CN109379311A - 基于卷积神经网络的超短波特定信号识别方法 - Google Patents
基于卷积神经网络的超短波特定信号识别方法 Download PDFInfo
- Publication number
- CN109379311A CN109379311A CN201811159958.XA CN201811159958A CN109379311A CN 109379311 A CN109379311 A CN 109379311A CN 201811159958 A CN201811159958 A CN 201811159958A CN 109379311 A CN109379311 A CN 109379311A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- signal specific
- signal
- 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
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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明属于无线电信号识别技术领域,特别涉及一种基于卷积神经网络的超短波特定信号识别方法,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;使用时频图谱对卷积神经网络模型进行训练;利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。本发明首先分析特定信号在时频谱图上呈现的视觉特性,并通过卷积神经网络模型进行训练,实现超短波特定信号的识别,提高信号识别率;最后通过仿真实验,有效降低超短波信道上混叠干扰的影响,实现低信噪比下超短波特定信号识别,并且能通过优化网络结构和增加网络层数来提高抗干扰性能,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,特别涉及一种基于卷积神经网络的超短波特定信号识别方法。
背景技术
信号识别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,而超短波特定信号识别也是其中的关键一环,成为信号处理领域里的研究热点。超短波通信是指利用30MHz至300MHz波段的电磁波传输信息的通信。不过,由于超短波通信的传播方式,超短波信道在一定程度上受到多径效应、噪声和多普勒效应等影响,使得传输的信号存在衰落、干扰和混叠等现象,成为了一个比较复杂的信道。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,对战场环境感知起到重大作用。
在以往早期的信号识别手段主要是依靠专业人员观察接收信号的时频谱图,凭借经验得出信号的调制类型和参数的方式来实现的。这种人工方式有非常大的局限性,它与侦察人员的经验累积情况有非常大的相关性。不过受此过程的启发,部分学者发现信号的识别问题可以应用图像处理领域里的方法来解决,并且基于这种思想的研究已经取得了一定的成绩。不过从目前的研究成果来看,现有方法在低信噪比(5dB以下)和强混叠干扰情况下识别效果欠佳,因为这些方法提取的特征不能很好地表征受强混叠干扰影响的信号。
发明内容
为此,本发明提供一种基于卷积神经网络的超短波特定信号识别方法,通过卷积神经网络提取特定信号时频谱图上的特征实现低信噪比和强混叠干扰下超短波特定信号的识别,有效提高信号识别率。
按照本发明所提供的设计方案,一种基于卷积神经网络的超短波特定信号识别方法,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;
使用时频图谱对卷积神经网络模型进行训练和测试;
利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。
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,卷积神经网络模型包含依次设置的输入层、卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三、平均池化层及输出层,其中,卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层中采用不同大小尺寸的卷积核。
优选的,卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层的卷积层大小依次递减。
优选的,卷积层三采用3*3卷积核连接平均池化层3*3卷积核。
优选的,混合层三中采用卷积和平均池化两层结构。
优选的,混合层一、混合层二及混合层三均采用Inception模块进行优化。
优选的,输出层中采用全局平均池化和分类输出实现端到端的全卷积神经网络的训练和识别。
上述的,使用时频图谱对卷积神经网络模型进行训练和识别时前,首先对时频图谱进行随机裁剪增加卷积神经网络模型输入层接收的数据规模。
上述的,混合层一和混合层三两者结构引入跳跃式传递进行残差处理,缓解训练和识别时梯度弥散。
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,并通过卷积神经网络模型进行训练,实现超短波特定信号的识别,提高信号识别率;并最后通过仿真实验,进一步验证卷积神经网络应用于特定信号识别的有效性,性能稳健、运行高效,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为实施例中卷积神经网络典型结构示意图;
图8为实施例中信号时频谱图裁剪示意图;
图9为实施例中强混叠干扰下的时频谱图;
图10为实施例中卷积神经网络模型架构示意图;
图11为实施例中不同种类特定信号的时频谱图;
图12为实施例中添加位置偏移信号示意图;
图13为实施例中添加信道干扰信号示意图;
图14为实施例中卷积神经网络模型和InceptionV3网络训练时的损失值损失值曲线图;
