CN114154545B - 强互干扰条件下无人机测控信号智能识别方法 - Google Patents
强互干扰条件下无人机测控信号智能识别方法 Download PDFInfo
- Publication number
- CN114154545B CN114154545B CN202111486358.6A CN202111486358A CN114154545B CN 114154545 B CN114154545 B CN 114154545B CN 202111486358 A CN202111486358 A CN 202111486358A CN 114154545 B CN114154545 B CN 114154545B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- frequency
- deep learning
- aerial vehicle
- 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
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Toys (AREA)
Abstract
本发明公开了一种强互干扰条件下无人机测控信号智能识别方法,利用无线电电子信号侦察设备对空间电磁波信号进行侦收,再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频,最终将接收信号转换成零中频的时域IQ数据;利用信号检测识别处理器对接收信号进行采集和存储,再对其进行时频变换得到其时频图谱,对时频图谱进行取绝对值和归一化的预处理操作,再对预处理后的时频图谱进行基于深度学习的目标检测;信号检测识别处理器包括基于深度学习的目标检测模型。本发明采用剪枝深度学习模型的剪枝思想,在保持精度基本不变,降低模型计算复杂度,提升了模型识别速度,有效降低了计算资源的消耗,更加方便模型的多平台移植。
Description
技术领域
本发明属于电子信息技术技术领域,具体涉及一种强互干扰条件下无人机测控信号智能识别方法。
背景技术
目前,受益于飞控和无线通信技术的发展,无人机市场正以空前的速度增长,并广泛应用在航拍、救援、电力检查、智慧农业、货物运输等领域。但由于相关监管技术的不完善,无人机非法进入敏感区域,扰乱民航秩序等事件时有发生。因此,如何对无人机进行有效的监管,是保障该行业能良好发展的重要前提。而对无人机进行有效监管的前提在于及时检测并识别无人机。
通过侦测无人机测控信号进行目标检测和识别,是无人机管控的重要措施。目前无人机测控信号采用扩频或跳频机制且使用ISM频段,而现代城市中存在大量的同频无线电设备,如WiFi设备,蓝牙设备等,对无人机测控信号的检测和识别产生了巨大的干扰。现有信号侦测手段难以应对这种强电磁互干扰场景。基于测控信号的无人机识别技术面临的问题是:(1)强同频段干扰信号在频谱上与无人机信号产生混叠,影响信号的检测和识别;(2)存在部分无人机信号与干扰信号通信体制相似,易造成虚警。
发明内容
为解决复杂电磁环境下,利用无人机测控信号进行无人机探测和识别的难题,本发明公开了一种强互干扰条件下无人机测控信号智能识别技术,通过无线电射频侦收,信号时频变换,基于深度学习目标检测等方式,实现对目标信号的识别和检测。
本发明公开了一种强互干扰条件下无人机测控信号智能识别方法,利用无线电电子侦察设备和信号检测识别处理器来实现,无线电电子侦察设备与信号检测识别处理器通过网络连接;
所述无线电电子信号侦察设备用于对空间电磁波信号进行侦收,再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频,最终将接收信号转换成零中频的时域IQ数据。
所述信号检测识别处理器用于对接收信号进行采集和存储,再对其进行时频变换得到其时频图谱,对时频图谱进行取绝对值和归一化的预处理操作,再对预处理后的时频图谱进行基于深度学习的目标检测。信号检测识别处理器包括基于深度学习的目标检测模型。
所述的对时频图谱进行基于深度学习的目标检测,采用基于深度学习的目标检测模型来实现无人机信号的检测和识别,基于深度学习的目标检测模型利用YOLO模型来实现,基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器,主干网络和解码器进行连接。基于深度学习的目标检测模型采用两个阶段来进行训练,第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进行训练;第二阶段利用深度学习中的通道剪枝算法,对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪,即利用LASSO回归算法,删除主干网络的每个隐藏层的部分通道,进而得到压缩后的主干网络。之后,随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成整个训练过程。
所述的强互干扰条件下无人机测控信号智能识别方法,其具体步骤包括:
S1,信号检测识别处理器与无线电电子侦察设备进行连接,信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,无线电电子侦察设备对空间电磁波信号进行侦收;
所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,该信号侦收指令包括目标工作频段和天线增益参数,无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、A/D变换、数字下变频处理,最终将接收信号转换成零中频的时域IQ数据,并将该时域IQ数据发送至信号检测识别处理器;
S2,利用接收到的信号构建基于深度学习的目标检测模型的训练数据集,并对该基于深度学习的目标检测模型进行训练;
信号检测识别处理器对该时域IQ数据进行存储,再对其进行时频变换得到其时频图谱,时频变换过程表示为:
式中,x()表示该时域IQ数据,h()表示窗函数,N表示时频图谱的时间轴长度,T表示滑窗长度,L表示该时域IQ数据长度,K表示离散傅里叶变换长度,S(k,n)表示时频图谱在第n个时刻和第k个频点的取值;对计算得到的时频图谱取绝对值,获得能量时频谱
