CN117459157A - 一种端到端的微弱卫星信号智能检测方法 - Google Patents
一种端到端的微弱卫星信号智能检测方法 Download PDFInfo
- Publication number
- CN117459157A CN117459157A CN202311302513.3A CN202311302513A CN117459157A CN 117459157 A CN117459157 A CN 117459157A CN 202311302513 A CN202311302513 A CN 202311302513A CN 117459157 A CN117459157 A CN 117459157A
- Authority
- CN
- China
- Prior art keywords
- signal
- satellite signal
- detection
- satellite
- determining
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 95
- 238000001228 spectrum Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000001629 suppression Effects 0.000 description 14
- 239000010410 layer Substances 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100031315 AP-2 complex subunit mu Human genes 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101000796047 Homo sapiens AP-2 complex subunit mu Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
- H04B7/18569—Arrangements for system physical machines management, i.e. for construction operations control, administration, maintenance
- H04B7/18573—Arrangements for system physical machines management, i.e. for construction operations control, administration, maintenance for operations control, administration or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种端到端的微弱卫星信号智能检测方法，包括：将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号预测框的坐标信息和类别标签，卫星信号检测模型是基于匈牙利算法确定待识别预测框的第一概率，并根据第一概率进行训练的，第一概率为待识别框内的样本信号为真实卫星信号的概率；根据预测框的坐标信息，确定卫星信号的中心频率和带宽。根据本发明提供的方法，通过将信号不包括相位信息的频谱图输入检测模型，得到卫星信号的预测框的坐标和类别标签，检测模型是基于匈牙利算法确定待识别预测框的第一概率，并根据第一概率进行训练的，能够实现对微弱卫星信号的检测、提高检测效率、简化处理流程。
Description
技术领域
本发明属于卫星信号捕获技术领域，具体涉及一种端到端的微弱卫星信号智能检测方法。
背景技术
近年来随着无线通信技术的发展，卫星通信由于其频谱资源丰富、覆盖范围广、不受地理环境限制等特点在军用和民用领域都得到广泛应用。随着通信频段的不断被开发、新的调制方式不断出现、不明体制和私有协议的信号增多，同时还存在各式各样的频率、时间选择性衰落、动态噪声和干扰的恶劣信道环境。在非合作条件下，信号检测是后续信号处理的基础，复杂的空天电磁环境为瞬态微弱信号的检测与分析带来严峻的挑战。
传统的信号检测方法大致可以分为四类：量检测法、特征值检测法、匹配滤波法以及循环平稳检测法。能量检测算法是通过测量一段时间内接收信号的总能量，通过估计噪声的方差，然后与设定的判决门限进行比较来判断是否存在信号。特征值检测法的基本思想是通过计算信号协方差矩阵的特征值，以协方差矩阵最大特征值与最小特征值的比值作为检验统计量的阈值，进而实现信号检测。循环平稳检测法利用信号的循环平稳特征如信号的码元速率、载波频率以及采样频率等检测信号的存在性。
然而，传统的检测方法在面对无相位信息的微弱卫星信号时失效。
当前流行的检测方法是基于深度神经网络的检测算法。目前在计算机视觉领域用于目标检测深度学习模型主要分为两类。一种是基于区域推荐的两阶段(two-stage)模型如基于区域的卷积神经网络(Region-based Convolutional Neural Networks,R-CNN)、快速区域卷积神经网络(Fast Region-based Convolutional Network,Fast-RCNN)等，这类算法流程分为两步，首先在全局滑窗提取候选区域并判断候选区域是前景还是背景，其次，对区域内目标进行分类。另一种是基于回归的单阶段(one-stage)模型，如SSD、YOLO、YOLOv2、根据卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM)级联组成的卷积长短时深度神经网络(ConvolutionalLong Short-Term Deep Neural Networks,CLDNN)。这类方法是从输入信号序列中提取其时域和频域特征，实现对信号的检测，优于传统能量检测算法性能。
