CN114580468A - 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 - Google Patents
一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 Download PDFInfo
- Publication number
- CN114580468A CN114580468A CN202210167723.5A CN202210167723A CN114580468A CN 114580468 A CN114580468 A CN 114580468A CN 202210167723 A CN202210167723 A CN 202210167723A CN 114580468 A CN114580468 A CN 114580468A
- Authority
- CN
- China
- Prior art keywords
- interference
- frequency
- time
- neural network
- 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.)
- Pending
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
- G06F2218/12—Classification; Matching
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于时频瀑布图和卷积神经网络的干扰信号识别方法,包括如下步骤:信号接收;信号处理;信号分类;结果输出。本发明能够利用接收到干扰信号的时频瀑布图,判断干扰信号的类型,从而可以驱使***采取相对应的抗干扰策略,从而保障用户通信的稳定进行。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于时频瀑布图和卷积神经网络的干扰信号识别方法。
背景技术
随着目前通信技术不断的发展,通信设备日益增多,无线通信面临多种多样的干扰挑战。通信抗干扰问题的研究由来已久,传统的抗干扰技术主要有干扰躲避技术和干扰消除技术。单一类型的抗干扰算法使用范围较小,通常无法适用于所有类型的干扰,难以应对日益复杂的干扰信号带来的威胁。只有正确精准的识别干扰信号类型,针对不同干扰信号类型的本质特征选择合适的抗干扰方法,才能达到良好的抗干扰效果。因此,干扰识别技术在保证无线通信日益突出的干扰问题中的地位至关重要。
出于干扰信号形式多样、规律复杂的原因,人工进行识别的方法略显落后,采用机器学***坦度、峰值、时域距峰度系数等)、数据预处理与特征提取、带入各种模型中分类。此类算法重中之重在于特征参数的提取,选取特征参数的种类和数量直接影响和决定着最终分类效率的高低;这种算法的局限性在于提取参数时具有盲目性以及提取参数后会出现信息遗漏的现象。
发明内容
本发明所要解决的技术问题在于,提供一种基于时频瀑布图和卷积神经网络的干扰信号识别方法,能够利用接收到干扰信号的时频瀑布图,判断干扰信号的类型,从而可以驱使***采取相对应的抗干扰策略,从而保障用户通信的稳定进行。
为解决上述技术问题,本发明提供一种基于时频瀑布图和卷积神经网络的干扰信号识别方法,包括如下步骤:
(1)信号接收;信号接收机采集无线通信环境中的各种干扰与噪声信号,将采集到的信号传输给信号处理设备,用于进行后续处理和分类操作;
(2)信号处理;信号处理设备将信号接收机采集到的信号进行时域或频域上的预处理,将采集到的信号生成时频瀑布图并调整像素大小,为分类器提供数据样本;
(3)信号分类;分类器通过卷积神经网络对全新样本进行预测分类,通过此过程初步判定干扰信号的类型,最终将分类结果发送给输出设备;
(4)结果输出;输出设备接收到分类器发送的干扰信号分类信息后,根据干扰信号的具体类型选择相应的抗干扰策略,发送控制信号至抗干扰执行硬件部分。
优选的,步骤(2)中,采用同时包含时域与频域信息的时频瀑布图作为数据集的输入形式。
优选的,步骤(3)中,卷积神经网络训练样本由实际硬件测量所得五类不同类型的干扰信号所生成的时频瀑布图组成,总样本量为2936,各类样本数量均匀,并且以5:1的比例随机划分训练集与验证集。
优选的,五类不同类型的干扰信号包括定频干扰、宽频干扰、扫频干扰、1MHz间隔梳状波干扰和5MHz间隔梳状波干扰。
优选的,卷积神经网络包括特征提取层、分类层和损失函数;特征提取层包括三层不同核大小的卷积层与归一化层、激活层、池化层与不同参数的dropout层;分类层包括两层不同神经元个数的全连接层及其对应的归一化层与激活层;损失函数使用稀疏范畴交叉熵,优化器使用“Adam”,批大小取128,最终采取分类精度作为评价指标。
