【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《FullyConvolutionalNetworksforsemant...
【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。