虽然当前流行的基于深度神经网络的算法能够检测到微弱卫星信号，但是在对候选区域的目标位置进行预测时都会生成很多预测框，需要从这些预测框中挑选出可能性最大的预测框。当前，大多数方法都是采用非极大值抑制(Non-Maximum Suppression,NMS)的后处理步骤或是其相关的改进算法，对同一个目标的多个可能的预测框进行筛选保留，设置阈值得到概率最大的框作为预测结果。但模型一旦加入NMS的数据后处理步骤后，检测器将变得十分复杂，整个模型难以进行优化和调参。即使训练得到一个效果很好的模型，在实际部署时也面临硬件端不支持NMS算法的问题，迁移性和实用性较差。因此在实际部署中需要人工设置阈值，通过用户的经验不断调整阈值来对模型重新进行训练。
因此，当前的信号检测方法不能检测微弱卫星信号或者检测效率低，处理流程复杂。
发明内容
本发明实施例提供了一种端到端的微弱卫星信号智能检测方法，可以解决当前的信号检测方法的不能检测微弱卫星信号，检测效率低，处理流程复杂的问题。
第一方面，本发明实施例提供一种端到端的微弱卫星信号智能检测方法，所述方法包括：获取检测信号的频谱图；将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签，其中，卫星信号检测模型在是基于匈牙利算法确定待识别预测框的第一概率，并根据第一概率进行训练的，第一概率为待识别框内的样本信号为真实卫星信号的概率；根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
在第一方面的一种可能的实现方式中，卫星信号检测模型具体可以用于：根据检测信号的频谱图，确定检测信号的频谱紧凑特征；根据频域紧凑特征和检测信号的位置编码，确定卫星信号的特征；根据卫星信号的特征，确定预测框的坐标信息和卫星信号的类别标签。
示例性的，检测信号的位置编码是对检测信号的频谱图进行编码得到的。
在第一方面的一种可能的实现方式中，卫星信号检测模型具体可以用于：根据频域紧凑特征和位置编码，确定检测信号的全频段编码特征；根据全频段编码特征，确定检测信号的自注意力向量；根据检测信号的自注意力向量，确定卫星信号的特征。
在第一方面的一种可能的实现方式中，可以通过映射转换模型，根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
示例性的，映射转换模型可以表示为：
其中，fsig为卫星信号的中心频率，Bsig为卫星信号的带宽，fmax为卫星信号的最大频率，fmin为卫星信号的最小频率，x为预测框的标准化中心坐标，w为预测框的宽度，xmax为预测框坐标的最大值，xmin为预测框坐标的最小值。
在第一方面的一种可能的实现方式中，卫星信号检测模型是在总损失函数的约束下进行训练的。
示例性的，总损失函数是根据负对数损失函数、边界框损失函数及频谱重构损失函数确定的。
在第一方面的一种可能的实现方式中，卫星信号检测模型可以是通过下述方法进行训练的：
根据样本信号的频谱图，确定样本信号的频域紧凑特征；
对样本信号进行编码得到样本信号的位置编码；
根据样本信号的频域紧凑特征和位置编码，确定多个预测卫星信号的特征；
根据预测卫星信号的特征，确定待识别预测框的坐标和预测卫星信号的类别标签，预测卫星信号为在待识别预测框内的样本信号；
对预测卫星信号的特征进行频谱重构，得到样本信号的重构频谱图；
基于匈牙利算法，对预测卫星信号和样本信号中真实卫星信号进行二分图匹配，得到待识别预测框的第一概率；
将第一概率最大的待识别预测框确定为真实卫星信号的预测框，并得到真实卫星信号的预测框的坐标；
根据真实卫星信号的第一概率、真实卫星信号的预测框、真实卫星信号的真实边界框、样本信号的频谱图及重构频谱图，确定总损失函数；
在总损失函数的约束下，对卫星信号检测模型进行训练，得到训练好的卫星信号检测模型。
在第一方面的一种可能的实现方式中，可以根据真实卫星信号的第一概率，确定负对数损失函数；根据真实卫星信号的预测框和真实卫星信号的真实边界框，确定边界框损失函数；根据样本信号的频谱图和重构频谱图，确定频谱重构损失函数；根据负对数损失函数、边界框损失函数及频谱重构损失函数，确定卫星信号检测模型的总损失函数。
本发明提供的方法是通过将检测信号无相位信息的频谱图输入卫星信号检测模型，直接得到预测的卫星信号。由于模型在训练时是基于匈牙利算法，通过二分图匹配确定待识别预测框的第一概率，并根据所述第一概率确定的最可能为真实卫星信号的样本信号，而不是通过极大值抑制算法确定卫星信号进行训练。极大值抑制算法的适应性较差，使得其最佳的阈值参数可能会随着环境因素改变，经常需要人工调参。因此，根据本发明提供的方法，能够实现对微弱卫星信号的检测、提高检测效率、简化处理流程。
第二方面，本发明实施例提供了一种端到端的微弱卫星信号智能检测装置；装置包括：获取单元和处理单元，处理单元包括卫星信号检测模型；获取单元用于获取检测信号的频谱图；处理单元用于将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签，其中，卫星信号检测模型在是基于匈牙利算法确定待识别预测框的第一概率，并根据第一概率进行训练的，第一概率为待识别框内的样本信号为真实卫星信号的概率；处理单元还用于根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
在第二方面的一种可能的实现方式中，卫星信号检测模型具体可以用于：根据检测信号的频谱图，确定检测信号的频谱紧凑特征；根据频域紧凑特征和检测信号的位置编码，确定卫星信号的特征，检测信号的位置编码是对检测信号的频谱图进行编码得到的；根据卫星信号的特征，确定预测框的坐标信息和卫星信号的类别标签。
在第二方面的一种可能的实现方式中，卫星信号检测模型具体可以用于：根据频域紧凑特征和位置编码，确定检测信号的全频段编码特征；根据全频段编码特征，确定检测信号的自注意力向量；根据检测信号的自注意力向量，确定卫星信号的特征。
在第二方面的一种可能的实现方式中，处理单元具体可以用于通过映射转换模型，根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
