CN109344772B - 基于谱图和深度卷积网络的超短波特定信号侦察方法 - Google Patents
基于谱图和深度卷积网络的超短波特定信号侦察方法 Download PDFInfo
- Publication number
- CN109344772B CN109344772B CN201811159919.XA CN201811159919A CN109344772B CN 109344772 B CN109344772 B CN 109344772B CN 201811159919 A CN201811159919 A CN 201811159919A CN 109344772 B CN109344772 B CN 109344772B
- Authority
- CN
- China
- Prior art keywords
- feature
- signal
- deep convolutional
- time
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于无线电信号识别技术领域,特别涉及一种基于谱图和深度卷积网络的超短波特定信号侦察方法,包含:对样本库中特定信号进行短时傅里叶变换,获取信号时频图谱,其中,特定信号为信号传输数据帧结构中包含帧同步码的信号;使用时频图谱对深度卷积神经网络模型进行训练,训练过程中通过特征金字塔利用不同尺度的特征图预测位置目标;利用训练后的深度卷积神经网络模型对超短波通信中特定信号进行目标检测识别。本发明解决现有方法中在低信噪比和信道强干扰情况下检测和识别效率欠佳等情形,实现了超短波特定信号检测、时频定位和分类识别,提高信号识别率,性能稳健、运行高效,为后续该领域的相关研究提供了思路,具有较强的实际应用价值。
Description
技术领域
本发明属于无线电信号识别技术领域,特别涉及一种基于谱图和深度卷积网络的超短波特定信号侦察方法。
背景技术
信号侦察技术被广泛地应用在无线电侦察、电子对抗和软件无线电等方面,而超短波特定信号的检测和识别技术也是其中的重要组成之一,成为信号分析和处理领域里的研究热点。超短波通信是指利用30MHz至300MHz波段的无线电波进行信息传输的通信。不过,由于超短波通信的传播方式,其传输的信号存在衰落、干扰和混叠等现象,使得研究超短波信号的检测和识别成为一个难点问题。而特定信号是指信号传输的数据中含有帧同步码(报头帧)的信号,多存在于短波、超短波、卫星等时分多路通信***中,通过检测识别这种特定信号一般都能估计出信号的目标来源,对战场环境预测和感知起到重大作用。
随着图像处理技术在通信信号处理领域中的广泛应用,近年来涌现了一些将图像处理与信号时频分布相结合的信号检测算法。如,利用图像增强、图像分割、形态学去噪等图像处理方法进行莫尔斯信号的自动检测和识别;运用时频谱图生成方法,并与形态学处理方法相结合来对卫星多址信号进行检测;或,将时频分析和统计模型相结合的方法,建立三种时频分析方法的被动检测模型来水声目标信号进行被动检测;或,通过模式匹配和聚类相关的方法,提取Link4A和Link11数据链信号的时频图像特征来进行检测;或,通过数字图像处理对信号的时频谱图进行边缘提取,根据结果来判断跳频信号的存在与否;或,将实际跳频信号的时频谱图进行图像分割手段分离背景噪声,并通过模板匹配来实现跳频信号的检测。由于超短波特定信号在时频谱图上存在明显的视觉特性,因此可以从图像目标检测的角度来研究特定信号的检测问题。不过从目前的研究成果来看,现有的很多方法在低信噪比和信道强干扰情况下检测和识别效果欠佳,提取的特征不能很好地表征受信道强干扰影响的信号。
发明内容
为此,本发明提供一种基于谱图和深度卷积网络的超短波特定信号侦察方法,实现超短波特定信号检测和分类识别,提高信号识别率。
按照本发明所提供的设计方案,一种基于谱图和深度卷积网络的超短波特定信号侦察方法,包含如下内容:
对样本库中特定信号进行短时傅里叶变换,获取信号时频图谱,其中,特定信号为信号传输数据帧结构中包含帧同步码的信号;
使用时频图谱对深度卷积神经网络模型进行训练,训练过程中通过特征金字塔利用不同尺度的特征图预测位置目标;
利用训练后的深度卷积神经网络模型对超短波通信中特定信号进行目标检测识别。
上述的,信号传输数据帧结构包含帧同步码和数据帧,其中,帧同步码为信号发送数据帧结构中的规律数据帧。
上述的,深度卷积神经网络使用VGG16的conv1到conv5作为基础网络,并额外增加卷积层conv6到conv11,其中,conv6~conv11中卷积层尺度大小逐层递减。
