CN114841195A - 航电空间信号建模方法和系统 - Google Patents

航电空间信号建模方法和系统 Download PDF

Info

Publication number
CN114841195A
CN114841195A CN202210334596.3A CN202210334596A CN114841195A CN 114841195 A CN114841195 A CN 114841195A CN 202210334596 A CN202210334596 A CN 202210334596A CN 114841195 A CN114841195 A CN 114841195A
Authority
CN
China
Prior art keywords
time
frequency
avionic
space
signal
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.)
Pending
Application number
CN202210334596.3A
Other languages
English (en)
Inventor
边丽蘅
陈李扬
刘思田
张军
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210334596.3A priority Critical patent/CN114841195A/zh
Publication of CN114841195A publication Critical patent/CN114841195A/zh
Pending legal-status Critical Current

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
    • G06F2218/22—Source localisation; Inverse modelling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • 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
    • 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
    • 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

Abstract

本公开提出一种航电空间信号建模方法和系统，其中，方法包括：采集航电空间信号，航电空间信号是包括机载源信号的混合信号，对航电空间信号进行时频分析得到初始时频图；将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。根据本公开的方法解决现有技术中处理航电空间信号的分离精度不高的问题。

Description

航电空间信号建模方法和系统
技术领域
本公开涉及卫星信号处理领域，尤其涉及一种航电空间信号建模方法和系统。
背景技术
北斗卫星导航卫星处在复杂的空间环境之中，卫星信号在传输过程中不可避免地遇到干扰现象，在实际使用时还会收到来自机载设备的信号干扰，其中部分设备的信号与北斗卫星导航信号的工作频段存在重叠现象，如果不能将复合信号充分地分离，这将会导致导航信号接收机以及相应机载设备无法正常工作，因此需要高效率地对卫星导航系统中接收到的航电空间信号进行分离。
航电空间信号的特征主要体现在时域、频域以及时频域等，为了达到良好的信号分离效果，AapoHyvarinen等人提出了独立成分分析方法，该方法提出航电空间信号的是由源信号通过线性混合得到的，因此可以通过对该线性混合过程反向推演即可得到原始信号。再到后来芬兰赫尔辛基大学
Figure BDA0003574057130000011
对独立成分分析方法进行改进，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。
综合上述研究现状，航电空间信号分离的大部分研究集中在不同通信系统的不同干扰信号的特征提取上，这也表明了基于特征提取的信号分离这类方法中特征提取的重要性。但上述航电空间信号分离方法往往仅在信号结构相对简单的情况下有较好的分离效果，例如独立成分分析方法对由单音信号、多音信号、扫频信号等等简单信号构成的复合信号有良好的分离效果，但是在北斗导航系统中无法取得令人满意的效果。
近年来，语义分割神经网络开始进入人们的视野中。得益于其优秀的特征提取能力，许多科研人员尝试使用U-net以及Deeplab系列等语义分割网络处理航电空间信号，往往都取得了不错的效果。加之传统的信号分离方法存在诸多限制，在处理更加复杂的卫星导航中的航电空间信号分离问题时效果往往不尽人意，故科研人员更加倾向于使用语义分割网络处理航电空间信号，然而现有的利用语义分割网络处理航电空间信号的分离精度还有待提高。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的第一个目的在于提出一种航电空间信号建模方法，以解决现有技术中处理航电空间信号的分离精度不高的问题。
