CN116318249A

CN116318249A - 一种基于改进YOLOv5的短波跳频信号分选方法

Info

Publication number: CN116318249A
Application number: CN202310278367.9A
Authority: CN
Inventors: 朱政宇; 林宇; 李鑫泽; 赵航冉; 梁静; 林永辉; 宋灿; 王家政; 陈鹏飞; 巩克现
Original assignee: Zhengzhou University
Current assignee: Zhengzhou University
Priority date: 2023-03-21
Filing date: 2023-03-21
Publication date: 2023-06-23

Abstract

本发明提供了一种基于改进YOLOv5的短波跳频信号分选方法，所属方法包括：首先，通过时频分析方法生成跳频信号灰度时频图作为YOLOv5目标检测网络的输入。其次，在backbone网络中加入CA机制，在保证模型灵活和轻量化的前提下捕获跨通道信息和位置敏感信息，实现跳频信号的实时检测和准确定位。再次，采用Soft‑SIoU_NMS替换NMS保证了跳频信号在发生频率碰撞时不会因置信度较低而被忽略。最后，采用NWD代替小目标检测时NMS和回归损失函数中的交并比(IntersectionofUnion,IoU)度量，提高对快跳频信号的检测精度。本发明实施一种基于改进YOLOv5的短波跳频信号分选方法具有模型收敛快、鲁棒性强的优势且mAP达到99.5％，能够在低信噪比下准确地分选出各类跳频信号，且在信噪比为0dB时分选率超过95％。

Description

一种基于改进YOLOv5的短波跳频信号分选方法

技术领域

本发明属于通信技术领域，具体涉及一种基于改进YOLOv5的短波跳频信号分选方法。

背景技术

跳频(Frequency Hopping,FH)是指通信信号的载波频率由伪随机码控制而不断跳变的一种通信方式，这一特性使得通信的抗干扰性和安全可靠性都大大加强。其应用不管是在军事还是在民用方面都越来越广泛，军事电子战争中，跳频通信技术因其优越的抗干扰、抗截获、抗衰落和较强的多址组网能力，成为截获并破解敌方实时战略信息的对抗手段，对于保证我方信息安全稳定传输也起到了至关重要的作用。民用领域中，移动通信GSM业务、蓝牙传输和家庭射频都采用跳频通信技术，大大改善了通信的质量，还可以灵活对频率进行分配，在频谱资源紧缺的环境下能够很好的躲避多种干扰。因此，跳频通信技术是短波通信信号对抗领域的主要通信手段。

跳频信号侦察是以探索和捕获短波信道中的跳频信号为主，并对其信号类型、调制方式和载波频率等电磁参数进行测试的一种短波无线电侦察技术。跳频信号侦察主要分为三个部分：跳频信号的检测提取、参数估计和分选。其中跳频信号分选的目的是将截获的多网台跳频信号相互分离，进而对目标跳频信号进行参数估计等后续处理，是跳频信号侦察研究的关键步骤。在实际应用中，短波频段内的复杂电磁环境严重影响了跳频信号的侦察研究，如果不能从频域交叠的多网台跳频信号中将各个跳频网台信号分选出来，就很难将跳频周期、跳变时刻、跳频频率等参数转化为对应的通信情报，更不能进行通信信息的获取。因此，研究跳频网台分选方法具有重要意义。

发明内容

本发明的目的是为了从大量跳频网台中分选出各类跳频信号，实现低信噪比下跳频信号的分选。

第一方面，一种基于改进YOLOv5的短波跳频信号分选方法，包括：

S1：构建多跳频网台数学模型，通过时频分析方法生成跳频信号灰度时频图作为YOLOv5目标检测网络的输入。

S2：在YOLOv5的backbone网络中加入CA机制，在保证模型灵活和轻量化的前提下捕获跨通道信息和位置敏感信息，实现跳频信号的实时检测和准确定位。

S3：采用Soft-SIoU_NMS替换NMS保证了跳频信号在发生频率碰撞时不会因置信度较低而被忽略。

S4：采用NWD代替小目标检测时NMS和回归损失函数中的交并比(Intersection ofUnion,IoU)度量，提高对快跳频信号的检测精度。

优选地，所述步骤S1具体包括：

在一定的观测时间内，经过跳频信号检测提取后的信道环境仅存在跳频信号与强噪声，构建多网台跳频信号与高斯白噪声的数学模型。依据跳频信号的非平稳特性，采用STFT生成灰度时频图。依据短波复杂信道环境下跳频信号的组网规律和快慢跳频信号的参数特征，进行两两混合构建多网台跳频信号时频图作为分选数据集。