本发明的有益效果为:本发明自主设计卷积神经网络结构,从而对于干扰信号可以进行有效识别分类,有利于***进一步采取抗干扰策略,提升用户安全指数;根据实测数据验证,随着训练迭代不断进行,验证集的预测分类准确率不断提高,最终训练集准确率达到99.91%,验证集准确率均达到99.83%;不仅限于信号识别方面,对于其他图像分类问题,也具有一定的参考价值。
附图说明
图1为本发明卷积神经网络的网络架构示意图。
图2为本发明所利用的时频瀑布示意图。
图3为本发明应用于***中操作流程示意图。
图4为本发明训练集与验证集准确率随迭代次数变化示意图。
图5为本发明训练集与验证集损失函数随迭代次数变化示意图。
图6为本发明训练结束后验证集分类混淆矩阵示意图。
具体实施方式
如图3所示,一种基于时频瀑布图和卷积神经网络的干扰信号识别方法,包括如下步骤:
(1)信号接收;信号接收机采集无线通信环境中的各种干扰与噪声信号,将采集到的信号传输给信号处理设备,用于进行后续处理和分类操作;
(2)信号处理;信号处理设备将信号接收机采集到的信号进行时域或频域上的预处理,将采集到的信号生成时频瀑布图并调整像素大小,为分类器提供数据样本;
(3)信号分类;分类器通过卷积神经网络对全新样本进行预测分类,通过此过程初步判定干扰信号的类型,最终将分类结果发送给输出设备;
(4)结果输出;输出设备接收到分类器发送的干扰信号分类信息后,根据干扰信号的具体类型选择相应的抗干扰策略,发送控制信号至抗干扰执行硬件部分。
以硬件设备实测的五类(定频干扰、宽频干扰、扫频干扰、1MHz与5MHz梳状波干扰)信号为例,将抽样后的每一时间段生成时频瀑布图。时频瀑布图示意图如图2所示,其横轴与纵轴分别表示频率域与时域,某一时刻某一频率的信号强度用颜色深浅表示。连续采集各类干扰信号,抽样后生成总样本量为2936,且各类样本数量均匀,以5:1的比例随机划分训练集与验证集。需要统一输入图像尺寸标准,本方法将所有数据集图片大小调整至50×50像素。
其次训练神经网络模型。卷积神经网络的结构由自主设计调试所得,具体结构如图1所示,特征提取层由三层不同核大小的卷积层与归一化层、激活层、池化层与不同参数的dropout层组成;分类层由两层不同神经元个数的全连接层及其对应的归一化层与激活层组成;损失函数使用稀疏范畴交叉熵,优化器使用“Adam”,批大小取128,迭代次数选择50轮,最终采取分类精度作为评价指标。
当***感知到未知类型的干扰信号时,将其实测数据转化成时频瀑布图,并将图片大小调整为统一值(50×50像素),带入模型即可完成预测。
如图4、图5所示,根据训练结果可以看出:随着训练迭代的不断进行,训练集和预测集的分类精度总体趋势上看不断提高,损失值从整体趋势上看逐渐减小,并且波动逐渐减小,在迭代25次左右时基本趋于稳定。最终训练集精度达到99.91%,预测集精度达到99.83%。
根据训练结束的参数更新,得到最终所得模型,如图6所示,对于一个全新的信号时频瀑布图数据集,本模型对于各个样本的预测分类标签与其实际分类标签基本相吻合,可以验证次方法和模型的有效性。不仅限于信号识别方面,对于其他图像分类问题,本模型也具有一定的参考价值。
本发明采用卷积神经网络的方法,并且以图片为输入,通过卷积层与池化层自动提取关键特征。采用可以同时包含时域与频域信息的时频瀑布图作为数据集输入的形式,把原干扰信号经过采样、快速傅里叶变换(FFT)等步骤转化为时频瀑布图,满足卷积神经网络对于输入格式的需求,同时展现信号时域与频域的特性,又可以避免预设特征参数的局限性。
Claims (5)
1.一种基于时频瀑布图和卷积神经网络的干扰信号识别方法,其特征在于,包括如下步骤:
(1)信号接收;信号接收机采集无线通信环境中的各种干扰与噪声信号,将采集到的信号传输给信号处理设备,用于进行后续处理和分类操作;
(2)信号处理;信号处理设备将信号接收机采集到的信号进行时域或频域上的预处理,将采集到的信号生成时频瀑布图并调整像素大小,为分类器提供数据样本;
(3)信号分类;分类器通过卷积神经网络对全新样本进行预测分类,通过此过程初步判定干扰信号的类型,最终将分类结果发送给输出设备;
(4)结果输出;输出设备接收到分类器发送的干扰信号分类信息后,根据干扰信号的具体类型选择相应的抗干扰策略,发送控制信号至抗干扰执行硬件部分。
2.如权利要求1所述的基于时频瀑布图和卷积神经网络的干扰信号识别方法,其特征在于,步骤(2)中,采用同时包含时域与频域信息的时频瀑布图作为数据集的输入形式。
3.如权利要求1所述的基于时频瀑布图和卷积神经网络的干扰信号识别方法,其特征在于,步骤(3)中,卷积神经网络训练样本由实际硬件测量所得五类不同类型的干扰信号所生成的时频瀑布图组成,总样本量为2936,各类样本数量均匀,并且以5:1的比例随机划分训练集与验证集。
4.如权利要求3所述的基于时频瀑布图和卷积神经网络的干扰信号识别方法,其特征在于,五类不同类型的干扰信号包括定频干扰、宽频干扰、扫频干扰、1MHz间隔梳状波干扰和5MHz间隔梳状波干扰。