图15为实施例中不同信噪比条件下四类特定信号识别结果示意图;
图16为实施例中不同信噪比下四类特定信号识别性能对比图;
图17为实施例中不同混叠比例情况的信号时频谱图;
图18为实施例中混叠情况下对四类特定信号的性能对比图。
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。
近些年深度学习技术在语音、图像、自然语言等领域都取得了突破性的进展,引发了诸多领域的革命性变革。作为深度学习的分支之一,卷积神经网络(Convolution NeuralNetwork,CNN)在图像识别领域表现出色,在世界各大计算机视觉挑战赛中取得了优异的成绩。为此,本发明实施例,参见图1所示,提供一种基于卷积神经网络的超短波特定信号识别方法,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、使用时频图谱对卷积神经网络模型进行训练;
103、利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。
卷积神经网络具有自学习的特点,能通过逐层的非线性变换,实现复杂函数的逼近,隐式地提取更加抽象的目标特征来表征原始数据;对特定信号做短时傅里叶变换得到时频谱图,然后使用时频谱图对改进的卷积神经网络模型进行训练,最后测试网络模型,实现超短波特定信号识别。通过卷积神经网络提取特定信号时频谱图上的特征实现低信噪比和强混叠干扰下超短波特定信号识别,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。
卷积神经网络通过逐层的非线性变换实现复杂函数的逼近,能够有效地描述出复杂图像的信息,来提取出深层次的图像特征。卷积神经网络的典型结构如图7所示,卷积神经网络一般由输入层、卷积层、池化层、全连接层和输出层组成。卷积神经网络的基本模块为卷积流,包括卷积、池化、激活函数和批量归一化等四种操作。(1)、卷积是指利用卷积核对输入图像进行处理,可学***移不变性,对于超短波特定信号时频谱图上由于频偏和时延而引起的位置偏移和形变能够有效的修正,使得提取的特征具有泛化性和鲁棒性。(2)、池化是指降采样操作,即在局部区域,取一个特定的值输出。本质上,池化操作执行空间或特征类型的聚合,降低空间维度,有效缓解过拟合风险,同时刻画平移不变性。常用的池化方式有最大池化、平均池化、范数池化和对数概率池化等。对于超短波特定信号,池化操作能有效降低时频谱图上噪声的影响。(3)、激活函数是一种非线性函数,使得各层级结果进行非线性映射。核心是通过层级非线性映射(激活函数)的复合来提升整个网络的非线性刻画能力。否则,多个层级的线性组合仍为线性逼近方式,表征复杂特性的能力有限。常用的激活函数有修正线性单元ReLU(加速收敛,内蕴稀疏性)、Softmax(用于输出层计算概率响应)、Sigmoid系(传统神经网络的核心,包括Logistic-Sigmoid函数和Tanh-Sigmoid函数)。深度模型普遍使用ReLU激活函数,因为其具有单侧抑制、稀疏激活性、饱和性等突出特性。对于超短波特定信号,逐层的非线性变换能提取超短波特定信号深层次的特征来描述特定信号。(4)、批量归一化是优化操作,使得各层级结果的均值为0,方差为1。随着网络层级的加深,网络收敛会很慢,训练时间会过长,会导致梯度弥散问题。通过批量归一化操作,可以使结果分布在激活函数的线性区间里,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。对于超短波特定信号识别,卷积神经网络非常适合提取特定信号时频谱图上的视觉特性,其局部连接、权值共享和降采样特性使得其对特定信号在时频谱图中的位置偏移、形状变化具有很高的容忍性,并且能够提取时频谱图中更加抽象和全面的特征信息来表征特定信号,同时能有效降低时频谱图上噪声和干扰的影响,因此,本发明实施例通过卷积神经网络来对特定信号的时频谱图进行识别,克服超短波信道上的低信噪比和强混叠干扰情况,实现超短波特定信号识别。本发明另一个实施例中,用于超短波特定信号识别的卷积神经网络模型架构如图10所示,卷积神经网络模型包含依次设置的输入层、卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三、平均池化层及输出层,其中,卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层中采用不同大小尺寸的卷积核。针对超短波特定信号识别网络模型,可选择使用比较新颖的Google InceptionV3网络,使用不同尺寸的卷积核,能提取到更全面的特征,比较适合强干扰下特定信号识别。不过其结构比较复杂,直接应用于超短波特定信号的识别,存在收敛过慢,训练过长的问题。本发明实施例中,根据超短波特定信号的特点,对其进行优化改进,降低其复杂度,来提高训练效率。优化内容如下:
(1)增加训练数据规模。模型输入层的尺寸设计为299*299。超短波特定信号的数据量不大,难以满足训练要求。本发明实施例中,通过对大尺寸的输入图像进行随机裁剪来得到更多数据样本,同时为了能通过裁剪得到全部特定信号特征,输入图像的尺寸也不能过大。图8为铱星DQPSK信号谱图,当其过大时,用尺寸为299*299方框对其进行随机裁剪可能得到不完全的特定信号特征,因此本实施例中可选择尺寸为320*320的特定信号谱图作为输入图像,对其进行尺寸为299*299的随机裁剪来增加训练数据规模,提高模型的泛化能力。
(2)简化Inception结构。Google InceptionV3网络的核心是使用了Inception结构。Inception结构采用了不同大小的卷积核,能够提取图像的不同特征,实现了在减少网络参数的同时提升网络深度,提高了网络的计算效率。不过对于超短波特定信号的识别,Google InceptionV3网络的Inception结构较多,训练时间较长,因此模型主要使用了三个Inception结构。卷积核尺寸越大就能提取到越抽象的特定信号特征,因此混合层4使用了大尺度的7*7卷积核来提取更抽象的特定信号特征;同时混合层3和混合层5结构通过引人跳跃式传递skip connection思想,进行残差处理,缓解梯度弥漫问题。