优选的,对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框;将真实目标边框与特征抓取盒之间的位置偏差及每个特征抓取盒中包含的目标类别概率作为用来神经网络训练的损失值。
优选的,针对每个真实目标边框所匹配的特征抓取盒,获取这些特征抓取盒的交并比,选取其中交并比最大的特征抓取盒作为最佳预测结果。
优选的,深度卷积神经网络中,通过融合不同尺度特征图,将A尺度特征图细节特征和B尺度特征图语义特征进行结合,按照通道结合形成混合特征图,其中,A尺度大于B尺度。
优选的,对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,对真实目标边框进行聚类,并用真实目标边框与特征抓取盒的交并比进行尺度聚类,获取特征抓取盒的长宽比参数;通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框。
更进一步,将信号的存在时间与带宽的比值作为特征抓取盒的长宽比参数。
更进一步,通过K-means聚类方法对真实目标边框进行聚类。
上述的,深度卷积神经网络中,添加7个额外卷积层conv10~conv16,得到系列不同尺寸特征图;对这些不同尺寸特征图进行批正则化处理后再进行训练和检测识别。
本发明的有益效果:
本发明首先分析特定信号在时频谱图上呈现的视觉特性,然后利用深度卷积神经网络模型进行信号检测和识别,解决现有方法中在低信噪比和信道强干扰情况下检测和识别效率欠佳等情形,实现超短波特定信号的识别,提高信号识别率;并根据仿真实验结果,进一步验证深度卷积神经网络应用于特定信号检测识别的有效性,性能稳健、运行高效,为后续该领域的相关研究提供了思路,具有较强的实际应用价值。
附图说明:
图1为实施例中的超短波特定信号识别流程示意图;
图2为实施例中传输数据的帧结构示意图;
图3为实施例中业务信道报头帧示意图;
图4为实施例中业务信道发送信号时频谱图;
图5为实施例中LINK11-CLEW信号时频谱图;
图6为实施例中FM-LINK11信号时频谱图;
图7为实施例中SSD网络模型结构示意图;
图8为实施例中特征抓取盒设计示意图;
图9为实施例中特征抓取盒预测网络设计示意图;
图10为实施例中深度卷积神经网络模型架构示意图;
图11为实施例中混合特征图结合示意图;
图12为实施例中不同种类特定信号时频谱图视觉特性示意图;
图13为实施例中最终生成特定信号时频谱图示意图;
图14为实施例中不同信噪比下模型性能对比图;
图15为实施例中不同信噪比下模型对特定信号的检测效果示意图。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
基于深度学习技术的图像目标检测和识别方法已经成为主流,打破了传统图像处理和机器学习算法处理过程,能够使用深度卷积网络(Deep Convolution NeuralNetwork,DCNN)同时对图像进行目标识别和目标定位。为此,本发明实施例,参见图1所示,提供一种基于谱图和深度卷积网络的超短波特定信号侦察方法,包含如下内容:
101、对样本库中特定信号进行短时傅里叶变换,获取信号时频图谱,其中,特定信号为信号传输数据帧结构中包含帧同步码的信号;
102、使用时频图谱对深度卷积神经网络模型进行训练,训练过程中通过特征金字塔利用不同尺度的特征图预测位置目标;
103、利用训练后的深度卷积神经网络模型对超短波通信中特定信号进行目标检测识别。
针对超短波通信中特定信号检测和识别问题,通过将时频谱图和深度卷积神经网络相结合,打破传统信号检测方法思想,能够同时实现信号检测、时频定位和分类识别,提高信号识别的有效性和可靠性,具有较强的实际应用价值。
参见图2所示,本发明再一个实施例中,信号传输数据帧结构包含帧同步码和数据帧,其中,帧同步码为信号发送数据帧结构中的规律数据帧。帧同步码(也称为报头帧)是指在信号发送帧结构数据中的一段特定规律数据帧,一般在数据帧的前面部分,起到帧同步、符号同步、载波同步等作用。这种特定信号普遍存在于短波、超短波、微波频段中,一般是由时分多路通信***所产生。时频谱图是信号通过短时Fourier傅里叶变换(简称STFT)方法得到的,反映了信号的能量密度随时间和频率的变化情况,通过观察时频谱图能够得到信号的时频分布特性。特定信号在时频谱图上能够呈现出独特的视觉特性,不同帧结构、不同调制方式的特定信号也会产生出不同的视觉特性。下面以铱星通信***和LINK11为例来进行说明。
铱星通信***是一种全球移动通信***,为用户提供移动电话,寻呼和低速数据传输等主要业务,其业务信道的帧结构如图3所示,业务信道的报头帧长度为54比特,含有多个重复的“1”比特。这些重复的码字进行DQPSK调制后产生出独特的频率特性。图4中的业务信道发送信号的时频谱图,可以看到,信号的报头帧部呈现出不同于后面数据帧部分的视觉特性,这种视觉特性就能够成为识别这种信号的特征。
