基于无人机通信信号数据增强的时频图谱重构方法技术

本发明专利技术公开了一种基于无人机通信信号数据增强的时频图谱重构方法，包括：采集多种类型的无人机通信信号；基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；确定所述第二短采样序列对应的时频矩阵；根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集；将所述时频矩阵数据集中的时频矩阵输入至训练好的ResNet网络中，输出无人机的类型序号。本发明专利技术重新构建的无人机时频图谱具有混叠干扰可控、质量较高、样本丰富，解决了数据增强不便于直接应用于无人机通信信号，拓宽了数据增强适用范围的优点。拓宽了数据增强适用范围的优点。拓宽了数据增强适用范围的优点。

【技术实现步骤摘要】
基于无人机通信信号数据增强的时频图谱重构方法


[0001]本专利技术属于信号处理
，本专利技术涉及一种基于无人机通信信号数据增强的时频图谱重构方法。

技术介绍

[0002]无人机下行图传信号的时频图谱中通常包含无人机射频信号的时域信息和频域信息，并且不同类型无人机的时频图谱纹理具有差异性的特点，因此无人机通信信号的时频图谱常用于无人机目标识别与分类任务中。目前，由于城市各类干扰导致无人机时频频谱混叠严重，神经网络对无人机时频图谱识别性能较差。常用的数据增强方法包括翻转、旋转、缩放图像或对图像添加噪声，这些方法会破坏原有图像的纹理结构从而影响分类系统识别性能。然而，无人机通信信号的时间和频率分布遵循固定的格式和传输规则，因此传统数据增强不便于直接应用于无人机通信信号。
[0003]尽管，目前有基于短时傅里叶变换的无人机图谱识别方法。但是，首先该方法通过人为地控制信号采集装备的打开和关闭，采集所有操作信道的无人机信号。其次，对无人机数据进行短时傅里叶变换生成时频图谱。然后，对无人机图谱划分训练数据集和测试数据集。最后，利用区域卷积神经网络R
‑
CNN(Regions with CNN features)进行目标识别得到识别结果。虽然深度学习对于图像分类具有显著作用，使得采用短时傅里叶变换生成的时频图谱识别准确率更高。但是，该方法仍然存在的不足之处是，由于城市各类干扰导致无人机时频频谱混叠严重，神经网络对无人机时频图谱识别性能较差。
[0004]目前还有基于无人机测控信号的无人机识别方法。该方法的实现步骤为，1)获取测控信号并采用短时傅里叶变换生成时频图谱；2)将时频图谱进行类型标注并划分为训练数据集和测试数据集；3)采用无人机数据集，利用卷积神经网络CNN(Convolutional Neural Networks)进行目标识别得到识别结果。虽然采集不同款式无人机的测控信号，经过短时傅里叶变换生成的无人机时频图谱，可用于无人机目标识别。但是，该方法仍然存在的不足之处是，传统时频图谱混叠较为严重，导致分类系统的识别性能较差。采用图像数据增强又会破坏时频图谱的纹理结构，然而无人机通信信号遵循固定的格式和传输规则，数据增强不便于直接应用于无人机通信信号。因此，如何解决传统时频图谱由于频谱混叠导致数据集质量较差、数据增强不便于直接应用于无人机通信信号的问题。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于无人机通信信号数据增强的时频图谱重构方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种基于无人机通信信号数据增强的时频图谱重构方法，所述时频图谱重构方法包括：
[0007]步骤1、采集多种类型的无人机通信信号；
[0008]步骤2、基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯
白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；
[0009]步骤3、确定所述第二短采样序列对应的时频矩阵；
[0010]步骤4、根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集，所述时频矩阵数据集包括多个被唯一命名的时频矩阵；
[0011]步骤5、将所述时频矩阵数据集中的时频矩阵输入至训练好的ResNet网络中，输出无人机的类型序号。
[0012]在本专利技术的一个实施例中，所述步骤2包括：
[0013]步骤2.1、对每段所述无人机通信信号以L为间隔进行均匀分割，得到x段第一短采样序列；
[0014]步骤2.2、根据所述第一短采样序列得到功率谱密度；
[0015]步骤2.3、根据信噪比和所述功率谱密度得到加性高斯白噪声的方差；
[0016]步骤2.4、根据所述加性高斯白噪声的方差生成加性高斯白噪声的信号；
[0017]步骤2.5、将所述高斯白噪声的信号叠加到第一短采样序列，得到第二短采样序列。
[0018]在本专利技术的一个实施例中，所述功率谱密度为：
