CN114363128B - 一种基于深度学习的宽带信号检测方法 - Google Patents

Abstract

本发明属于认知无线电技术领域，具体涉及一种基于深度学习的宽带信号检测方法。本发明是将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，并利用深度学习强大的图像特征提取能力，将信号检测的二分类问题转化为图像分类问题，将纯噪声和信号存在情况下特征值分布情况的不同作为判定依据，通过ResNet34模型进行训练评估，从而实现宽带信号的检测，提高信号检测性能。本发明将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，检测宽带信号存在的有无，考虑深度学习理论的强大特征提取能力，虽然增加了算法复杂度，但在低信噪比下检测性能得到了提升，对噪声功率的鲁棒性也进一步提高。

Description

一种基于深度学习的宽带信号检测方法

技术领域

本发明属于认知无线电技术领域，具体涉及一种基于深度学习的MWC压缩采样信号检测方法。

背景技术

当下无线电通信领域中，随着信号带宽的不断提高，宽带信号的采样已经成为现代数字信号处理中的一个问题，压缩感知理论的出现提供了解决这一问题的方法。压缩感知理论的采样是利用了信号在某一变换域上的稀疏性，在采样的同时通过随机测量矩阵实现信号的压缩，从而可以实现以一个低于奈奎斯特速率的采样率进行宽带信号的采样、传输以及处理。其中，调制宽带转换器亚奈奎斯特采样(MWC)就是一种压缩采样方法。由于在宽带信号的检测应用中并不注重信号的内容，压缩采样信号保留了原始信号的相关信息，因此不需要进行信号的重构也可以进行宽带信号的检测。

传统的能量检测算法虽然有较好的性能，但易受噪声的影响，导致性能退化，在实际应用中稳定性和鲁棒性难以满足要求。特征值检测算法虽然对噪声具有一定的鲁棒性，但检测阈值也容易受背景噪声影响，在低信噪比下性能明显下降。深度学习技术拥有强大的特征提取能力，通过深度学习可以提取更加精细的特征，进行信号的检测，从而提高检测成功概率。

发明内容

本发明提出一种基于特征值分布图的信号检测算法，目的在于提高宽带信号在低信噪比下的检测性能和对噪声的鲁棒性，便于后续对信号做参数估计、识别等处理。

本发明提出一种基于深度学习的MWC压缩采样信号检测方法，目的在于提升宽带信号检测性能，提高算法对噪声功率的鲁棒性。

本发明的技术方案为：

假设信号为多窄带构成的实值宽带信号，信号表示为：

其中k为频带数的一半，B为频带宽度，q_i(x)＝sin(πx)/πx；E_i为每个频带的能量；τ_i和f_i是每个频带的时移和中心频率。

对于接收到的宽带信号x(t)，进行MWC压缩采样前，假设并行信道数为m，每一路的采样数为N。若对纯噪声进行MWC采样处理后，其特征值分布大致在一条直线附近。当信号强度大于噪声强度时，此时的特征值分布较为离散，且离散程度随着信号强度的增大而增大。由于MWC采样序列保持了原始信号的结构信息，对于信号的检测问题，可以直接处理采样序列。故建立一个二元假设检验问题，表示为：

其中，x_i(n)为原始信号序列，η_i(n)为高斯白噪声序列，y_i(n)为MWC采样序列。H₀表示信号不存在，H₁表示信号存在。

本发明的宽带信号检测方法包括以下步骤：

S1、对接收信号通过m路MWC并行信道，在每路通道中与周期为T_p的伪随机序列进行混频，随后将每一路的混频信号经过截止频率为1/2T_s的低通滤波器，再通过f_s＝1/T_s的ADC得到m路压缩采样序列y_i(n)，构成一个m×N维矩阵Y＝[y₁,y₂,...,y_m]^T，同样的可以得到m×N维原始信号序列X＝[x₁,x₂,...,x_m]^T和噪声序列η＝[η₁,η₂,...,η_m]^T。

S2、计算MWC采样序列的协方差矩阵

其中，

为原始信号序列X＝[x₁,x₂,...,x_m]^T的协方差矩阵，/>

为噪声序列η＝[η₁,η₂,...,η_m]^T的协方差矩阵；

S3、计算协方差矩阵

的特征值并进行归一化处理：

其中Λ为m个特征值组成的一维向量。通过归一化处理后进行从大到小的排序得到1＝σ₁≥σ₂≥…≥σ_m＝0，绘画特征值分布情况图。

S4、H₀情况下，

H₁情况下，/>

因此，当信号存在时，随着信噪比的增大，协方差矩阵/>

的特征值分布的离散程度增大；故将H₀和H₁情况下协方差矩阵/>

的特征值分布情况图作为深度学习的输入特征集。

S5、对每个信噪比点下的H₀特征值分布图和H₁特征值分布图进行保存，根据H₀和H₁情况出现的先验概率满足P_r(H₀)＝P_r(H₁)＝1/2来构建深度学习训练集和验证集，训练集占70％，验证集占30％。

