复杂频谱环境混合信号的分离方法技术

本发明专利技术公开的一种复杂频谱环境混合信号的分离方法，利用本发明专利技术可以解决复杂频谱环境下高度重叠多种混合信号分离问题。具有如下技术特征：基于语义分割神经网络的经典结构U‑Net，采用由降采样模块组成的降采样编码网络相连和由升采样模块组成的升采样编码网络，通过降采样编码网络压缩数据特征，再通过升采样编码网络恢复数据尺寸；接收机对接收到的混合信号的IQ两路数据进行时域加窗和频谱重建处理，基于时域加窗进行频谱重建，对时域加窗后的信号做长度为N的快速傅里叶变换FFT，并计算其幅度，完成频谱重建；在接收机完成混合信号的时域加窗和频谱重建后，IQ两路数据与幅度谱组成张量数据作为网络输入，得到目标信号的IQ两路与幅度谱数据；在高斯噪声环境下，基于U‑Net改进的语义分割网络在接收数据中学习信号特征，从混合信号中并行分离目标信号的复基带IQ两路以及幅度谱数据，恢复出源信号。

Separation method of mixed signals in complex spectrum environment

【技术实现步骤摘要】
复杂频谱环境混合信号的分离方法
本专利技术属于无线通信中的频谱感知领域，涉及一种基于语义分割网络的混合信号分离方法
技术介绍
语义分割是计算机视觉领域的重要研究分支之一,简单地说是给定一张图片,对图片中的每一个像素点进行分类，经过语义分割之后的图片就是一个包含若干种颜色的图片,其中每一种颜色都代表一类.。图像语义分割是AI领域中一个重要的分支，是机器视觉技术中关于图像理解的重要一环。与分类不同的是，语义分割需要判断图像每个像素点的类别，进行精确分割。深度学习是机器学习的一个分支，主要指深度神经网络算法，神经网络是模仿人的神经元而建立的人工神经元系统，多输入单输出，同时输出又作为下一个神经元的输入。把若干个单个神经元组织在一起，便形成了神经网络。而深度神经网络一般应用于稀疏语音信号的分离或增强，或具有一定周期性信号的分离。语义分割神经网络能够返回像素级的标签，依据标签对输入数据中的目标进行分割。随着深度学习语义分割技术的发展，语义分割网络也被应用于混合信号分离技术中。在通信信号非合作接收中，由于多种因素，如采取频率复用的特定通信体制、复杂电磁环境、受其他系统有意或无意的干扰或者第三方接收地域与先验知识限制，单通道混合信号在短波、超短波及卫星信道等环境中广泛存在。由于该类信号在时域和频域均发生混叠，采用传统的时域或频域滤波方法难以实现混合信号中源信号的有效分离，给信号分析和信息提取工作造成影响。实现多个时频混叠信号分量的分离，本质上是利用较少的量估计较多的量，这是一个困难的问题。在复杂电磁环境中，传感器接收到的信号非常复杂，它主要由回波信号、干扰信号、杂波信号和内部噪声组成。由于这些信号的频谱较宽、特征未知、波形复杂多变，为信号处理带来了实际困难。例如，被动声纳接收到的信号可能是完全未知的多个混合信号，同时信号的传输信道也是未知的，或者是随温度、洋流而时刻变化的(例如海洋环境)。由于接收到的多个信号频谱发生混叠,很难在频域上将其分离出来。现阶段多信号分离的主要方法是将信号从时域变换到频域,在频域上进行信号分离和分选识别:也可以利用如小波变换的时频分析工具来实现信号的检测与分析。上述方法主要是利用信号在时域和频域上的差别来实现的,即在信号环境比较理想的条件下,信号频谱不发生混叠。由于它们在频谱上发生了混叠,因此从频域上是不能分离出原来的信号的。而通过上述方法来实现信号分离和分选识别是非常困难的。对于源信号满足独立同分布条件的混合信号，当源信号的概率密度函数严重拖尾时，混合信号在概率密度等高线图上的一条直线，可能会穿过源信号联合概率密度等高线图的2个分支，在此情况下即使混合系数已知，也无法由单路混合信号分离出源信号。针对多种信号以高度重叠的方式混合的复杂频谱环境下的信号分离问题，现有技术存在的问题是：对时频域高度混叠的混合信号无有效分离手段，对作为分离目标的信号存在稀疏性、周期性的要求。对于实际通信系统中不满足稀疏性和周期性要求的信号，无法有效分离。为了解决混合信号分离，一般通过分离信号源分离混合信号,依赖于多接收天线，通过对多路接收数据实施聚类、匹配等算法搜寻各信号源，实现混合信号分离。但对于信号源较多、单接收天线的接收数据存在时频域高度重叠的情况，传统方法和现有的深度神经网络方法无法实现有效的信号分离。
