CN116866129A - 一种无线通信信号检测方法 - Google Patents

一种无线通信信号检测方法 Download PDF

Info

Publication number
CN116866129A
CN116866129A CN202311047587.7A CN202311047587A CN116866129A CN 116866129 A CN116866129 A CN 116866129A CN 202311047587 A CN202311047587 A CN 202311047587A CN 116866129 A CN116866129 A CN 116866129A
Authority
CN
China
Prior art keywords
time
signal
frequency
layer
classification
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
CN202311047587.7A
Other languages
English (en)
Inventor
王梅
邓云
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202311047587.7A priority Critical patent/CN116866129A/zh
Publication of CN116866129A publication Critical patent/CN116866129A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters

Abstract

本发明提供一种无线通信信号检测方法，涉及无线信号识别处理领域，用于非稳定信号的检测，包括：采集复杂环境下宽带无线电信号数据，数据包含原始波形、时频图和信道状态特征；利用卷积网络从时频图中提取时频特征；利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征；通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达；通过分类层输出联合特征的调制识别结果。针对现有技术中存在的非稳定信号识别精度低的问题，本发明通过联合利用信号的时频特征、空域特征和信道状态特征，构建端到端的深度神经网络进行非稳定无线通信信号的识别，可以有效提高复杂环境下非稳定无线通信信号的检测精度。

