CN114584227A - 自动化突发信号检测方法 - Google Patents
自动化突发信号检测方法 Download PDFInfo
- Publication number
- CN114584227A CN114584227A CN202210033937.3A CN202210033937A CN114584227A CN 114584227 A CN114584227 A CN 114584227A CN 202210033937 A CN202210033937 A CN 202210033937A CN 114584227 A CN114584227 A CN 114584227A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- neural network
- burst
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
- H04B1/0007—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain wherein the AD/DA conversion occurs at radiofrequency or intermediate frequency stage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- 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)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开的一种自动化突发信号检测方法,检测速度快,检测稳定性高、精度高。本发明通过下述技术方案实现:在空间电磁信号检测发现场景中,监测设备采用天线捕获空间电磁辐射信号并转换成电信号,通过射频信道模拟变频、滤波、放大输出到采集模块,将接收信道输出的单路模拟信号进行AD采样和数字下变频,生成一段信号采样数据,并进行STFT,输出宽带时频矩阵数据到检测处理模块,加载训练深度神经网络模型,经过推理结果的后处理,形成时频矩阵对应段信号采样数据中包含的突发信号的是否存在电磁信号的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽参数,完成电磁空间突发信号的检测发现和信号占用时间、频率等参数提取。
Description
技术领域
本发明涉及复杂电磁环境下的信号监测技术,更具体地说,涉及一种宽带电磁频谱监测接收机自动化突发信号检测方法。
背景技术
在现代通信***中,如卫星通信、移动通信等无线通信***中,都是基于无线信道进行数据传输,由于无线信道环境恶劣,在通信过程中信道参数往往随时间呈现出相对剧烈的变化,所以在信号解调过程中通常采用突发模式,即认为在短时间内,信道的参数是恒定的。在发射端发送数据之前,通常在要发送的数据之前加上用于估计信道参数的前导码。接收端的核心任务是对接收到数据的起点进行检测,即突发信号检测。它的物理意义是找出接收到的信号中有突发信号的突发起点,通过突发信号检测技术找出信号的突发起点。一般来说,电磁环境中常存在以下几种不同的信号样式,1)连续的定频信号。连续定频信号指信号在特定频率点附近连续出现,随着时间的推移频率很少发生变化,在时频图上近似表现为一条竖直线,而且信号的方位比较稳定。在实际电磁环境中,信道内存在较多的定频信号。一般的定频信号具有占用带宽有限、持续时间较长、短类半径,构造一个类,即类交叉部分。 2)断续的定频信号。断续定频信号指信号在特定频率点上断续出现的信号,信号在特定频点上时断时续,而且信号的方位比较稳定。3)随机的噪声信号。随机噪声信号指各种信道噪声与空间干扰信号。在时频图上该类信号表现为随机分布的散乱点。根据实践经验,随机噪声信号幅度一般相对较小,但数量极大,而且与频率范围和时间范围有很大的关系,有的频段上很强,有的频段上较弱。4)突发信号,突发信号是指随机出现,出现后持段时间,然后又消失的信号,在时频图上也表现为较短的直线。突发信号具有突发性、短暂性的特点,在解调前需采取一定的方法来判断接收信号是噪声还是携带数据的信号,否则会造成信号的丢失。对于突发信号,如果采用连续信号的解调器对突发信号进行解调,必然会出现以下问题:信号存在时,解调器准确地入锁,信号能正确地解调;当信号消失(只存在噪声)时,解调器会发生频漂。5)跳频信号。跳频信号在不同信道上的发射功本一致,而且由于接收机在整个频段上接收信号的跳频信号的自动检测模型特性也基本一致。干扰方要对特定的跳频通信信号实施定位及干扰,首先必须检测出跳频信号并力图分选出各跳频电台的频率集。由于电磁环境十分复杂,不但信号分布密集,要处理的数据量较大,而且种类繁各种信号混杂在一起.这些特点给短波波段内跳频信号的检测带来了不便。目前主要的跳频信号检测分析方法有自相关检测算法、自适应门限去噪算法、自适应门限与固定门限相结合的算法,时频分析法。其中,时频分析法在分析跳频信号上有很大优势,然而现代通信环境日趋复杂,由于短波波段电磁环境越来越复杂,截获的数据量越来越庞大,而跳频信号也出现频带增宽,跳速增大等趋势,直接用时频幅三维关联法从海量数据中检测出跳频信号是很难的。以上这些方法都未强调信号的来波方位信息,运算量较大,难以达到快速检测的要求。
