CN114900399A - 一种基于深度学习相位差相关信号检测方法和系统 - Google Patents
一种基于深度学习相位差相关信号检测方法和系统 Download PDFInfo
- Publication number
- CN114900399A CN114900399A CN202210499256.6A CN202210499256A CN114900399A CN 114900399 A CN114900399 A CN 114900399A CN 202210499256 A CN202210499256 A CN 202210499256A CN 114900399 A CN114900399 A CN 114900399A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- phase difference
- frequency
- detection
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 177
- 238000012549 training Methods 0.000 claims abstract description 44
- 208000012584 pre-descemet corneal dystrophy Diseases 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/022—Channel estimation of frequency response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于深度学习相位差相关信号检测方法和系统,本发明针对单发多收的阵列信号检测场景,利用基于相位差矢量相关系数的信号检测法来构造待测信号的时频信息图,然后将已知信号的时频图作为深度学习网络的训练样本,通过神经网络的学习来提取新的检测特征参量,以提高检测器在更低信噪比下的检测性能。与现有的基于相位差矢量相关系数(PDCD)的检测算法相比,本文所提方案可以有效提高信号检测器在更低信噪比条件下的检测性能,一定程度上解决了PDCD检测器对来波信号频率敏感的问题,且能够通过增加训练集的样本类型来增加该检测器的适用范围。
Description
技术领域
本发明涉及通信技术和人工智能领域,更具体地,涉及一种基于深度学习相位差相关信号检测方法和系统。
背景技术
信号检测技术是信号处理中不可或缺的首要步骤,可被应用于通信侦察、电子对抗等非合作通信场景中。该技术主要是通过检测目标信号是否存在来避免系统分析无效数据,以提高工作效率。随着通信信号类型和硬件设备数量的不断增加,无线电传输环境日渐复杂,导致系统接收端的信噪比进一步降低。传统的单天线检测算法难以满足检测需求,因此,学者们开始研究多天线的阵列信号检测算法。此外,深度学习网络在目标检测领域中体现的强大特征表达能力,为信号检测技术提供了新的解决思路。
区别于传统的深度神经网络(Deep Neural Networks,DNN),卷积神经网络(Convolutional Neural Networks,CNN)引入局部连续卷积、多卷积核、卷积权值共享和特征降采样等技术,将DNN中的全连接模块替换成卷积模块,降低了网络训练的计算复杂度,优化了学习网络的架构和算法。常用的CNN网络有LeNet-5、AlexNet、VGG、GoogleNet和ResNet五种,对比LeNet-5,AlexNet和VGG网络引入ReLU激活函数和dropout来增强网络的非线性表达能力;GoogleNet引入Inception模块来高效利用计算资源;ResNet提出残差学习模块,训练简单,解决了深度网络训练退化的问题。除了单独使用CNN网络进行特征学习外,长短时记忆网络(Long Short-Term Memory,LSTM)因能够学习时间序列中的特征,常与CNN进行结合,构造多卷积长短时深度神经网络(Convolutional Long short-term DeepNeural Networks,CLDNN)来学习接收信号的时频域特征或进行系统中的协同检测。
深度网络的学习是基于大量已知或预设的标注数据,且已有的神经网络主要针对图像或语音文本数据类型,如何将待学习的数据进行相关类型转换或直接构建新的网络结构,是将深度学习应用于信号检测技术的研究重点。
现有技术中公开了一种动态调整信号检测门限的方法,包括预设步骤:预设增强上行专用物理控制信道中控制信号的检测门限的初始值及控制信号的检测性能的目标值;调整步骤:根据比较检测性能的目标值与预定的信号传输时间间隔内计算的检测性能当前值的结果,将信号检测门限的初始值动态调整至信号检测门限的目标值。该方案的动态调整范围较小,无法应对当前无线电传输环境。
发明内容
本发明的首要目的是提供一种基于深度学习相位差相关信号检测方法,提高检测器在更低信噪比下的检测性能。
本发明的进一步目的是提供一种基于深度学习相位差相关信号检测系统。
为解决上述技术问题,本发明的技术方案如下:
一种基于深度学习相位差相关信号检测方法,包括以下步骤:
S1:对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
S2:对不同的时频段的已知信号,利用基于相位差矢量相关系数(PDCD)检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
S3:将所述时频检测信息图划分为训练集和验证集;
S4:利用步骤S3得到的训练集训练一个深度网络,并使用步骤S3得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
S5:对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用PDCD检测算法构造待测信号的时频检测信息图,将其放入步骤S4得到的训练好的深度网络,得到最终的信号检测判别结果。
优选地,所述步骤S1中随机生成的已知信号为M阵元的均匀圆阵接收阵列的接收信号,令各阵元的信号增益均为1,则:
x(t)=[x1(t),x2(t),L,xM(t)]T
优选地,所述步骤S1中进行快速傅里叶变换,具体为:
对M阵元的均匀圆阵接收阵列的接收信号截取采样长度为N的数据,即t=1,2,L,N,各阵元的接收信号傅里叶变换为:
优选地,所述步骤S1中进行时频段划分,具体为:
对M阵元的均匀圆阵接收阵列的接收信号划分多个时隙,用a表示;每个时隙数据连续但完全不重合,将每个时隙中接收信号经傅里叶变换后所得频段划分为多个频段,用b表示,满足b<N,且N为b的整数倍。
优选地,所述步骤S2中利用PDCD检测算法检测该时频段中是否存在信号,具体为:
以接收阵列中任一阵元为参考点阵元,另一阵元m的接收信号相对于参考点的时延为τ,则参考点阵元与阵元m之间的傅里叶变换后的共轭乘积为:
Ym1(ω)=X1(ω)Xm(ω)=X1(ω)(X1(ω)e-jωτ)=|X1(ω)|2e-jωτ
其中,X1(ω)为参考点的接收信号傅里叶变换,Xm(ω)为另一阵元m的接收信号傅里叶变换;
在任一频段中,参考点与另一阵元m的最高频点ω0处的相位差为:
其中,阵元间的相位差在[-π,π]内,同理可以构造接收信号在频段中最高频点的相位差矢量ψ;
当接收信号均为环境噪声时,可得噪声的相位差矢量ψn=[φn,21,φn,31,L,φn,M1]T;当接收信号中含有目标信号时,可得信号的相位差矢量ψs=[φs,21,φs,31,L,φs,M1]T;
每截取采样长度为N的接收数据均可求解对应的相位差矢量,N≥512,利用数据覆盖率为Nc的滑动窗口截取D段数据,Nc≤80%,D>2,可得一组相位差矢量:[ψ1,ψ2,L,ψD],则PDCD检测算法中单次检测的总数据长度L满足:
L=N+N(1-Nc)(D-1)
求解前后每两个相位差矢量之间的相关系数ρ(n+1)n,则相关系数均值ρmean为:
其中,当接收信号仅含环境噪声时,噪声相位差矢量的相关系数均值用ρn,mean表示,由于噪声相位差矢量具有随机性,服从正态分布,当虚警概率为Pf=10-3时,判决门限γ可设置为:
针对未知信号,将其相位差矢量的相关系数均值ρmean作为检测特征统计量T,则当T>γ时,说明待测信号包含有用信号,反之说明待测信号仅含环境噪声。
优选地,所述步骤S2中构造信号的时频检测信息图,具体为:
针对步骤S1划分的每个时隙中对应的频段,通过PDCD检测算法判断是否存在信号,利用0和1来对不同频段和不同时隙部分进行标记,其中0表示不存在,1表示存在,得到时频检测信息图的二值图形式。
优选地,所述步骤S3中将所述时频检测信息图划分为训练集和验证集,具体为:
在已知信号中,获取一定数量的噪声时频检测信息图样本作为“Noise”类别,然后获取某个信噪比区间内的含有用信号的信号时频检测信息图样本作为“Signal”类别,确保“Noise”和“Signal”类别的数量相同,即占比为1:1,在两种类别中进行随机抽取,分别抽取相同数量的时频检测信息图样本作为训练集和验证集。
优选地,所述步骤S4中深度网络为Resnet-18网络。
优选地,所述步骤S5具体包括以下步骤:
S5.1:对每个阵元接收的待测信号进行快速傅里叶变换求解,并划分时隙和频段,并且划分的时隙频段数与步骤S1划分的时隙频段数相同;
S5.2:利用PDCD检测算法对划分的每个时隙中的每个频段求解,用0和1数值进行标记,得到待测信号的时频检测信息图的二值图形式,并且使用的PDCD检测算法的参数设置与步骤S2的相同;
S5.3:将步骤S5.2所得的待测信号检测信息图放入步骤S5所得的训练好的深度网络进行检测,输出为类别判定结果;
S5.4:判断待测信号中是否存在有用信号。
一种基于深度学习相位差相关信号检测系统,包括:
变换划分模块,所述变换划分模块对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
检测构造模块,所述检测构造模块对不同的时频段的已知信号,利用PDCD检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
