[发明专利]一种基于深度学习的信号噪底估计方法

说明书

本发明公开了一种基于深度学习的信号噪底估计方法，包括以下步骤：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，将训练样本按比例分成训练集和验证集；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；将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卷积神经网络进行迭代训练，综合损失大小和评价结果，调整网络结构和参数，保存训练好的网络模型；将采集到的真实宽带功率谱幅值归一化处理，并记录功率谱最小幅值和幅值跨度，将归一化后的数据输送给训练好的网络模型进行计算，将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，计算得到最终真实功率谱的噪底估计大小。

技术领域

本发明属于深度学习应用和信号处理领域，具体涉及一种应用在信号频谱监测中智能信号频谱噪底估计方法。

背景技术

随着信息化技术的不断提高，社会中无时无刻不充满着各种复杂的无线电信号。在这些信息的传输过程中，不可避免的受到多种噪声干扰，除了高斯白噪声以外，还有大量的非平稳噪声和非高斯噪声，使得信号接收机正确接收信息面临巨大的挑战。尤其在军事领域中，一方面是自然环境中的噪声干扰，另一方面则更多是要面对敌方针对性的通信干扰，在这些噪声干扰背景下，信号频谱会表现出噪声基底起伏不定。为了更准确地检测有用的载波信号，需要首先对信号的功率谱进行噪底估计，并进一步修正信号的功率谱，然而传统的噪底估计方法存在着估计不准确、需要先验知识和计算复杂度高等不足，因此，找到一种高效、准确的信号噪底估计方法非常重要。

在工程中，常用直接替代法来估计噪声，即直接使用上一次无信号存在时的接收信号作为噪声基底，尽管该方法简单直观，但不适用于时变信道，适用场合十分有限。此外均值滤波和中值滤波也曾用作估计噪底，两个方法虽然原理简单，计算方便，但其估计性能受窗长影响较大：长窗对噪底起伏变化的估计不够精确，短窗则会将宽带信号当成噪声基底。

美国应用信号技术公司M.J.Ready和M.L.Downey等人，1997年，在其论文《Automatic Noise Floor Spectrum Estimation in the Presence of Signals》首次提出利用形态学开运算进行信号处理中的噪底估计。国防科技大学李波在其论文《基于形态学预处理的短波猝发信号检测算法》提出利用形态学迭代开运算，从一维灰度图像的角度看待频谱图，实现噪底估计。不论是图像处理领域还是信号处理领域，形态学滤波原理是一致的，主要包含膨胀、腐蚀、开运算和闭运算四种基本运算方式。若信号功率谱的带宽不超过所选结构元素的宽度，则可利用形态学中的开运算来进行噪底估计，然而通过仿真测试会发现形态学滤波算法会有以下几点不足：

a)形态学方法需要预先知道待检测信号的带宽，使所选用的结构元素宽度大于所有信号带宽，才能保证噪底估计的准确性；

b)若存在较宽的信号，需要较大的结构元素，导致运算量太大；

c)算法会将小于结构元素的噪底凸起当成信号，从而在某些频段没有真正估出噪底。