将该预处理后的时频谱数据进行标签标注,得到标注数据,所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型,信号类型包括无人机测控信号、WiFi信号、蓝牙信号和其他未知信号。
将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为M×N个格子,将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型,基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量,每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型。将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息,即信号带宽、中心载频、信号时长和信号起始位置,转换为标准标签格式数据,标准标签格式数据表示为[M0,N0,x,y,w,h,nc,p],其中,M0、N0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号,x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标,w,h分别代表无人机测控信号的信号时长和信号带宽,p代表该格子内是否存在无人机测控信号,nc表示该无人机测控信号所属类型。
基于深度学习的目标检测模型的主干网络采用CSPDarknet53网络结构,解码器为一个3层的卷积网络,其输出数据尺寸为M×N×(4+1+Nc),4+1+Nc代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、Nc个无人机测控信号类型的预测结果。
利用训练数据集,训练该基于深度学习的目标检测模型,其损失函数为:
式中,φc表示无人机测控信号类型的集合,λcoard表示时频位置估计损失加权系数,λnoobj表示类别预测损失加权系数,表示第(i,j)个方格内是否存在无人机测控信号,若存在,则否则 表示第(i,j)个方格内是否存在无人机测控信号,取值与相反;Cij表示第(i,j)个方格是否存在无人机测控信号的标签值,表示第(i,j)个方格存在无人机测控信号的预测置信度;pij(c)表示第(i,j)个方格内的无人机测控信号属于类型c的标签值,表示对应pij(c)的预测值,[wij,hij]表示第(i,j)个方格内信号的频域宽度和时域宽度,[xij,yij]表示第(i,j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标,分别表示对[wij,hij],[xij,yij]的预测值。
利用梯度下降算法对该基于深度学习的目标检测模型进行训练,直至该基于深度学习的目标检测模型的损失函数达到收敛,完成第一阶段训练。再利用深度学习中通道剪枝算法,对主干网络进行压缩,得到压缩后的基于深度学习的目标检测模型,具体如下:
针对主干网络的每个隐藏层,按预定的通道筛选比例,利用LASSO回归算法构建优化函数,删除主干网络的每个隐藏层输入特征图的部分通道,并以最小误差重构该隐藏层的输出特征图,进而得到压缩的主干网络;所述的利用LASSO回归算法构建优化函数,该优化函数的表达式为:
subject to||β||0≤c′
式中,β表示主干网络的隐藏层输入特征图的通道选择系数向量,Nz表示该隐藏层输入特征图的通道数,c′表示预定的筛选通道数,Zi表示第i个通道的输入特征图,Y表示主干网络在剪枝前该隐藏层的输出特征图,|| ||F表示弗洛贝尼乌斯范数,|| ||1表示L1范数,|| ||0表示L0范数。
对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝,得到压缩后的主干网络。
随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成对该基于深度学习的目标检测模型的整个训练过程。
S3,利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别;
信号检测识别处理器将预处理后的时频图谱数据输入到步骤S2得到的训练完毕的基于深度学习的目标检测模型,该目标检测模型对预处理后的时频图谱数据进行检测和识别,检测出其中的各个信号分量,并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果。
本发明的有益效果为:
(1)本发明提供了一种强互干扰条件下无人机测控信号智能识别技术,采用“智能图像目标检测”的综合检测识别方案,解决现有技术在频谱混叠和未知信道条件下,信号检测的难题;
(2)本发明采用剪枝深度学习模型的剪枝思想,将训练好的模型进行修剪,在保持精度基本不变,降低模型计算复杂度,提升了模型识别速度。模型参数量的降低,有效降低了计算资源的消耗,更加方便模型的多平台移植。
附图说明
图1为本发明的强互干扰条件下基于深度学习的目标信号检测识别模型训练流程图;
图2为本发明的强互干扰条件下无人机测控信号智能识别技术流程图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。
图1为本发明的强互干扰条件下基于深度学习的目标信号检测识别模型训练流程图;图2为本发明的强互干扰条件下无人机测控信号智能识别技术流程图。
本发明公开了一种强互干扰条件下无人机测控信号智能识别方法,利用无线电电子侦察设备和信号检测识别处理器来实现,无线电电子侦察设备与信号检测识别处理器通过网络连接;
所述无线电电子信号侦察设备用于对空间电磁波信号进行侦收,再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频,最终将接收信号转换成零中频的时域IQ数据。
所述信号检测识别处理器用于对接收信号进行采集和存储,再对其进行时频变换得到其时频图谱,对时频图谱进行取绝对值和归一化的预处理操作,再对预处理后的时频图谱进行基于深度学习的目标检测。信号检测识别处理器包括基于深度学习的目标检测模型。