LINK11数据链是一种战术数据通信方式。常规LINK11信号的时频谱图如图5所示。从图可以看到,LINK11是一种多路信号,其报头帧为两个音频,数据帧由16个音频组成。LINK11数据链采用复合调制方式进行传输。在超短波波段,LINK11_CLEW信号采用FM方式调制到载波上。LINK11_CLEW信号在FM后(简称为FM_LINK11)的时频谱图如图6所示。图中FM_LINK11信号报头帧也呈现出不同于数据帧的视觉特性。
短时Fourier傅里叶变换STFT是时频分析的基础方法,本发明实施例中应用STFT方法分析特定信号的视觉特性,既可有效避免WVD等变换带来的交叉项问题,又不像小波变换具有过大的计算量,特别在强混叠干扰情况下,也能清晰体现信号的时频特性,非常适用于特定信号分析。因此,本发明实施例发现特定信号在时频谱图上具有明显的视觉特性,不同帧结构、不同调制方式的特定信号在时频谱图上会呈现出不同的视觉特性,应用STFT方法能清晰反映特定信号在时频谱图上的视觉特性,这种视觉特性就能够成为识别特定信号的特征;通过对特定信号应用STFT方法来提取这种视觉特性,进而实现特定信号识别。
SSD,全称Single Shot MultiBox Detector,是目标检测算法截至目前主要的检测框架之一,相比Faster RCNN有明显的速度优势,相比YOLO又有明显的性能优势。SSD具有如下主要特点:从YOLO中继承了将detection转化为regression的思路,只需要观测图像一次即可完成多目标检测识别;基于Faster RCNN中的anchor机制,提出了相似的prior box;加入特征金字塔(Pyramidal Feature Hierarchy)的检测方式,用不同尺度的特征图预测每个位置的目标,精度上可以和Faster RCNN相比;对分辨率较低的图像,也能保证较高的检测识别精度。因此,本发明实施例使用SSD网络来提取特定信号时频谱图上的视觉特性,克服超短波信道上的低信噪比和强干扰情况,实现超短波特定信号检测识别。本发明另一个实施例中,SSD网络模型结构如图7所示,主要可以分为以下几个部分:SSD模型的最开始部分是一个基础网络(base network),用来提取整个输入图片的深度特征,而SSD网络使用VGG16的conv1到conv5作为基础网络。在基础网络结构后,添加了额外的卷积层conv6到conv11,这些卷积层的尺度大小是逐层递减的,方便做多尺度特征的提取。优选的,对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框;将真实目标边框与特征抓取盒之间的位置偏差及每个特征抓取盒中包含的目标类别概率作为用来神经网络训练的损失值。如图8所示,针对不同尺度的深度特征图(conv4_3,conv7,conv8_2,conv9_2,conv10_2,conv11_2)设计不同大小的特征抓取盒(default box),将不同尺度的深度特征图分为8*8或4*4的格子,特征抓取盒就是每一个格子上,一系列固定大小的盒子,即图8中虚线所形成的一系列边框。
特征抓取盒的定义如下,一是针对不同尺度的特征图设计不同尺度参数,假设有m个特征图,尺度参数为:其中m为特征图数量,最小值Smin为0.2,最大值Smax为0.9。长宽比参数为:特征抓取盒的宽度为高度为
进一步地,通过提取这些特征抓取盒对应的深度特征图的特征来预测盒子中目标类别以及目标真实边框。如图9所示,在每一个不同尺度的深度特征图中,要得到真实目标边框与特征抓取盒之间位置的偏差(offsets),以及每一个特征抓取盒中包含目标的类别概率(scores),同时这些概率和偏差将作为损失值用来训练。通过非极大值抑制(Non-maximum suppression)来筛选最佳预测结果,如图8所示。对于每个真实目标边框所匹配的一些特征抓取盒,计算它们的交并比(jaccard overlap),选取其中交并比最大的特征抓取盒作为最佳预测结果。SSD训练的目标函数可设计为:
显然,SSD模型的损失值分为confidence loss和location loss两部分,其中N是匹配到真实目标边框的特征抓取盒数量;而α参数用于调整confidence loss和locationloss之间的比例,默认α=1。SSD中的confidence loss是典型的softmax loss:
而SSD中的location loss是用来衡量边界框预测性能的,使用典型的smooth L1loss:
