[发明专利]一种基于深度学习的异常I/Q信号识别方法及系统

说明书

本发明公开了一种基于深度学习的异常I/Q信号识别方法及系统，方法包括获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；对原始I/Q信号进行预处理，形成训练数据集；构建信号识别模型，信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构；基于训练数据集对所述信号识别模型进行训练；利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，I/Q信号识别结果包括类别及其置信度，类别为正常信号或异常信号。本发明旨在解决异常I/Q信号识别成本高、准确率低的问题。

技术领域

本发明属于无线信号识别技术领域，具体涉及一种基于深度学习的异常I/Q信号识别方法及系统。

背景技术

在无线通信领域中为了拓展信号处理带宽，基于I/Q正交调制解调的变频技术变得日益流行。基于I/Q正交调制解调的变频技术能够简化变频次数，具有高集成、低功耗等优点，并为数字化处理提供了灵活的I/Q通道。

在电子战应用中，当对战方在未经授权的频带带宽，或者未经授权的设备上采用某种发射方式工作时，会出现频带访问增强现象，亟需通过异常信号检测技术进行检测；此外，在无线电通讯中，异常信号检测还提供了快速识别其许可频段内的干扰发射器、故障设备或恶意攻击的能力，以方便及时地采取行动。

此类应用大多数都集中在检测传感器的指纹特征或专家特征的变化上，而没有关注在高速率原始物理层无线电信号本身中的异常情况，容易带来识别误差。并且，特征提取对应的专家系统往往对人员的专业性和设备的计算能力有较高的要求，实施成本也非常的高昂。

发明内容

本发明的目的在于提供一种基于深度学习的异常I/Q信号识别方法及系统，旨在解决异常I/Q信号识别成本高、准确率低的问题。

为实现上述目的，本发明所采取的技术方案为：

一种基于深度学习的异常I/Q信号识别方法，所述基于深度学习的异常I/Q信号识别方法，包括：

步骤1、获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；

步骤2、对所述原始I/Q信号进行预处理，形成训练数据集，包括：

步骤2.1、采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；

步骤2.2、对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；

步骤2.3、逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；

步骤2.4、将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；

步骤2.5、逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；

步骤3、构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；

步骤4、基于所述训练数据集对所述信号识别模型进行训练；

步骤5、利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。