[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

说明书

本发明公开了一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域，可用于跳频信号检测与参数估计。包括以下步骤：1）跳频信号数据的生成和采集；2）将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理；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；4）构建SSD模型；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；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；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；8）进行时频瀑布图修正前后性能的比较分析；本发明对跳频信号检测率高且参数估计精确，对跳频信号的处理具有重要意义。

技术领域

本发明涉及一种基于深度神经网络的跳频信号检测与参数估计方法，属于图像识别领域与非协作通信领域，可用于跳频信号检测与参数估计。

背景技术

近年来随着深度学习的崛起并在图像处理和自然语言处理方面取得累累硕果。特别是在图像处理方面，深度学习的功能主要是目标检测和分类识别。目标检测的核心主要是利用深度神经网络来训练带有标签的目标图片，然后利用训练好的模型对未作标签的图片进行目标检测。利用深度学习进行目标检测，对目标进行动态实时跟踪定位、以及在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。国内外的专家已经开始研究把机器学习应用于信号处理领域。比如:Timothy J.O’Sheal等人利用原始信号去训练卷积神经网络，并进行了11种调制样式的识别。H. Ye, G. Y. Li等学者在2017年研究了基于深度学习的OFDM系统信道估计与信号检测。在复杂的电磁环境中捕获信号，本质上就是在电磁环境中找到目标信号，并确定目标信号的位置，即时域的起始点和频域的频宽、中心频率等。目标检测在计算机视觉领域应用比比皆是，经过国内外学者将近二十多年的研究，目标检测理论也逐渐成熟。近些年由于硬件设备越来越好深度学习技术的发展也一日千里，目标检测算法也从提取传统专家特征的方式向与深度神经网络结合的方向发展。目前比较前沿的基于深度神经网络的目标检测框架分为两大类：一类是采用分两个步骤(two-stage)的方法，比如RCNN、Fast RCNN、FasterRCNN等，两步具体为回归(location)和分类任务。另一类是采用一个步骤(one-stage)的目标检测框架，例如YOLO/YOLOv2、SSD等，同时完成检测和回归任务。分两步分析比较细微，当然检测精确度就高，但是相应的运算速度就慢了。只分一步分析则可以确保实时性，但是却降低了精确度。

跳频信号是一种非平稳随机信号，载波频率随着跳频序列随机跳动，要进行跳频信号检测与参数估计存在很多困难。因此在非协作跳频通信领域，国内外专家学者很少涉足。而本发明提出了一种基于深度学习的跳频信号检测与参数估计方法，该方法以深度学习在目标检测方面的成功为依据，首先把跳频信号生成时频分布瀑布图，然后把生成好的时频瀑布图打上标签作为vgg16训练模型的输入进行训练。最后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。同时针对时频瀑布图的噪声问题，提出了基于k_means聚类的时频瀑布图修正方法。经过修正，该方法对噪声的容忍性更高。

发明内容

本发明针对低信噪比情况下跳频信号检测问题，提出了基于深度神经网络（vgg16网络）的跳频信号检测技术。首先，在时频分析的基础上，生成跳频信号的时频分布瀑布图；利用生成的跳频信号时频分布图作为深度神经网络模型的输入，进行带标签的学习训练，然后用训练好的模型实现跳频信号检测。同时针对时频分布图的噪声问题，提出了基于k_means聚类的时频图修正方法。经过修正，该方法对噪声的容忍性更高。仿真实验结果证明该方法在信噪比为-4dB的情况下，跳频信号检测率可达88%以上，实现了低信噪比情况下跳频信号的智能化检测。

本发明所采用的技术方案如下：

步骤1：跳频信号数据的生成和采集；

步骤2：将跳频信号数据按照调制方式，信噪比，调频频率等参数进行分类整理；

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；