突发信号的检测技术有滑动窗口法、双滑动窗口法、自适应调整门限能量检测法、短时自相关法和频域检测算法。常见的主要方法有能量法、自相关法等。滑动窗口法是基于接收信号能量的突发信号检测算法中最常采用的方法。但以上算法要么性能较差,要么计算量较大,总之难以满足高速突发信号检测要求。其中,滑动窗口法滑动窗口的缺点是门限Th值很难确定。
当今无线电通信技术的发展日新月异其应用范围也越来越广,随之而来的问题是各行各业对无线电频谱资源的需求急速增长,同时也使得无线电通信环境日趋复杂。这种情况下对无线电频谱资源的监测管理势在必行,监测接收机作为频谱监测管理的核心设备它对净化电磁环境、提高无线电频谱利用率具有不可替代的作用。基于如今突发通信机制的广泛应用,电磁信号监测设备是对环境中的电磁信号进行捕获并对关注信号进行分析处理,获取目标信号参数的装置。针对突发通信越来越多的情况,电磁信号监测设备要对关注目标信号提取参数,首先需要在复杂多信号电磁环境中检测信号,确定每个信号时间占用范围、频率占用范围,基于该占用范围逐一滤出单个信号,用于后续详细分析和参数提取。传统宽带电磁频谱监测设备照中,采用在信号频域中即信号一维频谱中进行信号的带宽和中心频率检测,基于该频率检测结果,进行滤波处理,然后再在时域上进行信号起始时间和突发时长的检测。其存在对突发电磁辐射信号检测发现概率不高、时频参数提取不准等缺陷。
近年来,无线通信中功率控制、接入方式等方面技术的发展,采用频率、时间分步检测的方法进行信号检测,电磁信号的发现概率越来越低。因此提出了对信号进行时频变换,即在二维时频图进行信号检测的自动获取信号时频参数的方法。当前基于时频图进行信号检测的方法主要采用设置门限,通过信号幅度过门限并将过门限的谱线进行融合实现信号时频参数的检测。上述的检测方案中,其中一个环节是采用自适应门限相关检测算法,将匹配相关后的峰值与设定的门限进行比较,利用相关前后信号功率估计之比来构造判决统计量,即通过判断判决变量是否超出预定阈值来检测突发信号是否来临。相关检测算法实现复杂度高、绝对门限对信号电平或噪声强度敏感。由于判决门限由***的虚警概率Pf和本地独特码序列的长决定。在样点相关值中,可能不止一个大于判决门限,这样需选取一个最大的样点相关值去判断突发信号中独特码的起始界。在相关法对独特码检测中,若采用固定门限,将很难正确进行检测。并且设置硬门限的方法,存在对信噪比要求高、检测发现概率低、虚警率高等问题。
发明内容
本发明的目的是针对现有技术宽带电磁频谱监测设备对突发电磁辐射信号检测发现概率不高、时频参数提取不准等缺陷,提供一种能够简化监测设备操作,突发信号检测速度快,检测误差小、检测发现概率高、时频参数估计精度高的自动化突发信号检测方法。计算量小,速度快,检测误差小本发明解决技术问题所采用的技术方案是:一种自动化突发信号检测方法,具有如下技术特征:在空间电磁信号检测发现场景中,宽带电磁频谱监测设备采用接收天线接收信号,捕获空间电磁辐射信号并转换成电信号,转换成的电信号通过射频信道模块进行模拟变频、匹配滤波、放大后,输出到采集模块进行时间采样和频率采样;采集模块根据射频信道模块输出的单路模拟信号进行自动AD采样、数字信道预处理和数字下变频,生成一段信号采样数据,并对该信号采样数据进行短时傅里叶变换(STFT),STFT将数据分段加窗,选择一个时频局部化的窗函数,计算出各个不同时刻的功率谱,得到函数在时刻τ附近的频率信息和一个短时傅里叶变换结果的宽带时频矩阵,提取一帧宽带时频矩阵数据并输出到检测处理模块;检测处理模块采用高精度的浮点计算算子构建深度神经网络模型,以高精度标注数据对深度神经网络模型进行训练,加载训练好的深度神经网络模型,以宽带时频矩阵数据为突发多信号检测输入到深度神经网络模型,经过深度神经网络模型推理和对推理结果的后处理,自动生成电磁空间中包含的突发信号是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽等参数信息,形成时频矩阵对应段信号采样数据中包含的突发信号是否存在的置信概率;深度神经网络模型采用基础网络并结合多层特征提取网络,利用时频边界估计网络不同特征网络层输出的不同分辨率尺度下的特征信息,进行信号是否存在的置信概率和时频参数估计,并对不同尺度下检测结果的估计结果进行融合,合并对应同一目标突发信号的检测结果,设置门限,根据突发信号是否存在的置信概率,对概率过门限的信号起始时间、信号时长、信号中心频率和信号带宽参数进行突发信号检测,完成电磁空间突发信号的检测发现和信号占用时间及频率参数提取。
本发明相比于现有技术具有如下有益效果。
简化了监测设备操作。本发明针对宽带电磁频谱监测设备对突发电磁辐射信号自动化检测发现,在空间电磁信号检测发现场景中,宽带电磁频谱监测设备采用接收天线接收信号,自动采用天线捕获空间电磁辐射信号转换成电信号;自动通过射频信道对信号进行模拟变频、滤波、放大输出到采集模块;采集模块自动将接收信道输出的单路模拟信号进行AD 采样和数字下变频,生成一段信号采样数据,对该信号采样数据进行短时傅里叶变换,输出宽带时频矩阵数据到检测处理模块;检测处理模型利用深度神经网络模型自动提取存在的信号及时间、频率参数,无需人工通过观测时频矩阵可视化的时频图,无需人工根据时频图框选突发信号确定信号参数,机器自动提取信号时间占用范围、频率占用范围等参数,大大简化了监测设备的设计,降低了人工操作并提高了工程实现的可靠性。
