一种基于深度学习的宽带信号检测方法技术

本发明专利技术属于认知无线电技术领域，具体涉及一种基于深度学习的宽带信号检测方法。本发明专利技术是将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，并利用深度学习强大的图像特征提取能力，将信号检测的二分类问题转化为图像分类问题，将纯噪声和信号存在情况下特征值分布情况的不同作为判定依据，通过ResNet34模型进行训练评估，从而实现宽带信号的检测，提高信号检测性能。本发明专利技术将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，检测宽带信号存在的有无，考虑深度学习理论的强大特征提取能力，虽然增加了算法复杂度，但在低信噪比下检测性能得到了提升，对噪声功率的鲁棒性也进一步提高。噪声功率的鲁棒性也进一步提高。噪声功率的鲁棒性也进一步提高。

【技术实现步骤摘要】
一种基于深度学习的宽带信号检测方法


[0001]本专利技术属于认知无线电
，具体涉及一种基于深度学习的MWC压缩采样信号检测方法。

技术介绍

[0002]当下无线电通信领域中，随着信号带宽的不断提高，宽带信号的采样已经成为现代数字信号处理中的一个问题，压缩感知理论的出现提供了解决这一问题的方法。压缩感知理论的采样是利用了信号在某一变换域上的稀疏性，在采样的同时通过随机测量矩阵实现信号的压缩，从而可以实现以一个低于奈奎斯特速率的采样率进行宽带信号的采样、传输以及处理。其中，调制宽带转换器亚奈奎斯特采样(MWC)就是一种压缩采样方法。由于在宽带信号的检测应用中并不注重信号的内容，压缩采样信号保留了原始信号的相关信息，因此不需要进行信号的重构也可以进行宽带信号的检测。
[0003]传统的能量检测算法虽然有较好的性能，但易受噪声的影响，导致性能退化，在实际应用中稳定性和鲁棒性难以满足要求。特征值检测算法虽然对噪声具有一定的鲁棒性，但检测阈值也容易受背景噪声影响，在低信噪比下性能明显下降。深度学习技术拥有强大的特征提取能力，通过深度学习可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的宽带信号检测方法，对接收到的宽带信号x(t)，假设并行信道数为m，每一路的采样数为N，其特征在于，所述方法包括以下步骤：S1、建立一个二元假设检验问题：其中，H0表示信号不存在，H1表示信号存在；对接收信号通过m路MWC并行信道，在每路通道中与周期为T
p
的伪随机序列进行混频，随后将每一路的混频信号经过截止频率为1/2T
s
的低通滤波器，再通过f
s
＝1/T
s
的ADC得到m路压缩采样序列y
i
(n)，构成一个m
×
N维矩阵Y＝[y1,y2,...,y
m
]
T
，同样的可以得到m
×
N维原始信号序列X＝[x1,x2,...,x
m
]
T
和噪声序列η＝[η1,η2,...,η
m
]
T
；S2、计算MWC采样序列的协方差矩阵S2、计算MWC采样序列的协方差矩阵其中，为原始信号序列X＝[x1,x2,...,x
...

【专利技术属性】
技术研发人员：史治平，华晓东，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：