一种基于深度学习的无线信号区域强弱检测方法技术

本发明专利技术公开了一种基于深度学习的无线信号区域强弱检测方法，包括步骤：短时傅立叶变换得到二维信号语图；切割、填充与变形，得到语图样本；制作数据集标签；使用深度学习一维压缩模型训练定制化数据集，得到模型权重文件；预处理；对预处理后的图片进行预测得到区域信号强弱概率输出；得到信号的位置信息和信号的图像质量优劣预测值，获得最优区域。本发明专利技术能够处理复杂条件下的信号检测，鲁棒性很强；对信号各个区域进行强弱概率输出，实现信号的检测，针对性强且误检率低；不但能够得到信号的位置信息，还能得到信号每个区域的质量评估。还能得到信号每个区域的质量评估。还能得到信号每个区域的质量评估。

【技术实现步骤摘要】
一种基于深度学习的无线信号区域强弱检测方法


[0001]本专利技术属于无线信号处理
，尤其涉及一种基于深度学习的无线信号区域强弱检测方法。

技术介绍

[0002]无线电通信被广泛应用于外交、气象、邮电、军事、交通等众多领域，用以传送图像、数据、语言、文字等信息。因路径衰耗、大气噪声、时间延迟、电离层衰落、多径效应等因素，短波信号在传播过程中会发生畸变与弱化，影响无线电通信的效果。同时，在无线电通信场景下，往往需要人员通过经验去观察接收到的图谱来进行信号的识别并进行标记位置。
[0003]现阶段深度学习技术在图像识别方面发展成熟，将深度学习技术和图谱识别结合起来，将大大减少参与人员的工作量。通用的深度学习检测算法对信号的识别虽然有一定的效果，但并不完全适用于无线电信号的检测。无线电信号和常见物体的特征有很大的差别，无线电信号可能由几块区域共同组成一个整体，每一块区域的纹理特征差别比较大，甚至相同的信号在不同时刻受到的外界干扰不一样，导致信号的纹理也不一样，有些较弱的信号可能只有残缺的特征。由于无线电信号在通用的深度学习检测算法中，样本的标记方式都为框选标注，而这种标注方式将很大影响检测的效果。
[0004]使用通用的深度学习目标检测方法对信号语图进行检测，会因为实际信号的不连续、残缺、信噪比低等情况，在做框选标记时，不可避免的把背景噪声给框入进去，这种方法会导致误检率高，所以通用的深度学习标记及检测方式不适用于信号的检测。