突发信号检测速度快。本发明针对空间电磁辐射观测,经自动化综合处理,发现突发电磁信号,并提取是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽参数,根据射频信道模块输出的单路模拟信号进行自动AD采样、数字信道预处理和数字下变频,生成一段信号采样数据,并对该信号采样数据进行短时傅里叶变换(STFT), STFT将数据分段加窗,选择一个时频局部化的窗函数,计算出各个不同时刻的功率谱,得到函数在时刻τ附近的频率信息和一个短时傅里叶变换结果的宽带时频矩阵,提取一帧宽带时频矩阵数据并输出到检测处理模块;这种通过下变频和短时傅里叶变换后,形成宽带时频矩阵数据,高效、便捷、计算量小,易于并行计算,速度快,可以通过基本计算单元构建深度神经网络模型,利用深度神经网络模型自动推理。同时深度神经网络模型可在高性能GPU 或专用AI处理芯片部署,进行快速并行推理,实现深度神经网络模型快速计算和宽带时频矩阵数据快速处理输出是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽等参数信息。大大提升宽带频谱监测设备对突发电磁辐射信号的检测速度。
检测误差小、检测发现概率高。本发明针对空间各类辐射电磁信号,采用高精度的浮点计算算子构建深度神经网络模型,以高精度标注数据对深度神经网络模型进行训练,基于深度神经网络模型,采用有监督的训练方式训练深度神经网络模型,利用训练好的深度神经网络模型对宽带时频矩阵数据进行处理,自动生成电磁空间中包含的突发信号是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽等参数信息。采用浮点计算、高精度推理,以宽带时频数据为输入,利用神经网络自动估计时频数据中存在的多个突发信号的是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽参数。实现宽带电磁频谱监测设备对电磁辐射信号的高稳定、高精度检测。不仅检测稳定性高、检测精度高,而且时频参数估计精度高。并且可以利用计算法仿真,分别从频偏捕获范围、信噪比工作门限以及电平接收范围等方面进行验证,验证结果表明,本发明可以可靠工作于较低信噪比,信道适应性适中且具有恒虚警概率特性,是一种适合TDMA***突发信号检测的有效检测方法。
附图说明
为了进一步说明而不是限制本发明的上述实现方式,下面结合附图给出最佳实施例,从而使本发明的细节和优点变得更为明显。
图1是本发明基于多层深度神经网络的自动化突发信号检测检测原理示意图。
图2是本发明信号检测设置的每种尺度的基准边界框示意图。
图3是本发明深度神经网络模型中残差网络结构示意图。
具体实施方式
参阅图1。根据本发明,在空间电磁信号检测发现场景中,宽带电磁频谱监测设备采用接收天线接收信号,捕获空间电磁辐射信号并转换成电信号,转换成的电信号通过射频信道模块进行模拟变频、匹配滤波、放大后,输出到采集模块进行时间采样和频率采样;采集模块根据射频信道模块输出的单路模拟信号进行自动AD采样、数字信道预处理和数字下变频,生成一段信号采样数据,并对该信号采样数据进行短时傅里叶变换(STFT),STFT将数据分段加窗,选择一个时频局部化的窗函数,计算出各个不同时刻的功率谱,得到函数在时刻τ附近的频率信息和一个短时傅里叶变换结果的宽带时频矩阵,提取一帧宽带时频矩阵数据并输出到检测处理模块;检测处理模块采用高精度的浮点计算算子构建深度神经网络模型,以高精度标注数据对深度神经网络模型进行训练,加载训练好的深度神经网络模型,以宽带时频矩阵数据为突发多信号检测输入到深度神经网络模型,经过深度神经网络模型推理和对推理结果的后处理,自动生成电磁空间中包含的突发信号是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽等参数信息,形成时频矩阵对应段信号采样数据中包含的突发信号是否存在的置信概率;深度神经网络模型采用基础网络并结合多层特征提取网络,利用时频边界估计网络不同特征网络层输出的不同分辨率尺度下的特征信息,进行信号是否存在的置信概率和时频参数估计,并对不同尺度下检测结果的估计结果进行融合,合并对应同一目标突发信号的检测结果,设置门限,根据突发信号是否存在的置信概率,对概率过门限的信号起始时间、信号时长、信号中心频率和信号带宽参数进行突发信号检测,完成电磁空间突发信号的检测发现和信号占用时间及频率参数提取。
其中,N为时频数据中有效信号个数,λcoord为对时频参数估计误差的加权,Lloc为时频参数估计误差。
其中,yi表示分类的真实结果、表示分类的预测结果,fi、ti、bi、li和分别表示时频参数的真实结果和预测结果。该损失函数降低了大量简单负样本在训练中所占的权重,解决了one-stage目标检测中正负样本比例严重失衡的问题。
在可选的实施例中,神经网络的输入1通道幅度数据为1×128×1024、128维时间数据和1024维频率数据,输入数据经过特征提取网络形成至少4种不同尺度的特征信息,其中,尺度1特征信息的维数为32通道16×128,尺度2特征信息的维数为48通道8×64,尺度3特征信息的维数为64通道4×32,尺度,4特征信息的维数为128通道2×16。
