN
- China
- Prior art keywords
- layer
- carrier
- convolution
- power spectrum
- network
- 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.)
- Granted
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
- G06F2218/08—Feature extraction
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
- H04L27/2691—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation involving interference determination or cancellation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于多任务深度卷积神经网络的载波信号检测方法,包括以下步骤:S1、使用Matlab生成多载波宽带时域信号,并通过welch功率谱估计算法计算该信号的功率谱;S2、根据每个功率谱上载波的频率起止位置制作功率谱输入对应的标签;S3、将功率谱和标签输入多任务深度卷积神经网络进行训练;S4、将真实宽带卫星功率谱信号进行归一化后输入网络模型,得到的载波中心点、载波中心点偏移和载波带宽预测结果,计算所有载波的中心频率和带宽,然后通过非极大值抑制,得到最终载波中心频率和带宽大小预测结果。本发明避免了载波检测方法中人为提取特征所带来的主观影响的因素,提高了检测效率和检测准确率,并增强了检测过程中的噪声抑制能力。
Description
技术领域
本发明属于深度学习应用和通信信号处理领域,特别涉及一种基于多任务深度卷积神经网络的载波信号检测方法。
背景技术
随着近年来通信技术的快速发展,各种新的通信技术不断被应用到现代军事领域中来,给非合作通信侦察带来了巨大的挑战。在复杂的电磁环境背景下,载波信号检测是非合作通信侦察环节中的一个重要环节,只有准确地截获有用的信号,才能保证后续的信号处理分析和情报解读等得到强有力的可靠性。
通常,由于突发、多址、发射机性能差异和通信体制设计等原因,导致通信信号在频域中表现为毛刺多、载波间隙小等各种不规整形状。传统算法通常借助傅里叶变换、小波变换、形态学分析、聚类以及支持向量机等方法,通过提取信号的频谱、自相关函数和循环累积量等特征,进而人为选取一些特征进行分析,并最终设置若干离散或连续的阈值来实现载波信号检测。这些方法往往需要大量的先验知识,难以应对复杂的电磁环境干扰,且往往计算量大,计算过程复杂,容易造成虚检和漏检,不利于大范围、长时间连续通信侦察。
发明内容
本发明的目的在于克服现有技术的不足,提供一种通过构建多任务深度卷积神经网络,直接将宽带功率谱上的每个载波的中心频率位置和带宽大小回归出来,避免了载波检测方法中人为提取特征所带来的主观影响的因素,同时提高了检测效率和检测准确率,并增强了检测过程中的噪声抑制能力的基于多任务深度卷积神经网络的载波信号检测方法。
本发明的目的是通过以下技术方案来实现的:一种基于多任务深度卷积神经网络的载波信号检测方法,包括以下步骤:
S1、使用Matlab生成多载波宽带时域信号,并通过welch功率谱估计算法计算该信号的功率谱,得到训练数据集;
S2、将功率谱分别进行归一化作为训练网络的输入,并根据每个功率谱上载波的频率起止位置制作功率谱输入对应的标签,包含载波中心点标签、载波中心点偏移标签和载波带宽标签;
S3、将功率谱和标签输入多任务深度卷积神经网络进行训练,调整训练网络结构和参数,根据训练效果,保存最终的网络模型结构和参数;
S4、将真实宽带卫星功率谱信号进行归一化后输入S3训练得到的网络模型计算,通过模型直接输出得到的载波中心点、载波中心点偏移和载波带宽预测结果,计算所有载波的中心频率和带宽,然后通过非极大值抑制,得到最终载波中心频率和带宽大小预测结果。
S23、遍历当前宽带上的每一个载波,得到载波中心点偏移标签载波带宽标签为表示将载波中心点偏移标签和载波带宽标签的每个载波中心频率点分别赋值为和载波中心点标签是一个高斯核函数,载波中心点标签为其中P为整数,取值范围为λ是任意常数。
进一步地,所述步骤S3中的多任务深度卷积神经网络包括后端特征编码网络、后端特征解码网络和特征回归网络3部分。
进一步地,所述后端特征编码网络包括依次连接的一个卷积层、一个最大池化层和5个ResNet块;其中卷积层共有64个卷积核,卷积核大小7*1,卷积步长为2*1;最大池化层的核大小3*1,池化步长为2*1,最大池化层的结果记为P_2;
ResNet块由2个结构相同的子网络相连组成;每个子网络包括依次连接的卷积层1、BN层1、卷积层2、BN层2、ReLU层2、卷积层3、BN层3、ReLU层3、卷积层4、BN层4和ReLU层4;ReLU层4的输入是BN层1和BN层4结果的和;子网络中卷积层的卷积核大小均为3*1;第一个子网络的卷积层1的卷积步长为2*1,其余卷积层的卷积步长都是1*1;每个子网络中卷积层1和卷积层4卷积核的个数是卷积层2和卷积层3的4倍;ResNet块输出的特征图数量与卷积层4的卷积核个数相同;
