一种基于深度神经网络的跳频信号检测与参数估计方法技术

本发明专利技术公开了一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域，可用于跳频信号检测与参数估计。包括以下步骤：1）跳频信号数据的生成和采集；2）将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理；3）把分类的跳频信号生成时频分布瀑布图，生成图像数据集；4）构建SSD模型；5）把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练；6）把训练好的模型用于测试集完成跳频信号检测与参数估计；7）针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正；8）进行时频瀑布图修正前后性能的比较分析；本发明专利技术对跳频信号检测率高且参数估计精确，对跳频信号的处理具有重要意义。

【技术实现步骤摘要】
一种基于深度神经网络的跳频信号检测与参数估计方法
本专利技术涉及一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域与非协作通信领域，可用于跳频信号检测与参数估计。
技术介绍
近年来随着深度学习的崛起并在图像处理和自然语言处理方面取得累累硕果。特别是在图像处理方面，深度学习的功能主要是目标检测和分类识别。目标检测的核心主要是利用深度神经网络来训练带有标签的目标图片，然后利用训练好的模型对未作标签的图片进行目标检测。利用深度学习进行目标检测，对目标进行动态实时跟踪定位、以及在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。国内外的专家已经开始研究把机器学习应用于信号处理领域。比如:TimothyJ.O’Sheal等人利用原始信号去训练卷积神经网络，并进行了11种调制样式的识别。H.Ye,G.Y.Li等学者在2017年研究了基于深度学习的OFDM系统信道估计与信号检测。在复杂的电磁环境中捕获信号，本质上就是在电磁环境中找到目标信号，并确定目标信号的位置，即时域的起始点和频域的频宽、中心频本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的跳频信号检测与参数估计方法，其特征是，包括以下几个步骤：/n步骤1、跳频信号数据的生成和采集：生成3种数字调制方式（BPSK、QPSK、QAM），采样率为3.2MHz，跳频信号跳速为6000跳/s，跳频频率集共三组{0.32MHz、0.96MHz、1.92MHz、2.56MHz}、{2.88MHz、2.24MHz、1.6MHz、0.96MHz}、{2.56MHz、1.92MHz、1.28MHz、0.64MHz}信噪比范围为-10dB至+10dB 的跳频信号（SNR为-10dB、-8dB、……、+8dB、+10dB），接着把仿真生成的跳频信号，通过STFT时频分析，保存...

【技术特征摘要】
1.一种基于深度神经网络的跳频信号检测与参数估计方法，其特征是，包括以下几个步骤：
步骤1、跳频信号数据的生成和采集：生成3种数字调制方式（BPSK、QPSK、QAM），采样率为3.2MHz，跳频信号跳速为6000跳/s，跳频频率集共三组{0.32MHz、0.96MHz、1.92MHz、2.56MHz}、{2.88MHz、2.24MHz、1.6MHz、0.96MHz}、{2.56MHz、1.92MHz、1.28MHz、0.64MHz}信噪比范围为-10dB至+10dB的跳频信号（SNR为-10dB、-8dB、……、+8dB、+10dB），接着把仿真生成的跳频信号，通过STFT时频分析，保存为时间频率联合分布图的形式；
步骤2、将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理：利用labelImg工具给训练集图片打上标签，并生成*.xml文件，接着通过程序代码将.xml文件生成SSD所需要的*.tfrecords文件；
步骤3、把分类的跳频信号生成时频分布瀑布图，生成图像数据集：生成的数据集是以SNR作为参数的，SNR覆盖范围从-10dB到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图；
步骤4、构建SSD模型：SSD检测框架的主要思想是在不同大小的特征图上利用卷积核来预测检测目标的类型、偏移坐标，用以提高目标检测的准确率与实时性；
步骤5、把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练：SNR覆盖范围从-10dB到+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，对SSD网络模型的类别数等相关参数进行微调后，开始进行迭代训练，训练的过程就是模型学习的过程，通过损失函数计算损失值，不断反馈调节模型参数，最后得到损失值较低的训练好的模型；
步骤6、把训练好的模型用于测试集完成跳频信号检测与参数估计
跳频信号检测：在每一信噪比下，不同跳频集的都有相应的跳频信号时频瀑布图，将所有图片进行跳频信号检测测试，验证训练好的模型目标检测效果；
跳频信号参数估计：不同信噪比情况下，通过多次蒙特卡洛实验，得出对跳频信号频率集、瞬时带宽和跳频速率等参数的估计的准确度；
步骤7、针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正：提出了基于k_means聚类的时频瀑布图修正方法，该方法的基...

【专利技术属性】
技术研发人员：李智，代华建，王宇阳，吴俊，李健，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51