CN115577305B - 一种无人机信号智能识别方法及装置 - Google Patents

一种无人机信号智能识别方法及装置 Download PDF

Info

Publication number
CN115577305B
CN115577305B CN202211350359.2A CN202211350359A CN115577305B CN 115577305 B CN115577305 B CN 115577305B CN 202211350359 A CN202211350359 A CN 202211350359A CN 115577305 B CN115577305 B CN 115577305B
Authority
CN
China
Prior art keywords
signal
model
unmanned aerial
aerial vehicle
representing
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
Application number
CN202211350359.2A
Other languages
English (en)
Other versions
CN115577305A (zh
Inventor
葛嘉鑫
温志津
刘阳
李晋徽
王易达
张涵硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Systems Engineering of PLA Academy of Military Sciences
Original Assignee
Institute of Systems Engineering of PLA Academy of Military Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Systems Engineering of PLA Academy of Military Sciences filed Critical Institute of Systems Engineering of PLA Academy of Military Sciences
Priority to CN202211350359.2A priority Critical patent/CN115577305B/zh
Publication of CN115577305A publication Critical patent/CN115577305A/zh
Application granted granted Critical
Publication of CN115577305B publication Critical patent/CN115577305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明公开了一种无人机信号智能识别方法及装置，该方法包括：利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理得到零中频信号；将所述零中频信号发送给信号处理设备，利用信号处理设备对零中频信号进行处理，得到训练信号样本数据库；构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型；利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。本发明方法能够解决现有技术在大量背景信号、兼顾检测实时性和准确性条件下信号检测的难题。

