基于一维全卷积神经网络的载波信号检测方法技术

本发明专利技术公开了一种基于一维全卷积神经网络的载波信号检测方法，包括以下步骤：S1、生成一维宽带频谱信号训练样本；S2、将信号训练样本输入一维全卷积神经网络进行训练，保存最终网络模型；S3、将真实卫星宽带频谱信号传输至网络模型中进行自动检测；S4、将网络模型输出结果拼接回原始宽带长度，进行二值化处理；找出每一个频段的起止点位置，再根据宽带频率分率和宽带实际频率起止点得到每一个窄带的载波实际频率起止。本发明专利技术将传统的寻找动态阈值的检测方式转变成为一个二分类问题，利用有效的样本进行训练可以提取出频谱信号的特征，通过Sigmoid函数可以准确地检测出载波的频率位置，能够提高检测效率和准确率，噪声抑制和自适应能力也得到增强。

【技术实现步骤摘要】
基于一维全卷积神经网络的载波信号检测方法
本专利技术属于深度学习应用和通信信号处理领域，特别涉及一种基于一维全卷积神经网络的载波信号检测方法。
技术介绍
在现代军事战争中，通信技术的重要性日趋明显，是克敌制胜的关键因素。载波信号检测是通信侦察环节中的一个重要环节。信号检测通常是指在噪声环境下对所接收到的信号，通过傅里叶变换转换成为频谱，然后根据噪声和信号的规律按照一定的规则判断载波信号是否存在，进而提取该窄带频段载波信号的具体特征。然而在实际载波信号检测中，由于突发、多址、发射机性能差异、通信体制设计等原因，导致一些通信信号的频谱具有毛刺多、不平坦、载波间隙小等各种不规整形状，采用传统的信号处理算法，多依赖人工提取特征，设定多个阈值或连续动态阈值的方法来进行载波信号检测，难以兼顾此类信号，容易造成虚检和漏检，不利于大范围、长时间连续通信侦察。因此，找到一种高准确率载波信号检测算法非常重要。全卷积神经网络是深度学习在图像领域中的一种应用，由美国加州大学伯克利分校JonathanLong等人在论文《FullyConvolutionalNetworksforsemanticSegmentation》中提出，用于图像检测中的图像语义分割问题。其核心是将传统分类卷积神经网络中的全链接层全部替换为卷积层，同时利用反卷积，将经过池化缩小的特征图放大至原始图片大小，并对图像中每个像素点进行分类，从而实现图像语义的端到端分割，相较于传统的图像处理方法准确率有着大幅提升。但全卷积神经网络在一维频谱中载波信号的检测等相关领域中，并未得到有效的应用。电子科技大学吴宁宁在其论文《通信信号多信号分离识别》中针对时域完全重叠的通信信号多信号，频域分为明显可分，频谱紧靠和部分重叠三种情况，在先验信息完全缺失的情况下，提出简单有效的分离识别算法：1)针对时域重叠频域明显可分的通信信号多信号，提出了迭代门限算法，基于指数分布的自适应门限算法、N-Sigma门限算法和扫描信号检测方法，实现了信号个数估计，得到信号粗估带宽中心频率以便用滤波方法分离信号。2)针对时域重叠频域上频谱紧靠的通信信号多信号，研究了基于通信信号谱线特征的信号检测方法，基于通信信号率线特征的信号检测方法和频谱分割信号检测方法。3)针对时域重叠频域频谱部分重叠的通信信号多信号，研究了循环平稳理论，并在此基础上推导了共轭循环相关函数，循环相关函数和四阶循环累积量。总结了各调制类型信号的循环累积量结构特性，得到信号载频、码速率与离散谱线的关系。最后将信号的循环频率特征应用十多信号个数估计，调制类型识别和参数估计，提出了基于循环频率特征的通信信号多信号分离识别算法。这些方法尽管涵盖问题比较全面，但其不足之处在于只在仿真数据上验证了算法的有效性，且每个算法并不适用于全部调制类型信号，大多只能适应数量较少的载波信号检测，同时这些方法只针对了高斯白噪声信道而没有研究衰落信道下的载波信号检测。信息工程大学李东波在其论文《卫星宽带多信号检测与参数估计技术研究》中提出基于分形盒维数和奇异值分解的宽带多信号检测算法，通过计算宽带多信号的分形盒维数，利用噪声与含噪信号的分形盒维数值的差异判断感兴趣频段是否存在信号。若存在信号则用信号功率谱数据构造Hankel矩阵，对Hankel矩阵进行奇异值分解后同时对信号功率谱进行分解。针对信号功率谱分解的二阶分量进行处理，滤除其伪奇异点，再通过检测二阶分量的奇异点获取各信号的占用频段信息，从而完成宽带多信号的检测。该方法主要针对于固定信号和持续时间较长的信号，其不足之处在于对于短时突发信号、跳频信号、扩频信号等信号没有良好的适应性，此外该方法需要大量的先验信息，计算过程繁杂，需要人为设定多个阈值，无法适应低噪声环境。俄罗斯下诺夫哥罗德国立大学O.A.Morozov等人在其论文《NeuralNetworkDetectionofMSKSignal》中提出了一种基于神经网络的FSK信号检测方法。该方法中神经网络为全连接神经网络，输入为IQ信号，针对信噪比不小于10dB的MSK信号，检测错误率小于10-3。尽管该方法在信噪比不小于10dB的MSK信号上取得了很高的检测精度，但其不足之处在于现实空间电磁环境复杂，噪声影响往往更加严重，宽带信号上不同频段信号调制类型复杂，且全连接神经网络计算量大，效果相对卷积神经网络有着较大差距，该方法的适应性显然得不到保证。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种将传统的寻找动态阈值的检测方式转变成为一个二分类问题，利用有效的样本进行训练可以提取出频谱信号的特征，通过sigmoid函数可以准确地检测出载波的频率位置的基于一维全卷积神经网络的载波信号检测方法。本专利技术的目的是通过以下技术方案来实现的：基于一维全卷积神经网络的载波信号检测方法，包括以下步骤：S1、生成一维宽带频谱信号训练样本，并对产生的信号训练样本进行幅值归一化处理；S2、设计一维全卷积神经网络，将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练，根据训练及测试结果，调整网络结构和样本构成，保存最终网络模型；S3、将采集到的真实卫星宽带频谱信号进行截断处理，并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测；S4、将网络模型输出结果拼接回原始宽带长度，然后进行二值化处理；根据二值化结果，找出每一个频段的起止点位置，再根据宽带频率分辨率和宽带实际频率起止点得到每一个窄带的载波实际频率起止；然后计算每一个载波的中心频率和带宽。进一步地，所述步骤S1中，幅值归一化的具体实现方法为：其中x和x'为分别为归一化前和归一化后的数据，max(x)和min(x)分别为幅值的最大值和最小值。进一步地，所述一维全卷积神经网络的具体结构为：输入样本长度为8192，整个网络包含17个卷积块和一个分类层；其中前8个卷积块，每个卷积块含有2个卷积层和一个下采样层；卷积核大小为3*1，步长为1，每一层的卷积核数量都是32个；下采样层采取最大池化策略，每个滑块大小为2*1；第9到第16个卷积块，每个卷积块包含1个上采样层、1个concat层和1个卷积层；上采样层将前一层的每个一维特征中每个样点值依次重复，使每个一维特征长度扩大一倍；concat层将该层特征于下采样过程中对应特征图级联；卷积层卷积核大小为3*1，步长为1，卷积核数量为32个；最后一个卷积块包含3个卷积层，卷积核大小为3*1，步长为1，卷积核的数量依次为32、2和1；以上所有卷积层后所使用的非线性激活函数线性修正单元ReLU(rectifiedlinearunit)；分类层，采用卷积核为1*1的卷积层，采用Sigmoid激活函数进行对每个样点二分类，输出长度为8192。进一步地，所述步骤S3包括以下子步骤：S31、对采集到的真实卫星宽带频谱信号进行截断处理，每隔7936个点进行截断，得到N个信号段；S32、在前N-1个信号段的结尾重叠后一段信号开头的128个样点；再分别在每段首尾处打64个补丁样点，补丁样点的值等于该信号段样点中的最小值；S33、对最后一个信号，在首尾处打64个补丁样点；若此段信号的总长度小于前面几段信号的总长度，则在该信号段的末尾增加补丁样点，与前面几段信号的长度保持一致本文档来自技高网...