本公开的第二个目的在于提出一种航电空间信号建模系统。
为达上述目的，本公开第一方面实施例提出了一种航电空间信号建模方法，应用在卫星导航系统的航电空间信号分离过程中，包括以下步骤：
采集航电空间信号，所述航电空间信号是包括机载源信号的混合信号，对所述航电空间信号进行时频分析得到初始时频图；
将所述初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将所述重构时频图输入至训练好的语义分割网络模型得到滤波图像；
利用所述滤波图像对所述重构时频图进行滤波处理获得目标时频图，对所述目标时频图进行反时频分析得到分离出的所述机载源信号，以实现航电空间信号的建模。
本公开实施例的方法，采集航电空间信号，航电空间信号包括机载源信号，对航电空间信号进行时频分析得到初始时频图；将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。在这种情况下，在航电空间信号的建模过程中，先将采集的航电空间信号进行时频域特征分析，然后依次经过训练好的生成模型以及语义分割网络模型的处理，最后经过滤波处理得到从航电空间信号中分离出的机载源信号，能够达到良好的混合信号分离效果，提高了卫星导航系统中航电空间信号的分离精度，解决了现有技术中处理航电空间信号的分离精度不高的问题。
在本公开第一方面实施例的一种航电空间信号建模方法中，利用无噪声信号的第一时频图像集和有噪声信号的第二时频图像集对生成模型进行训练得到所述训练好的生成模型，训练过程包括：通过仿真获得无噪声信号的多张第一时频图像，形成所述第一时频图像集；向各张所述第一时频图像加入噪声信号得到对应的第二时频图像，形成所述第二时频图像集；所述第二时频图像集作为输入数据，所述第一时频图像集作为标签，利用所述第一时频图像集和所述第二时频图像集对生成模型进行训练得到所述训练好的生成模型。
在本公开第一方面实施例的一种航电空间信号建模方法中，所述生成模型选自受限波尔兹曼机、深度置信网络、自编码器、变分自动编码器、生成随机网络、流模型、自回归模型以及生成对抗网络模型中的一种。
在本公开第一方面实施例的一种航电空间信号建模方法中，利用所述第一时频图像集、所述第二时频图像集和理想滤波图像集对语义分割网络模型进行训练得到训练好的语义分割网络模型，训练过程包括：将所述第二时频图像集输入至所述训练好的生成模型得到第三时频图像集；利用无噪声信号的机载源信号获得多张理想滤波图像，形成理想滤波图像集，利用所述理想滤波图像集对所述第一时频图像集进行划分得到目标第一时频图像集；所述第三时频图像集作为输入数据，所述目标第一时频图像集作为标签，利用所述目标第一时频图像集和所述第三时频图像集对语义分割网络模型进行训练得到所述训练好的语义分割网络模型。
在本公开第一方面实施例的一种航电空间信号建模方法中，所述语义分割网络模型选自反卷积网络模型、SegNet、V-Net、U-net、全卷积网络模型、扩张卷积语义分割模型、大卷积核一全局卷积网络语义分割模型、金字塔场景稀疏网络语义分割模型以及生成对抗网络模型中的一种。
在本公开第一方面实施例的一种航电空间信号建模方法中，所述时频分析选自短时傅立叶变换、小波变换、Gabor展开以及S变换方法中的一种。
在本公开第一方面实施例的一种航电空间信号建模方法中，在对所述航电空间信号进行时频分析前需要对所述航电空间信号进行预处理，所述预处理包括绝对值处理、归一化处理、滤波去噪和信号下变频处理中的至少一种。
在本公开第一方面实施例的一种航电空间信号建模方法中，所述训练好的语义分割网络模型采用理想二值掩蔽计算方法或理想比值掩蔽计算方法。
在本公开第一方面实施例的一种航电空间信号建模方法中，所述航电空间信号利用信号接收设备采集获得，所述信号接收设备包括硬件采集设备和软件无线电。
为达上述目的，本公开第二方面实施例提出了一种航电空间信号建模系统，应用在卫星导航系统中，包括：
采集模块，用于采集航电空间信号，所述航电空间信号是包括机载源信号的混合信号；
时频分析模块，用于对所述航电空间信号进行时频分析得到初始时频图；
处理模块，用于将所述初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将所述重构时频图输入至训练好的语义分割网络模型得到滤波图像；
滤波分离模块，用于利用所述滤波图像对所述重构时频图进行滤波处理获得目标时频图，对所述目标时频图进行反时频分析得到分离出的所述机载源信号，以实现航电空间信号的建模。