Description

一种无人机信号智能识别方法及装置
技术领域
本发明涉及电子信息技术领域，尤其涉及一种无人机信号智能识别方法及装置。
背景技术
随着科学技术的不断更新换代,无人机在军事和民用领域均呈现出迅猛发展态势。无人机技术在给诸多领域带来便利的同时,也不可避免地带来了管控和反制的问题,需要迫切解决。反无人机技术因此应运而生并蓬勃发展。反无人机各项技术实现的前提是快速准确地检测出目标无人机信号。
现代社会通信设备不断增多，加之各类噪声、干扰及衰落和多径的影响，电磁环境复杂多变。面对这种高动态、复杂的电磁环境，现有信号检测方法暴露出鲁棒性差、泛化能力不足等缺陷，难以应对这种复杂的电磁环境，一些难点问题亟待解决。
复杂电磁环境下小型无人机信号智能识别技术面临的难点问题是：(1)同频段存在大量背景信号，各种用频信号之间互相产生干扰；(2)由于电磁环境复杂，检测实时性和准确性不能同时达到较好效果。
发明内容
本发明所要解决的技术问题在于，为应对复杂电磁环境下进行小型无人机探测、识别的需求，本发明提供一种无人机信号智能识别方法及装置，通过无线电侦收、信号时频变换、滤波、信号标注、基于深度学习的目标检测、知识蒸馏等方式，实现对小型无人机信号及同频段背景信号的检测和识别。
为了解决上述技术问题，本发明实施例第一方面公开了一种无人机信号智能识别方法，所述方法包括：
S1，利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
S2，将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库，包括：
S21，利用所述信号处理设备对所述零中频信号进行存储和预处理，得到时频变换数据信息；
所述时频变换为平滑WVD分布：
Figure GDA0004151747980000021
式中，G(t，ω)是某一窗函数的时－频分布，Wx(t，ω)为时域信号x()的WVD分布，u,ξ为卷积参数；
对平滑WVD分布SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频变换数据信息
Figure GDA0004151747980000022
S22，对所述时频变换数据信息进行标注，得到训练信号样本数据库；
S3，构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型，包括：
S31，构建无人机信号智能识别初始模型；
所述无人机信号智能识别初始模型为YOLO模型，所述YOLO模型的损失函数为：
Loss_yolo＝λLCIoU(b,bgt)+λLobj(po,piou)+λLcls(cp,cgt)
LCIoU(b,bgt)＝αLosssoft(bT,bS)+(1-α)Losshard(bT,bgt)
Lobj(po,piou)＝αLosssoft(pT,pS)+(1-α)Losshard(pT,pgt)
Lcls(cp,cgt)＝αLosssoft(cT,cS)+(1-α)Losshard(cT,cgt)
式中，Loss_yolo表示YOLO模型总体损失，λ表示对应项的权重，LCIoU表示边界框回归损失，b表示边界框预测值，bgt表示边界框真实值，Lobj表示目标置信度损失，po表示预测框中目标置信度分数，piou表示预测框和与之对应的目标框的IoU值，Lcls表示类别损失，cp表示预测框的类别分数，cgt表示类别的真实值，α表示权重，bs表示学生模型的边界框预测值，bT表示教师模型的边界框预测值，pS表示学生模型预测框中目标置信度分数，pT表示教师模型预测框中目标置信度分数，pgt表示目标的真实值，cS表示学生模型预测框的类别分数，cT表示教师模型预测框的类别分数；
S32，利用基于FSP矩阵的特征蒸馏方法，对所述无人机信号智能识别初始模型进行压缩，得到优化无人机信号智能识别模型；
所述基于FSP矩阵的特征蒸馏方法包括：
Figure GDA0004151747980000031
其中，F1是浅层特征图，F2是深层特征图，h是特征图的长，w是特征图的宽，i,j是F1、F2对应的通道索引，x和W是当前的输入和参数；利用L2 Loss逼近教师模型和学生模型的FSP矩阵之间的距离LFSP(Wt,Ws)，L2 Loss定义为：
Figure GDA0004151747980000032
式中，
Figure GDA0004151747980000033
为教师网络的FSP矩阵，/>
Figure GDA0004151747980000034
为学生网络的FSP矩阵，λi代表权重，N为数据点的个数，Wt为教师网络参数，Ws为学生网络参数，x是当前的输入，i为通道索引，n为通道数；
所述教师模型为YOLOv5l模型；所述学生模型为YOLOv5s模型；
S33，利用所述训练信号样本数据库，对所述优化无人机信号智能识别模型进行训练，得到无人机信号智能识别模型；
S4，利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号，包括：
S11，无线电侦察设备接收信号处理设备发出的侦收指令；
S12，所述无线电侦察设备，根据所述侦收指令，对空间电磁波信号进行接收；
S13，所述无线电侦察设备，对所述接收到的空间电磁波信号进行处理，得到零中频信号。
作为一种可选的实施方式，在本发明实施例第一方面中，所述对时频谱图SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频谱图
Figure GDA0004151747980000035
包括：
Figure GDA0004151747980000036
式中，W()表示原时频谱图，
Figure GDA0004151747980000037
表示双边滤波处理后的时频谱图，m表示输出的像素点，n表示输入的像素点，s表示设定的矩形框区域，用以遍历图像，W为二维模板，/>
Figure GDA0004151747980000038
和
Figure GDA0004151747980000039
是两个高斯函数，分别表示空间域核和像素域核，Mm的具体表达式为：
Figure GDA0004151747980000041
Figure GDA0004151747980000042
和/>
Figure GDA0004151747980000043
具体表达式为：