(3)改进深层网络结构。超短波信道上的特定信号经常被强混叠干扰影响,使得能量相对较弱的特定信号的特征信息不明显,如图9所示。在这种情况下,深层网络的最大池化会造成只提取强干扰的特征而忽略特定信号的特征信息,影响识别效果。因此模型把比较深的混合层5中的最大池化层替换为平均池化层。
(4)优化逻辑回归层。Google InceptionV3在逻辑回归层用全局平均池化层代替全连接层,实现了端到端的全卷积网络,极大的减少了网络参数。不过对于图9中强混叠干扰下特定信号的识别,过大尺寸的平均池化会突出强干扰而损失能量较弱的特定信号特征。因此,本发明实施例可选用3*3的卷积核连接3*3平均池化层来代替8*8平均池化。
图10中,网络模型包含三个卷积层,三个混合层,一个均值池化层,混合层使用了Inception模块。网络模型的主要参数信息可设计为如表1所示:
表1网络模型的主要参数信息
为验证本发明方案的有效性,下面通过仿真实验数据做进一步解释说明:
针对超短波特定信号识别方法进行仿真实验,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集,其中采样率均为1MHz,载波频率均为200KHz,具体信息如表2所示:
表2数据集信息
时频谱图在MATLAB环境下生成,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,对特定信号进行1024点的短时Fourier变换得到时频谱图,依据上述模型截取320*320大小的时频谱图作为输入图像,其频率分辨率为1KHz。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11所示。(a)为铱星DQPSK谱图、(b)为MIL-STD SOQPSK谱图、(c)为LINK4A谱图、(d)为FM-LINK11谱图。考虑到超短波信号宽带搜索情况,在特定信号的时频谱图中增加了随机的水平偏移(延时)和垂直偏移(频偏)以及各种超短波混叠干扰。以铱星DQPSK信号为例,添加效果如图12、13所示。对比图11中的原始信号,图12中信号添加了随机位置偏移,图13中信号添加了随机超短波信道干扰。
网络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,编程语言使用的是Python语言。在信噪比为-9dB~21dB的范围内,每3dB产生2000个特定信号谱图,其中训练集和测试集都为1000个,总共都为11000个。学习率为0.1,学习衰减率为0.99,正则化系数为0.003,批标准化衰减为0.99,训练次数2000次,进行了20次实验。网络模型和InceptionV3网络训练时的损失值如图14所示。从图14中可以发现,对特定信号的训练过程中,本发明实施例中的卷积神经网络模型比InceptionV3网络梯度下降更快,收敛速度更快,训练结束时的损失值更小。证明了本发明实施例中使用卷积神经网络模型的有效性。
在不同信噪比条件下四类特定信号识别结果如图15所示。从图15中可以发现,随着信噪比的增加,特定信号的识别率也在提升。在信噪比大于0dB时四类特定信号都达到了95%以上的识别率,在信噪比为-5dB时部分特定信号也能达到90%的识别率,总体上看本文方法能达到很满意的效果。铱星DQPSK信号的识别率没有其他三类特定信号的识别率那么高。因为在低信噪比下报头帧形状越复杂的特定信号越不容易受干扰影响。如图11所示,铱星DQPSK信号的报头帧部分相对较简单,易受干扰影响变得不明显,降低识别效果。通过实验数据可得本发明实施例中总平均识别率达到98.1%,进一步说明卷积神经网络模型对特定信号识别具有较好的性能。
为验证本文识别方法具有较好的抗噪声性能,通过与经典的主成分分析(PCA)方法和独立成分分析(ICA)方法进行了比较。两种方法都提取了100个特征,选择了经典的支持向量机(SVM)作为分类器。上述方法的实验仿真条件相同。图16为这三种方法在不同信噪比下对四类特定信号的性能对比图。由图16中可以看出,随着信噪比的增加,三种方法的识别率都在提升,其中本发明实施例中方法的性能明显要优于其他两种方法。当信噪比大于6dB时,本发明实施例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97%。以上表明本发明实施例中公开的方案具有很好的抗噪声能力,能适用于低信噪比下特定信号的分类识别。
为验证本文的识别方法具有较好的抗混叠干扰性能,分析研究了不同混叠干扰程度下特定信号的识别率。该实验把添加一定的高斯白噪声并混叠不同比例的未知强干扰信号而生成的特定信号时频谱图作为样本数据,在混叠干扰比例为10%~100%的范围内,每10%产生1000个样本数据作为测试集,总共为10000个。训练集为2000个未混叠强干扰的特定信号时频谱图,其他条件同上。以铱星DQPSK信号为例来说明不同混叠比例情况,在信噪比为0dB的条件下,干扰信号和目标信号的平均功率比为3:1,混叠干扰比例为10%、40%、70%时的谱图如图17所示。从图17中可以看到本发明实施例中方案使用平均功率较强的宽带未知信号对特定信号进行干扰混叠影响,随着混叠比例增加,越来越难以观察目标信号。本发明实施例中的方案,在混叠干扰情况下分别对不同网络模型进行训练,识别结果如表3所示:
表3不同网络模型的性能比较
模型 | 与本发明实施例模型的差异 | 平均识别率 |
1 | 本本发明实施例模型 | 0.8079 |
2 | 混合层5使用最大池化层 | 0.7592 |
3 | 混合层4使用3*3代替7*7卷积核 | 0.7514 |
4 | 第7层使用8*8的平均池化 | 0.66 |