Description

一种无线通信信号检测方法
技术领域
本发明涉及无线通信信号识别处理领域，特别涉及一种无线通信信号检测方法。
背景技术
随着无线通信技术的快速发展，各类宽带无线设备和系统广泛应用于军事、商业等领域。然而，由于使用场景的开放性和复杂性，无线电信号常出现非稳定的随机变化，严重影响信号的检测与识别。如何提高对非稳定无线通信信号的检测精度，是无线通信领域亟待解决的难题。
在相关技术中，比如中国专利文献CN114358054A中提供了一种复杂环境下宽带无线通信信号检测方法及系统，包含：收集的宽带无线通信信号，并对信号进行预处理来获取统一尺寸的时频谱图，利用时频谱图来生成用于模型训练的信号样本数据库；构建基于向心偏移网络的信号检测模型，并利用信号样本数据库中的信号数据对该信号检测模型进行训练，其中，信号检测模型包含：沙漏基础网络、特征处理模块及向心偏移模块；对待检测宽带无线通信信号进行预处理，将预处理后的信号数据作为模型输入，通过训练后的信号检测模型来识别待检测宽带无线通信信号目标位置。但是该方案至少存在如下技术问题：
预处理获取的统一尺寸时频谱图可能导致部分信号特征被破坏。不同类型的宽带无线通信信号其时频结构特征差异较大，直接统一为固定尺寸的时频谱图，可能会损失或破坏某些信号的关键时频结构信息，从而影响后续基于时频谱图的信号识别精度。构建的信号检测模型结构相对简单。该方法构建了基于向心偏移网络的信号检测模型，其中模型结构较为简单，主要包含了特征提取和特征融合两个模块。这种简单的模型结构可能无法充分学习和表示复杂环境下非稳定宽带无线通信信号中的复杂特征，导致模型对这类信号的识别能力不足。训练样本数量和样本特征代表性可能不足。方法中构建的信号样本数据库直接基于收集的有限信号进行构建，样本数量和特征覆盖面可能有限，这会导致训练的信号检测模型对实际复杂环境下多样化非稳定信号的识别鲁棒性不足。
综上所述，现有技术中，对复杂环境下无线通信信号中的非稳定信号的识别精度有待提高。
发明内容
1.要解决的技术问题
针对现有技术中存在的非稳定信号识别精度低的问题，本发明提供了一种无线通信信号检测方法，通过联合利用信号的时频特征、空域特征和信道状态特征，构建端到端的深度神经网络进行非稳定无线通信信号的识别，可以有效提高复杂环境下非稳定无线通信信号的检测精度。
2.技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例提供一种无线通信信号检测方法，用于非稳定信号的检测，包括：采集复杂环境下宽带无线电信号数据，数据包含原始波形、时频图和信道状态特征；利用卷积网络从时频图中提取时频特征；利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征；通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达；通过分类层输出联合特征的调制识别结果。
进一步地，采集复杂环境下宽带无线电信号数据包括：根据奈奎斯特采样定理进行采样，采样频率fs满足下式：
fs＝2*k*fmax
其中，fmax为信号的最大频率；k为置信系数，k的取值范围为0至1；
采用抗混叠滤波器，对采集的原始信号进行滤波；利用数据采集卡，采集信号的原始波形；通过窗函数，采集信号的多尺度短时傅里叶变换时频图。
进一步的，采用4元均向线阵，对接收的无线信号进行数字化处理；通过MUSIC算法，利用线阵的空间自由度，获取信号的角度相位谱AOA；获取接收信号的自相关函数，采用ESPRIT算法获取时延扩散测度Δτ；对接收信号进行频谱分析，结合频谱形状和噪声水平，计算信号的信噪比SNR；利用接收信号帧中的PILOT符号或校验码，进行误码检测，得到信道的误码率BER；将AOA、Δτ、SNR和BER作为信道状态特征。
进一步的，利用卷积网络从时频图中提取时频特征包括：获取无线信号；设置不同窗函数的参数，计算无线信号的多个时频图，得到无线信号的多尺度时频信息；将多个时频图依次输入卷积网络进行处理，卷积网络用于特征提取；卷积网络包含卷积层、ResNet模块、池化层和全连接层；卷积层对各时频图使用可分离卷积进行处理，提取时频图的局部特征；ResNet模块学习不同尺度时频图的局部特征之间的关联性；池化层获得局部特征的紧凑表达；全连接层整合来自多个时频图的特征，得到全局特征；输出表示无线信号时频特征的特征向量；时频特征集成了不同尺度下时频图的局部和全局信息；其中，设置不同窗函数的参数包含：时频分析的窗口类型、窗口长度和重叠系数。
进一步的，利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征包括：获取无线信号的原始波形采样序列；对原始波形采样序列进行预处理以初始化特征映射；将初始化后的特征映射输入到WaveNet模块，WaveNet模块采用残差连接和膨胀卷积来学习波形的局部时序特征；在WaveNet模块之后，引入时序注意力机制，通过聚焦关键时序位置来增强时序特征的表达；利用Inception模块进行多尺度时序特征的融合，以学习时序特征之间的全局依赖关系；通过全连接层输出，形成表示原始波形空域特征的特征向量；空域特征集成了原始波形序列的时序关系及全局依赖信息；其中，关键时序位置为：波形序列中能量突增点、相位突变点或时频特征突变点。
进一步地，通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达包括：提取无线信号的时频特征、空域特征和信道状态特征；将时频特征、空域特征和信道状态特征进行拼接，得到初级特征表示；将初级特征表示输入到注意力层，学习不同特征的权重系数；将注意力层的输出传入全连接网络，通过非线性映射进行特征融合；在全连接网络中加入Dropout操作，以进行正则操作；经过全连接网络后，输出用于信号分类的联合特征表达；将联合特征输入全连接输出层，以进行信号分类。
进一步地，其中，注意力层为GRU层。
进一步地，通过分类层输出联合特征的调制识别结果包括：将提取得到的联合特征表达同时输入到设置在网络输出端的调制分类输出层和发射源分类输出层；调制分类输出层为包含softmax分类单元的全连接层，用于对输入信号调制方式类别进行概率预测，输出调制方式的多分类结果；发射源分类输出层为包含softmax分类单元的全连接层，用于对输入信号发射源类别进行概率预测，输出发射源的多分类结果；调制分类输出层和发射源分类输出层的参数不共享，以进行调制分类和发射源分类之间的解耦；通过联合训练调制分类层和发射源分类层的分类交叉熵损失函数，以进行不同任务间的正则化；通过整合调制分类和发射源分类的结果，判断输入信号的调制方式和发射源属性，输出无线通信信号的检测结果。
进一步地，在全连接网络中加入Dropout操作，以进行正则操作包括：在全连接网络中设置若干个全连接层，用于特征映射；在每个全连接层后，添加Dropout层进行正则操作；Dropout层为按概率P随机断开当前层神经元输出与下一层神经元输入之间的连接。
进一步地，概率P的取值范围为0.2至0.5。
有益效果
相比于现有技术，本发明的优点在于：
(1)同时利用了时频图、原始波形和信道状态三个不同来源的特征，通过注意力机制进行自动特征选择和融合，形成信息丰富的联合特征表达，提高了对非稳定信号的刻画能力，进而提升复杂环境下非稳定信号的识别精度；
(2)通过多窗口参数的时频分析、多码率的卷积网络、Inception模块等方式学习多尺度信息，能够捕捉非稳定信号在不同时间和频率范围的特征，增强鲁棒性；
(3)利用深度神经网络对时频图、波形序列进行端到端的特征学习，不依赖手工特征提取，能够学习到更具判别性的特征表示，对复杂环境下的非稳定信号识别更有效。
附图说明
本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的一种无线通信信号检测方法的示例性流程图；
图2是根据本说明书一些实施例所示的采集信道状态特征的示例性流程图；
图3是根据本说明书一些实施例所示的提取时频特征的示例性流程图；
图4是根据本说明书一些实施例所示的提取空域特征的示例性流程图；
图5是根据本说明书一些实施例所示的提取联合特征的示例性流程图；
图6是根据本说明书一些实施例所示的获取调制识别结果的示例性流程图。
名词解释
无线电信号，本方案中的无线电信号指宽带无线电信号，即信号带宽较宽的无线电信号。相对于窄带信号，宽带信号包含更丰富的信息，但也更容易受到环境干扰。复杂环境下的信号，指存在多径效应、多普勒频移、相位噪声以及不同程度干扰的无线电信号。这类环境增大了信号的参数不确定性。
非稳定信号，指参数随时间变化的非站台信号，例如调制方式、符号速率、载波频率、传输功率等参数动态变化的信号。这类信号的识别更具挑战性。
原始波形，原始波形具体指：无线电信号的模拟波形即天线接收到的无线电信号的模拟波形，包含该信号的幅值和相位信息；通过采样获得的数字序列根据奈奎斯特采样定理，通过一定频率对该模拟波形采样，获得包含原始信号信息的数字序列；包含调制方式等特征原始波形中包含了该无线电信号的调制方式、符号速率等关键特征信息；反映信号时序结构原始采样序列保留了信号的时域结构信息，反映了信号的时序模式；输入神经网络进行分析将原始波形输入深度神经网络，学习提取其空域特征，以进行检测识别。综上，“原始波形”表示获得的无线电信号的原始数字采样序列，保留了信号的时域特征，通过深度学习方式进行特征提取和分析，以提高对信号的检测识别精度。它反映了信号的时序结构，是检测和识别该信号的重要信息源。
时频图具体指：经短时傅里叶变换获得通过在原始信号上滑动窗口做傅里叶变换，获得信号不同时间段的频谱，形成时频图；多尺度时频信息通过改变窗口参数，获得信号的多尺度时频图，反映不同时间和频率范围的特征；显示信号时频特征时频图直观显示了信号的时频结构，例如线性调频、相位跳变等特征；输入卷积网络处理将时频图输入卷积神经网络，对局部和全局时频特征进行建模和分类；提取时频域特征时频图包含时频特征信息，通过深度网络可以有效提取这些特征。综上，“时频图”表示通过时频分析获得的无线电信号的图谱，直观反映信号的时频特征，通过深度学习进行时频特征的提取和分类，是提高信号检测识别的重要信息之一。
信道状态特征包括：AOA，信号的角度相位谱，反映信号的空间特征；时延扩散测度，信号的自相关函数，反映多径对信号的时延影响；SNR，信号的信噪比，反映噪声对信号质量的影响；BER信道的误码率，反映信道质量和信号识别难度；其他多普勒频移，相位噪声，饱和等指标这些特征可以量化无线信道的估计和状态，反映出环境对信号质量的影响，为信号检测提供重要参考。将这些特征与时频特征、空域特征融合，可以提高对非稳定信号的识别精度和鲁棒性。它提供了除信号本身以外的环境信息，有助于区分不同环境下的信号变化。
Inception网络，Inception网络指的是一种用于特征提取的深度卷积神经网络结构。其主要特点是：网络结构包含多支并行的卷积路径，这些路径使用不同大小的卷积核提取多尺度特征；通过1x1卷积进行dimensionality reduction和信息整合；最后将各支路径的特征拼接起来，获得一个信息丰富的特征表达；能够在图像和时序数据上提取多尺度的局部和全局特征。在该技术方案中，利用Inception网络从原始波形中学习时序特征，具体作用是：利用多支路径分析信号的不同尺度时序模式；1x1卷积融合不同尺度信息，学习时序特征之间的依赖关系；输出整合了全局和局部时序信息的时域特征表达；协同时频特征和信道特征，增强对信号的刻画和分类。总之，Inception网络通过其多尺度的结构，能够增强对原始波形时序结构的学习和特征提取，输出信息丰富的时域特征表达，提高了非稳定信号检测的性能。