示例性的，映射转换模型可以表示为：
其中，fsig为卫星信号的中心频率，Bsig为卫星信号的带宽，fmax为卫星信号的最大频率，fmin为卫星信号的最小频率，x为预测框的标准化中心坐标，w为预测框的宽度，xmax为预测框坐标的最大值，xmin为预测框坐标的最小值。
在第二方面的一种可能的实现方式中，卫星信号检测模型是在总损失函数的约束下进行训练的。
示例性的，总损失函数是根据负对数损失函数、边界框损失函数及频谱重构损失函数确定的。
在第二方面的一种可能的实现方式中，卫星信号检测模型可以是通过下述方法进行训练的：
根据样本信号的频谱图，确定样本信号的频域紧凑特征；
对样本信号进行编码得到样本信号的位置编码；
根据样本信号的频域紧凑特征和位置编码，确定多个预测卫星信号的特征；
根据预测卫星信号的特征，确定待识别预测框的坐标和预测卫星信号的类别标签，预测卫星信号为在待识别预测框内的样本信号；
对预测卫星信号的特征进行频谱重构，得到样本信号的重构频谱图；
基于匈牙利算法，对预测卫星信号和样本信号中真实卫星信号进行二分图匹配，得到待识别预测框的第一概率；
将第一概率最大的待识别预测框确定为真实卫星信号的预测框，并得到真实卫星信号的预测框的坐标；
根据真实卫星信号的第一概率、真实卫星信号的预测框、真实卫星信号的真实边界框、样本信号的频谱图及重构频谱图，确定总损失函数；
在总损失函数的约束下，对卫星信号检测模型进行训练，得到训练好的卫星信号检测模型。
在第二方面的一种可能的实现方式中，可以根据真实卫星信号的第一概率，确定负对数损失函数；根据真实卫星信号的预测框和真实卫星信号的真实边界框，确定边界框损失函数；根据样本信号的频谱图和重构频谱图，确定频谱重构损失函数；根据负对数损失函数、边界框损失函数及频谱重构损失函数，确定卫星信号检测模型的总损失函数。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序；所述处理器可以用于执行存储在存储器中的计算器程序(指令)，以实现上述第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储由计算机程序，当所述计算机程序被执行时，可以实现如上述第一方面所述的方法。
可以理解的是上述第二方面至第四方面的有益效果可以参见上述第一方面的相关描述，在此不赘述。
本发明实施例与现有技术相比存在的有益效果是：本发明提供的方法是通过将检测信号无相位信息的频谱图输入卫星信号检测模型，直接得到预测的卫星信号。由于模型在训练时是基于匈牙利算法，通过二分图匹配确定待识别预测框的第一概率，并根据所述第一概率确定的最可能为真实卫星信号的样本信号，而不是通过极大值抑制算法确定卫星信号进行训练。极大值抑制算法的适应性较差，使得其最佳的阈值参数可能会随着环境因素改变，经常需要人工调参。因此，根据本发明提供的方法，能够实现对微弱卫星信号的检测、提高检测效率、简化处理流程。
附图说明
图1为本发明实施例提供的一种卫星信号检测模型的结构示意图；
图2为本发明实施例提供的一种卫星信号检测模型的训练方法的流程示意图；
图3为本发明实施例提供的一种端到端的微弱卫星信号智能检测方法的流程示意图；
图4为本发明实施例提供的一种端到端的微弱卫星信号智能检测装置的结构示意图；
图5为本发明实施例提供的一种各个信噪比下检测指标结果的示意图
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1示出的是本发明实施例提供的一种卫星信号检测模型的结构示意图。模型100可以包括信号特征提取模块110、编码器模块120、解码器模块130、信号检测模块140及重构模块150。
在一些实施例中，信号特征提取模块110可以用于根据信号的频谱图，确定信号的频域紧凑特征。
示例性的，信号可以是样本信号也可以是检测信号。在模型训练的过程中可以对样本信号进行处理。在检测的过程中可以对检测信号进行处理。
特征提取模块可以通过一个1×1的卷积层将其通道维度由C减小到C1，C1<C并将频谱特征在空间的高宽维折叠到一个维度得到新的特征图，即频域紧凑特征的特征图，频域紧凑特征的特征图的宽和高可以为信号频谱图的1/32。
在一种可能的实现方式中，特征提取模块可以为RestNet50网络。特征提取模块可以抽取样本信号频谱图中的低分辨率部分的激活特征，并得到样本信号的频谱紧凑特征。
示例性的，可以在特征提取模块中的RestNet50网络引入跨层残差连接机制。这样能够克服梯度消失带来的影响，得到质量更高的频谱紧凑特征。
在一些实施例中，编码器模块120可以用于对信号的全频段编码特征执行自注意力操作，得到信号的自注意力向量。
示例性的，信号的全频段编码特征是根据信号的频谱图和信号的位置编码得到的。
示例性的，信号的位置编码是对信号的频谱图进行编码得到的
类似的，信号可以是样本信号也可以是检测信号。在模型训练的过程中可以对样本信号进行处理。在检测的过程中可以对检测信号进行处理。
在一种可能的实现方式中，编码器模块120可以由结构相同的多个编码器，比如8个，相连而成。
示例性的，每个编码器都包括一层多头自注意力层和两层全连接层。
在一个示例中，信号的全频段编码特征可以通过三个权值矩阵转变为自注意力机制中的Query、Keys和Values向量。然后可以通过这三个向量执行自注意力操作，得到信号的自注意力向量。
示例性的，信号的自注意力向量可以满足下述公式：
其中，attention(Q,K,V)为信号的自注意力向量，softmax为归一化指数函数，Q为Query向量，K为Keys向量，V为Values向量，Q与K的转置做点积为每一个词向量的注意力得分，dk为Keys向量的维度。
在一些实施例中，解码器模块130可以用于根据信号的自注意力向量，确定信号中的卫星信号的特征。