技术实现思路

[0005]本专利技术的目的就在于为了解决上述问题而提供一种基于深度学习的无线信号区域强弱检测方法，包括步骤：
[0006]步骤一：对信号数据进行短时傅立叶变换得到二维信号语图；
[0007]步骤二：对二维信号语图进行切割、填充与变形，得到语图样本；
[0008]步骤三：将每个样本平均分为N个区域，根据信号区域的强弱，将信号区域等级化，对训练样本每个区域根据等级进行标记处理，制作为数据集标签；
[0009]步骤四：使用深度学习一维压缩模型训练定制化数据集，损失值收敛后停止训练，得到模型权重文件；
[0010]步骤五：将预测信号通过步骤一和步骤二进行预处理；
[0011]步骤六：使用深度学习一维压缩网络和训练好的模型权重文件对预处理后的图片进行预测，每张图片通过预测都会得到对应的一组长度为M的区域信号强弱概率输出；
[0012]步骤七：将区域信号强弱概率映射到原预测图片上，设置信号阈值，设置最优区域阈值为最大概率值与信号阈值的差，当最大概率值大于信号阈值则认为是信号，小于信号阈值则认为是背景噪声，将各个区域概率整合后得到信号的位置信息；通过对每段信号区
域的预测值求均值得到该段信号的图像质量优劣预测值；取大于最优区域阈值的信号且最长的部分作为信号的最优区域。
[0013]本专利技术的有益效果在于：
[0014]1、在实际真实环境中弱信号、残缺信号占了很大比重，传统的信号检测方法一般只适用于信号在比较好的情况下，使用基于深度学习的无线电信号区域强弱检测方法，不但能够在信噪比高的情况下能够检测出信号，而且当信号较弱且残缺的时候也能有较好的效果，该检测方法能够处理复杂条件下的信号检测，鲁棒性很强；
[0015]2、使用基于深度学习的无线电信号区域强弱检测方法，根据信号的特性，将其语图压缩到一维的特征向量中，对信号各个区域进行强弱概率输出，从而实现信号的检测，针对性强且误检率低；
[0016]3、基于深度学习的无线电信号区域检测方法使用专用的数据集，数据集中的标记信息包含信号质量优劣的信息，在使用该方法后，不但能够得到信号的位置信息，还能得到信号每个区域的质量评估，对信号在各区域的质量优劣进行概率输出，并返回信号最优区域，特别是在信号较弱或残缺的情况下依旧有良好的效果。
附图说明
[0017]图1是本专利技术的流程图；
[0018]图2基于深度学习一维压缩网络和权重文件的检测方法流程示意图；
[0019]图3为定制化数据集制作流程示意图；
[0020]图4为信号预测流程示意图；
[0021]图5为深度学习图像一维压缩网络结构表；
具体实施方式
[0022]下面结合附图对本专利技术作进一步说明：
[0023]如附图1所示，本专利技术为一种基于深度学习的无线信号区域强弱检测方法，包括步骤：
[0024]步骤一：对信号数据进行短时傅立叶变换得到二维信号语图；
[0025]步骤二：对二维信号语图进行切割、填充与变形，得到语图样本；
[0026]步骤三：将每个样本平均分为N个区域，根据信号区域的强弱，将信号区域等级化，对训练样本每个区域根据等级进行标记处理，制作为数据集标签；
[0027]步骤四：使用深度学习一维压缩模型训练定制化数据集，损失值收敛后停止训练，得到模型权重文件；
[0028]步骤五：将预测信号通过步骤一和步骤二进行预处理；
[0029]步骤六：使用深度学习一维压缩网络和训练好的模型权重文件对预处理后的图片进行预测，每张图片通过预测都会得到对应的一组长度为M的区域信号强弱概率输出；
[0030]步骤七：将区域信号强弱概率映射到原预测图片上，设置信号阈值，设置最优区域阈值为最大概率值与信号阈值的差，当最大概率值大于信号阈值则认为是信号，小于信号阈值则认为是背景噪声，将各个区域概率整合后得到信号的位置信息；通过对每段信号区域的预测值求均值得到该段信号的图像质量优劣预测值；取大于最优区域阈值的信号且最
长的部分作为信号的最优区域。
[0031]进一步的，所述每份语图样本的大小为256*512*1，高度为256，宽度为512。
[0032]进一步的，所述深度学习一维压缩模型的输入为256*512*1，输出为1*32*1，网络首先使用64个卷积核将图片经过卷积压缩到一维特征向量中得到1*510*64特征矩阵，再进行池化得到1*255*64的特征矩阵，然后对特征矩阵进行高维的特征提取，经过三次卷积池化后得到1*32*512的特征矩阵，最后对其进行平坦化并全连接到512维的特征向量，再全连接到32维特征向量中。
[0033]具体的，一种基于深度学习的无线信号区域强弱检测方法，具体方法步骤为：
[0034]步骤一、对信号数据进行短时傅立叶变换得到二维信号语图；
[0035]步骤二、对二维信号语图进行切割、填充与变形，得到语图样本，每份样本的大小为256*512*1，其高度为256、宽度为512；
[0036]步骤三、将每个样本平均分为N个区域，根据信号区域的强弱，将信号区域等级化，对训练样本每个区域根据等级进行标记处理，制作为数据集标签；
[0037]步骤四、使用深度学习一维压缩模型训练定制化数据集，损失值收敛后停止训练，得到模型权重文件；
[0038]步骤五、将预测信号通过步骤一和步骤二进行预处理；
[0039]步骤六、使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的无线信号区域强弱检测方法，其特征在于，包括步骤：步骤一：对信号数据进行短时傅立叶变换得到二维信号语图；步骤二：对二维信号语图进行切割、填充与变形，得到语图样本；步骤三：将每个样本平均分为N个区域，根据信号区域的强弱，将信号区域等级化，对训练样本每个区域根据等级进行标记处理，制作为数据集标签；步骤四：使用深度学习一维压缩模型训练定制化数据集，损失值收敛后停止训练，得到模型权重文件；步骤五：将预测信号通过步骤一和步骤二进行预处理；步骤六：使用深度学习一维压缩网络和训练好的模型权重文件对预处理后的图片进行预测，每张图片通过预测都会得到对应的一组长度为M的区域信号强弱概率输出；步骤七：将区域信号强弱概率映射到原预测图片上，设置信号阈值，设置最优区域阈值为最大概率值与信号阈值的差，当最大概率值大于信号阈值则认为是信号，小于信号阈值则是背景噪声，...

【专利技术属性】
技术研发人员：王圣川，王珂，景亮，张俊，
申请(专利权)人：电信科学技术第五研究所有限公司，
类型：发明
国别省市：