一种信号识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种信号识别方法及装置。方案如下：可以获取预设频段内的待识别信号，确定待识别信号的目标时频图像，提取目标时频图像的目标特征数据，将目标特征数据输入预先训练好的信号识别模型，确定待识别信号的类型，信号识别模型是通过预设训练集训练得到的模型，预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据，以及每一样本信号的样本类型。通过本发明专利技术实施例提供的技术方案，根据不同信号对应的时频图像中的特征数据的不同，利用训练好的信号识别模型，确定信号的类型，实现利用一台设备识别出不同类型的信号，不再需要为每一类型的信号单独配备对应的模块，降低了设备的成本，提高了信号识别效率。

A Signal Recognition Method and Device

【技术实现步骤摘要】
一种信号识别方法及装置
本专利技术涉及信号探测
，特别是涉及一种信号识别方法及装置。
技术介绍
在传统导航定位过程中，往往通过识别全球导航卫星系统(GlobalNavigationSatelliteSystem，GNSS)信号进行定位。随着技术的不断发展，出现了更多的定位方法，如全源导航、机会信号导航、多源融合定位等。采用这些定位方式，往往是通过识别空域内所有可用于定位的射频信号进行定位。该射频信号可以包括各种非导航专用信号，如数字音频广播、数字电视广播信号，调幅和调频广播信号，蜂窝基站信号，蓝牙(Bluetooth)信号，紫蜂(ZigBee)信号，无线网络(Wi-Fi)信号等。与GNSS信号不同的是，这些射频信号分布在较宽的频段内，并且每一种信号所采用的调制方式是不同的，这为信号识别过程带来较大的难度。目前，在对上述射频信号进行识别时，通过不同的通信模块来识别每一通信模块对应的射频信号，这使得设备成本较高，信号识别效率较低。
技术实现思路
本专利技术实施例的目的在于提供一种信号识别方法及装置，以降低设备的成本，提高信号识别效率。具体技术方案如下：本专利技术实施例提供了一种信号识别方法，包括：获取预设频段内的待识别信号；确定所述待识别信号的目标时频图像；提取所述目标时频图像的目标特征数据；将所述目标特征数据输入预先训练好的信号识别模型，确定所述待识别信号的类型，其中，所述信号识别模型是通过预设训练集训练得到的模型，所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据，以及每一样本信号的样本类型。可选的，所述确定所述待识别信号的目标时频图像的步骤，包括：利用以下短时傅里叶变换公式，得到所述待识别信号的目标时频图像：Gf(w,u)＝∫f(t)g(t-u)e-jwtdt其中，w为所述待识别信号的角频率，f为频率，t为时间t，u为预设时间窗口长度u，函数Gf(w,u)的值为频率分量的幅值，∫·dt为对t的积分操作，函数f(t)为所述待识别信号，函数g(t-u)为预设窗口函数，函数e-jwt为复变函数，e为自然常数，j为虚数单位。可选的，所述提取所述目标时频图像中的目标特征数据的步骤，包括：对所述目标时频图像进行特征提取，得到所述目标时频图像的多个特征点；采用K均值聚类(K-means)算法，对所述多个特征点进行聚类处理，得到K个类；确定K个类中每个类包括的特征点的数量；根据每个类包括的特征点的数量，确定所述目标时频图像中的目标特征数据。可选的，所述对所述目标时频图像进行特征提取，得到所述目标时频图像的多个特征点的步骤，包括：利用加速稳健特征(Speeded-UpRobustFeatures，SURF)算法，提取所述目标时频图像中的多个特征描述符，得到所述目标时频图像的多个特征点。可选的，所述根据每个类包括的特征点的数量，确定所述目标时频图像中的目标特征数据的步骤，包括：根据每个类包括的特征点的数量，构建所述目标时频图像的第一特征点分布图；将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据；或，根据每个类包括的特征点的数量，统计每个类包括的特征点在所述目标时频图像中出现的概率，并根据每个类对应的概率，构建所述目标时频图像的第二特征点分布图；将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据。可选的，所述信号识别模型采用如下步骤训练得到，包括：获取所述预设训练集；将多个样本特征数据分别输入预设的机器学习模型，确定每一样本信号的类型；根据确定的每一样本信号的类型和每一样本信号的样本类型，计算损失值；判断损失值是否小于预设阈值；若否，则调整预设的机器学习模型的参数，返回执行所述将多个样本特征数据分别输入预设的机器学习模型，确定每一样本信号的类型的步骤；若是，则将预设的机器学习模型确定为信号识别模型。本专利技术实施例还提供了一种信号识别装置，包括：第一获取模块，用于获取预设频段内的待识别信号；第一确定模块，用于确定所述待识别信号的目标时频图像；提取模块，用于提取所述目标时频图像的目标特征数据；第二确定模块，用于将所述目标特征数据输入预先训练好的信号识别模型，确定所述待识别信号的类型，其中，所述信号识别模型是通过预设训练集训练得到的模型，所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据，以及每一样本信号的样本类型。可选的，所述第一确定模块，具体用于利用以下短时傅里叶变换公式，得到所述待识别信号的目标时频图像：Gf(w,u)＝∫f(t)g(t-u)e-jwtdt其中，w为所述待识别信号的角频率，f为频率，t为时间t，u为预设时间窗口长度u，函数Gf(w,u)的值为频率分量的幅值，∫·dt为对t的积分操作，函数f(t)为所述待识别信号，函数g(t-u)为预设窗口函数，函数e-jwt为复变函数，e为自然常数，j为虚数单位。可选的，所述提取模块，包括：提取子模块，用于对所述目标时频图像进行特征提取，得到所述目标时频图像的多个特征点；聚类子模块，用于采用K-means聚类算法，对所述多个特征点进行聚类处理，得到K个类；第一确定子模块，用于确定K个类中每个类包括的特征点的数量；第二确定子模块，用于根据每个类包括的特征点的数量，确定所述目标时频图像中的目标特征数据。可选的，所述提取子模块，具体用于利用SURF算法，提取所述目标时频图像中的多个特征描述符，得到所述目标时频图像的多个特征点。可选的，所述第二确定子模块，具体用于根据每个类包括的特征点的数量，构建所述目标时频图像的第一特征点分布图；将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据；或根据每个类包括的特征点的数量，统计每个类包括的特征点在所述目标时频图像中出现的概率，并根据每个类对应的概率，构建所述目标时频图像的第二特征点分布图；将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据。可选的，所述装置还包括：第二获取模块，用于获取所述预设训练集；第三确定模块，用于将多个样本特征数据分别输入预设的机器学习模型，确定每一样本信号的类型；计算模块，用于根据确定的每一样本信号的类型和每一样本信号的样本类型，计算损失值；判断模块，用于判断损失值是否小于预设阈值；调整模块，用于在所述判断模块的判断结果为否时，调整预设的机器学习模型的参数，返回执行所述将多个样本特征数据分别输入预设的机器学习模型，确定每一样本信号的类型的步骤；第四确定模块，用于在所述判断模块的判断为结果为是时，将预设的机器学习模型确定为信号识别模型。本专利技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述任一所述的信号识别方法步骤。本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的信号识别方法步骤。本专利技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的信号识别方法。本专利技术实施例提供的一种信号识别方法及装置，可以获取预设频段内的待识别信号，确定待识别信号的目标时本文档来自技高网...