所述的对时频图谱进行基于深度学习的目标检测,采用基于深度学习的目标检测模型来实现无人机信号的检测和识别,基于深度学习的目标检测模型利用YOLO模型来实现,基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器,主干网络和解码器进行连接。基于深度学习的目标检测模型采用两个阶段来进行训练,第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进行训练;第二阶段利用深度学习中的通道剪枝算法,对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪,即利用LASSO回归算法,删除主干网络的每个隐藏层的部分通道,进而得到压缩后的主干网络。之后,随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成整个训练过程。
所述的强互干扰条件下无人机测控信号智能识别方法,其实施过程包括模型训练阶段和模型实时应用阶段,其具体步骤包括:
S1,信号检测识别处理器与无线电电子侦察设备进行连接,信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,无线电电子侦察设备对空间电磁波信号进行侦收;
所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,该信号侦收指令包括目标工作频段和天线增益参数,无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、A/D变换、数字下变频处理,最终将接收信号转换成零中频的时域IQ数据,并将该时域IQ数据发送至信号检测识别处理器;
S2,利用接收到的信号构建基于深度学习的目标检测模型的训练数据集,并对该基于深度学习的目标检测模型进行训练;
信号检测识别处理器对该时域IQ数据进行存储,再对其进行时频变换得到其时频图谱,时频变换过程表示为:
式中,x()表示该时域IQ数据,h()表示窗函数,N表示时频图谱的时间轴长度,T表示滑窗长度,L表示该时域IQ数据长度,K表示离散傅里叶变换长度,S(k,n)表示时频图谱在第n个时刻和第k个频点的取值;对计算得到的时频图谱取绝对值,获得能量时频谱
将该预处理后的时频谱数据进行标签标注,得到标注数据,所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型,信号类型包括无人机测控信号、WiFi信号、蓝牙信号和其他未知信号。
将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为M×N个格子,将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型,基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量,每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型。如果某个无人机测控信号的时频中心位置落在某个格子,就由该格子对应的解码器会输出该信号的时频信息和所属无人机类型。将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息,即信号带宽、中心载频、信号时长和信号起始位置,转换为标准标签格式数据,标准标签格式数据表示为[M0,N0,x,y,w,h,nc,p],其中,M0、N0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号,x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标,w,h分别代表无人机测控信号的信号时长和信号带宽,p代表该格子内是否存在无人机测控信号,nc表示该无人机测控信号所属类型。
基于深度学习的目标检测模型的主干网络采用CSPDarknet53网络结构,解码器为一个3层的卷积网络,其输出数据尺寸为M×N×(4+1+Nc),4+1+Nc代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、Nc个无人机测控信号类型的预测结果。2个频率参数包括信号带宽和中心载频,2个时间参数包括信号时长和信号起始位置。
利用训练数据集,训练该基于深度学习的目标检测模型,其损失函数为:
式中,φc表示无人机测控信号类型的集合,λcoard表示时频位置估计损失加权系数,λnoobj表示类别预测损失加权系数,表示第(i,j)个方格内是否存在无人机测控信号,若存在,则否则 表示第(i,j)个方格内是否存在无人机测控信号,取值与相反;Cij表示第(i,j)个方格是否存在无人机测控信号的标签值,表示第(i,j)个方格存在无人机测控信号的预测置信度;pij(c)表示第(i,j)个方格内的无人机测控信号属于类型c的标签值,表示对应pij(c)的预测值,[wij,hij]表示第(i,j)个方格内信号的频域宽度和时域宽度,[xij,yij]表示第(i,j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标, 分别表示对[wij,hij],[xij,yij]的预测值。
利用梯度下降算法对该基于深度学习的目标检测模型进行训练,直至该基于深度学习的目标检测模型的损失函数达到收敛,完成第一阶段训练。再利用深度学习中通道剪枝算法,对主干网络进行压缩,具体如下:
针对主干网络的每个隐藏层,按预定的通道筛选比例,利用LASSO回归算法构建优化函数,删除主干网络的每个隐藏层输入特征图的部分通道,并以最小误差重构该隐藏层的输出特征图,进而得到压缩的主干网络;所述的利用LASSO回归算法构建优化函数,该优化函数的表达式为:
subject to||β‖0≤c′
式中,β表示主干网络的隐藏层输入特征图的通道选择系数向量,Nz表示该隐藏层输入特征图的通道数,c′表示预定的筛选通道数,Zi表示第i个通道的输入特征图,Y表示主干网络在剪枝前该隐藏层的输出特征图,|| ||F表示弗洛贝尼乌斯范数,|| ||1表示L1范数,|| ||0表示L0范数。
对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝,得到压缩后的主干网络。
随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成对该基于深度学习的目标检测模型的整个训练过程。
S3,利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别;