综上所述,对于超短波特定信号检测和识别,实施例中SSD深度卷积神经网络模型加入了多尺度信息,从深度神经网络不同层的特征图上提取特定信号时频谱图上的视觉特性,来对目标进行回归预测,做出更多的判断,从而同时兼顾速度和性能。并且其端到端的使用卷积层,能有效降低时频谱图上噪声和干扰的影响。
在图像检测识别领域,SSD网络模型的速度和性能都能达到令人满意的效果。不过SSD模型仍然没有解决定位和识别之间的矛盾对检测结果的影响,其大尺寸特征图具有很好的定位能力而识别能力不足,其小尺寸特征图则相反,造成对小目标的表征能力不够强,当用来检测超短波频段上一些带宽较窄、出现时间较短的特定信号时达不到理想效果。本发明再一实施例中,如图10所示,针对超短波特定信号的特点来改进SSD网络模型,在保持速度优势的前提下,提高其检测识别性能,改进内容如下:
(1)融合特征图,通过融合不同尺度特征图,将A尺度特征图细节特征和B尺度特征图语义特征进行结合,按照通道结合形成混合特征图,其中,A尺度大于B尺度。把大尺寸特征图的细节特征(定位)和小尺寸特征图语义特征(识别)结合起来,来解决SSD网络存在的定位和识别之间的矛盾。如图11所示,把Conv4_3,Conv7,Conv8_2结合起来,先对这三层用1x1卷积降维到256,然后把Conv7,Conv8_2双线性插值到和Conv4_3一样的大小,最后按通道结合起来形成混合特征图。
(2)改进求特征抓取盒的长宽比参数的方法,对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,对真实目标边框进行聚类,并用真实目标边框与特征抓取盒的交并比进行尺度聚类,获取特征抓取盒的长宽比参数;通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框。因为检测网络是通过对特征抓取盒进行微调来拟合真实目标边框,特征抓取盒的先验信息对预测结果影响非常明显,所以代替人工设定特征抓取盒的长宽比参数,而使用K-means等的聚类方法对数据集的真实目标边框进行聚类,并用真实目标边框与特征抓取盒的交并比来做聚类尺度,聚类出特征抓取盒的长宽比参数。对于超短波特定信号,并进一步使用信号的存在时间与带宽的比值作为特征抓取盒的长宽比参数,并且特定信号的长宽比参数可能极大超出了常规长宽比范围,因此这种改进方法对特定信号的检测效果会非常明显。
(3)改进预训练的模型参数。一般在训练目标检测网络时要应用迁移学习的方法来对网络模型进行预训练。对于SSD网络模型,则需要使用VGG16模型的参数来对其进行预训练。实施例中通过改进预训练的模型参数,使用SSD的模型参数替换VGG16模型参数来对本文的网络模型进行预训练。
(4)进行批正则化处理,添加6个额外卷积层conv10~conv16,得到系列不同尺寸特征图;对这些不同尺寸特征图进行批正则化处理后再进行训练或学习。在形成混合特征图后,添加一些额外的卷积层(conv10,conv11,conv12,conv13,conv14,conv15,conv16),得到一系列不同尺寸的特征图,并对这些特征图进行批正则化处理,再输入到预测网络进行检测。批正则化处理可以加快训练过程中的收敛速度,同时避免陷入局部最优的情况。
为进一步验证本发明技术方案的有效性,下面通过具体仿真实验数据做进一步解释说明:
针对超短波特定信号宽带频谱检测进行仿真实验,选取了铱星DQPSK、MIL-STDSOQPSK、LINK4A和FM-LINK11这四类具有代表性的特定信号作为数据样本,其中采样率均为1MHz,具体信息如表1所示。
表1数据集信息
时频谱图是在MATLAB环境下生成,不同种类的特定信号在时频谱图上具有不同的视觉特性,主要体现在报头帧的形状、大小和幅值上,如图12中的(a)铱星DQPSK谱图,(b)MIL-STD SOQPSK谱图,(c)LINK4A谱图,(d)FM-LINK11谱图所示。
为了平衡时频谱图的时间分辨率和频率分辨率,综合超短波特定信号的基本参数,得到更加显著的视觉特性,先按照不同的载波频率对这四类特定信号进行叠加操作,然后进行1000点的短时Fourier变换得到尺寸为1000*1000的时频谱图,其中频率分辨率为1KHz。时频谱图中有不重叠的这四类信号各一个,其中每个信号都具有随机的水平偏移(延时)和垂直偏移(频偏),并且为符合超短波实际信道情况,谱图中还叠加了各种实际的超短波干扰。图13为最终生成的四类特定信号的时频谱图,其中可以看到四类特定信号以及叠加的实际超短波信道干扰。