自注意力机制指的是一种可以捕捉长序列中全局依赖关系的机制。其主要思想和作用是：对输入序列进行特征变换，得到查询、键、值这3个向量表示；计算查询向量与键向量之间的相关度，作为注意力权重；根据权重将值向量进行加权求和，获得注意力向量；注意力向量融合了序列中不同位置的相关信息；可用于学习序列的长程依赖关系。在该技术方案中，自注意力机制的具体用途是：分析原始波形序列中不同采样点之间的关联性；根据相关性计算采样点的注意力权重；输出融合了全局信息的特征表达；增强模型对原始波形的长程时序依赖性学习；提取反映全局特征的空域表示。综上，自注意力机制通过学习采样点之间的全局相关性，可以增强对原始波形序列时序结构的建模，输出整合了全局依赖性的空域特征，提升了非稳定信号检测的效果。
时序关系，指的是原始波形序列中采样点之间的时间相关性。具体来说，时序关系包括：相邻采样点之间的相关性反映了信号局部的时域连续性；非相邻采样点之间的关联反映了信号全局的时序模式；关键点之间的依赖性例如突发点之间的关系，反映信号的时域结构；相位、频率等参数的时序演变反映调制方式、信息符号等变化；序列样本值的数学关系例如卷积、相关等关系。学习时序关系的目的是：分析信号的时域结构和模式；提取反映时序特征的空域表达；识别调制方式，解调信息；增强对信号时序规律的建模和理解。通过分析原始波形的时序关系，可以获得重要的时域特征，帮助提高对非稳定信号的检测和识别能力，是时频特征的重要补充。
全局依赖性，指的是原始波形序列中非相邻采样点之间的长距离相关性。具体来说，全局依赖性反映了以下方面的信息：整个序列的时域结构和趋势例如包络变化趋势，反映调制类型；不同部分之间的内在联系例如突发点和调制波形间的依赖，反映调制参数；序列样本值的全局数学关系例如整个序列的卷积运算关系；关键点之间的长距离关联例如突发点和帧同步之间的关系；调制参数的全局变化规律例如载波相位的全序列演化规律。学习全局依赖性的目的是：分析信号的全局时域模式和结构；提取反映全局特征的空域表达；增强对时序规律的建模和理解；提高对调制方式，码型的识别能力。通过分析波形序列的全局依赖性，可以获得反映整体时序特征的表达，增强模型对复杂信号的刻画能力，提高检测与识别性能。
时频特征，指的是通过对无线电信号进行时频分析后提取的特征，反映信号在时频域的结构和特性信息。具体来说，时频特征包括：信号的瞬时频率、相位等参数在时间上的变化趋势；信号在不同时间段内的频谱分布情况；信号是否存在线性调频，相位跳变，频谱拓展等时频结构；不同调制方式信号的时频结构模式；反映信号调制方式，参数，编码等关键信息的时频分布。提取和分析时频特征的目的是：描述信号的时频结构和特性；识别不同调制方式，解调信息；分析参数调制模式；提高对信号的检测，识别和分类能力；增强对复杂信号的鲁棒性。时频特征作为时域和频域信息的结合，提供了比单一视角更丰富的特征，是分析和检测无线电信号的关键信息源。
空域特征，指的是直接从无线电信号的原始波形中提取的特征，反映信号序列在时域上的结构和特性信息。具体来说，空域特征包括：信号序列的包络，反映调制类型；突发点，反映码元起始；采样点的值，反映调制信号；采样点之间的关系，反映时序模式；关键点之间的依赖性，反映信号结构。提取和分析空域特征的目的是：描述信号的时域结构和特性；检测突发点，解调信息；分析时序模式，识别调制方式；反映信号的全局时域结构；提高对信号的检测，识别和分类能力。空域特征作为直接反映时域波形的特征，提供了比时频特征更原始的信息。
调制识别，指的是对接收到的无线电信号进行调制方式的检测和分类。具体来说，调制识别包括：检测信号的调制类型，如AM、FM、ASK、FSK、PSK等；识别调制参数，如调制指数、调制频偏等；分析调制模式，如连续/脉冲调制，单音/多音调制等；估计调制的参数，如符号速率、载频、码系等；对不同调制方式的信号进行分类。进行调制识别的目的是：正确检测和解调信号；为后续的解调、信号分析等处理提供参数依据；区分不同类型信号，进行有效分类；分析发射终端的调制模式和参数；实现无线电监听，增强通信识别能力。调制识别是解析无线电信号调制参数的关键步骤。
奈奎斯特采样定理，奈奎斯特采样定理是指用于对模拟信号进行数字化采样的基本原理。其主要内容和意义包括：对带限信号，如果采样频率超过信号最高频率的两倍，则可以从采样值恢复原始信号；这一最小采样频率称为奈奎斯特频率；通过采样可以将模拟信号转换为数字信号，而不会造成信息损失；采样定理为信号的数字化处理奠定了理论基础；采样时满足一定条件，可以完整保留信号的所有信息。在该技术方案中，奈奎斯特采样定理的应用是：指导无线信号正确采样，确定最低采样率；保证采样序列包含全部信号信息；通过数字化采样获得原始波形；为后续的数字信号处理奠定基础；从采样序列重构原始模拟信号。采样定理确保了采样过程的正确性，是产生原始波形的基础。
置信系数，指的是模型对其预测的信心程度评分。其主要作用和特点是：评估每个预测的可靠性；值域一般为0到1之间；值越高表示预测可信度越高；可以为后续处理提供可靠性指标；常应用于分类、检测等任务。在该技术方案中，置信系数的应用包括：对信号分类结果给出置信评分；指示某类信号检测的确信程度；为决策提供依据，如低置信结果需进一步处理；对最终结果进行可靠性过滤或校准；评估模型在特定样本上的预测性能。置信系数为模型输出提供了重要的预测确信度指标，使结果更可解释，是评估检测与识别性能的重要判据。
抗混叠滤波器，指一类用于抑制混叠干扰的数字滤波器。其主要作用和特点是：用于处理包含混叠信号的波形；通过设计特定的滤波器，可以抑制混叠干扰；常见的结构包括自适应滤波器、维纳滤波器等；可以有效提升混叠环境下的信号检测质量；对提高混叠条件下的识别鲁棒性起关键作用。在该技术方案中，抗混叠滤波器的应用包括：预处理混叠波形，抑制混叠成分；减小混叠对信号检测的影响；提高后续信号分类和识别的准确率；改善模型在强混叠条件下的性能；增强系统对复杂环境的适应能力。抗混叠滤波器提高了混叠环境下的检测效果，使系统获得了强健性。
数据采集卡，指的是用于采集模拟信号并转化为数字信号的硬件设备。其主要作用和特点包括：连接天线，获取无线电信号；具有足够高的采样率；根据奈奎斯特采样定理采集信号；将模拟信号采样转化为数字信号；保证采样过程不丢失信号信息；具有实时高速采集能力；支持PCI等标准接口与计算机连接；直接输出原始的数字信号采样序列。在该技术方案中，数据采集卡的作用是：连接天线，获取无线电模拟信号；对信号进行数字化采样；以数据帧的形式输出原始数字信号；为后续硬件平台提供原始信号数据源；保证采样过程准确、可控，满足质量需求。数据采集卡是获得原始波形的第一步，其采集质量直接影响后续处理的效果。
窗函数指的是在对信号进行短时傅里叶变换时使用的一类窗口函数。其主要作用和特点有：用于截取信号的一小段进行傅里叶变换；常用窗函数有汉宁窗、哈明窗等；窗函数会导致时频分析中频谱泄漏问题；窗函数的长度和类型影响时频分析的时间和频率分辨率；通常需要选择适合信号特性的窗函数。在该技术方案中，窗函数的应用包括：在原始波形上截取数据段进行短时傅里叶变换；平衡时频分析的时间和频率分辨率；通过调整窗函数改善时频图的清晰程度；分析信号的不同时间和频率尺度特征；获得多分辨率的时频图以充分表示信号的时频信息。窗函数是时频分析的重要组成部分，其选择和设计直接影响最后的时频特征效果。
多尺度短时傅里叶变换时频图，指的是通过改变窗函数参数，对信号进行多次短时傅里叶变换，得到不同时间—频率分辨率的多个时频图。其主要作用和特点是：通过改变窗长可以获得不同频率分辨率的时频图；改变窗间隔可以获得不同时间分辨率的时频图；短时窗可以分析信号的时域细节；长时窗可以观测信号的全局频率成分；多尺度分析可以全面反映信号的时频特征。在该技术方案中，其应用包括：生成多组不同尺度的时频图；综合不同尺度的时频信息；解析信号的局部和全局时频结构；提取稳定和鲁棒的时频特征；提高对信号的时频分析效果。多尺度时频分析能更全面地反映信号的时频特征。
4元均向线阵，指的是由4个天线组成的均向排布的天线阵列。其主要特点是：包含4个天线，通常排布成一条直线；每个天线间隔距离相同，方向相同；可以收集信号的方向信息；通过比较各天线的信号差异可以确定信号方向；线阵结构简单，实用性强。在该技术方案中，4元均向线阵的作用是：接收无线电信号；收集每个天线的信号采样；比较各天线信号的差异，确定信号方向；提供信号的空间特征；与时域、频域特征相结合，增强对信号的刻画；提高检测与分类的性能；元线阵提供了简单实用的空间信息，为获得多域特征提供了有效途径。
MUSIC算法是一种高分辨方向估计算法，全称为多信号分类(Multiple SignalClassification)。它的主要思想和过程是：将阵列的阵列导数矩阵进行特征值分解；将特征向量分为信号子空间和噪声子空间；构造码向量，计算其与噪声子空间正交，形成空间谱函数；角度对应函数峰值点即为信号的方向估计；可以估计多个信号的角度。在该技术方案中，MUSIC算法可以：分析线阵的阵列数据矩阵；将阵列数据映射到角度domain；高分辨率估计信号的空间角度；与时频特征相结合，得到信号的时空频特征；提供额外的空间特征，增强分类效果。MUSIC算法提供了高精度的方向估计。
空间自由度，指的是使用天线阵列接收信号所获得的额外自由度信息。其主要特点是：天线阵列接收信号，获得信号在空间域的多视角信息；不同方向的信号在各天线上会有不同的收敛效应；通过分析天线间的信号差异可以获得信号方向信息；该空间信息提供了额外的特征自由度；与时域、频域特征组成多域联合特征。在该技术方案中，空间自由度的应用包括：构建信号的多维特征表达；提供独立的空间特征信息；增加模型对信号刻画的维度；改善模型的特征提取与表达能力；增强对信号的检测、识别与分类性能。空间自由度为信号分析提供了新的视角，是多域特征融合的重要组成部分。
角度相位谱(Angle of Arrival Phase Spectrum，AOA)是一种反映信号空间特征的时频分析方法。其主要思想和步骤是：构建线阵的空间协方差矩阵；对协方差矩阵进行特征值分解；分析特征向量对应的特征值；构建角度—相位谱函数；分析角度—相位谱的峰值分布。在该技术方案中，AOA的应用包括：利用线阵数据计算角度—相位谱；检测角度—相位谱的主导分量；确定信号的空间波达方向；获得信号的空间特征表达；与时频特征组合构建多域联合特征；提高对信号的检测与分类能力。AOA通过角度—相位信息反映信号空间特征。
自相关函数是用于分析信号内部相关性的一种方法。其主要思想和步骤是：计算信号与其本身之间的相关性；通过平移信号，计算不同时滞下的相关程度；自相关函数的值反映不同时滞下信号的相似性；分析自相关函数的峰值位置可以判断信号的周期性；自相关函数包括时域自相关和cyclostationary自相关。在该技术方案中，自相关函数的应用包括：计算信号的自相关图形；判断信号是否具有周期性或准周期性；提取信号的循环特征；对调制信号进行模式分析；与时频特征组合，增强对信号的刻画表达。自相关函数分析信号内在相关性，可以提供额外的循环特征，增强对信号的描述。