从表3中可以看出,本本发明实施例模型相比其他模型性能更好,验证了针对强混叠干扰下特定信号识别的模型优化是有效的。图18为不同方法在混叠情况下对四类特定信号的性能对比图。从图18中可以发现,随着混叠比例的增加,三种方法的识别率都在下降。总体上来看,本本发明实施例中识别方法的性能要优于其他方法。在混叠不到50%时具有90%以上的识别率,在混叠超过60%时,识别率才逐渐下滑。不同于其他两种方法,卷积神经网络具有局部特征提取的能力,能提取到特定信号部分视觉特征,因此识别率更高。以上表明了本本发明实施例中方案具有一定的抗混叠能力,能适用于部分混叠干扰下特定信号的分类识别。
本发明实施例中,通过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,将图像识别应用到信号识别领域,并且引入卷积神经网络,打破传统识别算法过程,同时进行特征提取和分类识别。实验结果表明,本发明公开方案能有效降低超短波信道上混叠干扰的影响,实现低信噪比下超短波特定信号识别,并且能通过优化网络结构和增加网络层数来提高抗干扰性能。综上所述,基于时频谱图和卷积神经网络的超短波特定信号识别方法可以有效地实现特定信号的种类识别。该方法具有较好的抗噪声干扰和抗部分混叠干扰的能力,较传统方法提高了识别的准确率和泛化能力,是一种有效的特定信号识别方法。
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 (10)
1.一种基于卷积神经网络的超短波特定信号识别方法,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;
使用时频图谱对卷积神经网络模型进行训练;
利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。
2.根据权利要求1所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,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。
3.根据权利要求1所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,卷积神经网络模型包含依次设置的输入层、卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三、平均池化层及输出层,其中,卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层中采用不同大小尺寸的卷积核。
4.根据权利要求3所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层的卷积核大小依次递减。
5.根据权利要求3所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,卷积层三采用3*3卷积核连接平均池化层1*1卷积核。
6.根据权利要求3所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,混合层三中采用卷积和平均池化两层结构。
7.根据权利要求3所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,混合层一、混合层二及混合层三均采用Inception模块进行优化。
8.根据权利要求3所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,输出层中采用全局平均池化和分类输出实现端到端的全卷积神经网络的训练和识别。
9.根据权利要求1所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,使用时频图谱对卷积神经网络模型进行训练和/或识别时前,首先对时频图谱进行随机裁剪增加卷积神经网络模型输入层接收的数据规模。
10.根据权利要求1所述的基于卷积神经网络的超短波特定信号识别方法,其特征在于,混合层一和混合层三两者结构引入跳跃式传递进行残差处理,缓解训练和识别时梯度弥散。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159958.XA CN109379311B (zh) | 2018-09-30 | 2018-09-30 | 基于卷积神经网络的超短波特定信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159958.XA CN109379311B (zh) | 2018-09-30 | 2018-09-30 | 基于卷积神经网络的超短波特定信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109379311A true CN109379311A (zh) | 2019-02-22 |
CN109379311B CN109379311B (zh) | 2021-08-17 |
Family
ID=65403407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159958.XA Active CN109379311B (zh) | 2018-09-30 | 2018-09-30 | 基于卷积神经网络的超短波特定信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109379311B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048977A (zh) * | 2019-03-14 | 2019-07-23 | 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 |
CN110336638A (zh) * | 2019-04-17 | 2019-10-15 | 四川大学 | 一种基于时频图的短时突发信号检测方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111049595A (zh) * | 2019-11-29 | 2020-04-21 | 西安冉科信息技术有限公司 | 一种信号识别采集*** |