所述后端特征编码网络的5个ResNet块的特征图输出数量依次是128、256、512、1024和2048,每个块的输出的结果依次记为P_3、P_4、P_5、P_6和P_7;
所述ReLU层是由激活函数构成,所使用激活函数为非线性激活函数线性修正单元;
所述BN层是由批归一化层构成。
所述后端特征解码网络包含卷积层7_1、卷积层7_2、上采样层6_1、上采样层6_2、卷积层6_1、卷积层6_2、上采样层5_1、上采样层5_2、卷积层5_1、卷积层5_2、上采样层4_1、上采样层4_2、卷积层4_1、卷积层4_2、上采样层3_1、上采样层3_2、卷积层3_1、卷积层3_2、上采样层2_1、上采样层2_2、卷积层2_1、卷积层2_2;
卷积层7_1~2_1均包含1024个卷积核,卷积核大小为1*1,卷积步长1*1;卷积层7_1~2_1的输入为后端编码网络的输出结果P_7~P_2;
卷积层7_2~2_2均包含256个卷积核,卷积核大小为3*1,卷积步长1*1;卷积层7_2的输入为卷积层7_1的输出,其余卷积层x_2的输入为卷积层x_1和上采样层x_1的和,其中,x=2、3、4、5、6;
所有上采样层结构相同,上采样层的核大小为2*1,上采样步长2*1;上采样层x_1的输入为卷积层(x-1)_1的输出,上采样层x_2的输入为卷积层(x-1)_2的输出,x=2、3、4、5、6;
最终卷积层2_2和上采样层2_2的和为后端解码网络的输出。
所述特征回归网络的输入是后端特征解码网络的输出,特征回归网络最终回归得到载波中心点、载波带宽和载波中心点偏移;
特征回归网络包括三个结构相同的子网络,子网络由两个卷积层和一个激活函数层构成;其中第一个卷积层包含256个卷积核,卷积核大小3*1,卷积步长1*1;第二个卷积层包含1个卷积核,卷积核大小1*1,卷积步长1*1;载波中心频率、载波带宽和载波中心点偏移三个子网络的激活函数层分别为Sigmoid、ReLU和Sigmoid。
进一步地,所述步骤S4包括以下子步骤:
S41、检查真实宽带卫星功率谱信号长度,若长度不是128的倍数,则将功率谱插值,使其长度等于128*(原功率谱长度整除128+1);计算真实宽带功率谱的频率分辨率,记为fps;同时记真实宽带卫星功率谱信号起始频率为fstart;
S42、对S41处理后的功率谱进行归一化;
S43、将归一化后的功率谱传给步骤S3中训练得到的模型,进行计算得到载波中心频率、载波带宽和载波中心频率偏移预测结果,分别记为center_pred、band_pred和offset_pred;
S44、设置阈值α过滤center_pred,保留大于α的结果,其中第i个保留结果在center_pred上对应的下标记为C_indi,则得到第i个实际载波中心频率预测结果为fmidi=fps*4*(C_indi+offset_pred[C_indi]),对应载波带宽预测结果为bwi=band_pred[C_indi];
S45、使用非极大值抑制处理步骤S44得到的载波预测结果,去掉其中重叠的结果,最终保留下来的即为真实宽带功率谱信号的载波预测结果。
本发明的有益效果是:本发明针对通信信号侦察过程中载波信号检测问题,将宽带功率谱看作一维图像,宽带上的载波看作是该一维图像上的目标,于是每个载波的检测任务被分为中心频率位置检测和带宽大小检测两部分,进而借鉴多任务深度卷积神经网络针对二维图像中目标检测的应用,通过构建多任务深度卷积神经网络,直接将宽带功率谱上的每个载波的中心频率位置和带宽大小回归出来;利用Matlab自动地产生大量有效的宽带信号样本训练该模型后,最终利用该模型可以准确地检测出宽带信号上不同载波的中心频率位置和带宽大小。相比较传统方法,该方法避免了载波检测方法中人为提取特征所带来的主观影响的因素,同时提高了检测效率和检测准确率,简化了问题研究难度,且减少了计算量,并增强了检测过程中的噪声抑制能力,该方法有效可行。
附图说明
图1为本发明的基于多任务深度卷积神经网络的载波信号检测方法的流程图;
图2为本发明的多任务深度卷积神经网络的具体结构图;
图3为本发明的多任务深度卷积神经网络的ResNet块单个子网络的具体结构图;
图4为本发明载波检测训练阶段的损失曲线图;
图5为本发明的真实宽带功率谱载波检测结果图。
具体实施方式
本发明的实验平台环境具体为CPU i9-9900K 6核12线程,主频3.6GHz,GPUNVidia RTX 2080Ti,内存32G DDR4 2400,操作系统Ubuntu 16.04,Python3.8.0,深度学习框架为Tensorflow 2.3.0。下面结合附图和具体实施例进一步说明本发明的技术方案。
如图1所示,本发明的一种基于多任务深度卷积神经网络的载波信号检测方法,包括以下步骤:
S1、使用Matlab生成多载波宽带时域信号,并通过welch功率谱估计算法计算该信号的功率谱,得到训练数据集;