信号检测识别处理器将预处理后的时频图谱数据输入到步骤S2得到的训练完毕的基于深度学习的目标检测模型,该目标检测模型对预处理后的时频图谱数据进行检测和识别,检测出其中的各个信号分量,并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种强互干扰条件下无人机测控信号智能识别方法,其特征在于,利用无线电电子侦察设备和信号检测识别处理器来实现,无线电电子侦察设备与信号检测识别处理器通过网络连接;
所述无线电电子侦察设备用于对空间电磁波信号进行侦收,再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频,最终将接收信号转换成零中频的时域IQ数据;
所述信号检测识别处理器用于对接收信号进行采集和存储,再对其进行时频变换得到其时频图谱,对时频图谱进行取绝对值和归一化的预处理操作,再对预处理后的时频图谱进行基于深度学习的目标检测;信号检测识别处理器包括基于深度学习的目标检测模型;
所述的强互干扰条件下无人机测控信号智能识别方法,其具体步骤包括:
S1,信号检测识别处理器与无线电电子侦察设备进行连接,信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,无线电电子侦察设备对空间电磁波信号进行侦收;
所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令,该信号侦收指令包括目标工作频段和天线增益参数,无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、A/D变换、数字下变频处理,最终将接收信号转换成零中频的时域IQ数据,并将该时域IQ数据发送至信号检测识别处理器;
S2,利用接收到的信号构建基于深度学习的目标检测模型的训练数据集,并对该基于深度学习的目标检测模型进行训练;
信号检测识别处理器对该时域IQ数据进行存储,再对其进行时频变换得到其时频图谱,时频变换过程表示为:
式中,x()表示该时域IQ数据,h()表示窗函数,N1表示时频图谱的时间轴长度,T表示滑窗长度,L表示该时域IQ数据长度,K表示离散傅里叶变换长度,S(k,n)表示时频图谱在第n个时刻和第k个频点的取值;对计算得到的时频图谱取绝对值,获得能量时频谱
将该预处理后的时频谱数据进行标签标注,得到标注数据,所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型,信号类型包括无人机测控信号、WiFi信号、蓝牙信号和其他未知信号;
将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为M×N个格子,将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型,基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量,每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型;将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息,即信号带宽、中心载频、信号时长和信号起始位置,转换为标准标签格式数据,标准标签格式数据表示为[M0,N0,x,y,w,h,nc,p],其中,M0、N0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号,x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标,w,h分别代表无人机测控信号的信号时长和信号带宽,p代表该格子内是否存在无人机测控信号,nc表示该无人机测控信号所属类型;
利用梯度下降算法对该基于深度学习的目标检测模型进行训练,直至该基于深度学习的目标检测模型的损失函数达到收敛,完成第一阶段训练;再利用深度学习中通道剪枝算法,对主干网络进行压缩,得到压缩后的基于深度学习的目标检测模型;随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成对该基于深度学习的目标检测模型的整个训练过程;
S3,利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别;
信号检测识别处理器将预处理后的时频图谱数据输入到步骤S2得到的训练完毕的基于深度学习的目标检测模型,该目标检测模型对预处理后的时频图谱数据进行检测和识别,检测出其中的各个信号分量,并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果;
所述的利用深度学习中通道剪枝算法,对主干网络进行压缩,具体包括:
针对主干网络的每个隐藏层,按预定的通道筛选比例,利用LASSO回归算法构建优化函数,删除主干网络的每个隐藏层输入特征图的部分通道,并以最小误差重构该隐藏层的输出特征图,进而得到压缩的主干网络;所述的利用LASSO回归算法构建优化函数,该优化函数的表达式为:
subject to||β||0≤c′
式中,β表示主干网络的隐藏层输入特征图的通道选择系数向量,Nz表示该隐藏层输入特征图的通道数,c′表示预定的筛选通道数,Zi表示第i个通道的输入特征图,Y表示主干网络在剪枝前该隐藏层的输出特征图,|| ||F表示弗洛贝尼乌斯范数,||||1表示L1范数,|| ||0表示L0范数;
对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝,得到压缩后的主干网络。
2.如权利要求1所述的强互干扰条件下无人机测控信号智能识别方法,其特征在于,
所述的对预处理后的时频图谱进行基于深度学习的目标检测,采用基于深度学习的目标检测模型来实现无人机信号的检测和识别,基于深度学习的目标检测模型利用YOLO模型来实现,基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器,主干网络和解码器进行连接;基于深度学习的目标检测模型采用两个阶段来进行训练,第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进行训练;第二阶段利用深度学习中的通道剪枝算法,对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪,即利用LASSO回归算法,删除主干网络的每个隐藏层的部分通道,进而得到压缩后的主干网络;之后,随机选择部分训练数据,利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型,从而完成整个训练过程。