CN111464468A (zh) * | 2020-03-02 | 2020-07-28 | 南方科技大学 | 信号调制模式识别方法、装置、设备和可读存储介质 |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
CN112634927A (zh) * | 2020-12-03 | 2021-04-09 | 电子科技大学 | 一种短波信道语音增强方法 |
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN114157544A (zh) * | 2021-12-07 | 2022-03-08 | 中南大学 | 基于卷积神经网络的帧同步方法、设备及介质 |
CN114205821A (zh) * | 2021-11-30 | 2022-03-18 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662328A (zh) * | 2009-09-23 | 2010-03-03 | 成都林海电子有限责任公司 | 便携式超短波跳频电台性能检测仪 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及*** |
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*** |
WO2017200782A1 (en) * | 2016-05-19 | 2017-11-23 | Microsoft Technology Licensing, Llc | Permutation invariant training for talker-independent multi-talker speech separation |
CN108538011A (zh) * | 2018-03-07 | 2018-09-14 | 北京宇航时代科技发展有限公司 | 一种激光雷达火灾检测方法 |
CN108599863A (zh) * | 2018-04-26 | 2018-09-28 | 王晓楠 | 基于浅层cnn分类模型的架空输电线风舞监测预警***及方法 |
-
2018
- 2018-09-30 CN CN201811159958.XA patent/CN109379311B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662328A (zh) * | 2009-09-23 | 2010-03-03 | 成都林海电子有限责任公司 | 便携式超短波跳频电台性能检测仪 |
WO2017200782A1 (en) * | 2016-05-19 | 2017-11-23 | Microsoft Technology Licensing, Llc | Permutation invariant training for talker-independent multi-talker speech separation |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及*** |
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*** |
CN108538011A (zh) * | 2018-03-07 | 2018-09-14 | 北京宇航时代科技发展有限公司 | 一种激光雷达火灾检测方法 |
CN108599863A (zh) * | 2018-04-26 | 2018-09-28 | 王晓楠 | 基于浅层cnn分类模型的架空输电线风舞监测预警***及方法 |
Non-Patent Citations (6)
Title |
---|
CHRISTIAN SZEGEDY等: "Going Deeper with Convolutions", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
KAIMING HE等: "Deep Residual Learning for Image Recognition", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
KAREN SIMONYAN等: "Very Deep Convolutional Networks for Large-Scale Image Recognition", 《HTTP://ARXIV.ORG/PDF/1409.1556.PDF》 * |
LIGANG GAO等: "Demonstration of Convolution Kernel Operation on Resistive Cross-Point Array", 《IEEE ELECTRON DEVICE LETTERS》 * |
MATTHEW D. ZEILER等: "Stochastic Pooling for Regularization of Deep Convolutional Neural Networks", 《HTTPS://ARXIV.ORG/ABS/1301.3557.PDF》 * |
雪饼: "大话CNN经典模型:GoogLeNet(从Inception v1到v4的演进)", 《HTTPS://MY.OSCHINA.NET/U/876354/BLOG/1637819》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048977A (zh) * | 2019-03-14 | 2019-07-23 | 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 |
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 |
CN110336638A (zh) * | 2019-04-17 | 2019-10-15 | 四川大学 | 一种基于时频图的短时突发信号检测方法 |