Figure GDA0004151747980000044
Figure GDA0004151747980000045
式中，a、b表示输入像素的横纵坐标，i、j表示方框中心的坐标，σs、σr表示高斯函数标准差。
本发明第二方面公开了一种无人机信号智能识别装置，所述装置包括：
信号接收模块，用于利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
训练数据库生成模块，用于将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库，包括：
S21，利用所述信号处理设备对所述零中频信号进行存储和预处理，得到时频变换数据信息；
所述时频变换为平滑WVD分布：
Figure GDA0004151747980000046
式中，G(t，ω)是某一窗函数的时－频分布，Wx(t，ω)为时域信号x()的WVD分布，u,ξ为卷积参数；
对平滑WVD分布SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频变换数据信息
Figure GDA0004151747980000047
S22，对所述时频变换数据信息进行标注，得到训练信号样本数据库；
训练模块，用于构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型，包括：
S31，构建无人机信号智能识别初始模型；
所述无人机信号智能识别初始模型为YOLO模型，所述YOLO模型的损失函数为：
Loss_yolo＝λLCIoU(b,bgt)+λLobj(po,piou)+λLcls(cp,cgt)
LCIoU(b,bgt)＝αLosssoft(bT,bS)+(1-α)Losshard(bT,bgt)
Lobj(po,piou)＝αLosssoft(pT,pS)+(1-α)Losshard(pT,pgt)
Lcls(cp,cgt)＝αLosssoft(cT,cS)+(1-α)Losshard(cT,cgt)
式中，Loss_yolo表示YOLO模型总体损失，λ表示对应项的权重，LCIoU表示边界框回归损失，b表示边界框预测值，bgt表示边界框真实值，Lobj表示目标置信度损失，po表示预测框中目标置信度分数，piou表示预测框和与之对应的目标框的IoU值，Lcls表示类别损失，cp表示预测框的类别分数，cgt表示类别的真实值，α表示权重，bs表示学生模型的边界框预测值，bT表示教师模型的边界框预测值，pS表示学生模型预测框中目标置信度分数，pT表示教师模型预测框中目标置信度分数，pgt表示目标的真实值，cS表示学生模型预测框的类别分数，cT表示教师模型预测框的类别分数；
S32，利用基于FSP矩阵的特征蒸馏方法，对所述无人机信号智能识别初始模型进行压缩，得到优化无人机信号智能识别模型；
所述基于FSP矩阵的特征蒸馏方法包括：
Figure GDA0004151747980000051
其中，F1是浅层特征图，F2是深层特征图，h是特征图的长，w是特征图的宽，i,j是F1、F2对应的通道索引，x和W是当前的输入和参数；利用L2 Loss逼近教师模型和学生模型的FSP矩阵之间的距离LFSP(Wt,Ws)，L2 Loss定义为：
Figure GDA0004151747980000052
式中，
Figure GDA0004151747980000053
为教师网络的FSP矩阵，/>
Figure GDA0004151747980000054
为学生网络的FSP矩阵，λi代表权重，N为数据点的个数，Wt为教师网络参数，Ws为学生网络参数，x是当前的输入，i为通道索引，n为通道数；
所述教师模型为YOLOv5l模型；所述学生模型为YOLOv5s模型；
S33，利用所述训练信号样本数据库，对所述优化无人机信号智能识别模型进行训练，得到无人机信号智能识别模型；
识别模块，用于利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号，包括：
S11，无线电侦察设备接收信号处理设备发出的侦收指令；
S12，所述无线电侦察设备，根据所述侦收指令，对空间电磁波信号进行接收；
S13，所述无线电侦察设备，对所述接收到的空间电磁波信号进行处理，得到零中频信号。
作为一种可选的实施方式，在本发明实施例第二方面中，所述利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库，包括：
S21，利用所述信号处理设备对所述零中频信号进行存储和预处理；
所述预处理包括对所述零中频信号进行时频变换，得到时频变换数据信息；
S22，对所述时频变换数据信息进行标注，得到训练信号样本数据库。
作为一种可选的实施方式，在本发明实施例第二方面中，所述对时频谱图SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频谱图
Figure GDA0004151747980000061
包括：
Figure GDA0004151747980000062
式中，W()表示原时频谱图，
Figure GDA0004151747980000063
表示双边滤波处理后的时频谱图，m表示输出的像素点，n表示输入的像素点，s表示设定的矩形框区域，用以遍历图像，W为二维模板，/>
Figure GDA0004151747980000064
和
Figure GDA0004151747980000065
是两个高斯函数，分别表示空间域核和像素域核，Mm的具体表达式为：
Figure GDA0004151747980000066
Figure GDA0004151747980000067
和/>
Figure GDA0004151747980000068
具体表达式为：
Figure GDA0004151747980000069
Figure GDA00041517479800000610
式中，a、b表示输入像素的横纵坐标，i、j表示方框中心的坐标，σs、σr表示高斯函数标准差。
作为一种可选的实施方式，在本发明实施例第二方面中，所述利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果，包括：
S41，利用无线电侦察设备接收待识别的空间电磁波信号；
S42，对所述待识别的空间电磁波信号进行处理，得到待识别时频谱图，对所述待识别时频谱图进行标注，得到标注时频谱图；
