[发明专利]欠采样跳频通信信号深度学习恢复方法

说明书

本发明公开了欠采样跳频通信信号深度学习恢复方法，解决了现有技术中信号恢复方法计算复杂度高，计算效率较低，重构精度低的问题。实现步骤为：构建卷积神经网络和变分自编码器网络，引入新的网络结构和参数设置，构建最优的神经网络结构；跳频信号线性测量；数据预处理，用分离复数的实部和虚部的数据预处理方式，得到输入神经网络的数据格式；训练卷积神经网络和变分自编码器网络；跳频信号恢复。本发明构建权值共享，稀疏连接的两个网络，用数据预处理方式，得到输入神经网络的数据格式，通过训练好的最优神经网络结构和参数设置重构原始跳频信号。大幅度提高了信号恢复的准确率，降低了重构的误差和计算复杂度，用于跳频通信系统。

技术领域

本发明属于通信技术领域，特别涉及跳频信号恢复，具体是一种欠采样跳频通信信号深度学习恢复方法，可用于军事领域和民用领域通信。

背景技术

跳频通信是一种常见的扩频通信方式，其工作原理是发送方和接收方在传输信号时载波频率按照一定的规律进行变化的通信方式，其中载波频率受伪随机序列的变化而跳变，具有抗干扰能力强，低截获，易组网等优势。随着无线通信技术的发展，各种新兴的通信方式不断涌现，无线频谱资源日益紧张，跳频通信由于其频带利用率较高成为解决频带拥挤的新方案。当下对跳频信号的分析基本是以传统的奈奎斯特采样定理作为基础的。传统采样定理规定：在对连续模拟信号进行采样时，只有当采样率至少是该信号最高频率的二倍时，该连续模拟信号才能被完全确定。这在处理低带宽信号时自然是没有太大问题的，但是随着近年来跳频信号工作频率的范围不断提高，传统采样定理已不能满足目前跳频信号分析的需要。

首要原因是由于衡量处理前端模-数转换器(Analog-to-Digital Converter,ADC)性能的重要参数——有效位数(Effective Number of Bits,ENOB)的制约，跳频信号多达吉赫兹的高频带已成为对ADC器件的最大挑战。其次，在对信号进行数据处理之前需先将其存入存储器中，但是对采样过程所得到的海量数据进行存储需要大量的时间，限于目前存储器的读写效率以及数字信号处理系统DSP的运算速度，系统在规定时间内的反应能力很难满足通信侦察过程中的实时性要求。

为了解决以上问题，有学者提出将压缩感知理论用于对跳频信号的分析，从根本上解决信号高带宽带来的问题。近年，一种新兴的压缩感知(Compressive Sensing，CS)理论为数据采集技术带来了革命性的突破。在该理论框架中，采样速率不再由信号的带宽决定，而是由信号结构和有效信息决定，因此，只要信号在某一变换域上是稀疏的，就能够以远低于奈奎斯特采样率的速率获取信号有效信息，完成模拟信号数字化，并通过最优化算法重构信号，具有广阔的应用前景。目前压缩感知技术已经应用到了众多研究领域，包括：雷达信号处理、无线传感器网络、图像采集设备及医学信号处理等。在核磁成像中，压缩感知的应用能够显著减少射线照射次数，减小对人体危害。在照相摄像方面，Rice大学研制了单像素相机。在雷达方面，Herman等提出了压缩感知高分辨雷达；Potter等提出了将压缩感知理论应用于雷达成像。压缩感知数据采集理论主要包括：可压缩信号稀疏表示以及可压缩信号观测。其中，信号的稀疏表示是CS理论应用的最基本前提，在确定信号的稀疏域后可对其进行无损压缩。