本公开实施例的系统，采集模块采集航电空间信号，航电空间信号包括机载源信号，时频分析模块对航电空间信号进行时频分析得到初始时频图；处理模块将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；滤波分离模块利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。在这种情况下，在航电空间信号的建模过程中，先将采集的航电空间信号进行时频域特征分析，然后依次经过训练好的生成模型以及语义分割网络模型的处理，最后经过滤波处理得到从航电空间信号中分离出的机载源信号，能够达到良好的混合信号分离效果，提高了卫星导航系统中航电空间信号的分离精度，解决了现有技术中处理航电空间信号的分离精度不高的问题。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例所提供的一种航电空间信号建模方法的流程示意图；
图2为本公开实施例所提供的另一种航电空间信号建模方法的流程示意图；
图3为本公开实施例所提供的航电空间信号模型的架构图；
图4为本公开实施例提供的Deeplabv3网络中的空洞空间金字塔层示意图；
图5为本公开实施例提供的航电空间信号建模系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。还应当理解，本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面结合具体的实施例对本公开进行详细说明。
图1为本公开实施例所提供的一种航电空间信号建模方法的流程示意图。
本公开实施例提供了航电空间信号建模方法，以解决现有技术中处理航电空间信号的分离精度不高的问题。本公开实施例提供的航电空间信号建模方法应用在卫星导航系统的航电空间信号分离过程中。如图1所示，航电空间信号建模方法包括以下步骤：
步骤S101，采集航电空间信号，航电空间信号是包括机载源信号的混合信号，对航电空间信号进行时频分析得到初始时频图。
在步骤S101中，航电空间信号可以利用信号接收设备采集获得。信号接收设备包括硬件采集设备和软件无线电。其中，硬件采集设备、软件无线电包括但不限于SDR-Radio、GNU-Radio、ABVIEW、Vanu Software Radio以及思博伦GSS6450等软、硬件设备。
在一些实施例中，航电空间信号可以为利用信号接收设备实时采集的信号。在另一些实施例中，航电空间信号也可以是非实时采集的信号。
在本实施例中，采集的航电空间信号包括机载源信号和噪声信号。
易于理解的是，机载源信号是卫星导航系统中的机载设备的工作信号。卫星导航系统包括但不限于甚高频通信系统(VHF)、甚高频全向信标(VOR)、仪表着陆系统(ILS)、测距机(DME)以及广播式自动相关监视(ADS-B)等机载设备。因此，本实施例中的航电空间信号至少包括一种机载设备的工作信号。
在步骤S101中，在对航电空间信号进行时频分析前，为了消除航电空间信号中的噪声、信号强度等影响因素，需要根据实际情况对航电空间信号进行预处理，其中预处理的方法包括绝对值处理、归一化处理、滤波去噪和信号下变频处理中的至少一种。本实施例中的预处理方法不限于此。
在步骤S101中，对预处理后的航电空间信号进行时频分析，其中时频分析可以选自短时傅立叶变换、小波变换、Gabor展开以及S变换方法中的一种。本实施例中的时频分析方法不限于此。在这种情况下，对采集到的航电空间信号做时频分析，便于后续处理中从航电空间信号的时频域的特征入手进行信号分离。
步骤S102，将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像。
易于理解的是，生成模型具有强大的特征识别能力，通过对大量样本的学习，生成模型能够定向地从数据特征中推测数据，得到与输入图像相似的输出。语义分割网络模型是对图像中的每一个像素进行分类。
在步骤S102中，生成模型可以选自受限波尔兹曼机、深度置信网络、自编码器、变分自动编码器、生成随机网络、流模型、自回归模型以及生成对抗网络模型中的一种。本公开中的生成模型不限于此。
在本实施例中，利用无噪声信号的第一时频图像集和有噪声信号的第二时频图像集对生成模型进行训练得到训练好的生成模型。
在本实施例中，生成模块的训练过程包括：通过仿真获得无噪声信号的多张第一时频图像，形成第一时频图像集；向各张第一时频图像加入噪声信号得到对应的第二时频图像，形成第二时频图像集；第二时频图像集作为输入数据，第一时频图像集作为标签，利用第一时频图像集和第二时频图像集对生成模型进行训练得到训练好的生成模型。其中，第一时频图像是无噪声信号的航电空间信号的时频图，第二时频图像是有噪声信号的航电空间信号的时频图。利用该训练过程得到的训练好的生成模型能够对输入数据噪声部分和重叠严重部分进行定向增强，提高输出数据的信噪比。
在步骤S102中，将初始时频图输入至训练好的生成模型，训练好的生成模型对初始时频图中噪声部分进行定向增强使输出的重构时频图中噪声分量减弱，以及对初始时频图中重叠严重部分进行定向增强使输出的重构时频图接近真值等。