由于有效标注的真实宽带功率谱信号样本较少,而深度学习需要较多的样本数据用来训练,因此本发明用来训练的信号样本是使用Matlab模拟生成的。为了避免训练过程产生过拟合,根据采集到的真实频谱信号分布的特点,产生的多载波宽带时域信号采样率为10MHz,宽带上每个载波的带宽大小随机,具体带宽范围为3kHz到500kHz,每个宽带时域信号持续时间随机,具体范围为200ms到2000ms;使用welch功率谱估计算法中,功率谱的长度为32768,即频谱分辨率为305Hz,窗函数为blackmanharris,重叠长度为16384。其中模拟的载波信号,为常见的调制信号,信源符号随机,根升余弦滤波滚降系数从0.25~0.8随机分布;宽带上模拟的噪声为高斯白噪声,其信噪比大小0~15dB随机分布。本发明实验中总共产生100000个宽带功率信号,其中750000个作为训练集,25000个作为验证集。
S2、将功率谱分别进行归一化作为训练网络的输入,并根据每个功率谱上载波的频率起止位置制作功率谱输入对应的标签,包含载波中心点标签、载波中心点偏移标签和载波带宽标签;
功率谱归一化方法为Z-Score归一化,具体实现方法如下:
其中Xo和X为分别为归一化前和归一化后的功率谱,μ和σ分别为功率谱Xo的均值和标准差;
S21、初始化三个长度为8192的全零子序列,作为载波中心点标签、载波中心点偏移标签和载波带宽标签,分别记为Center、offset和BW;
S23、遍历当前宽带上的每一个载波,得到载波中心点偏移标签载波带宽标签为表示将载波中心点偏移标签和载波带宽标签的每个载波中心频率点分别赋值为和载波中心点标签是一个高斯核函数,载波中心点标签为其中P为整数,取值范围为λ是任意常数,本实施例中设置
S3、将功率谱和标签输入多任务深度卷积神经网络进行训练,调整训练网络结构和参数,根据训练效果,保存最终的网络模型结构和参数;
多任务深度卷积神经网络的输入功率谱长度为32768,整个网络包括后端特征编码网络、后端特征解码网络和特征回归网络3部分,其结构如图2所示。
所述后端特征编码网络包括依次连接的一个卷积层、一个最大池化层和5个ResNet块;其中卷积层共有64个卷积核,卷积核大小7*1,卷积步长为2*1;最大池化层的核大小3*1,池化步长为2*1,最大池化层的结果记为P_2,P_2的具体形状大小为[8192,1,64];
ResNet块由2个结构相同的子网络相连组成;如图3所示,每个子网络包括依次连接的卷积层1、BN层1、卷积层2、BN层2、ReLU层2、卷积层3、BN层3、ReLU层3、卷积层4、BN层4和ReLU层4;ReLU层4的输入是BN层1和BN层4结果的和;子网络中卷积层的卷积核大小均为3*1;第一个子网络的卷积层1的卷积步长为2*1,其余卷积层的卷积步长都是1*1;每个子网络中卷积层1和卷积层4卷积核的个数是卷积层2和卷积层3的4倍;ResNet块输出的特征图数量与卷积层4的卷积核个数相同;
所述后端特征编码网络的5个ResNet块的特征图输出数量依次是128、256、512、1024和2048,每个块的输出的结果依次记为P_3、P_4、P_5、P_6和P_7,具体形状大小分别是[4096,1,128],[2048,1,256],[1024,1,512],[512,1,1024],[256,1,2048];
所述ReLU层是由激活函数构成,所使用激活函数为非线性激活函数线性修正单元(ReLU,rectified linear unit);
所述BN层是由批归一化层(BN,batch normalize)构成。
所述后端特征解码网络包含卷积层7_1、卷积层7_2、上采样层6_1、上采样层6_2、卷积层6_1、卷积层6_2、上采样层5_1、上采样层5_2、卷积层5_1、卷积层5_2、上采样层4_1、上采样层4_2、卷积层4_1、卷积层4_2、上采样层3_1、上采样层3_2、卷积层3_1、卷积层3_2、上采样层2_1、上采样层2_2、卷积层2_1、卷积层2_2;
卷积层7_1~2_1均包含1024个卷积核,卷积核大小为1*1,卷积步长1*1;卷积层7_1~2_1的输入为后端编码网络的输出结果P_7~P_2;
卷积层7_2~2_2均包含256个卷积核,卷积核大小为3*1,卷积步长1*1;卷积层7_2的输入为卷积层7_1的输出,其余卷积层x_2的输入为卷积层x_1和上采样层x_1的和,其中,x=2、3、4、5、6;
所有上采样层结构相同,上采样层的核大小为2*1,上采样步长2*1;上采样层x_1的输入为卷积层(x-1)_1的输出,上采样层x_2的输入为卷积层(x-1)_2的输出,x=2、3、4、5、6;
最终卷积层2_2和上采样层2_2的和为后端解码网络的输出。
所述特征回归网络的输入是后端特征解码网络的输出,特征回归网络最终回归得到载波中心点、载波带宽和载波中心点偏移;
特征回归网络包括三个结构相同的子网络,子网络由两个卷积层和一个激活函数层构成;其中第一个卷积层包含256个卷积核,卷积核大小3*1,卷积步长1*1;第二个卷积层包含1个卷积核,卷积核大小1*1,卷积步长1*1;载波中心频率、载波带宽和载波中心点偏移三个子网络的激活函数层分别为Sigmoid、ReLU和Sigmoid。