数据划分模块,所述数据划分模块用于将所述时频检测信息图划分为训练集和验证集;
训练模块,所述训练模块用于利用数据划分模块得到的训练集训练一个深度网络,并使用数据划分模块得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
检测判别模块,所述检测判别模块对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用PDCD检测算法构造待测信号的时频检测信息图,将其放入训练模块得到的训练好的深度网络,得到最终的信号检测判别结果。
与现有技术相比,本发明技术方案的有益效果是:
与现有的基于相位差矢量相关系数(PDCD)的检测算法相比,本文所提方案可以有效提高信号检测器在更低信噪比条件下的检测性能,一定程度上解决了PDCD检测器对来波信号频率敏感的问题,且能够通过增加训练集的样本类型来增加该检测器的适用范围。此外,本文所提检测器应用的深度网络训练耗时低,网络规模较小。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的接收阵列示意图。
图3为本发明的PDCD检测算法流程示意图。
图4为实施例提供的使用本发明的方法与PDCD检测算法对FM信号进行检测时的检测性能示意图。
图5为实施例提供的另一使用本发明的方法与PDCD检测算法对FM信号进行检测时的检测性能示意图。
图6为实施例提供的使用本发明的方法与PDCD检测算法对LFM信号进行检测时的检测性能示意图。
图7为本发明的系统模块示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于深度学习相位差相关信号检测方法(DL-PDCD),如图1所示,包括以下步骤:
S1:对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
S2:对不同的时频段的已知信号,利用PDCD检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
S3:将所述时频检测信息图划分为训练集和验证集;
S4:利用步骤S3得到的训练集训练一个深度网络,并使用步骤S3得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
S5:对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用PDCD检测算法构造待测信号的时频检测信息图,将其放入步骤S4得到的训练好的深度网络,得到最终的信号检测判别结果。
实施例2
本实施例在实施例1的基础上,继续公开以下内容:
所述步骤S1中随机生成的已知信号为M阵元的均匀圆阵接收阵列的接收信号,接收阵列如图2所示,令各阵元的信号增益均为1,则:
x(t)=[x1(t),x2(t),L,xM(t)]T
所述步骤S1中进行快速傅里叶变换,具体为:
对M阵元的均匀圆阵接收阵列的接收信号截取采样长度为N的数据,即t=1,2,L,N,各阵元的接收信号傅里叶变换为:
所述步骤S1中进行时频段划分,具体为:
以8阵元检测阵为例,对8阵元的均匀圆阵接收阵列的接收信号划分多个时隙,用a表示;每个时隙数据连续但完全不重合,将每个时隙中接收信号经傅里叶变换后所得频段划分为多个频段,用b表示,满足b<N,且N为b的整数倍,本实施例中设置a=64,b=256。
所述步骤S2中利用PDCD检测算法检测该时频段中是否存在信号,如图3所示,具体为:
以接收阵列中阵元1为参考点,阵元2的接收信号相对于参考点的时延为τ,则两者傅里叶变换后的共轭乘积为:
Y21(ω)=X1(ω)X2(ω)=X1(ω)(X1(ω)e-jωτ)=|X1(ω)|2e-jωτ
其中,X1(ω)为参考点的接收信号傅里叶变换,X2(ω)为阵元2的接收信号傅里叶变换;
在任一频段中,参考点阵元1与阵元2的最高频点ω0处的相位差为:
其中,阵元间的相位差在[-π,π]内,同理可以构造接收信号在频段中最高频点的相位差矢量ψ;
当接收信号均为环境噪声时,可得噪声的相位差矢量ψn=[φn,21,φn,31,L,φn,81]T;当接收信号中含有目标信号时,可得信号的相位差矢量ψs=[φs,21,φs,31,L,φs,81]T;
每截取采样长度为N的接收数据均可求解对应的相位差矢量,N≥512,利用数据覆盖率为Nc的滑动窗口截取D段数据,Nc≤80%,D>2,可得一组相位差矢量:[ψ1,ψ2,L,ψD],则PDCD检测算法中单次检测的总数据长度L满足:
L=N+N(1-Nc)(D-1)
求解前后每两个相位差矢量之间的相关系数ρ(n+1)n,则相关系数均值ρmean为:
其中,当接收信号仅含环境噪声时,噪声相位差矢量的相关系数均值用ρn,mean表示,由于噪声相位差矢量具有随机性,服从正态分布,当虚警概率为Pf=10-3时,判决门限γ可设置为:
针对未知信号,将其相位差矢量的相关系数均值ρmean作为检测特征统计量T,则当T>γ时,说明待测信号包含有用信号,反之说明待测信号仅含环境噪声。