参阅图2。深度神经网络模型针对每一种尺度的特征信息,对特征中每个Cell采用8 种不同比例的默认边界框为基准进行信号检测,根据电磁信号的带宽和时长等时频特性,设置8种默认边界框的长宽比例分为1:1、1.5:1.5、1:2、2:1、1:3、3:1、1:5、5:1。时频边界估计网络对于每一种尺度下特征信息中的每一个Cell,形成8个估计结果,即每个默认边界框对应一个估计结果,每个估计结果包含信息记为[P,fc,tc,bc,lc],其中,P表示有目标和无目标的置信度。fc表示信号相对中心频率、tc表示信号相对中心时间(起始时间+ 信号时长的一半)、bc表示相对信号带宽、lc表示信号相对时长。
时频边界估计网络采用相对估计结果计算方式计算出:
时频边界估计网络输出的相对估计结果,通过上式的逆变换后,可以获取目标的信号的原始中心频率fc、中心时间tg、带宽bg和时长lg,
其中,fg,tg,bg,lg为目标信号真实的中心频率、中心时间、带宽、时长,fb,tb,bb,lb为基准边界框表示的中心频率、中心时间、带宽、时长。
深度神经网络针对突发目标信号检测任务,采用多层卷积神经网络提取输入时频数据特征,并预测目标信号信息结果,并利用残差网络作为主要网络模型组件以更好的完成训练和预测。多层特征提取网络采用26层神经网络进行特征提取,用表示由两层神经网络依次连接作为一个残差网络块,并连续叠加3个,其中,[16,3×3]表示输出16通道3×3的卷积神经网络。
深度神经网络模型中特征提取网络设计参数表如下所示:
参阅图3。残差块网络块利用层归一化(LayerNorm)和激活函数(LeakyReLu),输入多通道特征数据,首先进行3×3的卷积神经网络,然后依次叠加层归一化LayerNorm层、LeakyReLu激活层、3×3的卷积神经网络、LayerNorm层然后和输入经过1×1的卷积神经网络层进行相加,最后再叠加LeakyReLu激活层。
以上结合附图对本发明进行了详细描述,但需要指出的是,上述实例所描述的是仅为本发明的优选实例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化,比如可以结合具体的工程项目选用不同神经网络的层数、各层神经网络的通道数、卷积核的尺寸参数等。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种自动化突发信号检测方法,具有如下技术特征:在空间电磁信号检测发现场景中,宽带电磁频谱监测设备采用接收天线接收信号,捕获空间电磁辐射信号并转换成电信号,转换成的电信号通过射频信道模块进行模拟变频、匹配滤波、放大后,输出到采集模块进行时间采样和频率采样;采集模块根据射频信道模块输出的单路模拟信号进行自动AD采样、数字信道预处理和数字下变频,生成一段信号采样数据,并对该信号采样数据进行短时傅里叶变换(STFT),STFT将数据分段加窗,选择一个时频局部化的窗函数,计算出各个不同时刻的功率谱,得到函数在时刻τ附近的频率信息和一个短时傅里叶变换结果的宽带时频矩阵,提取一帧宽带时频矩阵数据并输出到检测处理模块;检测处理模块采用高精度的浮点计算算子构建深度神经网络模型,以高精度标注数据对深度神经网络模型进行训练,加载训练好的深度神经网络模型,以宽带时频矩阵数据为突发多信号检测输入到深度神经网络模型,经过深度神经网络模型推理和对推理结果的后处理,自动生成电磁空间中包含的突发信号是否存在的置信概率、信号起始时间、信号时长、信号中心频率、信号带宽的参数信息,形成时频矩阵对应段信号采样数据中包含的突发信号是否存在的置信概率;深度神经网络模型采用基础网络并结合多层特征提取网络,利用时频边界估计网络不同特征网络层输出的不同分辨率尺度下的特征信息,进行信号是否存在的置信概率和时频参数估计,并对不同尺度下检测结果的估计结果进行融合,合并对应同一目标突发信号的检测结果,设置门限,根据突发信号是否存在的置信概率,对概率过门限的信号起始时间、信号时长、信号中心频率和信号带宽参数进行突发信号检测,完成电磁空间突发信号的检测发现和信号占用时间及频率参数提取。
4.如权利要求1所述的自动化突发信号检测方法,其特征在于:,神经网络的输入1通道幅度数据为1×128×1024、128维时间数据和1024维频率数据,输入数据经过特征提取网络形成至少4种不同尺度的特征信息,其中,尺度1特征信息的维数为32通道16×128,尺度2特征信息的维数为48通道8×64,尺度3特征信息的维数为64通道4×32,尺度,4特征信息的维数为128通道2×16。
5.如权利要求1所述的自动化突发信号检测方法,其特征在于:深度神经网络模型针对每一种尺度的特征信息,对特征中每个Cell采用8种不同比例的默认边界框为基准进行信号检测,根据电磁信号的带宽和时长等时频特性,设置8种默认边界框的长宽比例分为1:1、1.5:1.5、1:2、2:1、1:3、3:1、1:5、5:1。
6.如权利要求1所述的自动化突发信号检测方法,其特征在于:时频边界估计网络对于每一种尺度下特征信息中的每一个Cell,形成8个估计结果,即每个默认边界框对应一个估计结果,每个估计结果包含信息记为[P,fc,tc,bc,lc],其中,P表示有目标和无目标的置信度,fc表示信号相对中心频率,tc表示信号相对中心时间,bc表示相对信号带宽,lc表示信号相对时长。
