基于深度学习的恒包络调制突发信号检测方法与系统技术方案

本申请涉及一种基于深度学习的恒包络调制突发信号检测方法、系统、计算机设备和存储介质。所述方法包括：采用滤波器对恒包络调制信号进行滤波和变频，得到滤波后的信号；对滤波后的信号进行包络归一化处理，得到包络归一化信号；利用多个双向输入的bilstm块搭建双向长短时记忆网络，根据adam训练器和训练信号样本对双向长短时记忆网络进行训练，得到训练好的网络；采用贝叶斯优化模型参数对训练好的网络进行优化，得到优化后的神经网络；将包络归一化信号输入优化后的神经网络中，对网络输出信号进行滑动窗平滑处理，得到突发信号检测结果。采用本方法能够在高动态的情况下实时检测恒包络调制突发信号。恒包络调制突发信号。恒包络调制突发信号。

Detection method and system of constant envelope modulated burst signal based on deep learning

【技术实现步骤摘要】
基于深度学习的恒包络调制突发信号检测方法与系统


[0001]本申请涉及恒包络调制
，特别是涉及一种基于深度学习的恒包络调制突发信号检测方法、系统、计算机设备和存储介质。

技术介绍

[0002]在恒包络调制系统中，非合作方的突发通信信号信噪比很低、发射隐蔽、持续时间短，给突发信号的盲检测带来了严峻的挑战。而只有准确检测到突发信号的有无，获得其起始位置，才能进行后续预处理参数估计、调制识别、解调并获取发送的信息。
[0003]然而，目前主流的恒包络调制突发信号检测方法包括能量检测法，频域检测法以及时频分析法。能量检测法也称为能量阈值法，利用信号加噪声的能量大于仅有噪声的能量的理论进行突发信号的检测，根据两者能量的差距设定某个阈值，与阈值进行比较判断突发信号的有无。其优点是简单易行，对频偏不敏感。但其检测性能对噪声的十分敏感，在低信噪比下容易漏检、错检信号。频域检测法从背景噪声中提取周期信号的特征频率，将接收的信号经傅里叶变换得到若干个单一的谐波分量，抗噪性强，但计算复杂度高，无法对信号进行实时检测。时频分析法是同时从时域、频域两个维度观测信号的特征，主要的分析工具有短时傅里叶变换和小波变换。短时傅里叶变换通过时间窗内的一段信号来表示某一时刻的信号特征，根据时间窗长度决定时间分辨率和频率分辨率，上述三类主流的检测方法，均需要设置门限，最佳门限的获得是相当复杂困难的，在高动态的情况下不能实时检测。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够在高动态的情况下实时检测恒包络调制突发信号的基于深度学习的恒包络调制突发信号检测方法、系统、计算机设备和存储介质。
[0005]一种基于深度学习的恒包络调制突发信号检测方法，所述方法包括：
[0006]获取恒包络调制信号和预先构建的训练信号样本；
[0007]采用滤波器对恒包络调制信号进行滤波和变频，得到滤波后的信号；
[0008]对滤波后的信号进行包络归一化处理，得到包络归一化信号；
[0009]利用多个双向输入的bilstm块搭建双向长短时记忆网络，根据adam训练器和训练信号样本对双向长短时记忆网络进行训练，得到训练好的网络；
[0010]采用贝叶斯优化模型参数对训练好的网络进行优化，得到优化后的神经网络；优化后的神经网络对每个采样点均设计了标签；
[0011]将包络归一化信号输入优化后的神经网络中，得到网络输出信号；
[0012]对网络输出信号进行滑动窗平滑处理，得到突发信号检测结果。
[0013]在其中一个实施例中，采用滤波器对恒包络调制信号进行滤波和变频，得到滤波后的信号，包括：
[0014]采用FIR滤波器对恒包络调制信号进行滤波，去除带外噪声，然后通过低频滤波器
对恒包络调制信号进行数字下变频，得到滤波后的信号。
[0015]在其中一个实施例中，对滤波后的信号进行包络归一化处理，得到包络归一化信号，包括：
[0016]对滤波后的信号进行计算，得到多个具有一定间隔的局部最大值；
[0017]根据多个具有一定间隔的局部最大值进行三次平滑样条插值得到信号包络；
[0018]采用k均值方法对信号包络进行二分类，得到上包络线的平均值；
[0019]利用信号包络除以上包络线的平均值，得到包络归一化信号。
[0020]在其中一个实施例中，对滤波后的信号进行计算，得到多个局部最大值，包括：
[0021]对滤波后的信号进行求导，得到信号的一阶导数和二阶导数；
[0022]令所述一阶导数等于0且二阶导小于0进行求解，得到信号的多个局部最大值点以及对应的多个局部最大值。
[0023]在其中一个实施例中，训练好的网络包括序列输入层、双向长短时记忆层、dropout层、全连接层、softmax层以及分类层；双向长短时记忆层包含多个隐藏层。
[0024]在其中一个实施例中，采用贝叶斯优化模型参数对训练好的网络进行优化，得到优化后的神经网络，包括：