需要说明的是,PDCD检测算法检测的数据段之间数据有覆盖,而DL-PDCD检测算法中划分的时隙之间数据没有覆盖,即两种检测算法的长度满足:LDL-PDCD=64*L(LDL-PDCD表示DL-PDCD检测器单次检测的数据总长度,L表示的是PDCD检测器单次检测的数据总长度)。
本实施例中PDCD检测算法的参数设置为:单段截取数据长度N=1024,检测段数D=4,数据覆盖率Nc=80%,统计参量U=10000;
所述步骤S2中构造信号的时频检测信息图,具体为:
针对步骤S1划分的每个时隙中对应的频段,通过PDCD检测算法判断是否存在信号,利用0和1来对不同频段和不同时隙部分进行标记,其中0表示不存在,1表示存在,得到时频检测信息图的二值图形式。
所述步骤S3中将所述时频检测信息图划分为训练集和验证集,具体为:
在已知信号中,获取一定数量的噪声时频检测信息图样本作为“Noise”类别,然后获取某个信噪比区间内的含有用信号的信号时频检测信息图样本作为“Signal”类别,确保“Noise”和“Signal”类别的数量相同,即占比为1:1,在两种类别中进行随机抽取,分别抽取相同数量的时频检测信息图样本作为训练集和验证集。
所述步骤S4中深度网络为Resnet-18网络。
所述步骤S5具体包括以下步骤:
S5.1:对每个阵元接收的待测信号进行快速傅里叶变换求解,并划分时隙和频段,并且划分的时隙频段数与步骤S1划分的时隙频段数相同;
S5.2:利用PDCD检测算法对划分的每个时隙中的每个频段求解,用0和1数值进行标记,得到待测信号的时频检测信息图的二值图形式,并且使用的PDCD检测算法的参数设置与步骤S2的相同;
S5.3:将步骤S5.2所得的待测信号检测信息图放入步骤S5所得的训练好的深度网络进行检测,输出为类别判定结果;
S5.4:判断待测信号中是否存在有用信号。
在具体的实施例中,设置仿真参数如下:来波信号是单个FM信号,信号方位角θ=120°,俯仰角电磁波传播速度c=3×108m/s,采样频率fs=20kHz,阵元个数M=8个,阵元半径r=50m;噪声类型为复高斯白噪声,虚警概率Pf=10-3,蒙特卡洛实验25600次。
训练集的设置:信号频率fc=30MHz的FM信号,信噪比区间为[-24,-15]dB,每个信噪比条件下随机抽取100个FM信号的时频图样本,共1000个样本作为“Signal”类型;随机抽取1000个噪声时频图样本作为“Noise”类型。
验证集的设置:信号频率fc=30MHz的FM信号,信噪比区间为[-24,-15]dB,每个信噪比条件下随机抽取20个FM信号的时频图样本,共200个样本作为“Signal”类型;随机抽取200个噪声时频图样本作为“Noise”类型。
针对DL-PDCD检测算法,测试集的设置:信号频率fc的变化区间为[10,1000]MHz,fc变化步长为10MHz。信噪比区间为[-30,-10]dB,每个信噪比条件下对每个信号频率抽取128个待测信号,共12800个含有用信号的待测信号时频图样本;对应待测噪声时频图样本也随机抽取12800个。针对PDCD检测算法,测试集为信号频率fc=30MHz的FM信号,信噪比区间和测试次数与DL-PDCD检测算法的一样。对比两种检测器的预测准确率随信噪比的变化情况。
将本发明所提出的DL-PDCD算法1与PDCD检测算法的检测性能对比,具体如下:根据图4所示,当需检测的目标信号为FM信号时,两种检测器的检测准确率均随着信噪比的增加不断上升。其中,PDCD-30MHz-FM曲线对应PDCD检测算法,检测30MHz频率的FM信号;DL-PDCD-dirFre-FM曲线对应本发明所提DL-PDCD算法1。对比曲线的变化规律可知,DL-PDCD算法1优于PDCD检测算法,检测性能提升约4-5dB,且DL-PDCD算法1可检测不同频率的FM信号,算法适用范围更广。信噪比SNR=-20dB时,DL-PDCD算法1的检测准确率达到96%以上,验证了该算法在较低信噪比条件下检测性能较优。
使用DL-PDCD算法对模拟信号FM信号和LFM信号检测,并将DL-PDCD的仿真结果与PDCD算法进行比较。以8阵元检测阵为例,具体步骤与上述实施例相同,相关参数的设置也保持一致:
在具体的实施过程中,设置仿真参数如下:来波信号是单个FM信号或单个LFM信号,信号方位角θ=120°,俯仰角电磁波传播速度c=3×108m/s,采样频率fs=20kHz,阵元个数M=8个,阵元半径r=50m;噪声类型为复高斯白噪声,虚警概率Pf=10-3,蒙特卡洛实验25600次。
训练集的设置:信号频率fc=30MHz的FM信号和LFM信号,信噪比区间为[-24,-15]dB,每个信噪比条件下分别随机抽取100个FM信号和LFM信号的时频图样本,共2000个样本作为“Signal”类型;随机抽取2000个噪声时频图样本作为“Noise”类型。
验证集的设置:信号频率fc=30MHz的FM信号和LFM信号,信噪比区间为[-24,-15]dB,每个信噪比条件下分别随机抽取20个FM信号和LFM信号的时频图样本,共400个样本作为“Signal”类型;随机抽取400个噪声时频图样本作为“Noise”类型。