S43，利用所述无人机信号智能识别模型，对所述标注时频谱图进行处理，得到无人机信号智能识别结果。
本发明第三方面公开了另一种无人机信号智能识别装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的无人机信号智能识别方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的无人机信号智能识别方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
(1)本发明提供了一种复杂电磁条件下无人机信号智能识别方法，解决现有技术在大量背景信号、兼顾检测实时性和准确性条件下，信号检测的难题；
(2)采用深度学习知识蒸馏思想，将较大的教师模型学习到的知识转移到较小的学生模型，目的是在保持精度基本不变的情况下，降低模型运算量，提升了模型检测速度，减小过拟合，最终达到压缩模型以实现设备端配置的目的。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种无人机信号智能识别方法的流程示意图；
图2是本发明实施例公开的基于深度学习目标检测的知识蒸馏流程示意图；
图3是本发明实施例公开的一种无人机信号智能识别装置的结构示意图；
图4是本发明实施例公开的另一种无人机信号智能识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种无人机信号智能识别方法及装置，能够利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理得到零中频信号；将所述零中频信号发送给信号处理设备，利用信号处理设备对零中频信号进行处理，得到训练信号样本数据库；构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型；利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。本发明方法能够解决现有技术在大量背景信号、兼顾检测实时性和准确性条件下信号检测的难题。
实施例一
请参阅图1，图1是本发明实施例公开的一种无人机信号智能识别方法的流程示意图。其中，图1所描述的无人机信号智能识别方法可以应用于无人机识别***中或者其他的信号处理领域，本发明实施例不做限定。如图1所示，该无人机信号智能识别方法可以包括以下操作：
S1，利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
S2，将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库；
S3，构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型；
S4，利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
所述无线电侦察设备用于信号接收，低噪声放大，滤波，A/D变换，数字下变频，最终将信号转换成零中频信号。
利用信号处理设备对所述零中频信号进行存储和预处理；
所述预处理包括对所述零中频信号进行时频变换，得到时频变换数据信息；
对所述时频变换数据信息进行标注，得到训练信号样本数据库。
可选的，标注包括标注其坐标位置(起止时间、起止频点)和信号类型，信号类型包括：无人机测控信号、无人机图传信号、Wi-Fi信号、蓝牙信号和其他未知信号。利用标注数据训练信号识别模型。利用深度学习知识蒸馏技术对模型进行压缩，在检测精度基本不变的情况下，降低模型复杂度，以达到实时性应用需求。
所述时频变换为WVD变换：
Figure GDA0004151747980000101
式中，t表示时间，ω表示角频率，x()表示时域信号，τ表示延时，W(t,ω)为时频谱图；
可选的，设G(t，ω)是某一窗函数的时－频分布，令G(t，ω)和Wx(t，ω)在t和ω两个方向上的卷积称为平滑WVD，记为SWx(t，ω)，即：
Figure GDA0004151747980000102
至于G(t，ω)对Wx(t，ω)作用的效果，取决于G(t，ω)的形状，u,ξ为卷积参数。
将时频谱图W(t,ω)进行双边滤波，得到降噪和边缘保持后的时频谱图
Figure GDA0004151747980000103
Figure GDA0004151747980000104
式中，W()表示原时频谱图，
Figure GDA0004151747980000105
表示双边滤波处理后的时频谱图，m表示输出的像素点，n表示输入的像素点，s表示设定的矩形框区域，用以遍历图像，W为二维模板，/>
Figure GDA0004151747980000106
和
Figure GDA0004151747980000107
是两个高斯函数，分别表示空间域核和像素域核，Mm的具体表达式为：
Figure GDA00041517479800001012
Figure GDA0004151747980000108
和/>
Figure GDA0004151747980000109
具体表达式为：/>
Figure GDA00041517479800001010
Figure GDA00041517479800001011
式中，a、b表示输入像素的横纵坐标，i、j表示方框中心的坐标，σs、σr表示高斯函数标准差。
构建无人机信号智能识别初始模型，所述无人机信号智能识别初始模型为基于深度学习目标检测的YOLO模型；YOLO目标检测模型中，时频谱图被分割为A×B个网格，目标信号的时频中心位置所在的网格负责此信号的检测识别。每个时频图谱中的信号的信息，即起止时刻、起止频点、信号类型，课表示为A×B×[(4+1)*N+C]。其中，A×B表示网格数，4表示信号时频中心坐标及宽和高，1代表置信度，N表示预测框个数，C表示***识别的各类信号种类数。
YOLO目标检测模型损失函数为：
Loss_yolo＝λLCIoU(b,bgt)+λLobj(po,piou)+λLcls(cp,cgt)
LCIoU(b,bgt)＝αLosssoft(bT,bS)+(1-α)Losshard(bT,bgt)
Lobj(po,piou)＝αLosssoft(pT,pS)+(1-α)Losshard(pT,pgt)