[0019][0020]其中，表示第一短采样序列的功率谱密度，m(i)表示第一短采样序列中第i个采样点，1≤i≤L，|
·
|表示绝对值操作。
[0021]在本专利技术的一个实施例中，所述第二短采样序列中的第i个采样点为：
[0022][0023]其中，y(i)表示第二短采样序列中的第i个采样点，m(i)表示第一短采样序列中第i个采样点，α表示加权系数，f
c
表示随机频率偏差，f
s
表示系统采样率，B(i)表示加性高斯白噪声的信号，j表示虚数单位符号，1≤i≤L。
[0024]在本专利技术的一个实施例中，所述步骤3包括：
[0025]对所述第二短采样序列进行STFT变换，得到所述第二短采样序列对应的时频矩阵。
[0026]在本专利技术的一个实施例中，所述时频矩阵为：
[0027][0028]其中，表示第f个第二短采样序列经过STFT变换后生成的m行n列的时频矩阵，1≤f≤x，0≤m≤M
‑
1,0≤n≤N
‑
1，M表示STFT变换中时域的维度，N表示STFT变换中频域的维度，Σ表示求和操作，y
f
(i)表示第f个第二短采样序列中的第i个元素，w(
·
)表示汉明窗函数，d表示STFT变换滑动的长度，d＝N，e
(
·
)
表示以自然常数e为底的指数操作。
[0029]在本专利技术的一个实施例中，所述步骤4包括：
[0030]根据所述时频矩阵所属的无人机的类型、所在的信道和所处的位置得到命名后的
时频矩阵，以通过所有命名后的时频矩阵构建时频矩阵数据集。
[0031]在本专利技术的一个实施例中，所述ResNet网络的训练方法包括：
[0032]S1、获取训练数据集，所述训练数据集包括若干通过对无人机通信信号进行STFT变换得到的时频图谱；
[0033]S2、将所述时频图谱输入到ResNet网络中，利用损失函数的损失值迭代更新ResNet网络的参数，直至损失函数收敛为止，得到训练好的ResNet网络。
[0034]在本专利技术的一个实施例中，所述损失函数为：
[0035][0036]其中，Loss表示损失函数的损失值，Nk表示训练数据集中样本的总数，ii和MM均表示训练数据集中样本的序号，cc表示ResNet网络输出无人机类型标签的序号，1≤ii≤Nk，1≤MM≤Nk，y
iicc
表示符号函数，当样本序号ii的真实类型标签的序号等于ResNet网络输出的无人机类型标签的序号cc时，y
iicc
为1，否则，y
iicc
为0，p
iicc
表示样本序号为ii时，属于类型标签的序号cc的预测概率。
[0037]本专利技术的有益效果：
[0038]第一，由于本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述时频图谱重构方法包括：步骤1、采集多种类型的无人机通信信号；步骤2、基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；步骤3、确定所述第二短采样序列对应的时频矩阵；步骤4、根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集，所述时频矩阵数据集包括多个被唯一命名的时频矩阵；步骤5、将所述时频矩阵数据集中的时频矩阵输入至训练好的ResNet网络中，输出无人机的类型序号。2.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述步骤2包括：步骤2.1、对每段所述无人机通信信号以L为间隔进行均匀分割，得到x段第一短采样序列；步骤2.2、根据所述第一短采样序列得到功率谱密度；步骤2.3、根据信噪比和所述功率谱密度得到加性高斯白噪声的方差；步骤2.4、根据所述加性高斯白噪声的方差生成加性高斯白噪声的信号；步骤2.5、将所述高斯白噪声的信号叠加到第一短采样序列，得到第二短采样序列。3.根据权利要求2所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述功率谱密度为：其中，表示第一短采样序列的功率谱密度，m(i)表示第一短采样序列中第i个采样点，1≤i≤L，|
·
|表示绝对值操作。4.根据权利要求2所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述第二短采样序列中的第i个采样点为：其中，y(i)表示第二短采样序列中的第i个采样点，m(i)表示第一短采样序列中第i个采样点，α表示加权系数，f
c
表示随机频率偏差，f
s
表示系统采样率，B(i)表示加性高斯白噪声的信号，j表示虚数单位符号，1≤i≤L。5.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述步骤3包括：对所述第二短采样序列进行STFT变换，得到所述第二短采样序列对应的时频矩阵。6.根据权利要求5所述的基于无...

【专利技术属性】
技术研发人员：张涵硕，李涛，李勇朝，吴建哲，朱若楠，薛朝政，周帅，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：