ESPRIT(Estimation of Signal Parameters via Rotational InvarianceTechniques)算法是一种高分辨率的方向估计算法。它的主要思想和过程是：利用阵列的平移不变性，构建两个平移不变的信号子空间；计算两个子空间之间的旋转运算符；从旋转算子的特征值确定信号的角度参数；可以估计多个信号源的角度；计算效率较高。在该技术方案中，ESPRIT算法可以用来：分析线阵数据，获取阵列导数矩阵；构建两个旋转不变的子空间；从旋转算子反向推导角度信息；获得信号的高分辨率空间角度特征；与其他特征结合，实现对信号的检测与分类。ESPRIT算法是一种高效准确的方向估计算法，可以强化信号的空间特征表达。
时延扩散测度Δτ，是一种分析无线信道多路径时延扩散的方法。它的主要思想和步骤是：发送探测信号，通过天线阵列接收信号；分析不同天线对之间的时延差值；统计信道的各路径时延值分布区间；计算时延差值的标准差作为时延扩散测度；时延扩散测度值越大，表示多径时延扩散越严重。在该技术方案中，时延扩散测度可以用来：评估无线信道的多径时延扩散程度；分析信号在传播过程中的时延失真情况；评价信道的复杂程度；为信号处理与优化提供依据；与其他信道统计特征结合，描述信道特性。时延扩散测度量化了多径对信号时延的影响，可以更全面地反映信道特征。
频谱分析是指对接收到的无线电信号进行频域分析的方法。它的主要思路和步骤包括：对信号进行傅里叶变换，得到振幅—频率关系；分析和提取频谱图形中的特征参数；如功率谱密度、主瓣宽度、副瓣位置等；观测不同频率成分的强度分布；确定信号占用的频带范围和主要频率成分。在该技术方案中，频谱分析的应用有：获取信号的频率DOMAIN特征；分析信号的频谱结构和参数；与时域和空域特征组合，构建多域特征；提供频率层面的信息，辅助信号分析；改善对信号的检测和分类性能。频谱分析揭示信号频域结构，是全面理解信号的必要手段之一。
频谱形状是针对无线电信号频谱结构的描述。它的主要思路和特点包括：通过对信号进行傅里叶变换，得到频谱图形；分析和提取频谱图形的整体形状轮廓；如单峰、双峰、平顶、锯齿形等；频谱形状反映信号的调制方式、参数设置等信息；不同类型信号的频谱形状具有区分性。在该技术方案中，频谱形状的应用有：描述信号频谱结构的整体特征；反映信号的参数和调制方式信息；与其他频域特征相结合，提高对信号的刻画；作为频域层面的鉴别特征之一；用于信号的检测、分类、识别等任务。频谱形状从整体上概括了信号的频谱结构，是频域分析的重要特征之一。
噪声水平是指信号中包含的噪声的强度程度。它的主要特点包括：噪声来源于环境、传输等过程；通过信噪比(SNR)等指标评估噪声水平；SNR越高，表示噪声水平越低；噪声水平直接影响信号检测和参数估计的效果；需要设计鲁棒技术来抵抗不同噪声水平。在该技术方案中，噪声水平的应用包括：分析信号的噪声危害情况；评估噪声对信号解析的影响；指导信号增强、滤波等预处理技术；设计参数估计和分类算法的鲁棒性；改善模型在复杂环境下的适应能力。噪声水平是评估信号质量和设计处理方案的重要指标之一。
信噪比(SNR)是评估信号质量的一个重要指标。其主要思想和特点是：SNR是信号功率与噪声功率之比的对数；SNR用分贝(dB)作为单位；SNR越高表示信号质量越好，噪声越低；低SNR下信号检测和参数估计更困难；SNR反映信号检测和分类的难易程度。在该技术方案中，SNR的应用包括：计算接收信号的SNR值；评估信号质量和噪声程度；设计信号检测算法的阈值和参数；对不同SNR条件验证算法鲁棒性；选择不同SNR下的optimal算法。SNR直观地反映信号质量，是指导信号处理方案设计的重要参考指标。
PILOT符号是一种已知的参考信号，常用于无线通信系统中。其主要思想和特点是：预先设计的已知信号模式；频繁插入数据流中，不承载信息；主要用于信道估计；通过提取Pilot，评估信道状态；Pilot设计直接影响估计精度。在该技术方案中，Pilot符号的应用包括：在发射端插入Pilot符号；在接收端提取和分析Pilot；评估无线信道的影响；为信号检测和解调提供依据；改善数据恢复和参数估计的性能。Pilot符号提供了已知参考，可以有效帮助信号检测与分析。
校验码是指在数据传输中加入的冗余码，用于检测和纠正错误。其主要思想和特点是：在发送端，根据一定规则对数据添加冗余码；在接收端，通过校验算法对数据进行完整性检查；常用的校验码有CRC、Hamming码等；校验码越长，检错能力越强；检验数据传输过程中的差错情况。在该技术方案中，校验码的应用包括：在发送端加入校验码；在接收端实现校验码的提取和解码；检测数据传输过程中的位错误；对损坏的数据包进行丢弃或纠正；改善数据的可靠性和完整性。校验码提高了数据传输的可靠性，用于检测和纠正传输错误。
误码率(BER)是评估数字通信系统误码性能的一个重要指标。其主要思想和特点是：BER表示在传输过程中错误码位占总码位数的比例；BER通常很低，以功率表示，如10^—5；BER越低表示误码越少，系统性能越好；计算或通过比特检测估计实际BER；BER受噪声干扰等因素影响。在该技术方案中，BER的应用包括：计算和分析系统的实际BER性能；与理论BER进行比较，评估系统误码情况；调整系统参数，提高BER性能；设计信道编码等技术来降低BER；改进数据传输的可靠性和稳定性。BER直观反映数据传输的误码率，是评价系统通信质量的重要指标。
ResNet模块是一种网络结构单元，属于残差网络(ResNet)的组成部分。其主要思想和结构是：通过残差连接实现输出＝输入+residual的结构；residual是通过残差函数计算得到；残差函数通常包含卷积层、BN层等；残差连接实现梯度直接传播，缓解梯度消失；容易优化，可以构建很深的网络。在该技术方案中，ResNet模块的应用包括：作为基础模块组建ResNet网络；通过堆叠ResNet模块增加网络深度；在网络的多个阶段部署ResNet模块；ResNet模块使训练深层网络成为可能；提高特征提取能力，增强网络表示学习能力。ResNet模块引入残差学习，使深度网络优化成为可能。
卷积层是卷积神经网络的基本组成层之一。其主要思想和特点是：卷积层通过卷积核与输入特征图进行卷积操作；卷积提取输入特征图的局部特征；卷积核通过滑动采集输入特征图信息；卷积操作保持输入的空间关系；卷积层通过学习提取输入的hierarchical特征。在该技术方案中，卷积层的应用包括：提取输入图像的局部特征；通过叠加卷积层增加特征的语义级别；不同卷积核学习不同特征；构建卷积神经网络进行特征学习；提取图像的边缘、纹理、部分等特征。卷积层是卷积神经网络的关键组成部分，通过卷积操作实现对特征的层次提取。
可分离卷积是一种更加高效的卷积方式。其主要思想和特点是：将标准卷积分为DEPTHWISE卷积和POINTWISE卷积；DEPTHWISE卷积对每个输入通道分别进行空间卷积；POINTWISE卷积进行1x1卷积实现通道间交互；可分离卷积大幅减少参数量和计算量；在保证效果的前提下提升卷积的计算效率。在该技术方案中，可分离卷积的应用包括：取代标准卷积，成为轻量级网络的常用卷积方式；降低模型参数和计算量；提升深度模型在移动端的部署效率；模型压缩时使用可分离卷积进行加速；在保证效果的前提下实现高效的特征提取。可分离卷积大大提升了卷积的计算效率，是构建轻量级深度模型的重要手段之一。
池化层是卷积神经网络中的一种重要组成层。其主要思想和特点是：池化层对输入特征图进行降采样操作；常见的池化方式有最大池化、平均池化等；池化可以减少参数量，控制过拟合；池化保留主要特征，提高特征鲁棒性；池化层放在卷积层后，降低特征图分辨率。在该技术方案中，池化层的应用包括：插入在卷积层之间，进行特征降采样；最大池化保留主要特征，平均池化增强特征稳定性；控制参数量和避免过拟合；提取图像的轮廓、形状等特征；构建卷积神经网络，实现特征提取。池化层通过降采样提高特征鲁棒性，是卷积神经网络的标准组成部分之一。
窗口类型、窗口长度和重叠系数都是用于通信信号分帧的关键参数。窗口类型：常用的窗口类型有汉明窗、汉宁窗、布莱克曼窗等。不同的窗口类型对信号边缘的处理方法不同，会影响谱分析的效果。窗口长度：
窗口长度决定了每帧包含的样本数量。窗口长度越长，频谱分辨率越高；但时域分辨率降低。窗口长度需要根据分析需求设置。重叠系数：
相邻帧之间重叠的样本数量比例。重叠可减少边缘效应，但增加运算量。重叠系数越大，频谱越平滑。
WaveNet模块是一种信号生成模型的基本组成模块。其主要思想和结构是：WaveNet利用卷积神经网络对信号波形进行建模；WaveNet模块包含多个残差块和栈式卷积块；每个残差块学习泊松分布，输出波形采样分布参数；栈式卷积块扩大感受野，捕捉长时依赖关系；模块级联Capture信号的细节特征和长时结构。在该技术方案中，WaveNet模块的应用包括：级联模块构建深度WaveNet模型；模块捕捉不同粒度的信号特征；多个模块共同学习复杂的信号分布；生成高质量、自然的信号波形；在语音合成、音乐生成等任务中拓展应用。WaveNet模块通过网络深度学习信号特征分布，使神经网络信号生成成为可能。
残差连接是一种网络结构设计，通常应用于深度残差网络(ResNet)。其主要思想和特点是：将前层的输入直接加到后层输出上；实现输出＝输入+残差函数的计算结构；残差函数通常是一个卷积网络结构；残差连接实现梯度直传，缓解梯度消失；容易优化，可以训练很深的网络。在该技术方案中，残差连接的应用包括：构建残差网络模块，如ResNet中的残差块；应用在多个网络层之间，实现梯度直传；使得非常深的神经网络变得易于训练；残差连接成为深度网络的标准组成；提升网络表示学习能力，增强特征提取。残差连接使深度网络优化成为可能。
膨胀卷积是一种用于图像分割的卷积方式。其主要思想和特点是：在标准卷积中插入空洞，扩大感受野；空洞大小控制卷积核采样间隔；膨胀卷积能聚合更多全局上下文信息；在保证分辨率的前提下扩大感受野；一定程度上保持了定位精细性。在该技术方案中，膨胀卷积的应用包括：用于图像分割网络中，捕捉全局上下文信息；膨胀卷积块取代普通卷积块；控制膨胀系数，平衡感受野和计算量；有效扩大网络感受野，提升分割精度；保持一定密集提取，防止错位。膨胀卷积通过空洞采样有效扩大感受野，在图像分割网络中被广泛使用。
能量突增点是一种通信信号的关键特征点。其主要思想和特点是：信号能量在突增点处出现明显增大；突增点包含重要的信号信息，如语音爆破音；通常通过能量曲线查找局部极大值点；也可以通过波形突变性检测突增点；突增点分割不同音素，提取关键信号特征。在该技术方案中，能量突增点的应用包括：检测和提取通信信号的突增点；基于突增点进行音素分割；设计突增点特征，表示信号信息；进行语音识别、语音编码等任务；改进模型对重要信号特征的敏感性。能量突增点包含丰富语音信息，是许多信号分析任务的基础特征之一。
相位突变点是一种通信信号的关键特征点。其主要思想和特点是：信号相位在突变点出现跳变；突变点包含通信信号的快速变化信息；主要检测相位一阶差分的突变情况；相位突变敏感地反映语音产生的瞬时变化；相位突变点常作为音素边界点进行检测。在该技术方案中，相位突变点的应用包括：检测和提取通信信号的相位突变点；基于突变点进行音素和语音段检测；设计相位突变特征，表示信号细节；应用于语音编码、合成等任务中；提高对通信信号瞬变变化的捕捉能力。相位突变点包含丰富的语音细节信息，是许多信号分析任务的有效特征。
时频特征突变点是一种通信信号的关键特征点。其主要思想和特点是：时频表示将通信信号表示为时域和频域的联合函数；在时频平面上，突变点处时频特征出现明显变化；通过时频分析方法如小波变换检测突变；反映通信信号的瞬态变化信息；突变点作为音素和语音段边界进行检测。在该技术方案中，时频特征突变点的应用包括：通过时频分析提取通信信号的突变点；利用突变点进行精确的语音分段；设计突变点时频特征，表示信号细节；应用于语音编码、识别等任务中；提高对复杂信号瞬态变化的敏感性。时频特征突变点融合时频信息，可以有效表示复杂通信信号的细节变化。