Lcls(cp,cgt)＝αLosssoft(cT,cS)+(1-α)Losshard(cT,cgt)
式中，Loss_yolo表示YOLO模型总体损失，λ表示对应项的权重，LCIoU表示边界框回归损失，b表示边界框预测值，bgt表示边界框真实值，Lobj表示目标置信度损失，po表示预测框中目标置信度分数，piou表示预测框和与之对应的目标框的IoU值，Lcls表示类别损失，cp表示预测框的类别分数，cgt表示类别的真实值，α表示权重，bs表示学生模型的边界框预测值，bT表示教师模型的边界框预测值，pS表示学生模型预测框中目标置信度分数，pT表示教师模型预测框中目标置信度分数，pgt表示目标的真实值，cS表示学生模型预测框的类别分数，cT表示教师模型预测框的类别分数。
利用深度学习知识蒸馏模型，对所述无人机信号智能识别初始模型进行压缩，降低模型复杂度，得到优化无人机信号智能识别模型；深度学习知识蒸馏模型为：
S321，设置教师模型和学生模型；
所述教师模型为YOLOv5l模型；所述学生模型为YOLOv5s模型；与YOLOv5s模型相比，YOLOv5l的网络更深更宽，模型检测精度更高，但运算时间也随之增加。知识蒸馏的目的是用较小的学生网络学习较大的教师网络的知识。
S322，设置温度系数T，蒸馏过程通过引入温度系数T来控制每个软标签的重要性。具体操作为将教师模型的输出结果除以温度系数，然后做Softmax计算，可以获得软标签。得到Softmax函数为：
Figure GDA0004151747980000111
式中，pi为第i类输出概率，T为温度系数，zi为第i类输出值，j为分类类别数；
教师模型获得的软标签和学生模型获得的软预测的差异为蒸馏损失，用以保证学生模型的输出结果和教师模型尽可能一致，即让学生模型的概率分布尽可能的接近教师网络加入温度系数后的分布概率。学生模型使用KL散度来监督对教师网络概率分布的学习过程。
S323，利用Softmax函数计算蒸馏损失Losssoft：
Losssoft＝T2*KLdiv(PS,PT)
式中，PT为教师模型的概率分布，PS为学生模型的概率分布，KLdiv()为KL散度；
KL散度的原理为：
Figure GDA0004151747980000121
由上式可得：
KLdiv(PS,PT)＝H(PT,PS)-H(PT)
H(PT,PS)为PT和PS交叉熵，H(PT)为PT的熵。KL散度等于交叉熵减去熵。对于给定数据集，熵是已知的，求KL散度等价于求交叉熵，因此使用交叉熵作为损失函数。
S324，硬标签和学生模型的硬预测输出数据交叉熵用以保证学生模型的输出结果与真实标签尽可能一致。硬目标是正常网络训练的目标，其目的是使学生模型尽可能完成正确的分类。通过学生模型和真实标签的差异计算学生模型损失Losshard为：
Losshard＝H(PS,ygt)
式中，ygt代表真实标签，H(PS,ygt)表示PS,ygt的交叉熵；
S325，知识蒸馏的目标函数由软目标对应的蒸馏损失和硬目标对应的学生模型损失加权得到，设置知识蒸馏的目标函数为：
Loss＝αLosssoft+(1-α)Losshard
式中，Loss为总损失，Losssoft为蒸馏损失，Losshard为学生模型损失，α为权重。如图2所示为基于深度学习目标检测的知识蒸馏流程示意图。
可选的，可以采用基于FSP矩阵的特征蒸馏方法，对网络进行压缩。FSP用来定义层与层之间的特征关系，将相同分辨率的浅层特征图和深层特征图两者的通道一一对应求内积，将结果置于FSP矩阵对应的位置。计算过程如下：
Figure GDA0004151747980000122
其中，F1是浅层特征图，F2是深层特征图，h是特征图的长，w是特征图的宽，i,j是F1、F2对应的通道索引，x和W是当前的输入和参数。然后用L2 Loss逼近教师模型和学生模型的FSP matrix之间的距离LFSP(Wt,Ws)，L2 Loss定义如下：
Figure GDA0004151747980000131
式中，
Figure GDA0004151747980000132
为教师网络的FSP矩阵，/>
Figure GDA0004151747980000133
为学生网络的FSP矩阵，λi代表了权重，N为数据点的个数，Wt为教师网络参数，Ws为学生网络参数，x是当前的输入，i为通道索引，n为通道数。
识别阶段，利用无线电侦察设备接收待识别的空间电磁波信号；对所述待识别的空间电磁波信号进行处理，包括时频变换和双边滤波，得到待识别时频谱图，对所述待识别时频谱图进行标注，得到标注时频谱图；利用所述无人机信号智能识别模型，对所述标注时频谱图进行处理，给出起止时刻、起止频点和类型预测得到无人机信号智能识别结果。
实施例二
请参阅图3，图3是本发明实施例公开的一种无人机信号智能识别装置的结构示意图。其中，图3所描述的装置能够应用于无人机信号识别和电子信息领域的其他目标识别中，本发明实施例不做限定。如图3所示，该装置可以包括：
S301，信号接收模块，用于利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
S302，训练数据库生成模块，用于将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库；
S303，训练模块，用于构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型；
S304，识别模块，用于利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
实施例三
请参阅图4，图4是本发明实施例公开的又一种无人机信号智能识别装置的结构示意图。其中，图4所描述的装置能够应用于无人机信号识别和电子信息领域的其他目标识别中，本发明实施例不做限定。如图4所示，该装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一所描述的无人机信号智能识别方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的无人机信号智能识别方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种无人机信号智能识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (7)