模型训练和测试是在Anaconda3平台下,调用Google发布的TensorFlow深度学习库来完成的,编程语言为Python语言,图像处理器为6GB的NVidia GeForce GTX1080。在信噪比(ES/n0)为0dB~18dB的范围内,每2dB产生400个特定信号谱图,其中训练集和测试集都为4000个。学习率为0.001,学习衰减率为0.99,正则化系数为0.0004,批标准化衰减为0.99,训练次数50000次,进行了20次实验。
在不同信噪比(Es/n0)下本发明方案中改进SSD模型和原始SSD模型对超短波特定信号的检测性能,如图14所示,其中平均检测率表示在虚警率为零的条件下,不同模型对四类超短波特定信号的平均检测和识别概率。由图14中可以看出,随着信噪比(Es/n0)的增加,本发明方案中改进的SSD网络模型和SSD网络模型对特定信号的平均检测率都在提升,其中,本发明改进的网络模型的性能明显要优于SSD网络模型。当信噪比大于4dB时,本发明改进的网络模型中方法的平均识别率基本达到100%,当信噪比达到0dB时,平均识别率仍能达到95%以上。而且SSD模型检测效果欠佳主要是因为对小目标信号的检测能力不好。以上表明本发明方案中改进的SSD网络模型,针对超短波特定信号改进网络模型的方法具有很好的抗噪声能力,能适用于低信噪比下特定信号的检测识别。
针对超短波特定信号对SSD网络模型进行优化的具体操作如表3所示。其中K-means表示使用K-means聚类方法对特征抓取盒进行设计,Batch Norm表示对额外的特征图使用批正则化处理,平均检测率表示在信噪比为0dB~18dB范围的全部测试集上进行测试得到的平均检测识别概率。
表3 SSD模型改进的性能比较
模型 | 特征图融合 | K-means | 预训练VGG16 | 预训练SSD | Batch Norm | 平均检测率 |
1 | ╳ | ╳ | √ | ╳ | ╳ | 0.89 |
2 | ╳ | √ | ╳ | √ | ╳ | 0.96 |
3 | √ | ╳ | √ | ╳ | ╳ | 0.91 |
4 | √ | √ | √ | ╳ | ╳ | 0.96 |
5 | √ | √ | ╳ | √ | ╳ | 0.98 |
6 | √ | √ | ╳ | √ | √ | 0.99 |
从表3中可以看出,本发明方案中模型是对SSD模型进行了逐步改进而得到的,相比SSD模型性能提高了11.1%。其中融合特征图的方法提高了2.2%,K-means设计特征抓取盒的方法提高了5.5%,改进预训练模型参数提高了2%,对特征图进行批正则化处理提高了1%,验证了本发明方案针对超短波特定信号对SSD模型进行改进的有效性。同时从表3中可以看到K-means设计特征抓取盒的方法提升效果最多,因为从表1中看,MIL-STD SOQPSK信号的长宽比为7.1,极大超出了常规的长宽比将会影响检测效果,所以对于特定信号检测,使用K-means设计特征抓取盒的方法提升效果最多,这也验证了特征抓取盒的先验信息对特定信号的检测尤其重要。
为了更加详细的分析融合特征图方法对小目标的作用,试验通过比较在不同信噪比条件下表3中模型2和模型5对四类特定信号的检测效果,如图15所示。图13中,铱星DQPSK信号和LINK4A信号是小目标信号,而MIL-STD SOQPSK信号和FM-LINK11信号是相对比较大的目标信号。从图15可以发现,模型5对比模型2对小目标信号有更好的检测效果;进一步验证了融合特征图的方法能提高对小目标信号的检测性能。综上所述,针对超短波特定信号识别,利用优化改进SSD网络模型是有效的,并且提高了其对小目标信号的检测能力,同时该方法具有较好的抗噪声干扰的能力,是一种有效的超短波特定信号检测和识别方法。
本发明中,通过分析研究超短波特定信号时频谱图上的视觉特性,发现不同种类的特定信号时频谱图存在比较大的差异性,将图像目标检测和识别方法应用到信号检测和识别领域,并且引入了深度卷积神经网络模型,打破传统检测和识别算法处理模式,能同时进行信号检测、时频定位和分类识别。实验结果表明,该方法能有效降低超短波信道上的干扰影响,实现低信噪比下超短波特定信号检测和识别,并且通过优化网络结构等方法来提高其检测性能。本发明具体仿真实验中只选取了四类特定信号,还可再增加特定信号的种类数量来继续做实验研究。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是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。本领域普通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,但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如:只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,包含如下内容:
对样本库中特定信号进行短时傅里叶变换,获取信号时频谱图,其中,特定信号为信号传输数据帧结构中包含帧同步码的信号;
使用时频谱图对深度卷积神经网络模型进行训练,训练过程中通过特征金字塔利用不同尺度的特征图预测位置目标;
利用训练后的深度卷积神经网络模型对超短波通信中特定信号进行目标检测识别;
信号传输数据帧结构包含帧同步码和数据帧,其中,帧同步码为信号发送数据帧结构中的规律数据帧;深度卷积神经网络使用VGG16的conv1到conv5作为基础网络,并额外增加卷积层conv6到conv11,其中,conv6~conv11中卷积层尺度大小逐层递减;对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框;将真实目标边框与特征抓取盒之间的位置偏差及每个特征抓取盒中包含的目标类别概率作为用来神经网络训练的损失值;
深度卷积神经网络中,通过融合不同尺度特征图,将A尺度特征图细节特征和B尺度特征图语义特征进行结合,按照通道结合形成混合特征图,其中,A尺度大于B尺度。
2.根据权利要求1所述的基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,针对每个真实目标边框所匹配的特征抓取盒,获取这些特征抓取盒的交并比,选取其中交并比最大的特征抓取盒作为最佳预测结果。
3.根据权利要求1所述的基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,对深度卷积神经网络中不同尺度特征图设计相应大小的特征抓取盒,对真实目标边框进行聚类,并用真实目标边框与特征抓取盒的交并比进行尺度聚类,获取特征抓取盒的长宽比参数;通过提取特征抓取盒对应的特征图特征预测抓取盒中目标类别及目标真实边框。
4.根据权利要求3所述的基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,将信号的存在时间与带宽的比值作为特征抓取盒的长宽比参数。
5.根据权利要求3所述的基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,通过K-means聚类方法对真实目标边框进行聚类。
6.根据权利要求1所述的基于谱图和深度卷积网络的超短波特定信号侦察方法,其特征在于,深度卷积神经网络中,添加7个额外卷积层conv10~conv16,得到系列不同尺寸特征图;对这些不同尺寸特征图进行批正则化处理后再进行训练和检测识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159919.XA CN109344772B (zh) | 2018-09-30 | 2018-09-30 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159919.XA CN109344772B (zh) | 2018-09-30 | 2018-09-30 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344772A CN109344772A (zh) | 2019-02-15 |
CN109344772B true CN109344772B (zh) | 2021-01-26 |
Family
ID=65307994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159919.XA Active CN109344772B (zh) | 2018-09-30 | 2018-09-30 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344772B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059555B (zh) * | 2019-03-14 | 2021-04-20 | 中国人民解放军战略支援部队信息工程大学 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
CN110048977B (zh) * | 2019-03-14 | 2022-03-01 | 中国人民解放军战略支援部队信息工程大学 | 基于灰度共生矩阵纹理特征检测的短波信号体制识别方法及装置 |
CN111079665A (zh) * | 2019-12-20 | 2020-04-28 | 长沙深之瞳信息科技有限公司 | 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法 |