非线性映射指的是通过非线性函数来实现数据空间之间的映射关系。其主要思想和特点是：使用非线性激活函数来进行映射，如ReLU、sigmoid等；非线性映射可以获得更复杂的特征表示；克服线性映射的表达能力有限的问题；常用于深度神经网络的隐层中；不同非线性函数有不同的映射特性。在该技术方案中，非线性映射的应用包括：增强深度网络的表达能力和拟合能力；作为神经网络核心结构，实现复杂映射；通过叠加非线性层，逐步抽象数据特征；为端到端的特征学习提供可能；根据具体问题选择合适的非线性函数。非线性映射是深度学习实现复杂函数拟合的关键，大大提高了模型的表达能力。
Dropout是一种深度学习的正则化技术。其主要思想和特点是：以一定概率随机将部分神经元暂时从网络中丢弃；在训练时添加噪声，防止过拟合；在测试时不使用Dropout，保证全部神经元工作；可以应用在全连接层和卷积层等；Dropout率需针对不同任务进行调优。在该技术方案中，Dropout的应用包括：在深度网络的全连接层添加Dropout；控制模型复杂度，减轻过拟合；提升模型的泛化能力；在训练阶段随机丢弃神经元；找到最佳的Dropout比例。Dropout通过随机置零防止过拟合，是深度学习中一种有效的正则化手段。
正则操作是一种防止神经网络过拟合的技术手段。其主要思想和特点是：在模型目标函数中引入正则项；正则项限制模型参数大小或复杂度；常见的正则方式有L1正则、L2正则等；引入正则可缩减模型参数空间；通过惩罚复杂模型避免过拟合。在该技术方案中，正则操作的应用包括：在网络损失函数中添加L2权重衰减；使用L1正则使模型参数稀疏；通过惩罚权重范数限制模型复杂度；利用正则项控制模型对训练数据的拟合程度；根据任务设计合适的正则策略。正则操作简化了模型，是提高神经网络泛化能力的一种常用手段。
GRU层是一种门控循环单元层。其主要思想和特点是：GRU是一种简化的LSTM结构，只有更新门和重置门；更新门控制上一个状态要保留的信息量；重置门控制当前输入要加入的信息量；GRU没有输出门，降低了参数量；GRU处理长序列依赖关系，抑制梯度消失。在该技术方案中，GRU层的应用包括：设置GRU层处理输入时间序列；GRU捕捉时间序列的长距离依赖关系；GRU层可堆叠构建深层循环网络；处理自然语言，语音，时间序列等数据；GRU参数较少，训练速度更快。GRU通过门控结构有效捕捉时间依赖，是构建循环神经网络的关键组件之一。
softmax分类单元是一种多分类模型的输出层。其主要思想和特点是：softmax将网络输出归一化为概率分布；每个输出节点表示一个类别的概率；softmax计算每个类别的对数似然概率；取对数似然概率最大的类别作为预测；softmax适用于多分类任务。在该技术方案中，softmax分类单元的应用包括：添加softmax层输出多类别预测概率；softmax将网络输出转换为概率；计算交叉熵损失进行多分类模型训练；最终预测类别取softmax概率最大的；与其他分类层联合使用提高效果。softmax将网络输出转换为概率分布，是实现多类别分类的标准输出层。
调制分类是指识别通信信号的调制类型，包括：调幅(AM)，改变载波振幅来传输信息；调频(FM)，改变载波频率来传输信息；调相(PM)，改变载波相位来传输信息；多进制键控(PSK)调制相位的数字调制；正交频分复用(OFDM)多载波调制技术。调制分类的主要思想和特点：通过分析接收信号的调制特征来识别调制类型；常用调制分类算法有决策树、支持向量机等；也可使用深度学习方法如卷积神经网络进行端到端调制分类；调制分类在监视和管理无线电频谱中很重要；可用于非法无线电信号检测等应用。调制分类识别通信信号的调制方式，在无线通信和电磁环境感知中有重要作用。
发射源分类是指区分电磁环境中不同类型的无线电发射源，主要包括：无线电通信源：如手机、无线电、雷达等；工业设备源：如微波炉、电气设备等；自然源：如闪电、太阳爆发等。发射源分类的主要思想和特点：通过分析信号的特征参数进行发射源分类；常用特征有带宽、调制类型、脉冲重复率等；使用机器学习算法建立分类模型；也可使用深度学习进行端到端源分类；发射源分类在无线电监测和电磁战场环境感知中很关键。发射源分类区分混合环境中的不同无线电信号源，对电磁景观分析很重要。
解耦通常指模块、组件或参数之间降低依赖关系，实现相对独立。解耦的主要思想和特点：降低模块内部元素之间的耦合度；模块内部元素间联系松散，独立性较高；实现接口/参数标准化，提高兼容性；有利于模块的重用和维护；典型的解耦方式有中间件、外观模式等。解耦的应用包括：软件架构采用中间件连接松散耦合的组件；模块内采用标准接口降低内部功能间依赖；参数采用配置文件/外部输入的方式进行解耦；解耦可以限制变更的影响范围；提高系统模块的独立性、兼容性与重用性。适当的解耦可以提升软件系统的灵活性与可维护性。
分类交叉熵损失函数是用于分类问题的一种常用损失函数。其主要思想和特点是：基于信息熵理论，衡量预测分布与真实分布的差距；真实标签采用one—hot编码形式；交叉熵近似评估标签分布的负对数似然；最小化交叉熵可使预测概率分布接近真实分布；易于计算和优化，使用广泛。在该技术方案中，分类交叉熵损失函数的应用包括：作为分类模型的损失函数；用于监督学习，需要真实标签；联合softmax分类层使用；鼓励学习真实类别的概率分布；常用于图像分类、语音识别等分类任务。分类交叉熵损失函数可以有效评估分类结果，引导模型优化，是分类问题的首选损失函数。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其他类似情景。除非从语言环境中显而易见或另作说明，图中相同标号代表相同结构或操作。
应当理解，本说明书中所使用的“系统”“装置”“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”“一个”“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排他性的罗列，方法或者设备也可能包含其他的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的一种无线通信信号检测方法的示例性流程图，如图1所示，一种无线通信信号检测方法包括如下技术步骤：
S110采集复杂环境下宽带无线电信号数据，数据包含：原始波形、时频图和信道状态特征；根据奈奎斯特采样定理对无线电信号进行采样；采用抗混叠滤波器对采样信号进行滤波；利用数据采集卡采集信号的原始波形；通过窗函数采集信号的时频图；计算信道状态特征包括：利用线阵采集信号的AOA；计算信号的时延扩散度和信噪比；进行误码检测以获得信道BER；S120利用卷积网络从时频图中提取时频特征，卷积网络包含卷积层、ResNet模块、池化层和全连接层；S130利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征；S140通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达，全连接网络中加入Dropout操作进行正则化；S150将联合特征输入分类层，增加调制分类和发射源分类等多任务输出层；实现任务之间解耦和正则化，最终综合判断输入信号的属性。其中，采集复杂环境下宽带无线电信号数据，数据包含：原始波形、时频图和信道状态特征。通过上述技术方案，实现了对非稳定环境下无线通信信号的检测和识别。
其中，S110中采集包含原始波形、时频图和信道特征在内的多域信号数据。采用抗混叠滤波去噪，并按奈奎斯特采样定理采样，保证采集的原始波形质量。S120使用卷积网络学习时频图的时频特征，通过卷积层、ResNet模块和池化层提取抗噪和旋转变换的时频特征。S130对原始波形应用Inception网络和自注意力机制，学习时序关系和全局依赖性，得到反映时域Details的空域特征。S140采用全连接网络融合时频特征、空域特征和信道状态特征，进行异构特征的联合表达。加入Dropout进行正则化，增强网络泛化能力。S150以联合特征为输入，进行调制分类和发射源分类，实现多任务学习。任务间解耦，避免互相干扰。综上，该方案融合多域信号特征，采用多网络捕捉不同特性信息，并进行异构特征的联合优化表达，提高了对复杂环境下非稳定宽带无线电信号的识别精度和鲁棒性。
具体地，使用高速数据采集卡，采集发射信号的原始波形，满足奈奎斯特采样定理，避免采样失真，对采集到的波形信号进行预处理，包括去均值、滤波、信号校正等，通过窗函数设计，采集信号的多尺度短时Fourier变换时频图，对时频图和波形进行降噪、干扰消除、异常值处理等清洗。
具体地，为了满足奈奎斯特采样定理，避免采样失真，可以采取以下技术方案：计算信号的最大频率成分fmax。一般fmax可以通过信号的调制类型和调制参数来确定；根据奈奎斯特采样定理，采样频率fs应满足：fs≥2*k*fmax；因此，可以配置采样频率fs为：fs＝2*k*fmax，1≥k其中k为一个置信系数，通常取0至1；采用合适的抗混叠滤波器，对采集的原始信号进行滤波，保证信号在采样区间内不产生混叠；配置数据采集卡，其采样率应大于计算出的fs。对模数转换精度也有要求；在采集过程中，调节发射信号功率保证采样动态范围合适，不出现泛滥或弱信号被埋没；对采集结果，检查是否存在明显的谐波成分或失真信号，从采样定理角度验证采集参数的合理性；重复上述过程，确定满足采样要求的采集配置与参数。
图2是根据本说明书一些实施例所示的采集信道状态特征的示例性流程图，如图2所示，采集信道状态特征包括如下技术步骤：
同步获取传输链路的信道状态数据，表示信道质量，信道状态特征：S111设置4元线阵天线，连接到数字信号处理系统。天线阵接收复杂环境下的无线信号。对接收信号进行同步缩放调整，整形滤波等预处理。将预处理后的信号在频域上采样，得到数字序列。分别缓存各天线通道的数据序列。S112读取数据，将各天线信号送入MUSIC算法模块。MUSIC模块输出信号的角度相位谱。S113再将天线信号传入ESPRIT模块，计算信号的时延特征。ESPRIT模块输出信号的时延扩散值Δτ。S114同时，将接收信号输入频谱分析模块。频谱分析模块计算信号的中心频率、带宽和信噪比。S115读取数据帧中的特定符号，进行误码检测。误码检测模块输出信道的误码率BER。S116将Δτ、AoA、SNR和BER经归一化处理后进行融合得到信道状态特征，最终输出表示信道状态的评分指标。反馈评分与实际信道质量，调整算法优化结果。
其中，S111设置4元线阵天线，进行信号采集和预处理，获取多通道数字信号。S112将多天线信号输入MUSIC算法，计算信号的角度特征AoA。S113将信号再输入ESPRIT算法，计算时延扩散度特征。S114同时进行频谱分析，得到信号的中心频率、带宽和信噪比。S115通过误码检测计算信道的BER指标。S116将上述AoA、时延扩散、信噪比和BER特征，经归一化后融合得到评分指标。通过多天线阵列采集信号，并计算信号的角度、时延、频率和误码检测等特征，融合形成信道状态指标，可以更全面准确地评估复杂环境下信道的传输质量。特征互补表达信道状态，调优各特征提取算法，不断改进指标与真实信道质量的匹配程度。综上，该方案整合多种信道状态特征，形成针对非稳定信号传输的信道状态表达，为后续的信号识别提供有效的辅助信息。