类似的，信号可以是样本信号也可以是检测信号。在模型训练的过程中可以对样本信号进行处理。在检测的过程中可以对检测信号进行处理。由于训练过程中模型的性能不够完善，因此根据样本信号的自注意力向量可以确定样本信号中的多个预测卫星信号的特征。训练完成后的模型的预测准确率较高，因此可以根据检测信号的自注意力向量可以确定检测信号中的卫星信号的特征。
在一种可能的实现方式中，类似的，解码器模块可以由多个相连的解码器构成，比如8个。每个解码器都包括一层带有掩码的多头注意力层和两层全连接层。掩码能够确保解码预测位置i时仅仅依赖于位置i之前的输出，通过自回归的方式输出结果。
示例性的，解码器可以将根据编码器得到的自注意力向量作为解码器层的Values向量，信号的位置编码与自注意力向量结合作为Keys向量，信号的频谱图作为Query向量。通过Query、Keys和Values向量进行自注意力操作得到信号的特征。通过对比、匹配信号的特征和查询集中的查询特征向量，将与真实卫星信号的查询特征向量相似的特征，确定为卫星信号的特征。
示例性的，解码器和编码器可以通过残差连接后通过层间归一化在每一个信号的不同通道上计算均值和方差，解决梯度消失和权重矩阵的退化问题。
在一些实施例中，信号检测模块140可以用于根据卫星信号的特征，确定预测框的坐标和卫星信号的类别标签。
类似的，卫星信号可以是模型使用时的根据解码器得到的卫星信号，也可以是模型训练时根据解码器得到的预测卫星信号。
示例性的，信号检测模块可以由三层全连接层构成。
三层全连接层可以使用ReLU函数激活，根据卫星信号的特征预测预测框的坐标；通过softmax函数预测卫星信号的类别标签，将卫星信号的特征映射到一个更大维度的特征空间，类别标签和预测框的坐标共享全连接层的权重系数。全连接层的输出为维度为N×5的预测结果，包含4个坐标预测结果和1个类别预测结果，其中N为设定的信号Query向量的个数。
在一些实施例中，重构模块150可以在模型训练时，对样本信号对应的多个预测卫星信号进行频谱重构，得到样本信号的重构频谱图。
图2示出的是本发明实施例提供的一种卫星信号检测模型的训练方法。方法200可以用于训练卫星信号检测模型100。作为示例而非限定，方法200可以包括步骤S201-S209。下面对各步骤做以说明。
S201，根据样本信号的频谱图，确定样本信号的频域紧凑特征。
示例性的，可以对无相位低功率的微弱卫星信号和噪声样本通过Welch功率谱法进行变换，得到样本信号的频谱图。在对模型训练之前，可以对样本信号中的真实卫星信号的真实边界框进行标注。
示例性的，可以将样本信号输入卫星信号检测模型100中的信号特征提取模块，得到样本信号的频域紧凑特征。
S202，对样本信号进行编码得到样本信号的位置编码。
示例性的，可以对样本信号进行编码得到样本信号的位置编码。这样能够帮助模型学习卫星信号不同频点位置之间的关联性。
S203，根据样本信号的位置编码和样本信号的频域紧凑特征，确定多个预测卫星信号的特征。
示例性的，可以融合样本信号的位置编码和样本信号的频域紧凑特征，得到样本信号的全频段编码特征。然后将样本信号的全频段编码特征输入至编码器模块120，得到样本信号的自注意力向量。将样本信号的自注意力向量输入至解码器模块130可以得到多个预测卫星信号的特征。
S204，根据预测卫星信号的特征，确定待识别预测框的坐标和预测卫星信号的类别标签。
示例性的，预测卫星信号为在待识别预测框内的样本信号。
示例性的，可以将预测卫星信号的特征输入至信号提取模块140，得到待识别预测框的坐标和预测卫星信号的类别标签。
S205，对预测卫星信号的特征进行频谱重构，得到样本信号的重构频谱图。
示例性的，可以将预测卫星信号的特征输入至重构模块150，得到样本信号的重构频谱图。
S206，基于匈牙利算法，对预测卫星信号和样本信号中真实卫星信号进行二分图匹配，得到待识别预测框的第一概率。
示例性的，可以基于匈牙利算法，对预测卫星信号和样本信号中真实卫星信号进行二分图匹配，得到待识别预测框的第一概率。
示例性的，可以将样本信号中的真实卫星信号的真实边界框也拓展到N×5的维度，对待识别预测框和真实边界框进行一一对应使得损失最小，。
示例性的，第一概率为待识别框内的预测卫星信号为真实卫星信号的概率。
S207，将第一概率最大的待识别预测框内确定为真实卫星信号的预测框，并得到真实卫星信号的预测框的坐标。
可以将第一概率最大的待识别预测框内确定为真实卫星信号的预测框，该待识别预测框即为真实卫星信号预测框的坐标。
S208，根据真实卫星信号的第一概率、真实卫星信号的预测框、真实卫星信号的真实边界框、样本信号的频谱图及重构频谱图，确定总损失函数。
在一些实施例中，总损失函数是根据负对数损失函数、边界框损失函数及频谱重构损失函数确定的。
示例性的总损失函数满足下述公式：
其中，为总损失函数，Lpre为负对数损失函数，为边界框损失，si为样本信号的真实边界框，为样本信号的预测边界框，为频谱重构损失，mi为样本信号的真实频谱图，为样本信号的重构频谱图，表示样本信号的类别标签不为空集。
在一种可能的实现方式中，可以根据真实卫星信号的第一概率，确定负对数损失函数。
负对数损失的本质与交叉熵损失相同，衡量模型与训练数据的拟合优度，能够最大化似然估计，以得到最接近数据分布的模型。
在一个示例中，负对数损失函数满足下述公式：
其中，Lpre为负对数损失函数，为真实卫星信号的预测框的第一概率，ci为真实卫星信号的类别标签。
在一种可能的实现方式中，可以根据根据真实卫星信号的预测框和真实卫星信号的真实边界框，确定边界框损失函数。
示例性的，边界框损失函数用于衡量训练得到的预测框与真实边界框之间的差异，为了缓解l1损失函数对不同预测框大小敏感的问题，边界框损失函数可以由L1损失函数和IOU损失函数的加权求和组成。
在一个示例中，边界框损失函数满足下述公式：
其中，为边界框损失函数，si为真实边界框，为预测框，为IOU损失函数，||·||1为L1范数，λiou为IOU损失函数的权重，λL1为L1损失函数的权重。
示例性的，IOU损失函数满足下述公式：
其中，Ai别代表预测框和真实边界框的边界，表示求两框面积的重叠部分，表示两框面积的并集，B(·,·)表示求两个矩形框的最小外接矩形的面积。两个矩形框重叠区域越大，IOU损失函数损失越小，反之越大，进而得到最优的预测框坐标。