1.一种无人机信号智能识别方法，其特征在于，所述方法包括：
S1，利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
S2，将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库，包括：
S21，利用所述信号处理设备对所述零中频信号进行存储和预处理，得到时频变换数据信息；
所述时频变换为平滑WVD分布：
Figure FDA0004151747970000011
式中，G(t，ω)是某一窗函数的时－频分布，Wx(t，ω)为时域信号x()的WVD分布，u,ξ为卷积参数；
对平滑WVD分布SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频变换数据信息
Figure FDA0004151747970000012
S22，对所述时频变换数据信息进行标注，得到训练信号样本数据库；
S3，构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型，包括：
S31，构建无人机信号智能识别初始模型；
所述无人机信号智能识别初始模型为YOLO模型，所述YOLO模型的损失函数为：
Loss_yolo＝λLCIoU(b,bgt)+λLobj(po,piou)+λLcls(cp,cgt)
LCIoU(b,bgt)＝αLosssoft(bT,bS)+(1-α)Losshard(bT,bgt)
Lobj(po,piou)＝αLosssoft(pT,pS)+(1-α)Losshard(pT,pgt)
Lcls(cp,cgt)＝αLosssoft(cT,cS)+(1-α)Losshard(cT,cgt)
式中，Loss_yolo表示YOLO模型总体损失，λ表示对应项的权重，LCIoU表示边界框回归损失，b表示边界框预测值，bgt表示边界框真实值，Lobj表示目标置信度损失，po表示预测框中目标置信度分数，piou表示预测框和与之对应的目标框的IoU值，Lcls表示类别损失，cp表示预测框的类别分数，cgt表示类别的真实值，α表示权重，bs表示学生模型的边界框预测值，bT表示教师模型的边界框预测值，pS表示学生模型预测框中目标置信度分数，pT表示教师模型预测框中目标置信度分数，pgt表示目标的真实值，cS表示学生模型预测框的类别分数，cT表示教师模型预测框的类别分数；
S32，利用基于FSP矩阵的特征蒸馏方法，对所述无人机信号智能识别初始模型进行压缩，得到优化无人机信号智能识别模型；
所述基于FSP矩阵的特征蒸馏方法包括：
Figure FDA0004151747970000021
其中，F1是浅层特征图，F2是深层特征图，h是特征图的长，w是特征图的宽，i,j是F1、F2对应的通道索引，x和W是当前的输入和参数；利用L2 Loss逼近教师模型和学生模型的FSP矩阵之间的距离LFSP(Wt,Ws)，L2 Loss定义为：
Figure FDA0004151747970000022
式中，
Figure FDA0004151747970000023
为教师网络的FSP矩阵，/>
Figure FDA0004151747970000024
为学生网络的FSP矩阵，λi代表权重，N为数据点的个数，Wt为教师网络参数，Ws为学生网络参数，x是当前的输入，i为通道索引，n为通道数；
所述教师模型为YOLOv5l模型；所述学生模型为YOLOv5s模型；
S33，利用所述训练信号样本数据库，对所述优化无人机信号智能识别模型进行训练，得到无人机信号智能识别模型；
S4，利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
2.根据权利要求1所述的无人机信号智能识别方法，其特征在于，所述利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号，包括：
S11，利用无线电侦察设备接收信号处理设备发出的侦收指令；
S12，利用所述无线电侦察设备，根据所述侦收指令，对空间电磁波信号进行接收；
S13，利用所述无线电侦察设备，对所述接收到的空间电磁波信号进行处理，得到零中频信号。
3.根据权利要求1所述的无人机信号智能识别方法，其特征在于，所述
对时频谱图SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频谱图
Figure FDA0004151747970000031
包括：
Figure FDA0004151747970000032
式中，W()表示原时频谱图，
Figure FDA00041517479700000310
表示双边滤波处理后的时频谱图，m表示输出的像素点，n表示输入的像素点，s表示设定的矩形框区域，用以遍历图像，W为二维模板，/>
Figure FDA0004151747970000033
和/>
Figure FDA0004151747970000034
是两个高斯函数，分别表示空间域核和像素域核，Mm的具体表达式为：
Figure FDA0004151747970000035
Figure FDA0004151747970000036
和/>
Figure FDA0004151747970000037
具体表达式为：
Figure FDA0004151747970000038
Figure FDA0004151747970000039