其中，多天线接收形成空间多样性，可以获得更丰富的空域信息。非稳定信号易受到空域衰落影响，多天线可提供冗余空域样本；线阵结构可以获得信号的空间波束特征，通过高分辨率方向估计算法(如MUSIC)可以估计信号的到达角度，获得诸如角度频谱等空域特征；4元线阵兼具结构简单与处理效率。天线数过少无法形成有效波束，过多将导致特征冗余和计算量大幅提高；元线阵能够在复杂性与效果之间求得平衡；多天线结合物理层算法，可以增加时域和频域特征，提高对信号细节的学习。这对非稳定信号识别很关键；天线阵列还可以构建空时自适应处理，追踪非稳定信号，动态校正接收方向。综上，设置4元线阵天线增加空域自由度，可以从更全面的维度学习信号特性，提升对复杂环境下非稳定无线电信号识别的鲁棒性和准确率。
具体地，多径Angles of Arrival(AOA)表示信号从不同角度到达的能量分布情况，使用阵列天线估计。信噪比(SNR)表示信号与噪声的比值，反映信道噪声程度。误码率(BER)直接反映信道对信号造成误码的严重程度。多径时延扩展(Delay Spread)反映多径对信号的时延影响程度，主要通过信号的自相关函数分析获得。
具体的，采用4元均向线阵，对接收的无线信号进行数字化处理；将数字化的天线信号输入到MUSIC算法模块；MUSIC算法利用天线阵的空间自由度，从信号的空间自相关矩阵分析信号的角度信息；最终MUSIC算法输出信号抵达方向的角度相位谱(AOA)；再单独对各天线信号进行取相和放大等处理；通过比较天线对之间的相位差和幅度比，可以得到信号在不同天线间的相位差和幅度差信息；最后将MUSIC算法给出的AOA和天线对比得到的相位与幅度差信息综合，用于表示信道的多径特性。
具体的，将线阵接收的数字信号，在时间域上分段，每段作为数组的一行；计算各段信号的数据自相关矩阵Rxx；对Rxx的特征值分解，保留主要的特征向量；将特征向量构成信号子空间矩阵Es；从Es中选取两段连续的子矩阵E1和E2；计算E1和E2之间的旋转运算，获得旋转矩阵Φ；对Φ的特征值进行分解，获得复指数序列；根据复指数序列，计算信号的时延向量；求取时延向量的最大值与最小值之差，即为时延扩散Δτ；对噪声环境优化算法，提高Δτ估计的准确率；输出Δτ作为后续信道状态分析的参考；重复计算以跟踪信道时延变化。综上，通过ESPRIT算法估计时延信息，可以获得表示多径效应的时延扩散Δτ。
具体地，将接收信号进行FFT变换，得到信号的频域表达；分析频谱图形，确定信号所占的主要频带范围；在该频带内，计算频谱的平均功率PS；选取信号频带外的频点，计算背景噪声的平均功率PN；SNR可以估计为：SNR＝PS/PN6.更精确地，可以结合信号的调制方式，确定理想信号频谱模型；将接收信号频谱与理想模型进行相关运算；相关峰值即为信号功率，非相关部分为噪声功率；再根据功率得到SNR；重复计算以跟踪信道SNR的变化；也可以采用噪声自相关矩阵分析方法获得SNR；输出SNR作为后续噪声分析的依据。
具体的，在接收信号帧结构中，定位包含已知PILOT符号或校验码的字段；将接收到的符号/码字与原始序列进行比较；统计比特错误数量n，和总比特数N；BER可估计为：BER＝n/N；对于校验码，可以直接计算检验不通过的码字数量；BER近似为：检验失败码字数/总码字数；当码字长度较长时，可适当缩短码长，减小检测开销；对于重要数据，可以采用循环冗余校验(CRC)，提高检测准确率；设置阈值，当BER超过某值时，进行干扰识别或报警；跟踪BER的变化，反映信道质量变化。
图3是根据本说明书一些实施例所示的提取时频特征的示例性流程图，如图3所示，提取时频特征包括如下技术步骤：S121设置不同窗函数的参数，计算无线信号的多个时频图，得到无线信号的多尺度时频信息；将多个时频图依次输入卷积网络进行处理，卷积网络用于特征提取；卷积网络包含卷积层、ResNet模块、池化层和全连接层；S122卷积层对各时频图使用可分离卷积进行处理，提取时频图的局部特征；S123 ResNet模块学习不同尺度时频图的局部特征之间的关联性；S124池化层获得局部特征的紧凑表达；S125全连接层整合来自多个时频图的特征，得到全局特征；输出表示无线信号时频特征的特征向量；时频特征集成了不同尺度下时频图的局部和全局信息；其中，设置不同窗函数的参数包含：时频分析的窗口类型、窗口长度和重叠系数。
其中，S121设置不同参数的窗函数，对信号进行多尺度时频分析，获得包含局部和全局信息的多组时频图。S122使用可分离卷积提取各时频图的局部特征，学习局部时频细节。S123 ResNet模块学习不同尺度时频图之间的关联性，建立局部特征之间的连接。S124池化层获得局部特征的紧凑全局表达。S125全连接层整合各时频图的特征，形成全新的全局特征表达。通过多尺度时频分析，可分离卷积网络从局部到全局地学习时频结构，最后形成整合了不同尺度时频信息的复杂特征表达。参数设置确定时频分析的精细程度，并影响特征学习的着重方面。经调优的参数设置可以增强对非稳定信号的时频细节学习。综上，该方案构建了一个涵盖局部和全局的多层次时频特征学习流程，能有效表示非稳定信号中的时频结构信息。
具体地，利用不同参数计算多个时频图，获取信号的多尺度时频信息；在本实施例中，采用不同长度的矩形窗、汉宁窗、布莱克曼窗等生成时频图。矩形窗获得最高频分辨率，汉宁窗抑制边缘泄露；窗口长度范围从64到2048点不等，覆盖信号的不同尺度细节；重叠系数设置为50％以上，确保所有时频细节都被捕捉；在保证最大时频分辨率的前提下，适当减小频域采样率，减少冗余计算；应用精心设计的滤波器组对原始信号进行子带划分，提取特定频带的时频特征；利用小波变换获得不同时间和频率分辨率下的时频图；采用匹配追踪方法，根据信号的瞬态变化自适应调整时频图的参数；设置适当的时频图更新速率，在保真和计算量之间达到平衡；采用主成分分析等方法去除冗余的时频图，保留主要成分。
通过卷积网络提取多个时频图的局部和全局特征，得到信号的时频特征表达；具体的，在本实施例中，对原始无线信号进行采样，设置采样率至少为信号带宽的2倍；利用矩形窗、汉宁窗和布莱克曼窗等，设置不同的窗口类型；窗口长度范围设定为64—2048点，在本实施例中设置重叠系数为75％；对每个窗口，应用短时傅里叶变换，得到不同参数下的时频图；利用卷积窗口大小3x3，步长1对时频图进行特征提取；采用可分离卷积，先捕获时间特征，再捕获频率特征；ResNet模块包含2个卷积层，2个批归一化层，1个跳跃连接；平均池化窗口大小设定为2x2，步长2；全连接层节点数与时频图数量相匹配，进行整合；重复上述步骤，直到提取出覆盖不同尺度的时频特征；输出长度与原始时频图大小相匹配的特征向量。各步骤的数据流向为：时频图数据—〉可分离卷积层—>ResNet模块—〉平均池化—〉全连接层—〉时频特征。
更具体的，池化层获得紧凑局部特征表达的技术方案：对时频图进行卷积处理，获取局部特征映射；设置池化窗口，池化窗口的大小小于局部特征映射；以步长方式滑动池化窗口，逐步在局部特征映射上取样；计算池化窗口内的特征响应最大值，作为该窗口区域的特征表达；滑动池化窗口每移一个步长，重复上述计算过程；最终，将所有滑动窗口的最大池化特征响应组合，形成紧凑的局部特征表达；其中，通过最大值池化实现对特征的压缩，保留局部特征的主要结构信息；调整池化窗口大小和步长可获得不同粒度的特征表达。
图4是根据本说明书一些实施例所示的提取空域特征的示例性流程图，如图4所示，提取空域特征包含如下技术步骤：
S131获取无线信号的原始波形采样数据序列；S132利用可分离卷积对原始波形进行预处理，初始化特征映射；S133将预处理后的特征映射输入WaveNet模块，WaveNet模块包含多层残差连接和膨胀卷积，学习波形的局部时序特征；S134在WaveNet模块后加入基于LSTM的时序注意力机制，对关键时序位置进行聚焦；S135利用Inception模块进行多尺度特征融合，学习时序特征之间的全局依赖性。
其中，全连接层整合Inception模块输出，得到原始波形的空域特征表示；空域特征集成了波形的时序关系和全局依赖性信息。数据按照流程：原始波形—〉可分离卷积—>WaveNet—〉时序注意力—>Inception模块—〉全连接层—〉空域特征。S131获取无线电信号的原始数字波形。S132用可分离卷积对波形进行预处理，初始化特征映射。S133 WaveNet模块对波形进行多层膨胀卷积，学习提取局部时序特征。S134基于LSTM的时序注意力机制，聚焦关键时序位置。S135 Inception模块融合不同尺度的时序特征，建立全局依赖性。通过可分离卷积、WaveNet和Inception的协同，从局部到全局地学习原始波形中的时域结构，获得对关键时序细节更为敏感的特征表达。注意力机制聚焦信息量大的时刻，增强对非稳定信号瞬时变化的关注。综上，该方案全面学习复杂波形的时域特征，能增强对非稳定无线电信号时序细节的表示和识别。
具体地，关键时序位置为波形序列中能量突增点、相位突变点以及时频特征突变点等。能量突增点：当信号中的能量在某一时刻出现明显的突增，往往预示着信号模式的改变，反映出信号具有一定的非平稳性。提取这些能量突增点，可以帮助模型学习信号的非平稳特性；相位突变点：相位表示信号的一种特征，相位的突变也常常伴随着信号模式和属性的改变。因此，相位的突变点也是重要的特征点；时频特征突变点：信号在时频图上的分布往往不是平稳的，当出现突变，表示信号模式产生了变化。检测时频突变点，有利于捕捉信号的瞬态特征；将上述三类关键点融合作为关键时序位置，可以从多个视角捕捉信号模式的变化，因此能够增强模型学习序列数据的能力，提升分类效果。综上，选取能量突增点、相位突变点和时频特征突变点作为关键时序位置，可以帮助模型从多个方面学习无线信号的时序特征和瞬态特性
更具体的，在本实施例中，对原始无线信号采样序列进行分段，每段2048个样本；对各段数据利用5层可分离卷积进行特征提取，卷积核大小3x1，激活函数ReLU，批归一化；WaveNet模块包含8层膨胀卷积，膨胀率2的幂次，卷积核大小3。残差连接按层间隔2连接；时序注意力机制采用1层双向LSTM，输出注意力向量，与WaveNet输出按元素相乘；Inception模块包含3条并行支路，分别采用1x3，3x1和3x3可分离卷积。输出Concat在一起；全连接层包含512个节点的隐层，输出长度256的特征向量；使用Adam优化器更新参数，学习率初值0.001，优化10轮；重复处理所有数据段，最终拼接每个段的空域特征。
图5是根据本说明书一些实施例所示的提取联合特征的示例性流程图，如图5所示，提取联合特征包含如下技术步骤：
提取无线信号的时频特征、空域特征和信道状态特征；S141将时频特征、空域特征与信道状态特征进行拼接，得到初级特征表示；S142将初级特征表示输入到注意力层，学习不同特征的权重系数；S143将注意力层的输出传入全连接网络，通过非线性映射进行特征融合；S144在全连接网络中加入Dropout操作，实现正则化；S145经过全连接网络后，输出用于信号分类的联合特征表达；S146将联合特征输入全连接输出层，完成信号分类。