针对DL-PDCD检测算法,测试集的设置:信号频率fc的变化区间为[10,1000]MHz,fc变化步长为10MHz。信噪比区间为[-30,-10]dB,每个信噪比条件下对每个信号频率抽取128个待测时频图样本,即每种类型信号每个信噪比下共抽取12800个含有用信号的待测信号时频图样本;对应待测噪声时频图样本也随机抽取12800个,分别对FM信号和LFM信号进行检测。针对PDCD检测算法,测试集为信号频率fc=30MHz的信号,信噪比区间和测试次数与DL-PDCD检测算法的一样,分别对FM信号和LFM信号进行检测。对比两种检测器的预测准确率随信噪比的变化情况。
将本发明所提出的新的方法与实施例1中所得的DL-PDCD检测算法以及PDCD检测算法的检测性能对比,具体如下:根据图5所示,当需检测的目标信号为FM信号时,两种类型检测器的检测准确率均随着信噪比的增加不断上升。其中,PDCD-30MHz-FM曲线对应PDCD检测算法,检测30MHz频率的FM信号;DL-PDCD-dirFre-FM曲线对应实施例1中所得的DL-PDCD检测算法(训练集仅含有FM信号样本),检测不同频率的FM信号;DL-PDCD-Add-dirFre-FM曲线对应本实施例中所得的DL-PDCD算法2(训练集含有FM信号和LFM信号样本),检测不同频率的FM信号。对比曲线的变化规律可知,DL-PDCD算法2优于PDCD检测算法,检测性能提升约4-5dB,且DL-PDCD算法2可检测不同频率的FM信号,算法适用范围更广。信噪比SNR=-20dB时,DL-PDCD检测器的检测准确率达到97%以上,验证了该算法在较低信噪比条件下检测性能较优。对比DL-PDCD算法1,DL-PDCD算法2的检测效果略有提升,说明在训练集中增加LFM信号时频图样本对网络检测FM信号的影响不大。
根据图6所示,当需检测的目标信号为LFM信号时,两种检测器的检测准确率均随着信噪比的增加不断上升。其中,PDCD-30MHz-LFM曲线对应PDCD检测算法,检测30MHz频率的LFM信号;DL-PDCD-Add-dirFre-LFM曲线对应本实施例中所得的DL-PDCD算法2(训练集含有FM信号和LFM信号样本),检测不同频率的LFM信号。对比曲线的变化规律可知,DL-PDCD算法2优于PDCD检测算法,检测性能提升约4-5dB,且DL-PDCD算法2可检测不同频率的LFM信号,算法适用范围更广。信噪比SNR=-20dB时,DL-PDCD检测器的检测准确率达到93.5%以上,验证了该算法在较低信噪比条件下检测性能较优。通过分析DL-PDCD算法2对FM信号和LFM信号的检测效果,表明通过增加网络训练集的样本类型,可扩展DL-PDCD检测算法的适用范围。
实施例2表明在增加网络训练集样本类型时,可扩展本发明所述方法的适用范围,所得的信号存在性检测网络可同时检测两种类型的信号,且在低信噪比条件下均能达到较好的信号检测效果。
实施例3
本实施例提供一种基于深度学习相位差相关信号检测系统,如图7所示,包括:
变换划分模块,所述变换划分模块对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
检测构造模块,所述检测构造模块对不同的时频段的已知信号,利用PDCD检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
数据划分模块,所述数据划分模块用于将所述时频检测信息图划分为训练集和验证集;
训练模块,所述训练模块用于利用数据划分模块得到的训练集训练一个深度网络,并使用数据划分模块得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
检测判别模块,所述检测判别模块对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用PDCD检测算法构造待测信号的时频检测信息图,将其放入训练模块得到的训练好的深度网络,得到最终的信号检测判别结果。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于深度学习相位差相关信号检测方法,其特征在于,包括以下步骤:
S1:对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
S2:对不同的时频段的已知信号,利用基于相位差矢量相关系数检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
S3:将所述时频检测信息图划分为训练集和验证集;
S4:利用步骤S3得到的训练集训练一个深度网络,并使用步骤S3得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
S5:对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用基于相位差矢量相关系数检测算法构造待测信号的时频检测信息图,将其放入步骤S4得到的训练好的深度网络,得到最终的信号检测判别结果。