技术实现思路
本专利技术的目的是针对多种信号高度重叠(时频域重叠严重)下的信号分离问题和现有混合信号分离技术存在的问题，提供一种具有良好分离性能，并能效地抑制噪声的复杂频谱环境混合信号的分离方法，以解决复杂频谱环境下高度重叠多种混合信号分离问题。本专利技术的上述目的可以通过以下措施来得到，一种复杂频谱环境混合信号的分离方法，具有如下技术特征：基于语义分割神经网络的经典结构U-Net，采用由降采样模块组成的降采样编码网络相连和由升采样模块组成的升采样编码网络，通过降采样编码网络压缩数据特征，再通过升采样编码网络恢复数据尺寸；接收机对接收到的混合信号的IQ两路数据进行时域加窗和频谱重建处理，基于时域加窗进行频谱重建，对时域加窗后的信号做长度为N的快速傅里叶变换FFT，并计算其幅度，完成频谱重建；在接收机完成混合信号的时域加窗和频谱重建后，IQ两路数据与幅度谱组成张量数据作为网络输入，得到目标信号的IQ两路与幅度谱数据；在高斯噪声环境下，基于U-Net改进的语义分割网络在接收数据中学习信号特征，从混合信号中并行分离目标信号的复基带IQ两路以及幅度谱数据，恢复出源信号。本专利技术相比于现有技术具有如下有益效果。本专利技术针对多种信号高度重叠(时频域重叠严重)下的信号分离问题，利用语义分割网络通过输出网络输出目标信号的IQ两路和幅度谱数据，对接收到的混合信号的IQ两路数据进行时域加窗和频谱重建处理，时域加窗抑制频谱重建时的频谱泄露，基于U-Net改进的语义分割网络对高斯噪声环境下基带混合信号进行分离，克服了混合信号时域、频域重叠难以分离的问题，能够在信号混合方式未知的情况下，在训练目标信号的语义分割网络时提取混合信号特征，通过遍历各目标信号的语义分割网络实现混合信号的时、频域分离。输出结果可以定位出目标类别的位置，在时频域均取得良好的分离性能，并有效地抑制了噪声的影响。仿真结果表明，本专利技术跟踪能力强，适应范围广，在低信噪比和复杂频谱环境下均获得较好的分离性能。本专利技术基于语义分割神经网络的经典结构U-Net构建语义分割网络。利用U-Net改进卷积、池化核尺寸、损失函数、输出尺寸的语义分割网络，U-Net采用编码-解码的网络结构，并使用通道拼接促进数据的多尺度特征融合。其特点在于数据每经过一个升采样层，就与数据尺寸相同的降采样层进行特征融合。在低信噪比的复杂频谱环境下取得了较好的信号分离性能。表明U-Net更适合处理小样本、大尺度的数据，因而可应用于信号分离问题，处理较长的时频采样序列。本专利技术改进U-net语义分割模型，用时频域波形的均方误差代替像素标签的交叉熵为损失函数，并调整卷积、池化核尺寸确保其适合信号的一维时频采样序列，在训练过程中提取信号时频域特征，实现混合信号分离，在一定程度上解决现有技术存在的问题。附图说明图1是本专利技术实施例提供的高斯噪声环境下混合信号分离的语义分割网络结构图；图2是本专利技术实施例提供的降采样模块结构图；图3是本专利技术实施例提供的升采样模块结构图；图4是本专利技术实施例提供的混合信号复基带I路波形；图5是本专利技术复基带I路波形与原时域高斯脉冲信号的复基带I路波形的对比示意图；图6是本专利技术实施例提供的混合信号幅度谱示意图；图7是本专利技术从混合信号中分离的多音信号幅度谱与原多音信号的幅度谱的对比示意图；图8是本专利技术从混合信号中分离的多音信号的时频域均方误差曲线。为使本专利技术的目的、技术方法及优点更加详细清楚，以下结合附图和实施例对本专利技术作进一步地详细说明。具体实施方式参阅图1，根据本专利技术设计的语义分割网络结构，基于语义分割神经网络的经典结构U-Net，采用由降采样模块组成的降采样编码网络相本文档来自技高网...