【技术保护点】
1.一种信号识别方法，其特征在于，包括：获取预设频段内的待识别信号；确定所述待识别信号的目标时频图像；提取所述目标时频图像的目标特征数据；将所述目标特征数据输入预先训练好的信号识别模型，确定所述待识别信号的类型，其中，所述信号识别模型是通过预设训练集训练得到的模型，所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据，以及每一样本信号的样本类型。

【技术特征摘要】
1.一种信号识别方法，其特征在于，包括：获取预设频段内的待识别信号；确定所述待识别信号的目标时频图像；提取所述目标时频图像的目标特征数据；将所述目标特征数据输入预先训练好的信号识别模型，确定所述待识别信号的类型，其中，所述信号识别模型是通过预设训练集训练得到的模型，所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据，以及每一样本信号的样本类型。2.根据权利要求1所述的方法，其特征在于，所述确定所述待识别信号的目标时频图像的步骤，包括：利用以下短时傅里叶变换公式，得到所述待识别信号的目标时频图像：Gf(w,u)＝∫f(t)g(t-u)e-jwtdt其中，w为所述待识别信号的角频率，f为频率，t为时间t，u为预设时间窗口长度u，函数Gf(w,u)的值为频率分量的幅值，∫·dt为对t的积分操作，函数f(t)为所述待识别信号，函数g(t-u)为预设窗口函数，函数e-jwt为复变函数，e为自然常数，j为虚数单位。3.根据权利要求1所述的方法，其特征在于，所述提取所述目标时频图像中的目标特征数据的步骤，包括：对所述目标时频图像进行特征提取，得到所述目标时频图像的多个特征点；采用K-means聚类算法，对所述多个特征点进行聚类处理，得到K个类；确定K个类中每个类包括的特征点的数量；根据每个类包括的特征点的数量，确定所述目标时频图像中的目标特征数据。4.根据权利要求3所述的方法，其特征在于，所述对所述目标时频图像进行特征提取，得到所述目标时频图像的多个特征点的步骤，包括：利用加速稳健特征SURF算法，提取所述目标时频图像中的多个特征描述符，得到所述目标时频图像的多个特征点。5.根据权利要求3所述的方法，其特征在于，所述根据每个类包括的特征点的数量，确定所述目标时频图像中的目标特征数据的步骤，包括：根据每个类包括的特征点的数量，构建所述目标时频图像的第一特征点分布图；将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据；或，根据每个类包括的特征点的数量，统计每个类包括的特征点在所述目标时频图像中出现的概率，并根据每个类对应的概率，构建所述目标时频图像的第二特征点分布图；将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据...

【专利技术属性】
技术研发人员：邓中亮，綦航，胡恩文，朱棣，唐诗浩，刘延旭，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11