4.根据权利要求3所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S1中进行时频段划分,具体为:
对M阵元的均匀圆阵接收阵列的接收信号划分多个时隙,用a表示;每个时隙数据连续但完全不重合,将每个时隙中接收信号经傅里叶变换后所得频段划分为多个子频段,用b表示,满足b<N,且N为b的整数倍。
5.根据权利要求4所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S2中利用基于相位差矢量相关系数检测算法检测该时频段中是否存在信号,具体为:
以接收阵列中任一阵元为参考点阵元,另一阵元m的接收信号相对于参考点的时延为τ,则参考点阵元与阵元m之间的傅里叶变换后的共轭乘积为:
Ym1(ω)=X1(ω)Xm(ω)=X1(ω)(X1(ω)e-jωτ)=|X1(ω)|2e-jωτ
其中,X1(ω)为参考点阵元的接收信号傅里叶变换,Xm(ω)为另一阵元m的接收信号傅里叶变换;
在任一频段中,参考点与另一阵元m的最高频点ω0处的相位差为:
其中,阵元间的相位差在[-π,π]内,同理可以构造接收信号在频段中最高频点的相位差矢量ψ;
当接收信号均为环境噪声时,可得噪声的相位差矢量ψn=[φn,21,φn,31,L,φn,M1]T;当接收信号中含有目标信号时,可得信号的相位差矢量ψs=[φs,21,φs,31,L,φs,M1]T;
每截取采样长度为N的接收数据均可求解对应的相位差矢量,N≥512,利用数据覆盖率为Nc的滑动窗口截取D段数据,Nc≤80%,D>2,可得一组相位差矢量:[ψ1,ψ2,L,ψD],则PDCD检测算法中单次检测的总数据长度L满足:
L=N+N(1-Nc)(D-1)
求解前后每两个相位差矢量之间的相关系数ρ(n+1)n,则相关系数均值ρmean为:
其中,当接收信号仅含环境噪声时,噪声相位差矢量的相关系数均值用ρn,mean表示,由于噪声相位差矢量具有随机性,服从正态分布,当虚警概率为Pf=10-3时,判决门限γ可设置为:
其中,μρn,mean为ρn,mean的均值,σρn,mean为ρn,mean的标准差;
针对未知信号,将其相位差矢量的相关系数均值ρmean作为检测特征统计量T,则当T>γ时,说明待测信号包含有用信号,反之说明待测信号仅含环境噪声。
6.根据权利要求5所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S2中构造信号的时频检测信息图,具体为:
针对步骤S1划分的每个时隙中对应的频段,通过基于相位差矢量相关系数检测算法判断是否存在信号,利用0和1来对不同频段和不同时隙部分进行标记,其中0表示不存在,1表示存在,得到时频检测信息图的二值图形式。
7.根据权利要求6所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S3中将所述时频检测信息图划分为训练集和验证集,具体为:
在已知信号中,获取一定数量的噪声时频检测信息图样本作为“Noise”类别,然后获取某个信噪比区间内的含有用信号的信号时频检测信息图样本作为“Signal”类别,确保“Noise”和“Signal”类别的数量相同,即占比为1:1,在两种类别中进行随机抽取,分别抽取相同数量的时频检测信息图样本作为训练集和验证集。
8.根据权利要求7所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S4中深度网络为Resnet-18网络。
9.根据权利要求8所述的基于深度学习相位差相关信号检测方法,其特征在于,所述步骤S5具体包括以下步骤:
S5.1:对每个阵元接收的待测信号进行快速傅里叶变换求解,并划分时隙和频段,并且划分的时隙频段数与步骤S1划分的时隙频段数相同;
S5.2:利用基于相位差矢量相关系数检测算法对划分的每个时隙中的每个频段求解,用0和1数值进行标记,得到待测信号的时频检测信息图的二值图形式,并且使用的基于相位差矢量相关系数检测算法的参数设置与步骤S2的相同;
S5.3:将步骤S5.2所得的待测信号检测信息图放入步骤S5所得的训练好的深度网络进行检测,输出为类别判定结果;
S5.4:判断待测信号中是否存在有用信号。
10.一种基于深度学习相位差相关信号检测系统,其特征在于,包括:
变换划分模块,所述变换划分模块对随机生成的已知信号进行快速傅里叶变换,并进行时频段划分;
检测构造模块,所述检测构造模块对不同的时频段的已知信号,利用基于相位差矢量相关系数检测算法检测该时频段中是否存在信号,并构造信号的时频检测信息图;
数据划分模块,所述数据划分模块用于将所述时频检测信息图划分为训练集和验证集;
训练模块,所述训练模块用于利用数据划分模块得到的训练集训练一个深度网络,并使用数据划分模块得到的验证集对深度网络进行评价,得到训练好的深度网络,所述深度网络用于对输入数据进行信号检测判别;