在步骤S102中，语义分割网络模型可以选自反卷积网络模型(DeconvNet)、SegNet、V-Net、U-net、全卷积网络模型(FCN)、扩张卷积语义分割模型、大卷积核一全局卷积网络语义分割模型(Global Convolutional Network)、金字塔场景稀疏网络语义分割模型(PyraIllidScene Parsing Network)以及生成对抗网络模型中的一种。本公开中的语义分割网络模型不限于此。
在本实施例中，利用第一时频图像集、第二时频图像集和理想滤波图像集对语义分割网络模型进行训练得到训练好的语义分割网络模型。
在本实施例中，语义分割网络模型的训练过程包括：将第二时频图像集输入至训练好的生成模型得到第三时频图像集；利用无噪声信号的机载源信号获得多张理想滤波图像，形成理想滤波图像集，利用理想滤波图像集对第一时频图像集进行划分得到目标第一时频图像集；第三时频图像集作为输入数据，目标第一时频图像集作为标签，利用目标第一时频图像集和第三时频图像集对语义分割网络模型进行训练得到训练好的语义分割网络模型。
在步骤S102中，将重构时频图输入至训练好的语义分割网络模型进行语义分割，能够提取重构时频图中具有相同特征的像素并将该部分像素表示为同一类别。
在步骤S102中，训练好的语义分割网络模型采用理想二值掩蔽计算方法或理想比值掩蔽计算方法。具体地，训练好的语义分割网络模型利用理想二值掩蔽计算方法或理想比值掩蔽计算方法计算得到掩膜值，进而输出滤波图像。
在一些实施例中，理想二值掩蔽计算方法，具体公式如下：
Figure BDA0003574057130000071
式中SNR计算公式为：
Figure BDA0003574057130000072
式中，IBM(t,f)表示滤波图像的掩模值，SNR(t,f)表示滤波图像的信噪比，S(t,f)表示滤波图像的有用信号(即机载源信号)，N(t,f)表示滤波图像的噪声信号，t表示时间，f表示频率，LC表示判决门限值。利用理想二值掩蔽计算方法得到的滤波图像中机载源信号的部分的掩膜值是1，非机载源信号部分的掩膜值为0。
在一些实施例中，理想比值掩蔽法是通过计算有用信号和噪声之间的能量比，得到介于0到1之间的一个数，然后据此改变重构时频图的能量大小。理想比值掩蔽计算方法，具体公式如下：
Figure BDA0003574057130000081
式中，IRM(t,f)表示滤波图像的掩模值，β为可调节尺度因子，β通常取0.5。
步骤S103，利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。
易于理解的是，步骤S103中的反时频分析为步骤S101中时频分析的反变换。
在一些实施例中，利用滤波图像对重构时频图进行滤波处理可以是指将重构时频图与滤波图像相乘从而得到目标时频图，换言之，利用滤波图像将重构时频图中独立的部分划分开，得到机载源信号的目标时频图。
在步骤S103中，对目标时频图进行反时频分析得到分离出的机载源信号，继而完成了航电空间信号的建模过程。也即航电空间信号的建模过程为从采集航电空间信号至分离出的机载源信号的整个过程。
请参见图2，图2为本公开实施例所提供的另一种航电空间信号建模方法的流程示意图。图3为本公开实施例所提供的航电空间信号模型的架构图。图4为本公开实施例提供的Deeplabv3网络中的空洞空间金字塔层示意图。图2所示的航电空间信号建模方法包括以下步骤：
步骤S201，使用软、硬件设备采集航电空间信号并进行预处理。
具体过程如上述步骤S101，此处不再赘述。
步骤S202，对预处理后的航电空间信号做时频域分析得到初始时频图。
具体过程如上述步骤S101，此处不再赘述。
在一些实施例中，步骤S202中的时频域分析可以采用图3所示的短时傅里叶变换(STFT)。如图3所示，使用短时傅里叶变换(STFT)对预处理后的航电空间信号(InputSignal)进行时频分析得到初始时频图。
步骤S203，将初始时频图输入至训练好的生成模型得到重构时频图。
具体过程如上述步骤S102，此处不再赘述。
在步骤S203中，生成模型包括编码模块和解码模块，训练好的生成模型通过编码模块和解码模块定向增强初始时频图，得到重构时频图。
在一些实施例中，步骤S203中的生成模型可以采用图3所示的变分自动编码器(VAE)。为了对初始时频图中噪声部分进行定向重构，使输出的重构时频图中噪声分量减弱、对初始时频图中重叠严重部分进行定向重构，使输出的重构时频图接近真值，将初始时频图输入变分自动编码器中进行重构。其中在通过编码模块时，神经元提取初步分离时频图的数据分布特征，利用训练阶段的概率分布情况定向获取数据，通过解码层(即解码模块)得到重构时频图。
步骤S204，将重构时频图输入到训练好的语义分割网络模型。
具体过程如上述步骤S102，此处不再赘述。