5.如权利要求1所述的基于时频瀑布图和卷积神经网络的干扰信号识别方法,其特征在于,卷积神经网络包括特征提取层、分类层和损失函数;特征提取层包括三层不同核大小的卷积层与归一化层、激活层、池化层与不同参数的dropout层;分类层包括两层不同神经元个数的全连接层及其对应的归一化层与激活层;损失函数使用稀疏范畴交叉熵,优化器使用“Adam”,批大小取128,最终采取分类精度作为评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167723.5A CN114580468A (zh) | 2022-02-23 | 2022-02-23 | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167723.5A CN114580468A (zh) | 2022-02-23 | 2022-02-23 | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580468A true CN114580468A (zh) | 2022-06-03 |
Family
ID=81773145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210167723.5A Pending CN114580468A (zh) | 2022-02-23 | 2022-02-23 | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580468A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743211A (zh) * | 2023-08-16 | 2023-09-12 | 北京前景无忧电子科技股份有限公司 | 一种电力载波通信抗干扰方法 |
-
2022
- 2022-02-23 CN CN202210167723.5A patent/CN114580468A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743211A (zh) * | 2023-08-16 | 2023-09-12 | 北京前景无忧电子科技股份有限公司 | 一种电力载波通信抗干扰方法 |
CN116743211B (zh) * | 2023-08-16 | 2023-10-27 | 北京前景无忧电子科技股份有限公司 | 一种电力载波通信抗干扰方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及*** | |
CN111800811B (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
CN110515096B (zh) | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 | |
CN111368892B (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN115097396A (zh) | 基于cnn和lstm串联模型的雷达有源干扰识别方法 | |
CN115035913A (zh) | 一种声音异常检测方法 | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN115499092A (zh) | 天文射电暂现信号搜寻方法、***、装置及可读存储介质 | |
Lin et al. | Spectrum prediction based on GAN and deep transfer learning: A cross-band data augmentation framework | |
CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN115964670A (zh) | 一种频谱异常检测方法 | |
CN113837122B (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及*** | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN112329535B (zh) | 基于cnn的电力***低频振荡模态特征的快速辨识方法 | |
CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及*** | |
Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification |
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 |