使用步骤S1和步骤S2产生的样本,总计训练200个周期(Epochs),训练过程中训练集和验证集上载波中心点损失(center_loss)、载波带宽损失(band_loss)、载波中心点偏移损失(offset_loss)以及整个网络的总损失(loss)变化如图4所示。对于多任务深度卷积神经网络的训练过程,损失值越小表示该网络性能越好。本发明训练过程训练集和验证集的各项损失值整体上均随周期数下降趋势,最终训练集loss收敛到0.098,验证集val_loss收敛到0.118,没有出现过拟合现象。训练过程中,对特征回归网络的输入采用Dropout优化算法,通过减少神经元之间的连接来抑制过拟合问题,参数设置为0.3;采用Adam算法作为反向传播优化策略用来优化整个网络的模型权重参数。
S4、将真实宽带卫星功率谱信号进行归一化后输入S3训练得到的网络模型计算,通过模型直接输出得到的载波中心点、载波中心点偏移和载波带宽预测结果,计算所有载波的中心频率和带宽,然后通过非极大值抑制(NMS,non maximum suppression),得到最终载波中心频率和带宽大小预测结果;包括以下子步骤:
S41、检查真实宽带卫星功率谱信号长度,若长度不是128的倍数,则将功率谱插值,使其长度等于128*(原功率谱长度整除128+1);计算真实宽带功率谱的频率分辨率,记为fps;同时记真实宽带卫星功率谱信号起始频率为fstart;本实施例用来测试的真实宽带卫星功率谱长度为32768,不需要进行插值操作,带宽为36MHz,起始频率为1550MHz,故fps=1098.63Hz,fstart=1550MHz;
S42、对S41处理后的功率谱进行归一化,归一化方法与步骤S2中归一化方法一致;
S43、将归一化后的功率谱传给步骤S3中训练得到的模型,进行计算得到载波中心频率、载波带宽和载波中心频率偏移预测结果,分别记为center_pred、band_pred和offset_pred;
S44、设置阈值α过滤center_pred,保留大于α的结果,其中第i个保留结果在center_pred上对应的下标记为C_indi,则得到第i个实际载波中心频率预测结果为fmidi=fps*4*(C_indi+offset_pred[C_indi]),对应载波带宽预测结果为bwi=band_pred[C_indi];
S45、使用非极大值抑制处理步骤S44得到的载波预测结果,去掉其中重叠的结果,最终保留下来的即为真实宽带功率谱信号的载波预测结果。本实施例最终载波检测效果如图5所示,本发明提出的算法可以准确有效地检测出该真实宽带卫星功率谱上的所有载波,总计85个载波,具体结果如下表1所示:
表1宽带卫星功率谱载波检测结果
综上所述,本发明提出的检测方法可以有效地检测宽带功率谱上的载波,相较于传统载波信号检测方法,不需要人为选取特征,避免了人为主观因素的影响,增强了检测过程中的噪声抑制能力,并且提高了检测精度和效率。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于,包括以下步骤:
S1、使用Matlab生成多载波宽带时域信号,并通过welch功率谱估计算法计算该信号的功率谱,得到训练数据集;
S2、将功率谱分别进行归一化作为训练网络的输入,并根据每个功率谱上载波的频率起止位置制作功率谱输入对应的标签,包含载波中心点标签、载波中心点偏移标签和载波带宽标签;
S3、将功率谱和标签输入多任务深度卷积神经网络进行训练,调整训练网络结构和参数,根据训练效果,保存最终的网络模型结构和参数;
S4、将真实宽带卫星功率谱信号进行归一化后输入S3训练得到的网络模型计算,通过模型直接输出得到的载波中心点、载波中心点偏移和载波带宽预测结果,计算所有载波的中心频率和带宽,然后通过非极大值抑制,得到最终载波中心频率和带宽大小预测结果。
3.根据权利要求1所述的一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于,所述步骤S3中的多任务深度卷积神经网络包括后端特征编码网络、后端特征解码网络和特征回归网络3部分。
4.根据权利要求3所述的一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于,所述后端特征编码网络包括依次连接的一个卷积层、一个最大池化层和5个ResNet块;其中卷积层共有64个卷积核,卷积核大小7*1,卷积步长为2*1;最大池化层的核大小3*1,池化步长为2*1,最大池化层的结果记为P_2;
ResNet块由2个结构相同的子网络相连组成;每个子网络包括依次连接的卷积层1、BN层1、卷积层2、BN层2、ReLU层2、卷积层3、BN层3、ReLU层3、卷积层4、BN层4和ReLU层4;ReLU层4的输入是BN层1和BN层4结果的和;子网络中卷积层的卷积核大小均为3*1;第一个子网络的卷积层1的卷积步长为2*1,其余卷积层的卷积步长都是1*1;每个子网络中卷积层1和卷积层4卷积核的个数是卷积层2和卷积层3的4倍;ResNet块输出的特征图数量与卷积层4的卷积核个数相同;
所述后端特征编码网络的5个ResNet块的特征图输出数量依次是128、256、512、1024和2048,每个块的输出的结果依次记为P_3、P_4、P_5、P_6和P_7;
所述ReLU层是由激活函数构成,所使用激活函数为非线性激活函数线性修正单元;