CN111049595A (zh) * | 2019-11-29 | 2020-04-21 | 西安冉科信息技术有限公司 | 一种信号识别采集*** |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN110927706B (zh) * | 2019-12-10 | 2022-05-24 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111464468A (zh) * | 2020-03-02 | 2020-07-28 | 南方科技大学 | 信号调制模式识别方法、装置、设备和可读存储介质 |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
CN112634927A (zh) * | 2020-12-03 | 2021-04-09 | 电子科技大学 | 一种短波信道语音增强方法 |
CN112634927B (zh) * | 2020-12-03 | 2022-07-29 | 电子科技大学 | 一种短波信道语音增强方法 |
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN114205821A (zh) * | 2021-11-30 | 2022-03-18 | 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 |
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 |
CN114157544A (zh) * | 2021-12-07 | 2022-03-08 | 中南大学 | 基于卷积神经网络的帧同步方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109379311B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109379311A (zh) | 基于卷积神经网络的超短波特定信号识别方法 | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN109188414A (zh) | 一种基于毫米波雷达的手势运动探测方法 | |
CN109344772A (zh) | 基于谱图和深度卷积网络的超短波特定信号侦察方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN109543643A (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
Jiang et al. | Continuous IFF response signal recognition technology based on capsule network | |
Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
Qin et al. | Radar waveform recognition based on deep residual network | |
Sun et al. | Radar emitter individual identification based on convolutional neural network learning | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
Wei et al. | Rf fingerprint extraction method based on ceemdan and multidomain joint entropy | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及*** | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN115951315A (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及*** | |
CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
Huang et al. | A method for extracting fingerprint feature of communication satellite signal | |
Zhang et al. | Channel-Robust Class-Universal Spectrum-Focused Frequency Adversarial Attacks on Modulated Classification Models | |
CN115409058B (zh) | 面向自动调制识别深度网络的对抗扰动生成方法及*** | |
Li et al. | Deep Learning and Time-Frequency Analysis Based Automatic Low Probability of Intercept Radar Waveform Recognition Method | |
Cai et al. | Research on U-Net seismic signal denoising combined with residual dense blocks | |
Tang et al. | Individual identification method of little sample radiation source based on SGDCGAN+ DCNN |
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 |