式中，a、b表示输入像素的横纵坐标，i、j表示方框中心的坐标，σs、σr表示高斯函数标准差。
4.根据权利要求1所述的无人机信号智能识别方法，其特征在于，所述利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果，包括：
S41，利用无线电侦察设备接收待识别的空间电磁波信号；
S42，对所述待识别的空间电磁波信号进行处理，得到待识别时频谱图，
S43，对所述待识别时频谱图进行标注，得到标注时频谱图；
S44，利用所述无人机信号智能识别模型，对所述标注时频谱图进行处理，得到无人机信号智能识别结果。
5.一种无人机信号智能识别装置，其特征在于，所述装置包括：
信号接收模块，用于利用无线电侦察设备接收空间电磁波信号，并对所述空间电磁波信号进行处理，得到零中频信号；
训练数据库生成模块，用于将所述零中频信号发送给信号处理设备，利用所述信号处理设备对所述零中频信号进行处理，得到训练信号样本数据库，包括：
S21，利用所述信号处理设备对所述零中频信号进行存储和预处理，得到时频变换数据信息；
所述时频变换为平滑WVD分布：
Figure FDA0004151747970000041
式中，G(t，ω)是某一窗函数的时－频分布，Wx(t，ω)为时域信号x()的WVD分布，u,ξ为卷积参数；
对平滑WVD分布SWx(t，ω)进行双边滤波，得到降噪和边缘保持后的时频变换数据信息
Figure FDA0004151747970000042
S22，对所述时频变换数据信息进行标注，得到训练信号样本数据库；
训练模块，用于构建无人机信号智能识别初始模型，利用所述训练信号样本数据库对所述无人机信号智能识别初始模型进行训练，得到无人机信号智能识别模型，包括：
S31，构建无人机信号智能识别初始模型；
所述无人机信号智能识别初始模型为YOLO模型，所述YOLO模型的损失函数为：
Loss_yolo＝λLCIoU(b,bgt)+λLobj(po,piou)+λLcls(cp,cgt)
LCIoU(b,bgt)＝αLosssoft(bT,bS)+(1-α)Losshard(bT,bgt)
Lobj(po,piou)＝αLosssoft(pT,pS)+(1-α)Losshard(pT,pgt)
Lcls(cp,cgt)＝αLosssoft(cT,cS)+(1-α)Losshard(cT,cgt)
式中，Loss_yolo表示YOLO模型总体损失，λ表示对应项的权重，LCIoU表示边界框回归损失，b表示边界框预测值，bgt表示边界框真实值，Lobj表示目标置信度损失，po表示预测框中目标置信度分数，piou表示预测框和与之对应的目标框的IoU值，Lcls表示类别损失，cp表示预测框的类别分数，cgt表示类别的真实值，α表示权重，bs表示学生模型的边界框预测值，bT表示教师模型的边界框预测值，pS表示学生模型预测框中目标置信度分数，pT表示教师模型预测框中目标置信度分数，pgt表示目标的真实值，cS表示学生模型预测框的类别分数，cT表示教师模型预测框的类别分数；
S32，利用基于FSP矩阵的特征蒸馏方法，对所述无人机信号智能识别初始模型进行压缩，得到优化无人机信号智能识别模型；
所述基于FSP矩阵的特征蒸馏方法包括：
Figure FDA0004151747970000051
其中，F1是浅层特征图，F2是深层特征图，h是特征图的长，w是特征图的宽，i,j是F1、F2对应的通道索引，x和W是当前的输入和参数；利用L2 Loss逼近教师模型和学生模型的FSP矩阵之间的距离LFSP(Wt,Ws)，L2 Loss定义为：
Figure FDA0004151747970000052
式中，
Figure FDA0004151747970000053
为教师网络的FSP矩阵，/>
Figure FDA0004151747970000054
为学生网络的FSP矩阵，λi代表权重，N为数据点的个数，Wt为教师网络参数，Ws为学生网络参数，x是当前的输入，i为通道索引，n为通道数；
所述教师模型为YOLOv5l模型；所述学生模型为YOLOv5s模型；
S33，利用所述训练信号样本数据库，对所述优化无人机信号智能识别模型进行训练，得到无人机信号智能识别模型；
识别模块，用于利用无线电侦察设备接收待识别的空间电磁波信号，利用所述无人机信号智能识别模型，对所述待识别的空间电磁波信号进行处理，得到无人机信号智能识别结果。
6.一种无人机信号智能识别装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-4任一项所述的无人机信号智能识别方法。
7.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-5任一项所述的无人机信号智能识别方法。
CN202211350359.2A 2022-10-31 2022-10-31 一种无人机信号智能识别方法及装置 Active CN115577305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211350359.2A CN115577305B (zh) 2022-10-31 2022-10-31 一种无人机信号智能识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211350359.2A CN115577305B (zh) 2022-10-31 2022-10-31 一种无人机信号智能识别方法及装置

