[发明专利]一种基于深度神经网络的跳频信号检测与参数估计方法

权利要求书

1.一种基于深度神经网络的跳频信号检测与参数估计方法，其特征是，包括以下几个步骤：

步骤1、跳频信号数据的生成和采集：生成BPSK、QPSK、QAM这3种数字调制方式，采样率为3.2MHz，跳频信号跳速为6000跳/s，跳频频率集共三组{0.32MHz、0.96MHz、1.92MHz、2.56MHz}、{2.88MHz、2.24MHz、1.6MHz、0.96MHz}、{2.56MHz、1.92MHz、1.28MHz、0.64MHz}，信噪比SNR分别为-10dB、-8dB、-6dB、-4dB、-2dB、0dB、+2dB、+4dB、+6dB、+8dB、+10dB，接着把仿真生成的跳频信号，通过STFT时频分析，保存为时间频率联合分布图的形式；

步骤2、将跳频信号数据按照调制方式，信噪比，调频频率进行分类整理：利用labelImg工具给训练集图片打上标签，并生成*.xml文件，接着通过程序代码将.xml文件生成SSD所需要的*.tfrecords文件；

步骤3、把分类的跳频信号生成时频分布瀑布图，生成图像数据集：生成的数据集是以SNR作为参数的，SNR分别为-10dB、-8dB、-6dB、-4dB、-2dB、0dB、+2dB、+4dB、+6dB、+8dB、+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比下的跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图；

步骤4、构建SSD模型：SSD检测框架的主要思想是在不同大小的特征图上利用卷积核来预测检测目标的类型、偏移坐标，用以提高目标检测的准确率与实时性；

步骤5、把生成好的时频瀑布图打上标签作为SSD目标检测框架模型的输入进行训练：SNR分别为-10dB、-8dB、-6dB、-4dB、-2dB、0dB、+2dB、+4dB、+6dB、+8dB、+10dB，在训练时，使用相同的训练模型，并且分别训练、测试和检测不同的信噪比跳频信号，在相同的信噪比SNR条件下，训练集由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，验证集数量和训练集数量相同，也是由不同的跳频集组成，每种类型有相应的跳频信号时频瀑布图，对SSD网络模型的类别数的相关参数进行微调后，开始进行迭代训练，训练的过程就是模型学习的过程，通过损失函数计算损失值，不断反馈调节模型参数，最后得到损失值较低的训练好的模型；

步骤6、把训练好的模型用于测试集完成跳频信号检测与参数估计

跳频信号检测：在每一信噪比下，不同跳频集都有相应的跳频信号时频瀑布图，将所有图片进行跳频信号检测测试，验证训练好的模型目标检测效果；

跳频信号参数估计：不同信噪比情况下，通过多次蒙特卡洛实验，得出对跳频信号频率集、瞬时带宽和跳频速率参数的估计的准确度；

步骤7、针对时频瀑布图的噪声问题，继续进行基于k_means聚类的时频瀑布图修正：提出了基于k_means聚类的时频瀑布图修正方法，该方法的基本思想是将时频瀑布图的能量值通过k_means聚类，来把信号和噪声分开，然后根据噪声和信号的能量值设置阀值，进行时频图修正；

步骤8、获得经过基于k_means聚类的时频瀑布图修正后的跳频信号检测效果：通过k_means聚类方法对时频图进行修正去噪，用修正后的时频图，进行迭代训练，然后对测试集的数据进行信号检测，对各个信噪比下的检测结果进行统计，计算跳频信号的最终检测率。