其中，数据按顺序流经：时频特征、空域特征、信道特征—>拼接—>注意力层—>全连接网络—>Dropout—>联合特征表达—>全连接输出层。S141将提取的时频特征、空域特征和信道特征进行简单拼接，得到初级特征表示。S142注意力层学习不同特征的权重系数，强调表达能力强的特征。S143全连接网络对各特征进行非线性映射，进行特征空间的坐标变换。S144加入Dropout操作，增强网络的泛化能力。S145全连接网络输出经正则化的特征融合表达。S146基于融合特征进行信号分类。通过注意力融合不同视角的异构特征，充分结合各特征的优势，形成对信号属性更全面描述的联合特征表达。正则化避免特征冗余和过拟合。最终的联合特征增强了对非稳定信号的判别和识别能力。综上，该方案通过异构特征的联合学习与融合，使信号细节表达更加丰富完善，提升了对复杂环境信号的分类与识别性能。
具体的，在全连接网络中设置若干个全连接层，用于特征映射；在每个所设置的全连接层之后，增加Dropout层进行正则操作；Dropout层具体实现为：按一定概率p随机断开当前层神经元输出与下一层神经元输入之间的连接；Dropout概率p取值范围为0.2至0.5；通过该Dropout操作，抑制了特定神经元对网络输出的依赖性，减少各层间共适应性，提高网络泛化能力；最终经过带有多个Dropout层的全连接网络，输出正则化后的优化特征表达，以提高模型的检测性能。其中，注意力层为GRU层。
具体的，在本技术方案中，全连接网络层后设置Dropout层进行正则化，概率p取值范围为0.2至0.5，这对提高非稳定信号检测精度的技术效果主要体现在：p取较小值0.2时，随机断连概率较低，可保留较多原始特征信息，避免有用特征丢失，以保证识别性能；p取较大值0.5时，随机断连概率较高，正则作用更明显，可进一步减少过拟合，提高模型鲁棒性；0.2至0.5的区间兼顾信息量与正则效果，适合信号特征复杂多变的非稳定环境；概率间可进行调参，平衡特征保留和正则需求，优化非稳定场景下的模型泛化；相比确定性丢弃，随机丢弃增加噪声，可进一步提升模型对噪声扰动的适应性；相比简单网络，设置Dropout的全连接结构对特征学习和表达更加稳定可控。综上，取值范围0.2至0.5使Dropout既保证信息量，又增强模型泛化性，可显著提升技术方案对复杂非稳定信号检测的效果。
具体的，在本实施例中，时频特征通过5层卷积网络提取，包含两层残差块，输出长度512；空域特征通过Inception网络提取，输出长度256；信道状态特征通过2层全连接网络提取，输出长度128；将上述3种特征平坦化后拼接，输入到双向GRU注意力层，长度512；GRU注意力层输出经过长度为1024的全连接隐层，激活函数ReLU；全连接隐层后接长度为128的输出层，并使用Dropout概率0.5；7.128维输出特征经过Normalization处理，输入到Softmax分类层；采用Adam优化器和交叉熵损失函数进行训练，学习率为0.001；重复处理每个数据样本，完成分类模型的训练。
图6是根据本说明书一些实施例所示的获取调制识别结果的示例性流程图，如图6所示，获取调制识别结果包含如下技术步骤：
S15在网络输出端，增加调制分类输出层和发射源分类输出层两个不同任务的输出层；将全连接网络输出的联合特征表达同时输入到调制分类输出层和发射源分类输出层；S152调制分类输出层为包含softmax分类单元的全连接层，用于输出输入信号调制方式的类别概率，完成调制方式的多分类；S153发射源分类输出层同样为包含softmax分类单元的全连接层，用于输出输入信号发射源的类别概率，完成发射源的多分类；调制分类输出层和发射源分类输出层的参数不共享，实现两任务之间的解耦；S154通过同时优化分类交叉熵损失函数来联合训练两个任务，实现不同任务之间的正则化，提升模型泛化能力；S155最终，通过整合两任务输出结果，综合判断输入信号的调制和发射源属性，完成信号检测。通过该技术方案，实现了对输入信号调制方式和发射源属性的同时检测和分类，提高了识别的准确率。
其中，S151在网络输出端增加调制分类和发射源分类两个输出层。S152调制分类输出层为全连接层，输出调制方式概率。S153发射源分类输出层为全连接层，输出发射源概率。S154两个任务层不共享参数，实现解耦。S155使用分类交叉熵损失函数，训练网络联合优化两个任务。S156最终综合两任务结果，完成信号分类。多任务学习同时考虑信号的调制和源信息，不同任务通过解耦合联合训练实现正则化。两类信息相互补充，共同优化下可形成对信号属性更全面和敏感的特征表达。综上，该方案实现了多任务协同学习，提高了模型对复杂环境下非稳定信号的识别和判断能力。
具体地，在本实施例中，输入层：接收复杂环境下的无线电信号原始波形、时频图和信道状态特征；特征提取层：包含卷积网络、Inception网络和全连接网络，分别提取时频特征、空域特征和联合特征。卷积网络由3个卷积块、2个池化层、1个全连接层组成，每个卷积块含2个卷积层、1个ResNet模块，通过可分离卷积、ResNet学习不同尺度时频图的特征。Inception网络由WaveNet模块、注意力机制层、2个Inception模块组成，学习时序特征和全局依赖性。全连接网络包含1个拼接层、1个注意力层、2个全连接层，加入Dropout进行正则化，输出联合特征；分类输出层：包含调制分类层和发射源分类层。调制分类层为全连接层+softmax，输出调制分类结果。发射源分类层为全连接层+softmax，输出发射源分类结果。两层不共享参数，通过联合训练实现正则化；输出层：综合两分类结果，输出检测判断。通过该网络结构，实现了对调制方式和发射源的同时检测与分类，提高了无线信号检测的准确性。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性地设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种无线通信信号检测方法，用于非稳定信号的检测，包括：
采集复杂环境下宽带无线电信号数据，所述数据包含原始波形、时频图和信道状态特征；
利用卷积网络从时频图中提取时频特征；
利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征；
通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达；
通过分类层输出联合特征的调制识别结果。
2.根据权利要求1所述的无线通信信号检测方法，其特征在于：
采集复杂环境下宽带无线电信号数据包括：
根据奈奎斯特采样定理进行采样，采样频率满足下式：
；
其中，为信号的最大频率；/>为置信系数，/>的取值范围为0至1；
采用抗混叠滤波器，对采集的原始信号进行滤波；
利用数据采集卡，采集信号的原始波形；
通过窗函数，采集信号的多尺度短时傅里叶变换时频图。
3.根据权利要求1所述的无线通信信号检测方法，其特征在于：
采集信道状态特征包括：
采用4元均向线阵，对接收的无线信号进行数字化处理；
通过MUSIC算法，利用线阵的空间自由度，获取信号的角度相位谱AOA；
获取接收信号的自相关函数，采用ESPRIT算法获取时延扩散测度；
对接收信号进行频谱分析，结合频谱形状和噪声水平，计算信号的信噪比SNR；
利用接收信号帧中的PILOT符号或校验码，进行误码检测，得到信道的误码率BER；
将AOA、、SNR和BER作为信道状态特征。
4.根据权利要求1所述的无线通信信号检测方法，其特征在于：
利用卷积网络从时频图中提取时频特征包括：
获取无线信号；
设置不同窗函数的参数，计算无线信号的多个时频图，得到所述无线信号的多尺度时频信息；
将所述多个时频图依次输入卷积网络进行处理，所述卷积网络用于特征提取；
所述卷积网络包含卷积层、ResNet模块、池化层和全连接层；
卷积层对各时频图使用可分离卷积进行处理，提取时频图的局部特征；
ResNet模块学习不同尺度时频图的局部特征之间的关联性；
池化层获得局部特征的紧凑表达；
全连接层整合来自多个时频图的特征，得到全局特征；
输出表示所述无线信号时频特征的特征向量；
所述时频特征集成了不同尺度下时频图的局部和全局信息；
其中，所述设置不同窗函数的参数包含：时频分析的窗口类型、窗口长度和重叠系数。
5.根据权利要求1所述的无线通信信号检测方法，其特征在于：
利用Inception网络和自注意力机制从原始波形中学习时序关系和全局依赖性，得到空域特征包括：
获取无线信号的原始波形采样序列；
对所述原始波形采样序列进行预处理以初始化特征映射；
将初始化后的特征映射输入到WaveNet模块，WaveNet模块采用残差连接和膨胀卷积来学习波形的局部时序特征；
在WaveNet模块之后，引入时序注意力机制，通过聚焦关键时序位置来增强时序特征的表达；
利用Inception模块进行多尺度时序特征的融合，以学习时序特征之间的全局依赖关系；
通过全连接层输出，形成表示原始波形空域特征的特征向量；
所述空域特征集成了原始波形序列的时序关系及全局依赖信息；
其中，所述关键时序位置为：波形序列中能量突增点、相位突变点或时频特征突变点。
6.根据权利要求1所述的无线通信信号检测方法，其特征在于：
通过全连接网络融合时频特征、空域特征和信道状态特征，得到联合特征表达包括：
提取所述无线信号的时频特征、空域特征和信道状态特征；
将所述时频特征、空域特征和信道状态特征进行拼接，得到初级特征表示；
将所述初级特征表示输入到注意力层，学习不同特征的权重系数；
将注意力层的输出传入全连接网络，通过非线性映射进行特征融合；
在所述全连接网络中加入Dropout操作，以进行正则操作；
经过全连接网络后，输出用于信号分类的联合特征表达；
将所述联合特征输入全连接输出层，以进行信号分类。
7.根据权利要求6所述的无线通信信号检测方法，其特征在于：
其中，注意力层为GRU层。
8.根据权利要求6所述的无线通信信号检测方法，其特征在于：
通过分类层输出联合特征的调制识别结果包括：
将提取得到的联合特征表达同时输入到设置在网络输出端的调制分类输出层和发射源分类输出层；
调制分类输出层为包含softmax分类单元的全连接层，用于对输入信号调制方式类别进行概率预测，输出调制方式的多分类结果；
发射源分类输出层为包含softmax分类单元的全连接层，用于对输入信号发射源类别进行概率预测，输出发射源的多分类结果；
调制分类输出层和发射源分类输出层的参数不共享，以进行调制分类和发射源分类之间的解耦；
通过联合训练调制分类层和发射源分类层的分类交叉熵损失函数，以进行不同任务间的正则化；
通过整合调制分类和发射源分类的结果，判断输入信号的调制方式和发射源属性，输出无线通信信号的检测结果。
9.根据权利要求6所述的无线通信信号检测方法，其特征在于：
在所述全连接网络中加入Dropout操作，以进行正则操作包括：
在全连接网络中设置若干个全连接层，用于特征映射；
在每个全连接层后，添加Dropout层进行正则操作；
所述Dropout层为按概率P随机断开当前层神经元输出与下一层神经元输入之间的连接。
10.根据权利要求9所述的无线通信信号检测方法，其特征在于：
所述概率P的取值范围为0.2至0.5。
CN202311047587.7A 2023-08-21 2023-08-21 一种无线通信信号检测方法 Pending CN116866129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311047587.7A CN116866129A (zh) 2023-08-21 2023-08-21 一种无线通信信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311047587.7A CN116866129A (zh) 2023-08-21 2023-08-21 一种无线通信信号检测方法