优选地，所述步骤S2具体包括：

backbone网络是YOLOv5模型的特征提取模块，backbone网络下的快速金字塔池化(Spatial Pyramid Pooling Fast,SPPF)模块通过串行多个Maxpool层，在保证相同计算结果的前提下提升运行效率。在SPPF模块后加入CA机制，将通道注意力机制(Squeeze-and-Excitation Network,SENet)分解为两个并行的一维特征编码过程，沿着两个空间方向聚合特征，减轻了二维全局池化造成的位置信息丢失，更有效地空间坐标信息整合到生成的注意力图中。通过上述操作，不仅能捕捉到跨通道信息，还能捕获方向和位置感知的特征，从而使模型更加准确的定位和识别对象。

优选地，所述步骤S3具体包括：

非极大值抑制(Non-maximum Suppression,NMS)在执行过程中会将相邻anchor的置信度强制归零，若两个跳频信号的某一跳(hop)出现频率碰撞现象，即在重叠区域出现，将会导致对该跳频信号的hop检测失败，减低算法的平均精度均值(Mean AveragePrecision,mAP)，同时NMS中采用IoU作为滤除重复anchor的指标无法精确反映两个anchor的重合度大小。

YOLOv5使用CIoU_Loss计算边界框损失，其边界框长宽比描述的是相对值，存在一定的模糊，且未考虑难易样本的平衡问题。

针对以上原始YOLOv5算法中的不足，采用SIoU指标替换IoU指标提升NMS的计算精度，SIoU_Loss替换CIoU_Loss提升模型训练速度和推理精确度。

优选地，所述步骤S4具体包括：

现有的目标检测网络模型常用IoU作为损失函数的度量方式，但其对微小目标的位置偏差相当敏感，在基于anchor的小目标检测中将导致检测性能的下降。在观测时间内，快跳频信号的时频特征表现为密集短周期的小目标，若以基于IoU度量的算法进行此类跳频信号分选将导致mAP与分选正确率严重下降。故通过对边界框大小进行判决，若边界框大于16×16，则沿用IoU度量，若边界框小于16×16，则引入归一化Wasserstein距离(Normalized Wasserstein Distance，NWD)代替小目标检测的IoU度量作为边界框检测的评估指标。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于改进YOLOv5的短波跳频分选方法流程示意图；

图2是本发明实施YOLOv5模型网络结构图；

图3是本发明实施CA机制结构图；

图4是本发明实施添加CA机制后YOLOv5的backbone结构图；

图5是本发明实施Angle cost计算图

图6是本发明实施8类短波跳频信号；

图7是本发明实施边界框回归损失对比；

图8是本发明实施mAP@0.5对比；

图9是本发明实施分类损失对比；

图10是本发明实施不同算法的跳频信号分选性能对比。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体地，步骤S1包括：

构建多跳频网台数学模型，通过时频分析方法生成跳频信号灰度时频图作为YOLOv5目标检测网络的输入。

多跳频网台数学模型：在一定的观测时间内，假设经过跳频信号检测提取后的短波多网台跳频信号数学模型如下：

式中，r(t)为短波多网台跳频信号，s_k(t)表示在观测时间T内的第k个跳频网台的信号，n(t)是均值为0、方差为σ²的加性高斯白噪声。

假设第k个跳频信号的跳频周期为

矩形窗为/>

且满足

第k个跳频信号的接收模型表达式为

其中，A_k为信号幅度，θ_k表示初始相位，f_n ^k表示第k个跳频信号中第n个时隙的跳频频率。

由于跳频信号的频率随时间呈现不规律变化，属于典型的非平稳信号，在时域和频域上均难以全面地分析此类信号，因此为更有效地检测跳频信号，常采用时频分析技术进行分析处理。故本发明对观测时间内采集的信号进行短时傅里叶变换(Short-TermFourier Transform，STFT),窗长为2048，窗函数类型为Hamming窗。