所述BN层是由批归一化层构成。
5.根据权利要求4所述的一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于,所述后端特征解码网络包含卷积层7_1、卷积层7_2、上采样层6_1、上采样层6_2、卷积层6_1、卷积层6_2、上采样层5_1、上采样层5_2、卷积层5_1、卷积层5_2、上采样层4_1、上采样层4_2、卷积层4_1、卷积层4_2、上采样层3_1、上采样层3_2、卷积层3_1、卷积层3_2、上采样层2_1、上采样层2_2、卷积层2_1、卷积层2_2;
卷积层7_1~2_1均包含1024个卷积核,卷积核大小为1*1,卷积步长1*1;卷积层7_1~2_1的输入为后端编码网络的输出结果P_7~P_2;
卷积层7_2~2_2均包含256个卷积核,卷积核大小为3*1,卷积步长1*1;卷积层7_2的输入为卷积层7_1的输出,其余卷积层x_2的输入为卷积层x_1和上采样层x_1的和,其中,x=2、3、4、5、6;
所有上采样层结构相同,上采样层的核大小为2*1,上采样步长2*1;上采样层x_1的输入为卷积层(x-1)_1的输出,上采样层x_2的输入为卷积层(x-1)_2的输出,x=2、3、4、5、6;
最终卷积层2_2和上采样层2_2的和为后端解码网络的输出。
6.根据权利要求5所述的一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于,所述特征回归网络的输入是后端特征解码网络的输出,特征回归网络最终回归得到载波中心点、载波带宽和载波中心点偏移;
特征回归网络包括三个结构相同的子网络,子网络由两个卷积层和一个激活函数层构成;其中第一个卷积层包含256个卷积核,卷积核大小3*1,卷积步长1*1;第二个卷积层包含1个卷积核,卷积核大小1*1,卷积步长1*1;载波中心频率、载波带宽和载波中心点偏移三个子网络的激活函数层分别为Sigmoid、ReLU和Sigmoid。
7.根据权利要求1所述的一种基于多任务深度卷积神经网络的载波信号检测方法,其特征在于:所述步骤S4包括以下子步骤:
S41、检查真实宽带卫星功率谱信号长度,若长度不是128的倍数,则将功率谱插值,使其长度等于128*(原功率谱长度整除128+1);计算真实宽带功率谱的频率分辨率,记为fps;同时记真实宽带卫星功率谱信号起始频率为fstart;
S42、对S41处理后的功率谱进行归一化;
S43、将归一化后的功率谱传给步骤S3中训练得到的模型,进行计算得到载波中心频率、载波带宽和载波中心频率偏移预测结果,分别记为center_pred、band_pred和offset_pred;
S44、设置阈值α过滤center_pred,保留大于α的结果,其中第i个保留结果在center_pred上对应的下标记为C_indi,则得到第i个实际载波中心频率预测结果为fmidi=fps*4*(C_indi+offset_pred[C_indi]),对应载波带宽预测结果为bwi=band_pred[C_indi];
S45、使用非极大值抑制处理步骤S44得到的载波预测结果,去掉其中重叠的结果,最终保留下来的即为真实宽带功率谱信号的载波预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549327.4A CN113221781B (zh) | 2021-05-20 | 2021-05-20 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549327.4A CN113221781B (zh) | 2021-05-20 | 2021-05-20 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221781A true CN113221781A (zh) | 2021-08-06 |
CN113221781B CN113221781B (zh) | 2022-12-06 |
Family
ID=77093348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549327.4A Active CN113221781B (zh) | 2021-05-20 | 2021-05-20 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221781B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507713A (zh) * | 2021-09-08 | 2021-10-15 | 成都云溯新起点科技有限公司 | 一种基于信号功率谱特性的递归搜寻载波检测方法 |
CN113625244A (zh) * | 2021-08-11 | 2021-11-09 | 青岛本原微电子有限公司 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
CN114025379A (zh) * | 2021-11-05 | 2022-02-08 | 北京邮电大学 | 一种宽带多信号检测方法、装置和设备 |