在一些实施例中，步骤S204中的语义分割网络模型可以采用图3所示的Deeplabv3网络。Deeplabv3网络是扩张卷积语义分割模型中的一种模型。在Deeplabv3网络中，重构时频图经过池化层降采样然后经过ResNet-50残差网络层以及空洞空间金字塔池化层进行特征提取，通过特征连接层(Contact)将提取到的重构时频图征连接，最后通过上采样层(Unsample)恢复到原始尺寸。
具体地，如图3所示，重构时频图在Deeplabv3网络中通过7×7卷积层(Conv2d)以及3×3池化层(pooling)进行降采样，将输入的480×480三通道图像处理为240×240的64通道图像，然后通过残差单元模块Convblock，再依次通过三个残差单元模块Convblock&pooling充分提取图像特征。其中，残差单元模块Convblock可以称为第一残差模块block1，依次连接的三个残差单元模块Convblock&pooling可以依次称为第二残差模块block2，第三残差模块block3和第四残差模块block4。
其中第一残差模块block1最后一步不包括池化操作，所以第一残差模块block1的输入与输出尺寸没有变化，且该残差模块中有3次残差单元卷积，第二残差模块block2中有4次残差单元卷积，第三残差模块block3中有6次残差单元卷积，第四残差模块block4中有3次残差单元卷积，值得注意的是，第四残差模块block4中的3×3卷积核为空洞卷积核，该空洞卷积核rate＝2。在每次卷积之后都需要对数据进行Batch Normalization操作，激活函数选择ReLU激活函数。需要说明的是，使用ReLU激活函数来加入非线性因素，具备适度的稀疏性，加速网络的收敛，并且减少了参数的相互依存关系，避免模型的过拟合问题，从而提高模型的泛化能力。1×1卷积核主要作用为改变图像的通道数，3×3卷积核用于提取图像特征，在经历两次1×1卷积，一次3×3卷积之后进行Batch Normalization操作，再用ReLU函数激活，这样的流程称为一次残差单元，第一残差模块block1的残差单元中各卷积核尺寸为：1×1×64，数量为64；3×3×64,数量为64；1×1×64，数量为64；在3×3卷积之后需要进行padding操作保持图像尺寸不变，且在第一残差模块block1中的最后一个残差单元中的最后一个1×1卷积模块数量为128个，输出尺寸为240×240×128。
第二残差模块block2中残差单元尺寸为：1×1×128；数量为128、3×3×128,数量为128；1×1×128，数量为128。与第一残差模块block1不同的是，第二残差模块block2残差单元为4个，且在输出时通过池化层将图像尺寸缩小，在第二残差模块block2中的最后一个残差单元中的最后一个1×1卷积模块数量为256个，输出尺寸为120×120×256。
第三残差模块block3中残差单元尺寸为：1×1×256；数量为256、3×3×256,数量为256；1×1×256，数量为256。在输出时通过池化层将图像尺寸缩小，且在第三残差模块block3中的最后一个残差单元中的最后一个1×1卷积模块数量为512个，输出尺寸为60×60×512。
第四残差模块block4中残差单元尺寸为：1×1×512；数量为512、3×3×512,数量为512；1×1×512，数量为512。3×3空洞卷积核rate＝2，且在block,4中的最后一个残差单元中的最后一个1×1卷积模块数量为1024个，输出尺寸为60×60×1024。
将第四残差模块block4输出的60×60的1024通道图像通过空洞空间金字塔池化层，在该层中用一个1×1卷积层(Conv2d)、一次池化层(Image pooling)处理以及三个3×3空洞卷积核并行对图像处理，3×3空洞卷积核rate分别为(4,8,16)。将得到的输入结合通过1×1卷积改变通道数，最后通过上采样层恢复原始尺寸。
空洞空间金字塔池化层中的4种卷积核如图4所示，其中rate为空洞卷积的空洞率，当rate＝n时，3×3卷积核中的权重像素之间的距离为n-1个像素。空洞卷积可以在不丢失分辨率的情况下扩大感受野，捕获图像中多尺度的上下文信息。
步骤S205，利用训练好的语义分割网络模型计算掩膜值得到滤波图像。
具体过程如上述步骤S102，此处不再赘述。
在步骤S205中，采用了Deeplabv3网络的训练好的语义分割网络模型例如可以利用理想二值掩蔽计算方法计算掩膜值得到滤波图像。具体地，在Deeplabv3网络的最后一个上采样层(Unsample)后通过理想二值掩蔽计算方法计算掩膜值输出滤波图像。
步骤S206，将重构时频图与滤波图像相乘得到目标时频图。
具体过程如上述步骤S103，此处不再赘述。
在步骤S206中，在相乘时滤波图像对重构时频图进行掩膜滤波(Mask Filter)得到目标时频图。
步骤S207，利用目标时频图得到机载源信号，以实现航电空间信号的建模。