短波多网台跳频信号的STFT定义为

其中，k为离散点数，

为相位变换，h(kΔt-mΔt)为窗函数，Δt为采样间隔，STFT_r(t,f)为短波多网台跳频信号r(t)在时间和频率上的离散二维分布，其基本思想是对时域信号划分成多个子时域信号段并加窗处理，分别计算每个子时域信号段的傅里叶变换，因此STFT是一种线性变换，在时频处理过程中不会产生交叉项，计算复杂度较低。为了满足实际工程需求，本发明采用STFT作为时频分析工具，并进行灰度化生成信号灰度时频图。

图2是本发明实施YOLOv5模型网络结构图。

YOLOv5作为onestage目标检测算法中工程应用性最强的网络模型，在YOLOv3的基础上修改了backbone和Neck网络，在YOLOv4的基础上了添加了一些改进技巧，使其速度和精度都得到极大的性能提升。YOLOv5模型的网络结构如图2所示，主要由输入端、backbone、Neck、prediction组成。输入端在模型训练阶段沿用YOLOv4的Mosaic数据增强，并给出了两点改进技巧：自适应anchor计算可以在训练时根据数据集名称自适应的计算出最佳的anchor，提升检测精度。针对原始缩放方法中因两端黑边大小不同导致大量信息冗余，影响算法推理速度的问题，自适应图片缩放能够自适应的添加最少的黑边到缩放后的图片中，提升模型推理速度。backbone采用的是最新的CSP-Darknet53，在v6.0版本中将Focus模块替换成一个6×6的Conv层使GPU设备训练更高效。将CSP_X模块替换成C3_X模块减少重复梯度信息的同时降低计算量，缩短模型推理时间。SPPF(Spatial Pyramid PoolingFast)则是通过串行多个Maxpool层，在保证相同计算结果的前提下提升运行效率。为了对backbone输出的图像特征信息进一步提取和融合，YOLOv5在Neck网络中采用FPN+PAN的结构实现图像高层语义信息与低层细节特征的多尺度特征融合，并在PAN结构中引入C3_X_F结构加强网络特征融合能力。Prediction作为YOLOv5模型的输出端，主要进行损失函数和NMS计算，进而输出大中小三种尺度的特征图，检测出原图中不同尺度的目标。针对不同的检测算法，输出端的分支个数也不尽相同，YOLOv5中使用CIoU_Loss作为回归损失函数，IoU_NMS作为非极大值抑制。

进一步地，步骤S2包括：

随着轻量化网络不断的研究验证，通道注意力机制(Squeeze-and-ExcitationNetwork,SENet)能给模型带来比较显著的性能提升，但SENet只关注构建通道之间的相互依赖关系，忽略了空间位置信息。卷积模块注意力机制(Convolutional Block AttentionModule,CBAM)在SENet的基础上引入空间注意力模块(Spartial Attention Module,SAM)同时关注了通道特征和空间特征，但大尺度的卷积核只能捕获局部信息，忽略了长程依赖问题。协调注意力(Coordinate Attention,CA)机制通过将SENet分解为两个并行的一维特征编码过程，沿着两个空间方向聚合特征，减轻了二维全局池化造成的位置信息丢失，更有效地将空间坐标信息整合到生成的注意力图中。具体来说，CA机制利用两个一维全局池化操作，分别沿垂直和水平方向的输入特征聚合为两个单独的方向性特征图，然后简化这两个嵌入的方向特定信息的特征图分别编码为两个感知图，每个感知图捕获输入特征图沿一个空间方向的长距离相关性。因此，位置信息可以保存在生成的注意力图中，然后通过哈达玛积将两个注意力图应用于输入特征图，增强有用特征的表示降低无用信息。

CA机制具有以下优势：

(1)灵活性和轻量化，可以轻易插入轻量级网络的backbone和核心模块中强化位置信息表示，增强特征表达。

(2)不仅能捕获跨通道信息，还能捕获方向感知和位置感知的信息，帮助模型更精确地定位和识别感兴趣目标。

(3)对密集预测(快跳频信号检测)等任务的性能提升显著。

(4)在轻量级网络中获取大区域注意力信息时能够避免大量的计算开销。

图3是本发明实施CA机制结构图。算法流程如下：

(1)为了避免空间信息全部压缩到通道中，没有使用全局平均池化(GlobalAverage Pooling,GAP)。为了能够捕获具有精确位置信息的远程空间交互，对GAP进行分解

其中，

表示高度为h的第c个通道的输出特征图，/>

表示宽度为w的第c个通道的输出特征图，W和H分别为输入特征图的宽度和高度，x_c是第c个通道的输入特征图。对尺寸为C×H×W输入特征图Input分别按照X方向和Y方向进行池化，分别生成尺寸C×H×1和C×1×W的特征图。