CN114363128A (zh) * | 2022-01-05 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的宽带信号检测方法 |
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
CN115276693A (zh) * | 2022-09-26 | 2022-11-01 | 中孚信息股份有限公司 | 一种基于welch的多频点多带宽识别方法 |
CN117269992A (zh) * | 2023-08-29 | 2023-12-22 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188459A (zh) * | 2007-12-26 | 2008-05-28 | 电子科技大学 | 一种光分组格式及其标签和净荷的产生和分离系统 |
CN101459962A (zh) * | 2009-01-06 | 2009-06-17 | 中国人民解放军理工大学通信工程学院 | CR OFDM系统中具有QoS要求的资源分配方法 |
CN111399002A (zh) * | 2020-04-09 | 2020-07-10 | 西安交通大学 | 一种基于两级神经网络的gnss接收机组合干扰分类识别方法 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
US20210014092A1 (en) * | 2019-07-12 | 2021-01-14 | The Mitre Corporation | Data processing for automatic modulation classification of wireless signals |
CN112684251A (zh) * | 2019-10-17 | 2021-04-20 | 武汉瑞天波谱信息技术有限公司 | 一种基于功率谱模版的目标信号频域检测方法 |
-
2021
- 2021-05-20 CN CN202110549327.4A patent/CN113221781B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188459A (zh) * | 2007-12-26 | 2008-05-28 | 电子科技大学 | 一种光分组格式及其标签和净荷的产生和分离系统 |
CN101459962A (zh) * | 2009-01-06 | 2009-06-17 | 中国人民解放军理工大学通信工程学院 | CR OFDM系统中具有QoS要求的资源分配方法 |
US20210014092A1 (en) * | 2019-07-12 | 2021-01-14 | The Mitre Corporation | Data processing for automatic modulation classification of wireless signals |
CN112684251A (zh) * | 2019-10-17 | 2021-04-20 | 武汉瑞天波谱信息技术有限公司 | 一种基于功率谱模版的目标信号频域检测方法 |
CN111399002A (zh) * | 2020-04-09 | 2020-07-10 | 西安交通大学 | 一种基于两级神经网络的gnss接收机组合干扰分类识别方法 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
Non-Patent Citations (2)
Title |
---|
MOHAMMAD H.TAHERSIMA等: "Deep Neural Network Inverse Design of Integrated Photonic Power Splitters", 《SCIENTIFIC REPORTS》 * |
丁倩: "水声通信信号调制方法及参数识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625244A (zh) * | 2021-08-11 | 2021-11-09 | 青岛本原微电子有限公司 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
CN113507713A (zh) * | 2021-09-08 | 2021-10-15 | 成都云溯新起点科技有限公司 | 一种基于信号功率谱特性的递归搜寻载波检测方法 |
CN113507713B (zh) * | 2021-09-08 | 2021-12-07 | 成都云溯新起点科技有限公司 | 一种基于信号功率谱特性的递归搜寻载波检测方法 |
CN114025379B (zh) * | 2021-11-05 | 2023-06-30 | 北京邮电大学 | 一种宽带多信号检测方法、装置和设备 |
CN114025379A (zh) * | 2021-11-05 | 2022-02-08 | 北京邮电大学 | 一种宽带多信号检测方法、装置和设备 |