在一种可能的实现方式中，可以通过样本信号的频谱图和重构频谱图确定频谱重构损失函数。
示例性的，可以通过MSE损失函数和原频谱图进行像素级比较得到频谱重构损失函数，频谱重构损失函数是由构频谱图与样本信号的频谱图之间的方差构成的。
示例性的，频谱重构损失函数满足下述公式：
其中，为频谱重构损失，mi为样本信号的真实频谱图，为样本信号的重构频谱图。
S209，在总损失函数的约束下，对卫星信号检测模型进行训练，得到训练好的卫星信号检测模型。
本发明实施例提供的卫星信号检测方法可以应用于卫星信号检测装置等检测设备上，本发明实施例对检测设备的具体类型不作任何限制。
图3示出了本发明实施例提供的一种端到端的微弱卫星信号智能检测方法的流程示意图。作为示例而非限定，该方法可以应用上述检测设备中。方法300可以包括步骤S301-S303，下面对各步骤进行说明。
S301，获取检测信号的频谱图。
示例性的，检测信号可以包括噪声和微弱卫星信号。
S302，将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签。
示例性的，训练好的卫星信号检测模型可以是通过上述方法200训练卫星信号检测模型100得到的。
在一个示例中，训练好的卫星信号检测模型具体可以用于：根据检测信号的频谱图，确定检测信号的频谱紧凑特征。根据频域紧凑特征和检测信号的位置编码，确定卫星信号的特征。根据卫星信号的特征，确定预测框的坐标信息和卫星信号的类别标签。
示例性的，检测信号的位置编码是对检测信号的频谱图进行编码得到的。
示例性的，可以将检测信号的频谱图输入至卫星信号检测模型中的信号特征提取模块，得到检测信号的频谱紧凑特征。然后根据频域紧凑特征和位置编码，确定检测信号的全频段编码特征。将全频段编码特征输入至编码器模块，得到检测信号的自注意力向量。将检测信号的自注意力向量输入至解码器模块，得到卫星信号的特征。将卫星信号的特征输入至信号检测模块，得到预测框的坐标信息和卫星信号的类别标签。
S303，根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
在一个示例中，可以通过映射转换模型，根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
示例性的，映射转换模型可以表示为：
其中，fsig为卫星信号的中心频率，Bsig为卫星信号的带宽，fmax为卫星信号的最大频率，fmin为卫星信号的最小频率，x为预测框的标准化中心坐标，w为预测框的宽度，xmax为预测框坐标的最大值，xmin为预测框坐标的最小值。
本发明提供的方法是通过将检测信号无相位信息的频谱图输入卫星信号检测模型，直接得到预测的卫星信号。由于模型在训练时是基于匈牙利算法，通过二分图匹配确定待识别预测框的第一概率，并根据所述第一概率确定的最可能为真实卫星信号的样本信号，而不是通过极大值抑制算法确定卫星信号进行训练。极大值抑制算法的适应性较差，使得其最佳的阈值参数可能会随着环境因素改变，经常需要人工调参。因此，根据本发明提供的方法，能够实现对微弱卫星信号的检测、提高检测效率、简化处理流程。
图4示出了本发明实施例提供的一种端到端的微弱卫星信号智能检测装置的结构示意图。作为示例而非限定，装置400可以包括获取单元410和处理单元420，处理单元420包括卫星信号检测模型。
获取单元410用于获取检测信号的频谱图；
处理单元420用于将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签，其中，卫星信号检测模型在是基于匈牙利算法确定待识别预测框的第一概率，并根据第一概率进行训练的，第一概率为待识别框内的样本信号为真实卫星信号的概率；
处理单元420还用于根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
在一种可能的实现方式中，卫星信号检测模型具体可以用于：根据检测信号的频谱图，确定检测信号的频谱紧凑特征；根据频域紧凑特征和检测信号的位置编码，确定卫星信号的特征，检测信号的位置编码是对检测信号的频谱图进行编码得到的；根据卫星信号的特征，确定预测框的坐标信息和卫星信号的类别标签。
在一种可能的实现方式中，卫星信号检测模型具体可以用于：根据频域紧凑特征和位置编码，确定检测信号的全频段编码特征；根据全频段编码特征，确定检测信号的自注意力向量；根据检测信号的自注意力向量，确定卫星信号的特征。
在一种可能的实现方式中，处理单元具体可以用于通过映射转换模型，根据预测框的坐标信息，确定卫星信号的中心频率和带宽。
示例性的，映射转换模型可以表示为：
其中，fsig为卫星信号的中心频率，Bsig为卫星信号的带宽，fmax为卫星信号的最大频率，fmin为卫星信号的最小频率，x为预测框的标准化中心坐标，w为预测框的宽度，xmax为预测框坐标的最大值，xmin为预测框坐标的最小值。
在一种可能的实现方式中，卫星信号检测模型是在总损失函数的约束下进行训练的。
示例性的，总损失函数是根据负对数损失函数、边界框损失函数及频谱重构损失函数确定的。
在一种可能的实现方式中，卫星信号检测模型可以是通过下述方法进行训练的：
根据样本信号的频谱图，确定样本信号的频域紧凑特征；对样本信号进行编码得到样本信号的位置编码；
根据样本信号的频域紧凑特征和位置编码，确定多个预测卫星信号的特征；
根据预测卫星信号的特征，确定待识别预测框的坐标和预测卫星信号的类别标签，预测卫星信号为在待识别预测框内的样本信号；
对预测卫星信号的特征进行频谱重构，得到样本信号的重构频谱图；
基于匈牙利算法，对预测卫星信号和样本信号中真实卫星信号进行二分图匹配，得到待识别预测框的第一概率；
将第一概率最大的待识别预测框确定为真实卫星信号的预测框，并得到真实卫星信号的预测框的坐标；
根据真实卫星信号的第一概率、真实卫星信号的预测框、真实卫星信号的真实边界框、样本信号的频谱图及重构频谱图，确定总损失函数；