(2)将流程(1)中X和Y方向生成的特征图z^h和z^w进行Concat操作实现特征聚合，并对级联后的特征图进行卷积运算和激活操作输出通道数减少后的特征图

式中，δ为非线性激活函数，F₁为1×1卷积函数，实现降维。

(3)沿着空间维度，再将f进行split操作划分为

和/>

然后分别利用1×1卷积进行升维操作，结合sigmoid激活函数得到最后的注意力向量/>

和/>

g^h＝σ(F_h(f^h)) (8)

g^w＝σ(F_w(f^w)) (9)

CA机制的输出可以写成：

图4是本发明实施添加CA机制后YOLOv5的backbone结构图其次，所述步骤S3具体包括：

在目标检测网络中真实目标周围通常会遍布较多置信度高的anchor，此时为了去除重复的anchor，非极大值抑制(Non-maximum suppression,NMS)通过迭代-遍历-消除的过程将重叠率大于阈值的低置信度anchor滤除，达到每个物体有且只有一个检测结果的目的。NMS算法的具体步骤：

(1)根据置信度对anchor从高到低排序；

(2)取出anchor列表中的第一个anchor，此时该anchor为置信度最大的anchor，计算该anchor与剩下所有anchor的IoU，全部计算完之后将该anchor添加到另一个列表中；

(3)舍弃IoU大于IoU阈值所对应的anchor(认为检测的是同一目标)；

(4)重复步骤(2)、(3)直至anchor的列表为空。

由于NMS在执行过程中会将相邻anchor的置信度强制归零，若两个跳频信号的某一跳(hop)出现频率碰撞现象，即在重叠区域出现，将会导致对该跳频信号的hop检测失败，降低算法的mAP，同时NMS中采用IoU作为滤除重复anchor的指标无法精确反映两个anchor的重合度大小。

另外，YOLOv5在训练时损失函数包含边界框损失、置信度损失和分类损失。现阶段主要使用CIoU_Loss计算边界框损失，其边界框长宽比描述的是相对值，存在一定的模糊，且未考虑难易样本的平衡问题。针对以上NMS中IoU指标和边界框损失问题，本发明采用SIoU[24]指标替换IoU指标提升NMS的计算精度，SIoU_Loss替换CIoU_Loss，提升模型训练速度和推理精确度。

图5是本发明实施Anglecost计算图。SIoU_Loss主要由4个成本函数组成：

(1)角度成本

通过添加角度感知LF组件，在X或Y轴做预测，然后沿着相关轴不断接近。收敛过程将首先尝试最小化α，若

则最小化/>

计算过程如图5所示。

角度成本函数定义为：

(2)距离成本

距离成本的定义融入了上述定义的角度成本：

γ＝2-Λ(12d)结合角度成本与距离成本的定义可得，当α→0，Δ越小。反之，当

Δ越大。

(3)形状成本

形状成本定义为：

式(13b)、式(13c)决定了形状成本的大小，θ值控制形状成本需要多少注意力，每个数据集对应唯一的θ值。若θ＝1，将立刻优化形状从而影响形状的自由运动。

(4)IoU成本

定义IoU成本：

综合以上成本函数，SIoU的回归损失函数为：

为了解决NMS在跳频信号hop出现频率碰撞时造成漏检的问题，本发明采用Soft-NMS替换NMS并在过程中用SIoU替换IoU指标进行改进，构建Soft-SIoU_NMS算法。Soft-SIoU_NMS的算法执行过程不是简单的将SIoU大于阈值的anchor删除，而是降低其anchor的置信度。通过引入置信度重置函数f(SIoU(M,b_i))，该函数会衰减与边界框M有重叠的相邻框的置信度，越是与M高度重叠的anchor其置信度衰减越严重，SIoU及其阈值作为降低置信度的依据，在遍历完anchor列表后将置信度小于阈值的滤除，故其目标就是降低anchor置信度得分。

IoU_NMS将IoU大于阈值的anchor的置信度全部置为0

而Soft-SIoU_NMS的置信度重置函数定义为：

在式(16)、式(17a)与式(17b)中b_i为待处理的anchor且

D为存放最终的anchor，s_i是b_i更新的置信度，N_t代表阈值。故Soft-SIoU_NMS不需要重新训练原有模型，计算量小，易于实现，在与IoU_NMS具有相同计算复杂度下可以更高效的选择anchor，从而提升mAP和跳频信号的分选精度。