【技术保护点】
1.基于一维全卷积神经网络的载波信号检测方法，其特征在于，包括以下步骤：S1、生成一维宽带频谱信号训练样本，并对产生的信号训练样本进行幅值归一化处理；S2、设计一维全卷积神经网络，将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练，根据训练及测试结果，调整网络结构和样本构成，保存最终网络模型；S3、将采集到的真实卫星宽带频谱信号进行截断处理，并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测；S4、将网络模型输出结果拼接回原始宽带长度，然后进行二值化处理；根据二值化结果，找出每一个频段的起止点位置，再根据宽带频率分辨率和宽带实际频率起止点得到每一个窄带的载波实际频率起止；然后计算每一个载波的中心频率和带宽。

【技术特征摘要】
1.基于一维全卷积神经网络的载波信号检测方法，其特征在于，包括以下步骤：S1、生成一维宽带频谱信号训练样本，并对产生的信号训练样本进行幅值归一化处理；S2、设计一维全卷积神经网络，将幅值归一化后的信号训练样本输入一维全卷积神经网络进行训练，根据训练及测试结果，调整网络结构和样本构成，保存最终网络模型；S3、将采集到的真实卫星宽带频谱信号进行截断处理，并进行幅值归一化处理之后传输至步骤S2得到的网络模型中进行自动检测；S4、将网络模型输出结果拼接回原始宽带长度，然后进行二值化处理；根据二值化结果，找出每一个频段的起止点位置，再根据宽带频率分辨率和宽带实际频率起止点得到每一个窄带的载波实际频率起止；然后计算每一个载波的中心频率和带宽。2.根据权利要求1所述的基于一维全卷积神经网络的载波信号检测方法，其特征在于，所述步骤S1中，幅值归一化的具体实现方法为：其中x和x'为分别为归一化前和归一化后的数据，max(x)和min(x)分别为幅值的最大值和最小值。3.根据权利要求1所述的基于一维全卷积神经网络的载波信号检测方法，其特征在于，所述一维全卷积神经网络的具体结构为：输入样本长度为8192，整个网络包含17个卷积块和一个分类层；其中前8个卷积块，每个卷积块含有2个卷积层和一个下采样层；卷积核大小为3*1，步长为1，每一层的卷积核数量都是32个；下采样层采取最大池化策略，每个滑块大小为2*1；第9到第16个卷积块，每个卷积块包含1个上采样层、1个concat层和1个卷积层；上采样层将前一层的每个一维特征中每个样点值依次重复，使每个一维特征长度扩大一倍；concat层将该层特征于下采样过程中对应特征图级联；卷积层卷积核大小为3*1，步长为1，卷积核数量为32个；最后一个卷积块包含3个卷积层，卷积核大小为3*1，步长为1，卷积核的数量依次为32、2和1；以上16个卷积块中的每一个卷积层后所使用的非线性激活函数均为线性修正单元；分类层，采用卷积核为1...

【专利技术属性】
技术研发人员：李建清，黄浩，王宏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51