CN114363128A (zh) * | 2022-01-05 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的宽带信号检测方法 |
CN114363128B (zh) * | 2022-01-05 | 2023-07-04 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的宽带信号检测方法 |
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
CN114548146B (zh) * | 2022-01-10 | 2023-04-28 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
CN115276693A (zh) * | 2022-09-26 | 2022-11-01 | 中孚信息股份有限公司 | 一种基于welch的多频点多带宽识别方法 |
CN115276693B (zh) * | 2022-09-26 | 2023-01-03 | 中孚信息股份有限公司 | 一种基于welch的多频点多带宽识别方法 |
CN117269992A (zh) * | 2023-08-29 | 2023-12-22 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
CN117269992B (zh) * | 2023-08-29 | 2024-04-19 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113221781B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221781B (zh) | 一种基于多任务深度卷积神经网络的载波信号检测方法 | |
CN109841226B (zh) | 一种基于卷积递归神经网络的单通道实时降噪方法 | |
CN109379311B (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
CN110739002A (zh) | 基于生成对抗网络的复数域语音增强方法、系统及介质 | |
CN107845389A (zh) | 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
Zhang et al. | Birdsoundsdenoising: Deep visual audio denoising for bird sounds | |
CN108922513A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN112214929A (zh) | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 | |
CN112285666A (zh) | 基于深度U-Inception网络的雷达干扰抑制方法 | |
CN108806725A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
Ashraf et al. | Underwater ambient-noise removing GAN based on magnitude and phase spectra | |
CN112881986B (zh) | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 | |
CN115359771A (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
CN117496990A (zh) | 语音去噪方法、装置、计算机设备及存储介质 | |
CN115795302B (zh) | 一种无线电跳频信号识别方法、系统、终端及介质 | |
CN111916060A (zh) | 一种基于谱减的深度学习语音端点检测方法和系统 | |
CN117037824A (zh) | 一种声学场景分类的数据增强方法及系统 | |
CN113571074B (zh) | 基于多波段结构时域音频分离网络的语音增强方法及装置 | |
CN113707172A (zh) | 稀疏正交网络的单通道语音分离方法、系统、计算机设备 | |
CN118072763B (zh) | 一种基于双互补神经网络的电力设备声纹增强方法、部署方法以及装置 | |
CN117493776B (zh) | 地球物理勘探数据去噪方法、装置和电子设备 | |
CN117953911B (zh) | 一种飞机模拟器声音降噪方法、系统、设备及介质 | |
CN117251737B (zh) | 闪电波形处理模型训练方法、分类方法、装置及电子设备 |
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 |