最后，所述步骤S4具体包括：

现有的目标检测网络模型均以交并比(Intersection of Union,IoU)作为损失函数的度量，但其对微小目标的位置偏差相当敏感，在基于anchor的小目标检测算法中会导致检测性能的不理想。在短波信道中，不同跳频速率的多网台跳频信号相互混杂，观测时间内，快跳频信号的时频特征表现为密集短周期的小目标，若以基于IoU度量的算法进行此类跳频信号分选将会导致mAP与分选正确率下降。故本发明通过对边界框大小进行判决，若边界框大于16×16，则沿用IoU度量，若边界框小于16×16，则引入归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)代替小目标检测的IoU度量作为边界框检测的评估指标。

IoU度量对边界框位置的敏感性源于其对离散位置偏差对象的尺度变换，这会使得小目标的微小位置偏差发生anchor翻转，导致正负样本特征接近相似且网络收敛困难。另外，IoU的敏感性难以找到较好的IoU阈值来提供高置信度的正负样本。而NWD将边界框建模为二维高斯分布，即使无相交仍可通过对应高斯分布计算边界框之间的相似度，该NWD度量可以取代IoU度量轻易地嵌入到任意基于anchor的标签分配、NMS和损失函数中。

NWD的定义如下：

(1)边界框的高斯分布建模

在低信噪比环境下，时频噪声会密布在跳频信号周围，因此跳频信号的时频特征往往会有背景像素并不是严格的矩形长条。在跳频信号的边界框中，前景像素和背景像素分别集中在边界框的中心和边界上。为了更好地描述边界框中不同像素的权重，边界框可以建模为二维高斯分布，其中边界框像素的权重从中心位置向边界位置递减。对于水平边界框R＝(c_x,c_y,w,h)，其中(c_x,c_y)表示中心坐标，w和h分别表示宽度和高度。其内接椭圆表达式为：

式中，(μ_x,μ_y)是内接椭圆的中心坐标，σ_x和σ_y分别是沿x和y轴的半轴长度。因此μ_x＝c_x，μ_y＝c_y，

二维高斯分布的概率密度函数如下：

式中，c表示二维高斯分布的坐标(x,y)，μ为均值向量，Σ代表协方差矩阵。若满足

(c-μ)^TΣ^-1(c-μ)＝1 (20)

则式(18)将是二维高斯分布密度等值线。因此，R＝(c_x,c_y,w,h)可建模为二维高斯分布N(μ,Σ)

故边界框A和边界框B之间相似度可以转换为两个高斯分布之间的分布距离。

(2)归一化高斯Wasserstein距离

使用Wasserstein距离来计算分布距离。对于两个二维高斯分布m₁＝N(μ₁,Σ₁)和m₂＝N(μ₂,Σ₂)，m₁和m₂之间的二阶Wasserstein距离定义为：

简化为：

式(22)中，Tr(·)表示求取矩阵的迹，式(23)中||·||_F是Frobenius范数。

故由式(23)可得，边界框A＝(cx_a,cy_a,w_a,h_a)的高斯分布N_a和边界框B＝(cx_b,cy_b,w_b,h_b)的高斯分布N_b之间的Wasserstein距离为：

因为式(24)中

作为距离度量不在[0,1]的范围内故不能直接用作相似度指标，为此使用指数归一化获得NWD度量：

其中，ε是与数据集密切相关的常数，一般设置为数据集目标的平均大小可达到最佳性能，因此本发明中ε＝13.5。

(3)基于NWD度量的NMS与回归损失

针对IoU度量对微小目标(快跳频信号)的敏感性会是预测框的IoU值低于阈值N_t，从而导致跳频信号的误判与漏检的问题，使用NWD度量替换IoU度量作为NMS的新指标可以克服尺度敏感性问题。另外，通过设计基于NWD度量的损失函数：

L_NWD＝1-NWD(N_p,N_gt)(26)

式中，N_p为预测框P的高斯分布模型，N_gt为真实框GT的高斯分布模型。基于NWD度量即使在|P∩G|＝0或|P∩G|＝P或G的情况下均可提供梯度，克服了IoU度量对小目标位置偏差敏感性问题。

