一种基于显著性的宽带频谱检测方法技术

本发明专利技术公开了一种基于显著性的宽带频谱检测方法，该方法包括对一维宽带频谱数据集进行显著图转换，将原始数据转换成一维显著向量；将转换后的显著向量输入深度显著检测网络进行监督训练，提取信号的低层细节特征、高层语义特征和全局上下文特征，将提取到的特征进行融合得到融合后的特征；对融合后的特征进行线性插值上采样后对输入显著向量进行重构，计算重构向量与输入显著向量的交叉熵损失；最后基于输出结果计算信号个数、频率、带宽以及信噪比等参数信息，完成复杂电磁环境下的宽带频谱检测。本发明专利技术实现了宽带频谱检测，不依赖于专家，环境适应性强，易于训练、收敛速度较快，能够有效提升检测概率，基于显著性的宽带频谱检测方法。检测方法。检测方法。

【技术实现步骤摘要】
一种基于显著性的宽带频谱检测方法


[0001]本专利技术涉及信号检测
，尤其涉及到一种基于显著性的宽带频谱检测方法。

技术介绍

[0002]随着各种无线电通信系统的飞速发展、各类电磁通讯设备的发展与应用，数量繁多、信号体制和调制样式复杂、密集重叠、动态交迭的电磁信号充斥在电磁环境中，接收频段内民用、军用、不同功率、带宽、调制方式、编码方式、时变的信号交织在一起，使得侦收到的信号呈现出海量、高维、多样、动态等复杂特性。这些复杂的电磁环境表现在以下几方面：(1)空间中的电磁信号日益增加，背景噪声显著提高；(2)各种干扰日益严重，背景噪声常呈现非高斯特性；(3)受各种突发信号和干扰以及背景影响，噪声高动态变化。
[0003]信号检测与提取技术是信号处理和现代信息理论的一个重要组成部分,是信息技术的支柱之一。具体来看，信号检测是指从宽带接收的信号数据中构建检测特征，判定通信信号的存在性并初步估计识别各窄带信号的载频、带宽、体制等通信参数，以有效指导后续的调制识别、个体识别等工作。由于信号检测的性能将直接影响整个通信系统的性能和应用，若对侦察频段内信号进行无差别侦察，大量低价值信号占据了有限的信号侦察资源、不仅耗费人力与时间成本，而且将会导致后面信息获取失败，通信对抗中处于劣势。因此，在复杂的电磁环境下，如何快速精准地在海量数据中进行信号检测具有重要意义，将充分利用有限的信号侦察资源、降低人力与时间成本，提高重要及高威胁目标信号、未知/不明信号、任务关注信号等高价值信号的分析效率。
[0004]传统的频谱检测算法中匹配滤波法、能量检测法、循环平稳法和特征值检测法是应用最广泛也是最经典的几种检测方法，此外，小波分析法通过对信号按不同的尺度进行分层分析以提取目标信号，是近年来信号检测领域的研究热点。当获得待检测信号的先验知识时，在高斯背景噪声下，匹配滤波法是最佳的检测方法。然而在实际场景中，通常难以获得待检测信号的先验知识。因此，由于匹配滤波器法对先验知识的要求，往往在实际应用中受到限制；能量检测法不需要待检测信号的先验信息，且由于其计算复杂度低是实际系统中最常用的检测方法。该方法在确定频段上，测量一段时间内接收信号的总能量，然后与判决门限比较来判决是否有信号存在；能量检测法门限随着采样率、采样时间、以及环境噪声方差的变化而变化，所以能量检测法需要周围环境噪声方差的精确估计。然而低信噪比条件下，信号方差往往无法准确估计，能量检测法的性能会急剧下降；特征值检测法最近十几年逐步发展起来的检测方法，其根据随机矩阵原理，以协方差矩阵最大特征值与最小特征值的比值作为检验统计量。如果大于门限则认为信号存在，否则表示认为没有信号。该方法可以有效克服噪声不确定度对检测性能的影响，具有较好的性能。然而，受限于随机矩阵理论，该方法的精确门限难以通过理论获得，往往需要大量的实际试验来修正，这极大影响了该方法的实际应用；小波分析法的难点和瓶颈问题是小波基函数的选择问题。到目前为止还没有一个标准或通用的方法可以获得小波基函数，除此之外小波变换分辨率还受到采
样频率和长度限制。上述方法都是模型驱动的方法，需要事先了解信号或噪声信息。然而，在实际环境下，信号往往未知，且噪声情况动态变化，传统频谱感知方法性能受挫。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于显著性的宽带频谱检测方法，旨在解决目前传统宽带信号检测算法在实际复杂电磁环境应用时存在的对专家经验的依赖性高、门限设置复杂、适应性差、对复杂电磁环境下的信号带宽差距大检测效果不佳的技术问题。
[0006]为实现上述目的，本专利技术提供一种基于显著性的宽带频谱检测方法，所述方法包括以下步骤：
[0007]S1：基于信号起止信息对宽带频谱数据进行显著图转换，获得二值一维显著向量作为宽带频谱数据的标签；
[0008]S2：将宽带频谱数据与对应的标签输入到深度学习模型中，提取获得低层细节特征、高层语义特征和全局上下文特征，构建融合特征；
[0009]S3：对融合特征进行线性插值上采样使得特征维度同输入向量相同，利用SoftMax函数对输入向量进行重构，计算重构向量与输入显著向量的交叉熵损失，经过深度显著性检测网络模型推理，得到输入数据的显著性结果；
[0010]S4：根据显著性结果计算宽带频谱的起始点和终止点，并根据宽带频谱数据的起始频率和频率分辨率计算宽带频谱中的型号参数，完成宽带频谱的检测。
[0011]可选的，所述步骤S2中，还包括对宽带频谱数据进行最大最小值归一化，其代价函数的表达式，具体为：