检测判别模块,所述检测判别模块对待测信号进行快速傅里叶变换之后,同样进行时频段划分,利用基于相位差矢量相关系数检测算法构造待测信号的时频检测信息图,将其放入训练模块得到的训练好的深度网络,得到最终的信号检测判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499256.6A CN114900399A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习相位差相关信号检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499256.6A CN114900399A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习相位差相关信号检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114900399A true CN114900399A (zh) | 2022-08-12 |
Family
ID=82720957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499256.6A Pending CN114900399A (zh) | 2022-05-09 | 2022-05-09 | 一种基于深度学习相位差相关信号检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900399A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5515300A (en) * | 1993-09-30 | 1996-05-07 | The United States Of America As Represented By The Secretary Of The Navy | Coherent signal power detector using higher-order statistics |
WO2006129061A2 (en) * | 2005-06-01 | 2006-12-07 | Tecteon Plc | Phase difference calculator |
CN107147981A (zh) * | 2016-03-01 | 2017-09-08 | 奥迪康有限公司 | 单耳侵入语音可懂度预测单元、助听器及双耳助听器系统 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN110099019A (zh) * | 2019-04-24 | 2019-08-06 | 西安电子科技大学 | 基于深度学习的LoRa调制信号检测方法 |
CN112567656A (zh) * | 2018-08-15 | 2021-03-26 | 三菱电机株式会社 | 信号检测装置以及信号检测方法 |
CN112560803A (zh) * | 2021-01-22 | 2021-03-26 | 南京航空航天大学 | 基于时频分析与机器学习的雷达信号调制识别方法 |
CN113947120A (zh) * | 2021-10-18 | 2022-01-18 | 中山大学 | 一种基于阵列信号相位差矢量的信号检测方法与系统 |
CN114358056A (zh) * | 2021-12-16 | 2022-04-15 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的无人机信号识别方法及系统 |
-
2022
- 2022-05-09 CN CN202210499256.6A patent/CN114900399A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5515300A (en) * | 1993-09-30 | 1996-05-07 | The United States Of America As Represented By The Secretary Of The Navy | Coherent signal power detector using higher-order statistics |
WO2006129061A2 (en) * | 2005-06-01 | 2006-12-07 | Tecteon Plc | Phase difference calculator |
CN107147981A (zh) * | 2016-03-01 | 2017-09-08 | 奥迪康有限公司 | 单耳侵入语音可懂度预测单元、助听器及双耳助听器系统 |
CN112567656A (zh) * | 2018-08-15 | 2021-03-26 | 三菱电机株式会社 | 信号检测装置以及信号检测方法 |
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN110099019A (zh) * | 2019-04-24 | 2019-08-06 | 西安电子科技大学 | 基于深度学习的LoRa调制信号检测方法 |