CN111325290B (zh) * | 2020-03-20 | 2023-06-06 | 西安邮电大学 | 一种基于多视融合多示例学习的国画图像分类方法 |
CN111551920A (zh) * | 2020-04-16 | 2020-08-18 | 重庆大学 | 基于目标检测与双目匹配的三维目标实时测量***和方法 |
CN111541511B (zh) * | 2020-04-20 | 2022-08-16 | 中国人民解放军海军工程大学 | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 |
CN111814953B (zh) * | 2020-06-16 | 2024-02-13 | 上海瀚讯信息技术股份有限公司 | 一种基于通道剪枝的深度卷积神经网络模型的定位方法 |
CN111558542A (zh) * | 2020-06-24 | 2020-08-21 | 重庆视智迪科技有限公司 | 一种陶瓷瓦表面质量在线检测分拣***及方法 |
CN111680689B (zh) * | 2020-08-11 | 2021-03-23 | 武汉精立电子技术有限公司 | 一种基于深度学习的目标检测方法、***及存储介质 |
CN112464837B (zh) * | 2020-12-03 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及*** |
CN112751629A (zh) * | 2021-01-15 | 2021-05-04 | 中国人民解放军战略支援部队信息工程大学 | 基于时频图像处理的宽带特定信号检测方法 |
CN113312996B (zh) * | 2021-05-19 | 2023-04-18 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113376610B (zh) * | 2021-06-22 | 2023-06-30 | 西安电子科技大学 | 基于信号结构信息的窄带雷达目标检测方法 |
CN116128960A (zh) * | 2021-09-17 | 2023-05-16 | 山西大学 | 一种基于机器学习的工件自动抓取方法、***及装置 |
CN114205821B (zh) * | 2021-11-30 | 2023-08-08 | 广州万城万充新能源科技有限公司 | 基于深度预测编码神经网络的无线射频异常检测方法 |
CN114609604B (zh) * | 2022-03-25 | 2023-06-09 | 电子科技大学 | 无人机集群目标检测及目标轮廓、集群规模估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN107221005A (zh) * | 2017-05-04 | 2017-09-29 | 美的集团股份有限公司 | 物体检测方法及装置 |
CN108282427A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于多尺度轻量网络的无线电信号认知识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105052229A (zh) * | 2013-03-26 | 2015-11-11 | 英派尔科技开发有限公司 | 移动网络中的预测频谱分配 |
US10133987B2 (en) * | 2014-07-14 | 2018-11-20 | Federated Wireless, Inc. | Categorizing radio signals while obfuscating characteristics of federal radio signals |
-
2018
- 2018-09-30 CN CN201811159919.XA patent/CN109344772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN107221005A (zh) * | 2017-05-04 | 2017-09-29 | 美的集团股份有限公司 | 物体检测方法及装置 |
CN108282427A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于多尺度轻量网络的无线电信号认知识别方法 |
Non-Patent Citations (3)
Title |
---|