8.如权利要求1所述的自动化突发信号检测方法,其特征在于:深度神经网络模型针对突发目标信号检测任务,采用多层卷积神经网络提取输入时频数据特征,预测目标信号信息结果,并利用残差网络作为主要网络模型组件以更好的完成训练和预测。
10.如权利要求9所述的自动化突发信号检测方法,其特征在于:残差块网络块利用层归一化(LayerNorm)和激活函数(LeakyReLu),输入多通道特征数据,首先进行3×3的卷积神经网络,然后依次叠加层归一化LayerNorm层、LeakyReLu激活层、3×3的卷积神经网络、LayerNorm层然后和输入经过1×1的卷积神经网络层进行相加,最后再叠加LeakyReLu激活层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033937.3A CN114584227B (zh) | 2022-01-12 | 2022-01-12 | 自动化突发信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033937.3A CN114584227B (zh) | 2022-01-12 | 2022-01-12 | 自动化突发信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584227A true CN114584227A (zh) | 2022-06-03 |
CN114584227B CN114584227B (zh) | 2023-08-22 |
Family
ID=81769094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210033937.3A Active CN114584227B (zh) | 2022-01-12 | 2022-01-12 | 自动化突发信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584227B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244637A (zh) * | 2023-05-12 | 2023-06-09 | 中星联华科技(北京)有限公司 | 突发信号采集方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1139495A (ja) * | 1997-07-24 | 1999-02-12 | Nec Corp | 画像監視装置 |
WO2001048952A1 (fr) * | 1999-12-24 | 2001-07-05 | Ntt Docomo, Inc. | Procede et dispositif de transmission de signaux de rafale dans un systeme de communication mobile, procede de distribution d'informations et controleur de distribution d'informations |
CN105207965A (zh) * | 2015-08-14 | 2015-12-30 | 成都中安频谱科技有限公司 | 一种vhf/uhf频段的调制自动识别方法 |
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*** |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN112735435A (zh) * | 2020-12-25 | 2021-04-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 具备未知类别内部划分能力的声纹开集识别方法 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
-
2022
- 2022-01-12 CN CN202210033937.3A patent/CN114584227B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1139495A (ja) * | 1997-07-24 | 1999-02-12 | Nec Corp | 画像監視装置 |
WO2001048952A1 (fr) * | 1999-12-24 | 2001-07-05 | Ntt Docomo, Inc. | Procede et dispositif de transmission de signaux de rafale dans un systeme de communication mobile, procede de distribution d'informations et controleur de distribution d'informations |
CN105207965A (zh) * | 2015-08-14 | 2015-12-30 | 成都中安频谱科技有限公司 | 一种vhf/uhf频段的调制自动识别方法 |