[0012][0013]其中，X
norm
为归一化后的样本数据，X为原始样本数据，X
min
为样本数据的最小值，X
max
为样本数据的最大值。
[0014]可选的，所述步骤S2中，提取获得低层细节特征、高层语义特征，具体包括：采用50层深度残差网络进行四层低层特征和一层高层特征提取。
[0015]可选的，所述步骤S2中，还包括将提取的高层语义特征输入到通道选择模块进行选择，利用空间和通道注意力机制来增强对显著对象高响应的空间区域和特征增强；通道选择模块对高层语义特征进行选择的表达式，具体为：
[0016]y＝sigmod(fc2(RELU(fc1(F))))
[0017]F
out
＝F
·
y
[0018]其中，fc1和fc2表示全连接层1和全连接层2，F表示输入的高层语义特征，f为高层特征进过下采样得到的通道权重特征向量，RELU和sigmod代表激活函数，
·
代表点乘，y代表最终权重向量，F
out
代表选择后的特征。
[0019]可选的，所述步骤S2中，所述全局上下文特征提取的表达式，具体为：
[0020][0021]y
t
＝sigmod(fc4(RELU(fc3(f
gap
))))
[0022][0023]其中，表示输入的高层特征，conv表示卷积操作，f
gap
表示高层特征经过全局平均池化得到的包括全局上下文信息的特征，
·
代表点乘，表示全局特征提取模块最终的输出。
[0024]可选的，所述步骤S2中，所述融合特征的融合策略，具体为：
[0025][0026][0027][0028][0029][0030][0031][0032][0033]其中，代表高层语义特征，f
lt
代表低层细节特征，代表全局上下文特征，upsample代表双线性插值上采样，t代表阶段序号，W代表生成的掩膜，concat代表按通道拼接；特征融合模块首先将低层特征f
lt
输入到卷积层conv1中得到与高层特征同样通道数的随后将高层特征输入卷积层conv2中再进行双线性插值上采样得到掩膜将掩膜与进行点乘操作后再经过RELU激活函数得到高低层特征的第一种融合特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于显著性的宽带频谱检测方法，其特征在于，所述方法包括以下步骤：S1：基于信号起止信息对宽带频谱数据进行显著图转换，获得二值一维显著向量作为宽带频谱数据的标签；S2：将宽带频谱数据与对应的标签输入到深度学习模型中，提取获得低层细节特征、高层语义特征和全局上下文特征，构建融合特征；S3：对融合特征进行线性插值上采样使得特征维度同输入向量相同，利用SoftMax函数对输入向量进行重构，计算重构向量与输入显著向量的交叉熵损失，经过深度显著性检测网络模型推理，得到输入数据的显著性结果；S4：根据显著性结果计算宽带频谱的起始点和终止点，并根据宽带频谱数据的起始频率和频率分辨率计算宽带频谱中的型号参数，完成宽带频谱的检测。2.如权利要求1所述的基于显著性的宽带频谱检测方法，其特征在于，所述步骤S2中，还包括对宽带频谱数据进行最大最小值归一化，其代价函数的表达式，具体为：其中，X
norm
为归一化后的样本数据，X为原始样本数据，X
min
为样本数据的最小值，X
max
为样本数据的最大值。3.如权利要求1所述的基于显著性的宽带频谱检测方法，其特征在于，所述步骤S2中，提取获得低层细节特征、高层语义特征，具体包括：采用50层深度残差网络进行四层低层特征和一层高层特征提取。4.如权利要求1所述的基于显著性的宽带频谱检测方法，其特征在于，所述步骤S2中，还包括将提取的高层语义特征输入到通道选择模块进行选择，利用空间和通道注意力机制来增强对显著对象高响应的空间区域和特征增强；通道选择模块对高层语义特征进行选择的表达式，具体为：y＝sigmod(fc2(RELU(fc1(F))))F
out
＝F
·
y其中，fc1和fc2表示全连接层1和全连接层2，F表示输入的高层语义特征，f为高层特征进过下采样得到的通道权重特征向量，RELU和sigmod代表激活函数，
·
代表点乘，y代表最终权重向量，F
out
代表选择后的特征。5.如权利要求1所述的基于显著性的宽带频谱检测方法，其特征在于，所述步骤S2中，所述全局上下文特征提取的表达式，具体为：y
t
＝sigmod(fc4(RELU(fc3(f
gap
))))其中，F表示输入的高层特征，conv表示卷积操作，f
gap
表示高层特征经过全局平均池化得到的包括全局上下文信息的特征，
·
代表点乘，表示全局特征提取模块最终的输出。6.如权利要求1所述的基于显著性的宽带频谱检测方法，其特征在于，所述步骤S2中，
所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：所述融合特征的融合策略，具体为：其中，代表高层语义特征，f
lt
代表低层细节特征，代表全局上下文特征，upsample代表双线性插值上采样，t代表阶段序号，W代表生成的掩膜，concat代表按通道拼接；特征融合模块首先将低层特征...

【专利技术属性】
技术研发人员：解韦桐，张宇阳，欧阳玫丹，甘翼，丛迅超，李贵，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：