"BN对VGG神经网络的影响研究";陈强普 等;《合肥工业大学学 报(自然科学版)》;20180131;第41卷(第1期);第35-38页 * |
"FSSD: Feature Fusion Single Shot Multibox Detector";Zuo-Xin Li 等;《arXiv.org》;20171231;第1-10页 * |
"目标检测网络SSD的区域候选框的设置问题研究";翁昕;《万方数据 知识服务平台》;20180929;第19-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109344772A (zh) | 2019-02-15 |
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 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN109379311B (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN114358064B (zh) | 一种基于深度支持向量数据描述的干扰检测装置及方法 | |
CN112904282A (zh) | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN112507621A (zh) | 一种基于标签传播的雷达干扰半监督识别方法 | |
CN116482720A (zh) | 一种基于机器学习理论的gnss欺骗干扰检测方法 | |
CN117233706B (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 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、*** | |
Le et al. | Performance analysis of convolutional neural networks with different window functions for automatic modulation classification | |
CN110991378A (zh) | 一种功率放大器个体识别方法及装置 | |
CN116318249A (zh) | 一种基于改进YOLOv5的短波跳频信号分选方法 | |
Chen et al. | Indoor location method of interference source based on deep learning of spectrum fingerprint features in Smart Cyber-Physical systems | |
CN110048977A (zh) | 基于灰度共生矩阵纹理特征检测的短波信号体制识别方法及装置 | |
CN114936570A (zh) | 基于轻量化cnn网络的干扰信号智能识别方法 | |
Tekbıyık et al. | Real-world considerations for deep learning in wireless signal identification based on spectral correlation function | |
CN116827486B (zh) | 一种用于短波通信信号的盲检测***及方法 | |
Huynh-The et al. | WaveNet: Towards Waveform Classification in Integrated Radar-Communication Systems with Improved Accuracy and Reduced Complexity | |
US20240106683A1 (en) | Co-channel signal classification using deep learning | |
CN115598615B (zh) | 基于子带滤波的功率谱信息几何雷达目标检测方法和装置 | |
Grosu et al. | A PYTHON-BASED FRAMEWORK FOR ADVANCED RESEARCH AND DEVELOPMENT ON SPECTRUM SENSING FOR COGNITIVE RADIO | |
CN114900399A (zh) | 一种基于深度学习相位差相关信号检测方法和*** |
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 | ||
GR01 | Patent grant |