在总损失函数的约束下，对卫星信号检测模型进行训练，得到训练好的卫星信号检测模型。
在一种可能的实现方式中，可以根据真实卫星信号的第一概率，确定负对数损失函数；根据真实卫星信号的预测框和真实卫星信号的真实边界框，确定边界框损失函数；根据样本信号的频谱图和重构频谱图，确定频谱重构损失函数；根据负对数损失函数、边界框损失函数及频谱重构损失函数，确定卫星信号检测模型的总损失函数。
为了更好的说明本发明提供的方法的有益效果，设计了如下仿真实验：
本方法实验数据皆为近期在某地实际接收卫星数据的仿真环境映射，MATLAB环境中进行仿真实验，其所使用的仿真参数均与实测环境保持一致，背景环境中的常在3G、4G信号利用MATLAB Simulink 5G Toolbox进行仿真，加入随机高斯白噪声和瑞利衰落，采样率fs＝1900MHz，中心频率为2220MHz，码元速率Rs＝3MHz。
实验将整个数据集分为两部分，其中80％作为训练数据集，20％作为测试数据集并进行推理检测。训练时，将标注后的频谱图输入至本发明提供的卫星信号检测模型，用Adam优化算法进行训练，最大训练周期轮数设为200，每次更新批大小为20，初始学习率设置为1e-4，采用等间隔调整学习率(StepLR)，每间隔20轮，学习率下降10倍。采用总损失函数进行反向传播更新网络参数，实验环境均采用Window设备环境，在开源框架PyTorch上进行训练和测试，显卡为NVIDIA GeForce RTX 3090(32G)。
为了客观评价所提方法的检测效果，采用目标检测领域常用的评估指标召回率(Recall,R)、平均精度(Average Precision,AP)以及信号参数估计误差Ms三个指标评估信号检测结果。
R表示被正确识别出来的目标个数与测试集中所有目标的个数的比值：
其中，NTP为正确检测出来的目标个数，Ns为测试集中所有目标的个数。
AP是(Precision Recall,PR)曲线下面积，PR曲线是由检测准确率和召回率绘制的曲线。以召回率作为横坐标，以准确率作为纵坐标。PR曲线下面的面积越大即AP越大，则说明模型的准确率越高且召回率也越高，检测的性能自然也就越好。
其中，P(r)为检测结果的PR曲线。
信号参数估计误差为待检测卫星信号的中心频率fsig、带宽Bsig等参数归一化估计误差百分比的平均值，计算公式如下：
其中，为各信号参数的估计值，xi为各信号参数真实值，k为待估计参数个数。
图5示出的是本发明提供的方法在各个信噪比下检测指标结果的示意图。
参见图5，其中图5中的(a)示出的是召回率指标，图5中的(b)为平均准确率指标，图5中的(c)为估计误差指标。
表1示出的是本发明提供的方法在各个信噪比算法下检测指标结果的示意表
表1
由图5和上述表格可以看出，随着着信噪比的提高，本发明提供的卫星信号检测模型检测效果逐渐提升，在信噪比0dB以上时检测召回率能达到95％以上，平均精度AP50达到99％以上，在信噪比-10dB时，信号检测召回率仍然能达到81％，说明DETR_S在较低信噪比条件下依然具有较好的检测性能。
下述表格示出的是不同信号检测模型基于各信噪比下平均评价指标的对比结果。
表2
从上述表格可以看出，本发明所提供的(End-to-End Detection withTransformers,DETR)的方法在召回率、AP等指标进行测试，DETR_S算法的信号检测效果最好，充分验证了本方法所提算法的有效性，DETR_S的Recall和AP75指标分别为95.15％和97.52％，相比于经典的Faster-RCNN(R50)指标性能分别提升了18.23％和12.51％，AP和AP75指标与检测效果较好的YOLOv5系列模型相比较指标性能分别有7.01％和5.4％的提升。在信号参数估计误差方面，DETR_S算法的估计误差相较于其他算法减少了0.023～0.001。为进一步验证所提方法的有效性，将DETR_S与未加入信号重构模块(SignalReconsitution,SR)的DETR_S(No SR)和重构损失的检测效果进行比较，进行消融实验，由结果可知频谱重构损失函数能够保证信号在特征提取时获得高质量频谱特征，融入信号重构模块后检测指标Recall和AP75上分别提升0.84％和2.96％，表明预测信号框和真实卫星信号框交集增多，融入信号重构模块后网络的检测性能更好。
本发明提供的方法是通过将检测信号无相位信息的频谱图输入卫星信号检测模型，直接得到预测的卫星信号。由于模型在训练时是基于匈牙利算法，通过二分图匹配确定待识别预测框的第一概率，并根据所述第一概率确定的最可能为真实卫星信号的样本信号，而不是通过极大值抑制算法确定卫星信号进行训练。极大值抑制算法的适应性较差，使得其最佳的阈值参数可能会随着环境因素改变，经常需要人工调参。因此，根据本发明提供的方法，能够实现对微弱卫星信号的检测、提高检测效率、简化处理流程。
图6示出的是本发明一实施例提供的电子设备的结构示意图。如图6所示的电子设备600可以包括：至少一个处理器610(图6中仅示出一个处理器)、存储器620以及存储在所述存储器620中并可在所述至少一个处理器610上运行的计算机程序630，所述处理器610执行所述计算机程序630时实现上述任意各个方法实施例中的步骤。
所述电子设备600可以是机器人等能够实现上述方法的处理设备，本发明实施例对电子设备的具体类型不作任何限制。
本领域技术人员可以理解，图6仅仅是电子设备600的举例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。比如，该电子设备600还可以包括输入输出接口。
所称处理器610可以是中央处理单元(Central Processing Unit，CPU)，该处理器610还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器620在一些实施例中可以是内部存储单元，例如硬盘或内存。所述存储器620在另一些实施例中也可以是外部存储设备，例如插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器620还可以既包括内部存储单元也包括外部存储设备。所述存储器620用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种端到端的微弱卫星信号智能检测方法，其特征在于，包括：