3.如权利要求1所述的强互干扰条件下无人机测控信号智能识别方法,其特征在于,基于深度学习的目标检测模型的主干网络采用CSPDarknet53网络结构,解码器为一个3层的卷积网络,其输出数据尺寸为M×N×(4+1+Nc),4+1+Nc代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、Nc个无人机测控信号类型的预测结果;
利用训练数据集,训练该基于深度学习的目标检测模型,其损失函数为:
式中,φc表示无人机测控信号类型的集合,λcoard表示时频位置估计损失加权系数,λnoobj表示类别预测损失加权系数,表示第(i,j)个方格内是否存在无人机测控信号,若存在,则否则 表示第(i,j)个方格内是否存在无人机测控信号,取值与相反;Cij表示第(i,j)个方格是否存在无人机测控信号的标签值,表示第(i,j)个方格存在无人机测控信号的预测置信度;pij(c)表示第(i,j)个方格内的无人机测控信号属于类型c的标签值,表示对应pij(c)的预测值,[wij,hij]表示第(i,j)个方格内信号的频域宽度和时域宽度,[xij,yij]表示第(i,j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标,分别表示对[wij,hij],[xij,yij]的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486358.6A CN114154545B (zh) | 2021-12-07 | 2021-12-07 | 强互干扰条件下无人机测控信号智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486358.6A CN114154545B (zh) | 2021-12-07 | 2021-12-07 | 强互干扰条件下无人机测控信号智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114154545A CN114154545A (zh) | 2022-03-08 |
CN114154545B true CN114154545B (zh) | 2022-08-05 |
Family
ID=80453547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111486358.6A Active CN114154545B (zh) | 2021-12-07 | 2021-12-07 | 强互干扰条件下无人机测控信号智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154545B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492540B (zh) * | 2022-03-28 | 2022-07-05 | 成都数之联科技股份有限公司 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
CN114598403B (zh) * | 2022-03-31 | 2024-03-12 | 中国人民解放军陆军工程大学 | 一种数据链宽带噪声电磁信号干扰预测方法及系统 |
CN115600101B (zh) * | 2022-10-31 | 2023-05-05 | 中国人民解放军军事科学院系统工程研究院 | 一种基于先验知识的无人机信号智能检测方法及装置 |
CN115577305B (zh) * | 2022-10-31 | 2023-05-30 | 中国人民解放军军事科学院系统工程研究院 | 一种无人机信号智能识别方法及装置 |
CN116776130A (zh) * | 2023-08-23 | 2023-09-19 | 成都新欣神风电子科技有限公司 | 一种用于异常电路信号的检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289918A (zh) * | 2018-03-13 | 2019-09-27 | 深圳智空未来信息技术有限公司 | 一种无线信号检测方法以及系统 |
CN111709329A (zh) * | 2020-05-31 | 2020-09-25 | 中国人民解放军63892部队 | 一种基于深度学习的无人机测控信号高速识别方法 |
CN111880157A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
CN112116001A (zh) * | 2020-09-17 | 2020-12-22 | 苏州浪潮智能科技有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112395941A (zh) * | 2020-09-28 | 2021-02-23 | 中国人民解放军32802部队 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
CN112666517A (zh) * | 2020-12-17 | 2021-04-16 | 中国人民解放军32802部队 | 一种基于时差测量的小型无人机信号定位系统及方法 |
CN112801003A (zh) * | 2021-02-05 | 2021-05-14 | 江苏方天电力技术有限公司 | 一种无人机辐射源调制样式识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084094B (zh) * | 2019-03-06 | 2021-07-23 | 中国电子科技集团公司第三十八研究所 | 一种基于深度学习的无人机目标识别分类方法 |