引入NWD度量后对S3所述内容进行更新，损失函数SIoU更新为SNMD，式(15)更新为：

同时Soft-SIoU_NMS更新为Soft-SNWD_NMS，式(17a)和式(17b)更新为：

本发明实施实验环境配置如下表所示：

图6是本发明实施的8类短波跳频信号。本发明依据短波复杂信道环境下跳频信号的组网规律和快慢跳频信号的参数特征，以8类跳频信号基础，分别以FH1、FH2、FH3、FH4、FH6、FH7、FH8、FH9作为类名，如图6所示，进行两两混合构建多网台跳频信号时频图作为分选数据集。观测时长为10ms，采样率为10MHz，信噪比为0～15dB的范围内。如实验环境配置表所示。输入图像分辨率为400×500，横轴为时间，纵轴为频率。每种混合跳频信号时频图在各SNR下的样本数为400，一共12400张时频图按照8:1:1的比例随机划分成9919张训练集、1241张验证集和1240张测试集。每张时频图跳频频率集均在不断变化以满足多网台跳频信号的时频多样性。训练时图像分辨率为640×640，优化器为SGD，学习率为0.01，衰减为0.0005，batch_size为32，epoch为300。

为了验证改进的模型性能，本发明采用精确率(Precision,P)、召回率(Recall,R)、平均精度(average precision,AP)、mAP以及跳频信号分选率(Sort rate,SR)来评估模型的检测性能和信号分选性能。

上述各指标的计算公式如下：

其中，TP表示正确检测的跳频信号数量，FP表示将噪声识别为跳频信号的数量，FN表示未检测出的跳频信号数量。

其中，N为标签类别数，AP是P在[0,1]范围内对R的积分，即P-R曲线下的面积，AP值越大代表模型精度越高。而mAP代表每个目标类别AP的均值，是检测性能的主要评估指标。

其中，K_i为第i类跳频信号的标签数，

代表第i类跳频信号在对应频率集上被正确识别的个数，/>

表示第i类跳频信号被识别的个数，/>

表示第i类跳频信号的分选率，SR代表模型对跳频信号的分选率。

图7是本发明实施边界框回归损失。本发明所提改进的YOLOv5算法之一：将NWD度量替换IoU度量后，使用SNWD作为边界框回归损失在250epoch时各参数趋于平稳，边界框损失值下降到0.005左右，不仅解决了原网络模型使用CIoU损失函数的难易样本不均衡和长宽比模糊的问题，同时提升了mAP。图8是本发明实施mAP@0.5对比。改进YOLOv5与原始YOLOv5的mAP@0.5对比曲线，其中mAP@0.5表示为阈值为0.5时的mAP值。改进YOLOv5的mAP在15epoch时已经稳定，在阈值为0.5的前提下mAP达到99.5％，相比原始YOLOv5的mAP提升了4.7％。

图9是本发明实施分类损失对比。介绍了本发明所提算法与传统基于CNN网络算法的分类损失对比，基于CNN算法的分类损失在迭代过程中出现了较大的波动现象，且在100epoch后才趋于平稳，而改进YOLOv5的分类损失更加平滑，在10epoch时损失值已低于0.01，30epoch时已稳定收敛。

图10是本发明实施不同算法的跳频信号分选性能对比。本发明给出了本发明所提算法与不同传统跳频信号分选算法在不同SNR下的分选率性能对比。基于K-Means聚类的跳频信号分选算法在0dB时分选率仅为22.6％，低SNR下对受噪声影响严重。基于CNN算法与基于BP神经网络算法的跳频信号分选率，在0dB时分选率分别为46.5％和52.7％且均随着SNR的增加而增大，在SNR＝5dB时分选率接近90％。本发明所提的改进YOLOv5算法在SNR＝0dB时分选率已达到96.2％，且随着SNR递增，当SNR＝4dB时分选率最高达到了98.6％。故本发明所提算法相比其他现有算法具有较好的抗噪性能，在低SNR下的跳频信号分选率最高。

