CN114363128B - 一种基于深度学习的宽带信号检测方法 - Google Patents
一种基于深度学习的宽带信号检测方法 Download PDFInfo
- Publication number
- CN114363128B CN114363128B CN202210008958.XA CN202210008958A CN114363128B CN 114363128 B CN114363128 B CN 114363128B CN 202210008958 A CN202210008958 A CN 202210008958A CN 114363128 B CN114363128 B CN 114363128B
- Authority
- CN
- China
- Prior art keywords
- signal
- value distribution
- deep learning
- mwc
- characteristic value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000010422 painting Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000001149 cognitive effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0006—Assessment of spectral gaps suitable for allocating digitally modulated signals, e.g. for carrier allocation in cognitive radio
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B2201/00—Indexing scheme relating to details of transmission systems not covered by a single group of H04B3/00 - H04B13/00
- H04B2201/69—Orthogonal indexing scheme relating to spread spectrum techniques in general
- H04B2201/692—Cognitive radio
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
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
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,qi(x)=sin(πx)/πx;Ei为每个频带的能量;τi和fi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,xi(n)为原始信号序列,ηi(n)为高斯白噪声序列,yi(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Tp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1/2Ts的低通滤波器,再通过fs=1/Ts的ADC得到m路压缩采样序列yi(n),构成一个m×N维矩阵Y=[y1,y2,...,ym]T,同样的可以得到m×N维原始信号序列X=[x1,x2,...,xm]T和噪声序列η=[η1,η2,...,ηm]T。
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≥…≥σm=0,绘画特征值分布情况图。
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Pr(H0)=Pr(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,Ei=[1 2 3],信号长度为19500,MWC采样路数m=50,奈奎斯特速率fNYQ=10GHz,fs=fp=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Tp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1/2Ts的低通滤波器,再通过fs=1/Ts的ADC得到m路压缩采样序列yi(n),构成一个m×N维矩阵Y=[y1,y2,...,ym]T,同样的可以得到m×N维原始信号序列X=[x1,x2,...,xm]T和噪声序列η=[η1,η2,...,ηm]T;
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≥…≥σm=0,绘画特征值分布情况图;
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Pr(H0)=Pr(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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008958.XA CN114363128B (zh) | 2022-01-05 | 2022-01-05 | 一种基于深度学习的宽带信号检测方法 |
GB2300055.7A GB2617433B (en) | 2022-01-05 | 2023-01-04 | Wideband signal detection method based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008958.XA CN114363128B (zh) | 2022-01-05 | 2022-01-05 | 一种基于深度学习的宽带信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114363128A CN114363128A (zh) | 2022-04-15 |
CN114363128B true CN114363128B (zh) | 2023-07-04 |
Family
ID=81107452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210008958.XA Active CN114363128B (zh) | 2022-01-05 | 2022-01-05 | 一种基于深度学习的宽带信号检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114363128B (zh) |
GB (1) | GB2617433B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276855B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于ResNet-CBAM的频谱感知方法 |
CN115276854B (zh) * | 2022-06-16 | 2023-10-03 | 宁波大学 | 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法 |
CN115276856B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于深度学习的信道选择方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105515695A (zh) * | 2015-12-04 | 2016-04-20 | 哈尔滨工程大学 | 基于调制宽带转换器的压缩采样信号检测方法 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN113221781A (zh) * | 2021-05-20 | 2021-08-06 | 成都海擎科技有限公司 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
CN113595664A (zh) * | 2021-08-13 | 2021-11-02 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140181166A1 (en) * | 2012-12-26 | 2014-06-26 | Industrial Technology Research Institute | Apparatus for low complexity sub-nyquist sampling of sparse wideband signals |
CA3124755A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
CN113128394A (zh) * | 2021-04-14 | 2021-07-16 | 山东大学 | 一种超宽带信道分类方法及系统 |
-
2022
- 2022-01-05 CN CN202210008958.XA patent/CN114363128B/zh active Active
-
2023
- 2023-01-04 GB GB2300055.7A patent/GB2617433B/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105515695A (zh) * | 2015-12-04 | 2016-04-20 | 哈尔滨工程大学 | 基于调制宽带转换器的压缩采样信号检测方法 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN113221781A (zh) * | 2021-05-20 | 2021-08-06 | 成都海擎科技有限公司 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
CN113595664A (zh) * | 2021-08-13 | 2021-11-02 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 |
Non-Patent Citations (1)
Title |
---|
Distributed Caching in Converged Networks: A Deep Reinforcement learning Approach;Jian Xiong;IEEE Transactions on Broadcasting;201-211 * |
Also Published As
Publication number | Publication date |
---|---|
GB2617433A (en) | 2023-10-11 |
GB2617433B (en) | 2024-04-03 |
CN114363128A (zh) | 2022-04-15 |
GB202300055D0 (en) | 2023-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114363128B (zh) | 一种基于深度学习的宽带信号检测方法 | |
CN107024682B (zh) | 一种基于自适应剔除算法的目标检测方法 | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN114660567A (zh) | 部分均匀环境中存在野值时的雷达目标检测方法与系统 | |
CN114785379A (zh) | 一种水声janus信号参数估计方法及系统 | |
CN113098638B (zh) | 一种基于分组极差图的微弱信号检测方法 | |
CN107592115B (zh) | 一种基于非均匀范数约束的稀疏信号恢复方法 | |
CN115201759B (zh) | 一种基于奇异值分解的雷达嵌入式通信波形设计方法 | |
CN111901058B (zh) | 基于亚奈奎斯特采样的多天线辅助宽带频谱感知方法 | |
CN107966687B (zh) | 基于部分自相关谱的mimo雷达信号调制类型识别方法 | |
CN113589253A (zh) | 一种基于伪时域的小波变换算法对微弱回波信号进行检测的方法 | |
Abdelbari et al. | PESO: Probabilistic evaluation of subspaces orthogonality for wideband DOA estimation | |
Ming et al. | Intrapulse modulation recognition of radar signals based on statistical tests of the time-frequency curve | |
CN113341378A (zh) | 基于频谱差分熵检测的自适应信道化接收方法 | |
CN114268393B (zh) | 一种基于连通分量个数特征的认知无线电频谱感知方法 | |
CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
CN102111228B (zh) | 一种基于循环对称性的认知无线电频谱感知方法 | |
CN103078661A (zh) | 一种基于迭代门限的扩频系统干扰抑制方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN114598577B (zh) | 一种5g通信系统多频段信号融合过滤方法 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
CN110138478B (zh) | 一种用于非圆信号的多天线频谱感知方法 | |
CN113759335A (zh) | 一种基于时间反演的超宽带回波去噪和能量检测方法 | |
He et al. | Modulation recognition of communication signals based on deep learning |
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 |