获取检测信号的频谱图；
将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签，其中，所述卫星信号检测模型是基于匈牙利算法确定待识别预测框的第一概率，并根据所述第一概率进行训练的，所述第一概率为所述待识别框内的样本信号为真实卫星信号的概率；
根据所述预测框的坐标信息，确定所述卫星信号的中心频率和带宽。
2.根据权利要求1所述的方法，其特征在于，所述卫星信号检测模型具体用于：
根据检测信号的频谱图，确定所述检测信号的频谱紧凑特征；
根据所述频域紧凑特征和所述检测信号的位置编码，确定所述卫星信号的特征，所述检测信号的位置编码是对所述检测信号的频谱图进行编码得到的；
根据所述卫星信号的特征，确定所述预测框的坐标信息和所述卫星信号的类别标签。
3.根据权利要求2所述的方法，其特征在于，所述根据所述频域紧凑特征和所述检测信号的位置编码，确定所述卫星信号的特征，包括：
根据所述频域紧凑特征和所述位置编码，确定所述检测信号的全频段编码特征；
根据所述全频段编码特征，确定所述检测信号的自注意力向量；
根据所述检测信号的自注意力向量，确定所述卫星信号的特征。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测框的坐标信息，确定所述卫星信号的中心频率和带宽，包括：
通过映射转换模型，根据所述预测框的坐标信息，确定所述卫星信号的中心频率和带宽，所述映射转换模型表示为：
其中，fsig为所述卫星信号的中心频率，Bsig为所述卫星信号的带宽，fmax为所述卫星信号的最大频率，fmin为所述卫星信号的最小频率，x为所述预测框的标准化中心坐标，w为所述预测框的宽度，xmax为所述预测框坐标的最大值，xmin为所述预测框坐标的最小值。
5.根据权利要求1所述的方法，其特征在于，所述卫星信号检测模型是在总损失函数的约束下进行训练的，其中，所述总损失函数是根据负对数损失函数、边界框损失函数及频谱重构损失函数确定的。
6.根据权利要求5所述的方法，其特征在于，所述卫星信号检测模型的训练方法包括：
根据样本信号的频谱图，确定所述样本信号的频域紧凑特征；
对所述样本信号进行编码得到所述样本信号的位置编码；
根据所述样本信号的频域紧凑特征和所述位置编码，确定多个预测卫星信号的特征；
根据所述预测卫星信号的特征，确定所述待识别预测框的坐标和所述预测卫星信号的类别标签，所述待识别预测框内的样本信号为所述预测卫星信号；
对所述预测卫星信号的特征进行频谱重构，得到所述样本信号的重构频谱图；
基于匈牙利算法，对所述预测卫星信号和所述样本信号中真实卫星信号进行二分图匹配，得到所述待识别预测框的第一概率；
将第一概率最大的所述待识别预测框确定为所述真实卫星信号的预测框，并得到所述真实卫星信号的预测框的坐标；
根据所述真实卫星信号的预测框的第一概率、所述真实卫星信号的预测框、所述真实卫星信号的真实边界框、所述样本信号的频谱图及所述重构频谱图，确定所述总损失函数；
在所述总损失函数的约束下，对所述卫星信号检测模型进行训练，得到训练好的所述卫星信号检测模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述真实卫星信号的预测框的第一概率、所述真实卫星信号的预测框、所述真实卫星信号的真实边界框、所述样本信号的频谱图及所述重构频谱图，确定所述总损失函数，包括：
根据所述真实卫星信号的预测框的第一概率，确定所述负对数损失函数；
根据所述真实卫星信号的预测框和所述真实卫星信号的真实边界框，确定边界框损失函数；
根据所述样本信号的频谱图和所述重构频谱图，确定频谱重构损失函数；
根据所述负对数损失函数、所述边界框损失函数及所述频谱重构损失函数，确定所述卫星信号检测模型的总损失函数。
8.一种端到端的微弱卫星信号智能检测装置，其特征在于，所述装置包括获取单元和处理单元，所述处理单元包括卫星信号检测模型；
所述获取单元用于获取检测信号的频谱图；
所述处理单元用于将检测信号的频谱图输入至训练好的卫星信号检测模型，得到卫星信号的预测框的坐标信息和类别标签，其中，所述卫星信号检测模型在是基于匈牙利算法确定待识别预测框的第一概率，并根据所述第一概率进行训练的，所述第一概率为所述待识别框内的样本信号为真实卫星信号的概率；
所述处理单元还用于根据所述预测框的坐标信息，确定所述卫星信号的中心频率和带宽。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302513.3A CN117459157B (zh) | 2023-10-09 | 一种端到端的微弱卫星信号智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302513.3A CN117459157B (zh) | 2023-10-09 | 一种端到端的微弱卫星信号智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117459157A true CN117459157A (zh) | 2024-01-26 |
| CN117459157B CN117459157B (zh) | 2024-10-22 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470436A (zh) * | 2024-07-09 | 2024-08-09 | 厦门瑞为信息技术有限公司 | 提升毫米波安检仪违禁品检测能力的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2157440A1 (en) * | 2008-08-21 | 2010-02-24 | Samsung Electronics Co., Ltd. | Method for acquiring a signal of a satellite |