Publications (1)

Publication Number Publication Date
CN116866129A true CN116866129A (zh) 2023-10-10

Family

ID=88236210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311047587.7A Pending CN116866129A (zh) 2023-08-21 2023-08-21 一种无线通信信号检测方法

Country Status (1)

Country Link
CN (1) CN116866129A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251737A (zh) * 2023-11-15 2023-12-19 苏州元脑智能科技有限公司 闪电波形处理模型训练方法、分类方法、装置及电子设备
CN117412448A (zh) * 2023-11-03 2024-01-16 瑞森半导体科技(广东)有限公司 电源功率的智能调制方法及线路

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117412448A (zh) * 2023-11-03 2024-01-16 瑞森半导体科技(广东)有限公司 电源功率的智能调制方法及线路
CN117412448B (zh) * 2023-11-03 2024-04-16 瑞森半导体科技(广东)有限公司 电源功率的智能调制方法及线路
CN117251737A (zh) * 2023-11-15 2023-12-19 苏州元脑智能科技有限公司 闪电波形处理模型训练方法、分类方法、装置及电子设备
CN117251737B (zh) * 2023-11-15 2024-02-23 苏州元脑智能科技有限公司 闪电波形处理模型训练方法、分类方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN109274621B (zh) 基于深度残差网络的通信协议信号识别方法
CN116866129A (zh) 一种无线通信信号检测方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN112818891B (zh) 通信干扰信号类型智能识别方法
CN110569752A (zh) 基于卷积神经网络的雷达信号类别确定方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
Jeong et al. Spectrogram-based automatic modulation recognition using convolutional neural network
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
Li et al. Automatic modulation classification based on bispectrum and CNN
CN108924847B (zh) 一种基于ann的认知无线电频谱预测方法及设备
Yang et al. One-dimensional deep attention convolution network (ODACN) for signals classification
CN114239657A (zh) 一种基于复值干涉神经网络的时序信号识别方法
CN110751049B (zh) 一种面向信号采样梯度攻击的防御方法
CN115546608A (zh) 一种无人机数据链电磁干扰分类和威胁评估方法
Ghasemzadeh et al. GGCNN: an efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification
US20220124487A1 (en) Rf fingerprint signal processing device and rf fingerprint signal processing method
Ali et al. Modulation format identification using supervised learning and high-dimensional features
CN117233706A (zh) 一种基于多层通道注意力机制的雷达有源干扰识别方法
Hiremath et al. Blind identification of radio access techniques based on time-frequency analysis and convolutional neural network
CN115563485A (zh) 一种基于深度学习的低复杂度干扰识别方法
Popoola Automatic recognition of both inter and intra classes of digital modulated signals using artificial neural network

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