【技术保护点】
1.一种复杂频谱环境混合信号的分离方法，具有如下技术特征：基于语义分割神经网络的经典结构U-Net，采用由降采样模块组成的降采样编码网络相连和由升采样模块组成的升采样编码网络，通过降采样编码网络压缩数据特征，再通过升采样编码网络恢复数据尺寸；接收机对接收到的混合信号的IQ两路数据进行时域加窗和频谱重建处理，基于时域加窗进行频谱重建，对时域加窗后的信号做长度为N的快速傅里叶变换FFT，并计算其幅度，完成频谱重建；在接收机完成混合信号的时域加窗和频谱重建后，IQ两路数据与幅度谱组成张量数据作为网络输入，得到目标信号的IQ两路与幅度谱数据；在高斯噪声环境下，基于U-Net改进的语义分割网络在接收数据中学习信号特征，从混合信号中并行分离目标信号的复基带IQ两路以及幅度谱数据，恢复出源信号。/n

【技术特征摘要】
1.一种复杂频谱环境混合信号的分离方法，具有如下技术特征：基于语义分割神经网络的经典结构U-Net，采用由降采样模块组成的降采样编码网络相连和由升采样模块组成的升采样编码网络，通过降采样编码网络压缩数据特征，再通过升采样编码网络恢复数据尺寸；接收机对接收到的混合信号的IQ两路数据进行时域加窗和频谱重建处理，基于时域加窗进行频谱重建，对时域加窗后的信号做长度为N的快速傅里叶变换FFT，并计算其幅度，完成频谱重建；在接收机完成混合信号的时域加窗和频谱重建后，IQ两路数据与幅度谱组成张量数据作为网络输入，得到目标信号的IQ两路与幅度谱数据；在高斯噪声环境下，基于U-Net改进的语义分割网络在接收数据中学习信号特征，从混合信号中并行分离目标信号的复基带IQ两路以及幅度谱数据，恢复出源信号。


2.如权利要求1所述的复杂频谱环境混合信号的分离方法，其特征在于：语义分割网络的第一层为输入层，输入尺寸为(512,1024，1,3)，输入层后为降采样编码网络，第四降采样模块后为升采样解码网络，第四升采样模块后为输出网络。


3.如权利要求1所述的复杂频谱环境混合信号的分离方法，其特征在于：降采样编码网络包括：第一降采样模块特征拼接Conv2D，卷积-ReLU激活层、Conv2D，第二降采样模块特征拼接第四升采样模块，第三降采样模块特征拼接第三升采样模块，第四降采样模块特征拼接第二升采样模块。


4.如权利要求3所述的复杂频谱环境混合信号的分离方法，其特征在于：第一降采样模块顺次通过第二采样模块、第三降采样模块和第四降采样模块，经第一升采样模块、第二升采样模块、第三升采样模块和第四升采样模块并联Conv2D，卷积-ReLU激活层；张量通过第一降采样模块经第二升采样模块，将第一升采样模块升采样层的输出与第四降采样模块降采样层的输入拼接，第一升采样模块升采样层的输出与第四降采样模块降采样层的输入拼接；第二升采样模块将第一升采样模块升采样层的输出与第四降采样模块降采样层的输入拼接；第三升采样模块将第二升采样模块升采样层的输出与第三降采样模块降采样层的输入拼接；第四升采样模块将第三升采样模块升采样层的输出与第二降采样模块降采样层的输入拼接，将第四升采样模块升采样层的输出与第一降采样模块降采样层的输入拼接之后通过卷积核尺寸为(3,1))卷积层通道数为32的卷积-ReLU激活层，最终通过一层卷积核尺寸为(1,1)的卷积层，卷积层通道数为3，其中，...

【专利技术属性】
技术研发人员：余湋，马松，张毅，刘田，陈霄南，王军，
申请(专利权)人：西南电子技术研究所中国电子科技集团公司第十研究所，
类型：发明
国别省市：四川;51