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*** |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN112735435A (zh) * | 2020-12-25 | 2021-04-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 具备未知类别内部划分能力的声纹开集识别方法 |
Non-Patent Citations (3)
Title |
---|
D. SEO等: "CNN-based Burst Signal Detection with Covariance Matrix", pages 470 - 473 * |
冉雨: "自适应突发通信***的决策技术研究" * |
胡亚等: "复杂信号环境下非合作突发通信信号的实时检测", vol. 34, no. 07, pages 1463 - 1468 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244637A (zh) * | 2023-05-12 | 2023-06-09 | 中星联华科技(北京)有限公司 | 突发信号采集方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114584227B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957399B (zh) | 一种利用lte信号信道状态信息实现运动检测的方法 | |
CN107911183B (zh) | 一种基于实时信号特征分析的无人机识别方法及*** | |
US10879946B1 (en) | Weak signal processing systems and methods | |
CN110099019B (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN111366950A (zh) | 卫星导航压制式干扰与欺骗干扰的综合检测方法及*** | |
KR102162284B1 (ko) | 클라우드 데이터 처리 gnss 재밍 감시 방법 및 시스템 | |
CN113938228B (zh) | 网络域协作干扰位置检测方法及*** | |
US7613231B2 (en) | Apparatus and method for detecting code of direct sequence spread spectrum signal | |
Kaplan et al. | Measurement based FHSS–type drone controller detection at 2.4 GHz: An STFT approach | |
CN116400387B (zh) | 一种基于双阵元互相关的微弱干扰检测方法和*** | |
CN111046025B (zh) | 无人机信号探测方法及装置 | |
CN114584227B (zh) | 自动化突发信号检测方法 | |
CN109655794B (zh) | 一种窄带自卫噪声压制干扰的检测识别方法 | |
Nafkha et al. | Cyclostationarity-based versus eigenvalues-based algorithms for spectrum sensing in cognitive radio systems: Experimental evaluation using GNU radio and USRP | |
CN108155959B (zh) | 一种复杂网络环境下无人机测控信号检测方法 | |
CN116647311B (zh) | 基于盲源分离的无人机通信信号处理方法、***及设备 | |
CN112929141A (zh) | 一种基于图传信号匹配的无人机检测识别方法和*** | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN116961799A (zh) | 一种基于时频域分布特征的信号干扰检测方法 | |
KR101154166B1 (ko) | 인지 무선 시스템을 위한 스펙트럼 검출 기법 성능 분석 방법 | |
KR101755240B1 (ko) | 압축 센싱 기반의 신호 검출 장치 및 그 방법 | |
Deng et al. | Spectrogram-based frequency hopping signal detection in a complex electromagnetic environment | |
CN114401526A (zh) | 基于双门限判决的窄带干扰位置检测方法及*** | |
CN113824518A (zh) | 基于频谱的非合作信号检测方法 | |
Stasionis et al. | Burst signal detector based on signal energy and standard deviation |
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 |