本发明实施消融实验表如下表所示：

本发明分别对各个改进思路在相同实验条件下进行训练，实验结果如消融实验表所示，其中，×表示网络模型中未使用的改进思路，√代表使用该改进思路，mAP@0.5:0.95为阈值0.5到0.95之间的mAP值，Inference(ms)表示模型推理时间，NMS(ms)表示非极大值抑制时间。由消融实验表可知，改进网络1在原始YOLOv5网络中引入了CA机制，mAP@0.5提高了2.0％，mAP@0.5:0.95提高了6.4％，但推理时间上升到199.7ms，NMS仍较大；改进网络2在改进网络1的基础引入SNWD作为损失函数，提升了小目标信号的检测精度和收敛速度，相比改进网络1的mAP@0.5提高了1.6％，mAP@0.5:0.95提高了3.2％，推理时间上升了4.0ms，NMS缩小到1.3ms；改进网络3在改进网络2的基础上引入Soft_SNWD_NMS，解决了跳频信号频率碰撞导致精度降低的问题，相比改进网络2的mAP@0.5提高了1.1％，mAP@0.5:0.95提高了1.3％，推理时间上升了1.6ms，NMS仍为1.3ms。综上所述，本发明提出改进算法即为改进网络3，相比原始YOLOv5网络，mAP@0.5提高了4.7％，mAP@0.5:0.95提高了10.9％，NMS从2.5ms下降到1.3ms，仅为原始网络的52％，虽然推理时间上升了19.2ms，但仍符合模型轻量化和工程实时性要求。

Claims

1.一种基于改进YOLOv5的短波跳频信号分选方法，其特征在于，所述方法包括：

S1：构建多跳频网台数学模型，通过时频分析方法生成跳频信号灰度时频图作为YOLOv5目标检测网络的输入；

S2：在YOLOv5的backbone网络中加入CA机制，在保证模型灵活和轻量化的前提下捕获跨通道信息和位置敏感信息，实现跳频信号的实时检测和准确定位；

S3：采用Soft-SIoU_NMS替换NMS保证了跳频信号在发生频率碰撞时不会因置信度较低而被忽略；

S4：采用NWD代替小目标检测时NMS和回归损失函数中的IoU度量，提高对快跳频信号的检测精度。

2.根据权利要求1所述的基于改进YOLOv5的短波跳频信号分选方法，其特征在于，所述步骤S1具体包括：

在一定的观测时间内，经过跳频信号检测提取后的信道环境仅存在跳频信号与强噪声，构建多网台跳频信号与高斯白噪声的数学模型；依据跳频信号的非平稳特性，采用STFT生成灰度时频图；依据短波复杂信道环境下跳频信号的组网规律和快慢跳频信号的参数特征，进行两两混合构建多网台跳频信号时频图作为分选数据集。

3.根据权利要求1所述的基于改进YOLOv5的短波跳频信号分选方法，其特征在于，所述步骤S2具体包括：

backbone网络是YOLOv5模型的特征提取模块，backbone网络下的SPPF模块通过串行多个Maxpool层，在保证相同计算结果的前提下提升运行效率；在SPPF模块后加入CA机制，将通道注意力机制SENet分解为两个并行的一维特征编码过程，沿着两个空间方向聚合特征，减轻了二维全局池化造成的位置信息丢失，更有效地空间坐标信息整合到生成的注意力图中；通过上述操作，不仅能捕捉到跨通道信息，还能捕获方向和位置感知的特征，从而使模型更加准确的定位和识别对象。

4.根据权利要求1所述的基于改进YOLOv5的短波跳频信号分选方法，其特征在于，所述步骤S3具体包括：

(1)非极大值抑制NMS在执行过程中会将相邻anchor的置信度强制归零，若两个跳频信号的某一跳hop出现频率碰撞现象，即在重叠区域出现，将会导致对该跳频信号的hop检测失败，减低算法的mAP，同时NMS中采用IoU作为滤除重复anchor的指标无法精确反映两个anchor的重合度大小；

(2)YOLOv5使用CIoU_Loss计算边界框损失，其边界框长宽比描述的是相对值，存在一定的模糊，且未考虑难易样本的平衡问题；

5.根据权利要求1所述的基于改进YOLOv5的短波跳频信号分选方法，其特征在于，所述步骤S4具体包括：

现有的目标检测网络模型常用IoU作为损失函数的度量方式，但其对微小目标的位置偏差相当敏感，在基于anchor的小目标检测中将导致检测性能的下降；在观测时间内，快跳频信号的时频特征表现为密集短周期的小目标，若以基于IoU度量的算法进行此类跳频信号分选将导致mAP与分选正确率严重下降；故通过对边界框大小进行判决，若边界框大于16×16，则沿用IoU度量，若边界框小于16×16，则引入NWD代替小目标检测的IoU度量作为边界框检测的评估指标。