| CN113705363A (zh) * | 2021-08-06 | 2021-11-26 | 成都德辰博睿科技有限公司 | 一种特定卫星上行信号的识别方法及系统 |
| CN116009034A (zh) * | 2022-12-21 | 2023-04-25 | 湖南工商大学 | 卫星信号捕获方法、基带信号处理单元、接收机及介质 |
| CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
| CN116719062A (zh) * | 2023-04-28 | 2023-09-08 | 广州吉欧电子科技有限公司 | 卫星的信号质量评估方法及装置、设备、存储介质 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2157440A1 (en) * | 2008-08-21 | 2010-02-24 | Samsung Electronics Co., Ltd. | Method for acquiring a signal of a satellite |
| CN113705363A (zh) * | 2021-08-06 | 2021-11-26 | 成都德辰博睿科技有限公司 | 一种特定卫星上行信号的识别方法及系统 |
| CN116009034A (zh) * | 2022-12-21 | 2023-04-25 | 湖南工商大学 | 卫星信号捕获方法、基带信号处理单元、接收机及介质 |
| CN116719062A (zh) * | 2023-04-28 | 2023-09-08 | 广州吉欧电子科技有限公司 | 卫星的信号质量评估方法及装置、设备、存储介质 |
| CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 董蛟;徐慨;杨海亮;: "基于恒虚警的多卫星信号快速盲检测算法", 指挥控制与仿真, no. 06, 15 December 2016 (2016-12-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470436A (zh) * | 2024-07-09 | 2024-08-09 | 厦门瑞为信息技术有限公司 | 提升毫米波安检仪违禁品检测能力的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
| CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
| CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
| CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
| CN103346845B (zh) | 基于快速傅里叶变换的盲频谱感知方法及装置 | |
| US20060155537A1 (en) | Method and apparatus for discriminating between voice and non-voice using sound model | |
| KR100513175B1 (ko) | 복소수 라플라시안 통계모델을 이용한 음성 검출기 및 음성 검출 방법 | |
| EP2662854A1 (en) | Method and device for detecting fundamental tone | |
| CN116866129A (zh) | 一种无线通信信号检测方法 | |
| CN103297160A (zh) | 基于归一化特征值的拟合优度检验的频谱感知方法及装置 | |
| CN114119642A (zh) | 洪涝灾害水体提取方法及装置、设备和存储介质 | |
| CN113743355A (zh) | 开关装置状态校核方法、装置、系统和计算机设备 | |
| CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
| Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
| CN117459157B (zh) | 一种端到端的微弱卫星信号智能检测方法 | |
| CN113449812A (zh) | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 | |
| CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
| CN117459157A (zh) | 一种端到端的微弱卫星信号智能检测方法 | |
| CN116736342A (zh) | 一种基于集成cnn的gnss欺骗检测方法及系统 | |
| CN110991378A (zh) | 一种功率放大器个体识别方法及装置 | |
| CN111431645B (zh) | 一种基于小样本训练神经网络的频谱感知方法 | |
| CN114239672A (zh) | 一种基于零样本学习的干扰模式开集识别模型及方法 | |
| CN112615652B (zh) | 一种适用于高阶mimo的基于特征值检验的半盲频谱感知方法 | |
| CN118486412B (zh) | 一种多模型联合的元表面设计方法、系统及介质 | |
| CN115150011B (zh) | 一种多天线频谱感知及接入方法、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 | ||
| GR01 | Patent grant |