具体过程如上述步骤S103，此处不再赘述。
在步骤S207中，如图3所示，利用得到的目标时频图进行短时傅里叶反变换(ISTFT)操作得到机载源信号(Output Signal)，在本实施例中，图3所示的航电空间信号处理过程即为航电空间信号的建模过程，整个建模过程中各个部分组成了本实施例的航电空间信号的模型。
本公开实施例的方法中，通过采集航电空间信号，航电空间信号包括机载源信号，对航电空间信号进行时频分析得到初始时频图；将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。在这种情况下，在航电空间信号的建模过程中，在信号分离理论的基础上，先将采集的航电空间信号进行时频域特征分析，然后依次经过训练好的生成模型以及语义分割网络模型的处理，最后经过滤波处理得到从航电空间信号中分离出的机载源信号，能够达到良好的混合信号分离效果，提高了卫星导航系统中航电空间信号的分离精度，解决了现有技术中处理航电空间信号的分离精度不高的问题。本公开的建模方法具有操作简单、过程易懂且快捷等优点，针对卫星导航中的复杂多变的航电空间信号能够快速且精准的进行信号分离。
下述为本公开系统实施例，可以用于执行本公开方法实施例。对于本公开系统实施例中未披露的细节，请参照本公开方法实施例。
请参见图5，图5为本公开实施例提供的航电空间信号建模系统的结构示意图。该航电空间信号建模系统可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该航电空间信号建模系统应用在卫星导航系统中。该航电空间信号建模系统10包括采集模块11、时频分析模块12、处理模块13和滤波分离模块14，其中：
采集模块11，用于采集航电空间信号，航电空间信号是包括机载源信号的混合信号；
时频分析模块12，用于对航电空间信号进行时频分析得到初始时频图；
处理模块13，用于将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；
滤波分离模块14，用于利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。
可选地，采集模块11为信号接收设备，信号接收设备可以包括硬件采集设备和软件无线电。
可选地，时频分析模块12中的时频分析可以选自短时傅立叶变换、小波变换、Gabor展开以及S变换方法中的一种。
可选地，处理模块13中的生成模型可以选自受限波尔兹曼机、深度置信网络、自编码器、变分自动编码器、生成随机网络、流模型、自回归模型以及生成对抗网络模型中的一种。语义分割网络模型可以选自反卷积网络模型(DeconvNet)、SegNet、V-Net、U-net、全卷积网络模型(FCN)、扩张卷积语义分割模型、大卷积核一全局卷积网络语义分割模型(Global Convolutional Network)、金字塔场景稀疏网络语义分割模型(PyraIllidSceneParsing Network)以及生成对抗网络模型中的一种。
可选地，处理模块13中的训练好的语义分割网络模型采用理想二值掩蔽计算方法或理想比值掩蔽计算方法。
在一些实施例中，航电空间信号建模系统10还可以包括预处理模块。预处理模块用于对采集的航电空间信号进行预处理，预处理包括绝对值处理、归一化处理、滤波去噪和信号下变频处理中的至少一种。另外经过预处理模块处理后的航电空间信号进入时频分析模块12进行时频分析。
要说明的是，上述实施例提供的航电空间信号建模系统在执行航电空间信号建模方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将电子设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的航电空间信号建模系统与航电空间信号建模方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本公开实施例的系统中，通过采集模块11采集航电空间信号，航电空间信号包括机载源信号，时频分析模块12对航电空间信号进行时频分析得到初始时频图；处理模块13将初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将重构时频图输入至训练好的语义分割网络模型得到滤波图像；滤波分离模块14利用滤波图像对重构时频图进行滤波处理获得目标时频图，对目标时频图进行反时频分析得到分离出的机载源信号，以实现航电空间信号的建模。在这种情况下，在航电空间信号的建模过程中，在信号分离理论的基础上，先将采集的航电空间信号进行时频域特征分析，然后依次经过训练好的生成模型以及语义分割网络模型的处理，最后经过滤波处理得到从航电空间信号中分离出的机载源信号，能够达到良好的混合信号分离效果，提高了卫星导航系统中航电空间信号的分离精度，解决了现有技术中处理航电空间信号的分离精度不高的问题。本公开的建模方法具有操作简单、过程易懂且快捷等优点，针对卫星导航中的复杂多变的航电空间信号能够快速且精准的进行信号分离。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本公开在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种航电空间信号建模方法，其特征在于，应用在卫星导航系统的航电空间信号分离过程中，包括以下步骤：