S6、搭建深度残差网络模型(ResNet34)，将由特征值分布情况图构成的训练集和验证集输入到残差网络模型进行训练评估。

S7、取训练过程中识别正确率最高的网络模型，然后进行宽带信号检测的测试，得到预测的信号类型和信号类型的概率大小。

本发明的有益效果是：将特征值分布情况图作为判定依据，对于纯噪声情况下的MWC采样序列，其特征值分布大致在一条直线上；对于信号强度大于噪声强度情况下的MWC采样序列，其特征值分布较为离散。通过利用深度学习强大的图像特征提取能力，从图像分类问题角度解决了宽带信号检测问题，提高了宽带信号检测性能，提升了对背景噪声的鲁棒性。

附图说明

图1为本发明的基于深度学习的MWC压缩采样检测流程图；

图2为10dB信噪比下不同情况下的特征值分布图；

图3为搭建的ResNet34模型结构图；

图4为ResNet34模型检测成功率随迭代次数变化的曲线图；

图5为本发明提出方法与特征值检测法的性能对比图；

图6为本发明提出方法的虚警概率曲线图；

图7为本发明提出方法在雷达系统常用信号－线性调频信号的性能表现图。

具体实施方式

发明内容部分已经对本发明的技术方案做了详细描述，下面结合仿真示例，说明本发明的实用性。

假设信号由3对频带组成，每个频带宽度B＝50MHz，E_i＝[1 2 3]，信号长度为19500，MWC采样路数m＝50，奈奎斯特速率f_NYQ＝10GHz，f_s＝f_p＝51.28MHz，混叠率L＝195，信噪比SNR变化范围为[-20:1:20]，每个信噪比点进行1000次蒙特卡洛实验，且信号能量恒定，通过变化噪声能量验证该方法对噪声的鲁棒性。

搭建的ResNet34模型如图3所示，在ResNet34模型中，假设训练集大小为8192，验证集大小为2464，测试集大小为4000，优化器选择Adam优化器，损失函数选择交叉熵损失函数，设置学习率为0.0001，批大小为32，迭代次数为100次。训练每个epoch大约2分10秒，网络学习准确率如图4所示，最高识别准确率为91.6％。由图5可以看出，本发明提出的宽带信号检测方法的性能优于传统特征值检测法。对比二者性能曲线可以知道，在对噪声功率鲁棒性上，本发明提出方法提升了约3～6dB。从虚警概率图6来看，本发明提出方法的虚警概率在0～6％范围内波动，说明本发明提出的方法性能较为稳定，受虚警概率影响小。

在实际应用中，选取雷达系统中常用的信号－线性调频信号(LFM)检验信号类型对本发明提出方法的适应性。从LFM检测性能图7可见，LFM信号检测性能优于多频带信号约3dB。这说明本发明提出方法对实际应用信号具备实施性。

Claims (1)

1.一种基于深度学习的宽带信号检测方法，对接收到的宽带信号x(t)，假设并行信道数为m，每一路的采样数为N，其特征在于，所述方法包括以下步骤：

S1、建立一个二元假设检验问题：

其中，H₀表示信号不存在，H₁表示信号存在；

对接收信号通过m路MWC并行信道，在每路通道中与周期为T_p的伪随机序列进行混频，随后将每一路的混频信号经过截止频率为1/2T_s的低通滤波器，再通过f_s＝1/T_s的ADC得到m路压缩采样序列y_i(n)，构成一个m×N维矩阵Y＝[y₁,y₂,...,y_m]^T，同样的可以得到m×N维原始信号序列X＝[x₁,x₂,...,x_m]^T和噪声序列η＝[η₁,η₂,...,η_m]^T；

S2、计算MWC采样序列的协方差矩阵

其中，

为原始信号序列X＝[x₁,x₂,...,x_m]^T的协方差矩阵，/>

为噪声序列η＝[η₁,η₂,...,η_m]^T的协方差矩阵；

S3、计算协方差矩阵

的特征值并进行归一化处理：

其中Λ为m个特征值组成的一维向量；通过归一化处理后进行从大到小的排序得到1＝σ₁≥σ₂≥…≥σ_m＝0，绘画特征值分布情况图；

S4、在H₀情况下，

H₁情况下，/>

因此，当信号存在时，随着信噪比的增大，协方差矩阵/>

的特征值分布的离散程度增大，将H₀和H₁情况下协方差矩阵/>

的特征值分布情况图作为深度学习的输入特征集；

S5、对每个信噪比点下的H₀特征值分布图和H₁特征值分布图进行保存，根据H₀和H₁情况出现的先验概率满足P_r(H₀)＝P_r(H₁)＝1/2来构建深度学习训练集和验证集，训练集占70％，验证集占30％；

S6、搭建深度残差网络模型，将由特征值分布情况图构成的训练集和验证集输入到残差网络模型进行训练评估；

S7、取训练过程中识别正确率最高的网络模型，然后进行宽带信号检测的测试，得到预测的信号类型和信号类型的概率大小。

Images