[0025]从贝叶斯优化模型参数中随机选择超参数点对训练好的网络进行网络训练得到网络效果，然后通过高斯过程回归计算前面n个点的后验概率分布，得到每一个超参数在每一个超参数点的期望均值和方差；期望均值表示超参数点最终的期望效果；方差表示超参数点的可能性；
[0026]利用期望均值和方差构建效用函数；根据效用函数和预先设置的迭代次数对训练好的网络迭代，得到训练好的网络的最佳初始学习率和双向长短时记忆层的最佳隐含层数量；
[0027]根据最佳初始学习率、双向长短时记忆层的最佳隐含层数量对训练好的网络进行优化，得到优化后的神经网络。
[0028]在其中一个实施例中，利用期望均值和方差构建效用函数，包括：
[0029]利用所述期望均值和方差构建效用函数为
[0030][0031]其中，μ
t
‑1(x)表示第t
‑
1次迭代中超参数点x性能的期望均值，σ
2t
‑1(x)表示第t
‑
1次迭代中超参数点x性能的方差，t是代表迭代次数，β
t
是方差权重，取值0到1之间。
[0032]一种基于深度学习的恒包络调制突发信号检测系统，所述系统包括：
[0033]信号预处理模块，用于获取恒包络调制信号和预先构建的训练信号样本；采用滤波器对恒包络调制信号进行滤波和变频，得到滤波后的信号；对滤波后的信号进行包络归一化处理，得到包络归一化信号；
[0034]网络搭建模块，用于利用多个双向输入的bilstm块搭建双向长短时记忆网络，根据adam训练器和训练信号样本对双向长短时记忆网络进行训练，得到训练好的网络；
[0035]网络优化模块，用于采用贝叶斯优化模型参数对训练好的网络进行优化，得到优化后的神经网络；优化后的神经网络对每个采样点均设计了标签；
[0036]信号检测模块，用于将包络归一化信号输入优化后的神经网络中，得到网络输出信号；对网络输出信号进行滑动窗平滑处理，得到突发信号检测结果。
[0037]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0038]获取恒包络调制信号和预先构建的训练信号样本；
[0039]采用滤波器对恒包络调制信号进行滤波和变频，得到滤波后的信号；
[0040]对滤波后的信号进行包络归一化处理，得到包络归一化信号；
[0041]利用多个双向输入的bilstm块搭建双向长短时记忆网络，根据adam训练器和训练信号样本对双向长短时记忆网络进行训练，得到训练好的网络；
[0042]采用贝叶斯优化模型参数对训练好的网络进行优化，得到优化后的神经网络；优化后的神经网络对每个采样点均设计了标签；
[0043]将包络归一化信号输入优化后的神经网络中，得到网络输出信号；
[0044]对网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的恒包络调制突发信号检测方法，其特征在于，所述方法包括：获取恒包络调制信号和预先构建的训练信号样本；采用滤波器对所述恒包络调制信号进行滤波和变频，得到滤波后的信号；对所述滤波后的信号进行包络归一化处理，得到包络归一化信号；利用多个双向输入的bilstm块搭建双向长短时记忆网络，根据adam训练器和所述训练信号样本对所述双向长短时记忆网络进行训练，得到训练好的网络；采用贝叶斯优化模型参数对所述训练好的网络进行优化，得到优化后的神经网络；所述优化后的神经网络对每个采样点均设计了标签；将所述包络归一化信号输入所述优化后的神经网络中，得到网络输出信号；对所述网络输出信号进行滑动窗平滑处理，得到突发信号检测结果。2.根据权利要求1所述的方法，其特征在于，采用滤波器对所述恒包络调制信号进行滤波和变频，得到滤波后的信号，包括：采用FIR滤波器对所述恒包络调制信号进行滤波，去除带外噪声，然后通过低频滤波器对所述恒包络调制信号进行数字下变频，得到滤波后的信号。3.根据权利要求1所述的方法，其特征在于，对所述滤波后的信号进行包络归一化处理，得到包络归一化信号，包括：对所述滤波后的信号进行计算，得到多个局部最大值；根据所述多个局部最大值进行三次平滑样条插值得到信号包络；采用k均值方法对所述信号包络进行二分类，得到上包络线的平均值；利用所述信号包络除以所述上包络线的平均值，得到包络归一化信号。4.根据权利要求3所述的方法，其特征在于，对所述滤波后的信号进行计算，得到多个局部最大值，包括：对所述滤波后的信号进行求导，得到信号的一阶导数和二阶导数；令所述一阶导数等于0且二阶导小于0进行求解，得到信号的多个局部最大值点以及对应的多个局部最大值。5.根据权利要求1所述的方法，其特征在于，所述训练好的网络包括序列输入层、双向长短时记忆层、dropout层、全连接层、softmax层以及分类层；所述双向长短时记忆层包含多个隐藏层。6.根据权利要求5所述的方法，其特征在于，采用贝叶斯优化模型参数对所述训练好的网络进行优化，得到优化后的神经网络，包括：从所述贝叶斯优化模型参数中随机选择超参数点对所述训练好的网络进行网络训练得到网络效果，然后通过高斯过程回归计算前面...

【专利技术属性】
技术研发人员：刘伟，雷菁，邓喆，刘鹏涛，黄英，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：