采集航电空间信号，所述航电空间信号是包括机载源信号的混合信号，对所述航电空间信号进行时频分析得到初始时频图；
将所述初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将所述重构时频图输入至训练好的语义分割网络模型得到滤波图像；
利用所述滤波图像对所述重构时频图进行滤波处理获得目标时频图，对所述目标时频图进行反时频分析得到分离出的所述机载源信号，以实现航电空间信号的建模。
2.根据权利要求1所述的航电空间信号建模方法，其特征在于，还包括：
利用无噪声信号的第一时频图像集和有噪声信号的第二时频图像集对生成模型进行训练得到所述训练好的生成模型，训练过程包括：
通过仿真获得无噪声信号的多张第一时频图像，形成所述第一时频图像集；
向各张所述第一时频图像加入噪声信号得到对应的第二时频图像，形成所述第二时频图像集；
所述第二时频图像集作为输入数据，所述第一时频图像集作为标签，利用所述第一时频图像集和所述第二时频图像集对生成模型进行训练得到所述训练好的生成模型。
3.根据权利要求1或2所述的航电空间信号建模方法，其特征在于，所述生成模型选自受限波尔兹曼机、深度置信网络、自编码器、变分自动编码器、生成随机网络、流模型、自回归模型以及生成对抗网络模型中的一种。
4.根据权利要求2所述的航电空间信号建模方法，其特征在于，还包括：
利用所述第一时频图像集、所述第二时频图像集和理想滤波图像集对语义分割网络模型进行训练得到训练好的语义分割网络模型，训练过程包括：
将所述第二时频图像集输入至所述训练好的生成模型得到第三时频图像集；
利用无噪声信号的机载源信号获得多张理想滤波图像，形成理想滤波图像集，利用所述理想滤波图像集对所述第一时频图像集进行划分得到目标第一时频图像集；
所述第三时频图像集作为输入数据，所述目标第一时频图像集作为标签，利用所述目标第一时频图像集和所述第三时频图像集对语义分割网络模型进行训练得到所述训练好的语义分割网络模型。
5.根据权利要求1或4所述的航电空间信号建模方法，其特征在于，所述语义分割网络模型选自反卷积网络模型、SegNet、V-Net、U-net、全卷积网络模型、扩张卷积语义分割模型、大卷积核一全局卷积网络语义分割模型、金字塔场景稀疏网络语义分割模型以及生成对抗网络模型中的一种。
6.根据权利要求1所述的航电空间信号建模方法，其特征在于，所述时频分析选自短时傅立叶变换、小波变换、Gabor展开以及S变换方法中的一种。
7.根据权利要求1或6所述的航电空间信号建模方法，其特征在于，还包括：
在对所述航电空间信号进行时频分析前需要对所述航电空间信号进行预处理，所述预处理包括绝对值处理、归一化处理、滤波去噪和信号下变频处理中的至少一种。
8.根据权利要求1所述的航电空间信号建模方法，其特征在于，所述训练好的语义分割网络模型采用理想二值掩蔽计算方法或理想比值掩蔽计算方法。
9.根据权利要求1所述的航电空间信号建模方法，其特征在于，所述航电空间信号利用信号接收设备采集获得，所述信号接收设备包括硬件采集设备和软件无线电。
10.一种航电空间信号建模系统，其特征在于，应用在卫星导航系统中，包括：
采集模块，用于采集航电空间信号，所述航电空间信号是包括机载源信号的混合信号；
时频分析模块，用于对所述航电空间信号进行时频分析得到初始时频图；
处理模块，用于将所述初始时频图输入至训练好的生成模型进行定向增强得到重构时频图，将所述重构时频图输入至训练好的语义分割网络模型得到滤波图像；
滤波分离模块，用于利用所述滤波图像对所述重构时频图进行滤波处理获得目标时频图，对所述目标时频图进行反时频分析得到分离出的所述机载源信号，以实现航电空间信号的建模。
CN202210334596.3A 2022-03-30 2022-03-30 航电空间信号建模方法和系统 Pending CN114841195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334596.3A CN114841195A (zh) 2022-03-30 2022-03-30 航电空间信号建模方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334596.3A CN114841195A (zh) 2022-03-30 2022-03-30 航电空间信号建模方法和系统