Publications (2)

Publication Number Publication Date
CN115577305A CN115577305A (zh) 2023-01-06
CN115577305B true CN115577305B (zh) 2023-05-30

Family

ID=84589416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211350359.2A Active CN115577305B (zh) 2022-10-31 2022-10-31 一种无人机信号智能识别方法及装置

Country Status (1)

Country Link
CN (1) CN115577305B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524351A (zh) * 2023-03-24 2023-08-01 苏州大学 基于知识蒸馏的旋转目标检测轻量化方法及***
CN116805291B (zh) * 2023-06-27 2024-02-09 中国人民解放军军事科学院***工程研究院 一种无人机信号频段检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154545A (zh) * 2021-12-07 2022-03-08 中国人民解放军32802部队 强互干扰条件下无人机测控信号智能识别方法
CN114241282A (zh) * 2021-11-04 2022-03-25 河南工业大学 一种基于知识蒸馏的边缘设备场景识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
CN113343796B (zh) * 2021-05-25 2022-04-05 哈尔滨工程大学 一种基于知识蒸馏的雷达信号调制方式识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241282A (zh) * 2021-11-04 2022-03-25 河南工业大学 一种基于知识蒸馏的边缘设备场景识别方法及装置
CN114154545A (zh) * 2021-12-07 2022-03-08 中国人民解放军32802部队 强互干扰条件下无人机测控信号智能识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Early Detection of Forest Fire Based on Unmaned Aerial Vehicle Platform;Xingsha Yang等;《2019 ICSIDP》;全文 *

Also Published As

Publication number Publication date
CN115577305A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN115577305B (zh) 一种无人机信号智能识别方法及装置
CN107767405B (zh) 一种融合卷积神经网络的核相关滤波目标跟踪方法
CN108734723B (zh) 一种基于自适应权重联合学习的相关滤波目标跟踪方法
CN110222760B (zh) 一种基于winograd算法的快速图像处理方法
CN114154545B (zh) 强互干扰条件下无人机测控信号智能识别方法
CN113591978B (zh) 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质
CN114627447A (zh) 基于注意力机制和多目标跟踪的公路车辆跟踪方法及***
CN112364916B (zh) 基于迁移学习的图像分类方法、相关设备及存储介质
CN114527441A (zh) 基于多头注意力机制的lstm网络的雷达信号识别方法
CN113537085A (zh) 基于两次迁移学习和数据增广的船舶目标检测方法
CN114972439A (zh) 一种新的无人机目标跟踪算法
CN110378932B (zh) 一种基于空间正则矫正的相关滤波视觉跟踪方法
CN115630276A (zh) 一种基于YOLOv5的雷达脉内调制类型快速识别方法
CN113449878B (zh) 数据分布式的增量学习方法、***、设备及存储介质
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
CN112261609A (zh) 毫米波车联网资源分配方法、装置、电子设备及存储介质
CN114708307B (zh) 基于相关滤波器的目标跟踪方法、***、存储介质及设备
CN114724245B (zh) 基于csi的增量学习人体动作识别方法
CN113837977B (zh) 对象跟踪方法、多目标跟踪模型训练方法及相关设备
CN113269808B (zh) 视频小目标跟踪方法和装置
CN113298136B (zh) 一种基于alpha散度的孪生网络跟踪方法
CN112946567B (zh) 基于域对抗神经网络的运动目标指纹室内定位方法
CN114820723A (zh) 一种基于联合检测和关联的在线多目标跟踪方法
CN113537348B (zh) 一种基于核二维非负矩阵分解的水下目标检测方法及***
CN116597419B (zh) 一种基于参数化互近邻的车辆限高场景识别方法

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