CN112560803A (zh) * | 2021-01-22 | 2021-03-26 | 南京航空航天大学 | 基于时频分析与机器学习的雷达信号调制识别方法 |
CN113947120A (zh) * | 2021-10-18 | 2022-01-18 | 中山大学 | 一种基于阵列信号相位差矢量的信号检测方法与系统 |
CN114358056A (zh) * | 2021-12-16 | 2022-04-15 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的无人机信号识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344772B (zh) | 基于谱图和深度卷积网络的超短波特定信号侦察方法 | |
Yang et al. | Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks | |
CN109831265B (zh) | 一种基于空域滤波的宽带信号频谱感知方法和系统 | |
Tekbıyık et al. | Spectrum sensing and signal identification with deep learning based on spectral correlation function | |
US8923771B2 (en) | Method, apparatus and computer program product for identifying frequency bands, and a method, apparatus and computer program product for evaluating performance | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN111948634A (zh) | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 | |
Ramezanpour et al. | Deep‐learning‐based beamforming for rejecting interferences | |
de Lima Pinto et al. | A machine learning approach for detecting spoofing attacks in wireless sensor networks | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
CN112558014A (zh) | 一种杂波中扩展目标参数可调子空间检测方法与系统 | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
CN113098638B (zh) | 一种基于分组极差图的微弱信号检测方法 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
CN114900399A (zh) | 一种基于深度学习相位差相关信号检测方法和系统 | |
CN114710215B (zh) | 一种跳频信号快速盲检测的方法 | |
CN113556157B (zh) | 非高斯干扰下mimo系统发射天线数估计方法及系统 | |
Pölönen et al. | Control symbol based fluctuating target detection in DVB-T2 passive radar systems | |
Fadul et al. | An analysis of process parameters for the optimization of specific emitter identification under rayleigh fading | |
Lu et al. | Novel spectrum sensing method based on the spatial spectrum for cognitive radio systems | |
Cho et al. | Low computational complexity spectrum sensing based on cyclostationarity for multiple receive antennas | |
Tekbıyık et al. | Real-world considerations for deep learning in wireless signal identification based on spectral correlation function | |
CN113447916A (zh) | 非平稳干扰下的自适应目标检测方法 |
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 |