Publications (1)

Publication Number Publication Date
CN114841195A true CN114841195A (zh) 2022-08-02

Family

ID=82563304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334596.3A Pending CN114841195A (zh) 2022-03-30 2022-03-30 航电空间信号建模方法和系统

Country Status (1)

Country Link
CN (1) CN114841195A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707862A (zh) * 2023-04-28 2023-09-05 哈尔滨工程大学 一种基于多网络融合模型的ads-b信号认证方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707862A (zh) * 2023-04-28 2023-09-05 哈尔滨工程大学 一种基于多网络融合模型的ads-b信号认证方法

Similar Documents

Publication Publication Date Title
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN110610717B (zh) 复杂频谱环境混合信号的分离方法
Huynh-The et al. Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN113033473B (zh) 基于st2dcnn+se的雷达重叠信号识别方法
CN110084181B (zh) 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法
CN103258324A (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
Zhou et al. Specific emitter identification via bispectrum-radon transform and hybrid deep model
CN112115871B (zh) 适用于行人目标检测的高低频交织边缘特征增强方法
Ni et al. LPI radar waveform recognition based on multi-resolution deep feature fusion
CN109409442A (zh) 迁移学习中卷积神经网络模型选择方法
CN111563528B (zh) 基于多尺度特征学习网络与双边滤波的sar图像分类方法
Yar et al. A complete framework of radar pulse detection and modulation classification for cognitive EW
CN115995042A (zh) 一种视频sar运动目标检测方法及装置
CN114841195A (zh) 航电空间信号建模方法和系统
Duan et al. Multi-scale convolutional neural network for SAR image semantic segmentation
CN113359135B (zh) 一种成像及识别模型的训练方法、应用方法、装置及介质
CN114998671A (zh) 基于卷积掩码的视觉特征学习器、获取装置及存储介质
Kamal et al. Generative adversarial learning for improved data efficiency in underwater target classification
Prexl et al. Mitigating spatial and spectral differences for change detection using super-resolution and unsupervised learning
CN111275680B (zh) 基于Gabor卷积网络的SAR图像变化检测方法
Rumapea et al. Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model.
CN106971392A (zh) 一种结合dt‑cwt和mrf的遥感图像变化检测方法与装置

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