[发明专利]一种基于深度学习的信号噪底估计方法

权利要求书

1.一种基于深度学习的信号噪底估计方法，其特征在于：具体包括以下步骤：

S1、根据真实宽带功率谱中噪底信号变化规律，模拟产生一维宽带功率谱信号训练样本，每个样本包含模拟产生的宽带功率谱及其对应的噪底标签，然后将所有训练样本按照4:1的比例分成训练集和验证集，最后把训练样本数据保存成二进制文件；

S2、设计基于深度卷积自编码器的一维深度卷积神经网络结构，并选择防过拟合措施、网络优化策略、损失函数及评价标准；

S3、将步骤S1模拟产生的训练样本幅值进行归一化处理，并将训练集和验证集输送给步骤S2中设计的一维深度卷积神经网络进行迭代训练，综合每个训练周期中训练集和验证集二者的损失大小和评价结果，调整网络结构和参数，不断迭代，保存最终训练好的网络模型；

S4、将采集到的真实宽带功率谱按照步骤S3中幅值归一化方式对幅值归一化处理，并记录每一个真实功率谱的最小幅值和幅值跨度，将归一化后的数据输送给步骤S3中训练好的网络模型进行前向推理回归计算，该结果结合归一化过程记录的真实功率谱的最小幅值和幅值跨度，经过计算可以得到最终真实功率谱的噪底估计大小；

所述步骤S2中的一维深度卷积神经网络结构包含输入模块、编码器网络、生成器网络和输出模块四部分：

所述输入模块包含1个卷积模块，该卷积模块包含一个卷积层、一个批归一化层和一个带泄露的非线性激活函数线性修正单元LeakyReLU激活层，其中卷积模块的卷积层包含32个卷积核，每个卷积核的大小都是3×1，卷积步幅为1，相同卷积补丁；其中卷积模块的LeakyReLU函数公式如下所示：

其中x表示输入特征序列，参数α设置为固定值0.1；

所述编码器网络包含13个下采样模块，其中每个下采样模块包含一个卷积模块和一个最大池化层，其中每个下采样模块中的卷积模块的参数设置与输入模块中卷积模块参数设置相同；每个下采样模块中的最大池化层的步幅均设置为固定值2，通过该层运算会将当前层的输入特征长度缩短一半；

所述生成器网络包含13个上采样模块，其中每个上采样模块包含一个卷积模块和一个上采样层，其中每个上采样模块中的卷积模块的参数设置与输入模块中卷积模块参数设置相同；每个上采样模块中的上采样层的步幅均设置为固定值2，通过该层运算会将当前层的输入特征长度扩大一倍；

所述输出模块包含两个卷积模块、一个卷积层和一个非线性激活函数线性修正单元ReLU激活函数层，其中前两个卷积模块的参数设置与输入模块中卷积模块参数设置相同；最后一个卷积层包含1个卷积核，卷积核大小为3×1，卷积步幅为1，相同卷积补丁；ReLU函数的作用是作为回归函数，得到估计的噪底值，其公式如下所示，

其中x表示输入特征序列；

所述步骤S2中防过拟合措施为Dropout算法，具体实现方法是在编码器网络和生成器网络中每个卷积模块前添加Dropout层，减少神经元之间的链接，设置参数为0.3；

所述步骤S2中网络优化策略为Adam算法；

所述步骤S2中损失函数为改进的平滑损失函数SmoothLoss，其函数公式如下所示：

其中x表示输入特征序列，参数α设置为固定值0.1；

所述步骤S2中评价标准为平均绝对误差,其函数公式如下所示为：

其中N表示每个验证集的功率谱信号数量，y_true表示噪底标签，y_pred表示网络估计的噪底值，i表示第i个验证集功率谱信号，MAE是遍历所有验证集后标签与S2中设计的一维深度卷积神经网络输出结果的差值的和的平均值。

2.根据权利要求1所述的一种基于深度学习的信号噪底估计方法，其特征在于：

所述步骤S3中归一化的具体实现公式如下：

其中x和x'分别为归一化前和归一化后的数据，max(x)和min(x)分别为幅值的最大值和最小值。

3.根据权利要求1所述的一种基于深度学习的信号噪底估计方法，其特征在于：

所述步骤S4具体实现方法如下：

S41、将真实信号宽带功率谱x_origin_i进行幅值归一化，归一化方式与步骤3中采取归一化一致，每一个归一化后的功率谱记为x_input_i，同时记录每一个功率谱的最小值min(x_origin_i)以及每一个功率谱的幅值跨度，即每一个功率谱最大值与最小值的差值Δ_i＝max(x_origin_i)-min(x_origin_i)，i表示检测的第i个实际宽带功率谱；

S42、调用步骤S3训练好的一维深度卷积神经网络模型，将网络设置为推理模式；

S43、依次将归一化后的真实宽带功率谱输入网络模型计算，得到每个功率谱的x_input_i网络输出结果记为y_pred_i；

S44、结合步骤S41中归一化过程记录的真实功率谱的最小幅值和幅值跨度，可以计算最终每个真实信号宽带功率谱x_origin_i的噪底估计值，其计算结果为Noise_floor_i＝y_pred_i*Δ_i+min(x_origin_i)。