宽带频谱检测方法技术

本发明专利技术公开了宽带频谱检测方法，该方法包括：响应于获取到的宽带频谱原始数据，将所述原始数据转换为一维显著向量；提取所述显著向量的信号特征；对所述信号特征进行线性插值上采样后重构所述显著向量，计算重构向量与所述显著向量的交叉熵损失；根据所述交叉熵损失计算宽带频谱检测所需参数信息。本发明专利技术能够完成复杂电磁环境下的宽带频谱检测。复杂电磁环境下的宽带频谱检测。复杂电磁环境下的宽带频谱检测。

【技术实现步骤摘要】
宽带频谱检测方法


[0001]本专利技术属于信号检测
，尤其涉及宽带频谱检测方法。

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]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。
[0004]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]本专利技术的目的在于，为克服现有技术缺陷，提供了宽带频谱检测方法,可以不依赖于专家实现宽带频谱检测，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。
[0006]本专利技术目的通过下述技术方案来实现：
[0007]一种宽带频谱检测方法，所述方法包括：
[0008]响应于获取到的宽带频谱原始数据，将所述原始数据转换为一维显著向量；
[0009]提取所述显著向量的信号特征；
[0010]对所述信号特征进行线性插值上采样后重构所述显著向量，计算重构向量与所述显著向量的交叉熵损失；
[0011]根据所述交叉熵损失计算宽带频谱检测所需参数信息。
[0012]进一步的，所述将所述原始数据转换为一维显著向量具体包括：
[0013]将所述原始数据中有信号的部分标记为显著性区域，将没有信号的部分标记为非显著性区域，得到一维显著向量作为标签。
[0014]进一步的，所述提取所述显著向量的信号特征具体包括：
[0015]对所述原始数据进行最大最小值归一化，并和对应标签一同输入深度学习模型中提取所述显著向量的低层细节特征和高层语义特征；
[0016]通过高层语义特征提取全局上下文特征；
[0017]将所述高层语义特征、所述低层细节特征和所述全局上下文特征融合得到融合特征和融合特征的特征图；
[0018]利用特征图的内部特性来细化特性映射得到所述显著向量的信号特征。
[0019]进一步的，所述通过高层语义特征提取全局上下文特征步骤前还包括：
[0020]利用空间和通道注意力机制对显著对象高响应的空间区域和特征增强，得到增强后的高层语义特征。
[0021]进一步的，所述对所述信号特征进行线性插值上采样后重构所述显著向量，计算重构向量与所述显著向量的交叉熵损失具体包括：
[0022]对所述信号特征进行线性插值上采样使得特征维度同输入向量相同；
[0023]将对反卷积后的数据映射为0
‑
1之间的实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。
[0024]进一步的，所述根据所述交叉熵损失计算宽带频谱检测所需参数信息，并完成宽带频谱检测具体包括：
[0025]根据所述交叉熵损失得到所述宽带频谱原始数据的显著性结果；
[0026]根据显著性结果计算宽带频谱的起始点和终止点，并根据原始宽带频谱数据的起始频率和频率分辨率计算宽带频谱中包含的参数信息。
[0027]进一步的，所述对所述原始数据进行最大最小值归一化具体包括：
[0028]采用代价函数的计算方式：
[0029][0030]其中，X
norm
为归一化后的样本数据，X为原始数据，X
min
为原始数据的最小值，X
max
为原始数据的最大值。
[0031]进一步的，所述利用空间和通道注意力机制对显著对象高响应的空间区域和特征增强，得到增强后的高层语义特征具体包括：
[0032]利用如下公式对所述高层语义特征进行增强：
[0033]y＝sigmod(fc2(RELU(fc1(F))))；
[0034]F
out
＝F
·
y；
[0035]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为高层语义特征经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。
[0036]进一步的，所述通过高层语义特征提取全局上下文特征具体包括：
[0037][0038]y
t
＝sigmod(fc4(RELU(fc3(f
gap
))))
[0039][0040]其中，F表示输入的高层语义特征，conv表示卷积操作，f
gap
表示高层语义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，表示全局上下文特征提取最终的输出。
[0041]进一步的，所述将所述高层语义特征、所述低层细节特征和所述全局上下文特征融合得到融合特征具体包括：
[0042][0043][0044][0045][0046][0047][0048][0049][0050]其中，代表高层特征，代表低层特征，代表全局特征，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同样的方法可以得到高低层特征的另一种融合特征和全局低层融合特征最后将三种初步融合特征按通道拼接再经过一个卷积层得到最终的融合特征
[0051]进一步的，所述利用特征图的内部特性来细化特性映射得到所述显著向量的信号特征具体包括：
[0052][0053][0054]其中，f
in
表示输入特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种宽带频谱检测方法，其特征在于，所述方法包括：响应于获取到的宽带频谱原始数据，将所述原始数据转换为一维显著向量；提取所述显著向量的信号特征；对所述信号特征进行线性插值上采样后重构所述显著向量，计算重构向量与所述显著向量的交叉熵损失；根据所述交叉熵损失计算宽带频谱检测所需参数信息。2.如权利要求1所述的宽带频谱检测方法，其特征在于，所述将所述原始数据转换为一维显著向量具体包括：将所述原始数据中有信号的部分标记为显著性区域，将没有信号的部分标记为非显著性区域，得到一维显著向量作为标签。3.如权利要求2所述的宽带频谱检测方法，其特征在于，所述提取所述显著向量的信号特征具体包括：对所述原始数据进行最大最小值归一化，并和对应标签一同输入深度学习模型中提取所述显著向量的低层细节特征和高层语义特征；利用空间和通道注意力机制对显著对象高响应的空间区域和特征增强，得到增强后的高层语义特征；通过增强后的高层语义特征提取全局上下文特征；将所述增强后的高层语义特征、所述低层细节特征和所述全局上下文特征融合得到融合特征和融合特征的特征图；利用特征图的内部特性来细化特性映射得到所述显著向量的信号特征。4.如权利要求1所述的宽带频谱检测方法，其特征在于，所述对所述信号特征进行线性插值上采样后重构所述显著向量，计算重构向量与所述显著向量的交叉熵损失具体包括：对所述信号特征进行线性插值上采样使得特征维度同输入向量相同；将对反卷积后的数据映射为0
‑
1之间的实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。5.如权利要求1所述的宽带频谱检测方法，其特征在于，所述根据所述交叉熵损失计算宽带频谱检测所需参数信息，并完成宽带频谱检测具体包括：根据所述交叉熵损失得到所述宽带频谱原始数据的显著性结果；根据显著性结果计算宽带频谱的起始点和终止点，并根据原始宽带频谱数据的起始频率和频率分辨率计算宽带频谱中包含的参数信息。6.如权利要求3所述的宽带频谱检测方法，其特征在于，所述对所述原始数据进行最大最小值归一化具体包括：采用代价函数的计算方式：其中，X
norm
为归一化后的样本数据，X为原始数据，X
min
为原始数据的最小值，X
max
为原始数据的最大值。7.如权利要求3所述的宽带频谱检测方法，其特征在于，所述利用空间和通道注意力机制对显著对象高响应的空间区域和特征增强，得到增强后的高层语义特征具体包括：
利用如下公式对所述高层语义特征进行增强：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为高层语义特征经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。8.如权利要求3所述的宽带频谱检测方法，其特征在于，所述通过高层语义特征提取全局上下文特征具体包括：y
t...

【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：