CN110751087B (zh) * | 2019-10-17 | 2020-09-22 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN111222430A (zh) * | 2019-12-27 | 2020-06-02 | 湖南华诺星空电子技术有限公司 | 一种基于人工智能的无人机识别方法及系统 |
CN113435247B (zh) * | 2021-05-18 | 2023-06-23 | 西安电子科技大学 | 一种通信干扰智能识别方法、系统及终端 |
-
2021
- 2021-12-07 CN CN202111486358.6A patent/CN114154545B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289918A (zh) * | 2018-03-13 | 2019-09-27 | 深圳智空未来信息技术有限公司 | 一种无线信号检测方法以及系统 |
CN111709329A (zh) * | 2020-05-31 | 2020-09-25 | 中国人民解放军63892部队 | 一种基于深度学习的无人机测控信号高速识别方法 |
CN111880157A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
CN112116001A (zh) * | 2020-09-17 | 2020-12-22 | 苏州浪潮智能科技有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN112395941A (zh) * | 2020-09-28 | 2021-02-23 | 中国人民解放军32802部队 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112666517A (zh) * | 2020-12-17 | 2021-04-16 | 中国人民解放军32802部队 | 一种基于时差测量的小型无人机信号定位系统及方法 |
CN112801003A (zh) * | 2021-02-05 | 2021-05-14 | 江苏方天电力技术有限公司 | 一种无人机辐射源调制样式识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Channel Pruning for Accelerating Very Deep Neural Networks;Yihui He et al.;《arXiv》;20170821;全文 * |
Lasso Regression Based Channel Pruning for Efficient Object Detection Model;Xiang Li et al.;《2019 IEEE International Symposium on Broadband Multimedia System and Broadcasting》;20191231;第1-5页 * |
你对YOLOV3损失函数真的理解正确了吗?;BBuf;《知乎:https://zhuanlan.zhihu.com/p/142408168》;20200520;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114154545A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
CN111092836B (zh) | 一种信号调制方式识别方法及装置 | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN113469125B (zh) | 多无人机协同信号识别方法及识别系统 | |
CN110297213A (zh) | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 | |
Samadh et al. | Indoor localization based on channel state information | |
CN113747385B (zh) | 室内定位方法、装置、设备及计算机可读存储介质 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN114189310A (zh) | 基于信号侦察和预测的无人机测控信号精准干扰方法 | |
CN114157539A (zh) | 一种数据知识双驱动的调制智能识别方法 | |
CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
Wang et al. | A fingerprint database reconstruction method based on ordinary Kriging algorithm for indoor localization | |
CN112749663A (zh) | 基于物联网和ccnn模型的农业果实成熟度检测系统 | |
CN115200554A (zh) | 一种基于图片识别技术的无人机摄影测量监管系统及方法 | |
CN116580290B (zh) | 无人机的识别方法、装置及存储介质 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
CN110991378A (zh) | 一种功率放大器个体识别方法及装置 | |
CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN114492210B (zh) | 一种高光谱卫星星载数据智能解译系统及其实现方法 | |
CN108599880B (zh) | 基于卷积神经网络的民航地空对讲系统干扰预警方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN115171211A (zh) | 信道状态信息的动作和位置的联合估计方法 | |
CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 |
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 |