[发明专利]一种基于多任务深度卷积神经网络的载波信号检测方法

权利要求书

1.一种基于多任务深度卷积神经网络的载波信号检测方法，其特征在于，包括以下步骤：

S1、使用Matlab生成多载波宽带时域信号，并通过welch功率谱估计算法计算该信号的功率谱，得到训练数据集；

S2、将功率谱分别进行归一化作为训练网络的输入，并根据每个功率谱上载波的频率起止位置制作功率谱输入对应的标签，包含载波中心点标签、载波中心点偏移标签和载波带宽标签；

S3、将功率谱和标签输入多任务深度卷积神经网络进行训练，调整训练网络结构和参数，根据训练效果，保存最终的网络模型结构和参数；

S4、将真实宽带卫星功率谱信号进行归一化后输入S3训练得到的网络模型计算，通过模型直接输出得到的载波中心点、载波中心点偏移和载波带宽预测结果，计算所有载波的中心频率和带宽，然后通过非极大值抑制，得到最终载波中心频率和带宽大小预测结果。

2.根据权利要求1所述的基于多任务深度卷积神经网络的载波信号检测方法，其特征在于，所述步骤S2中功率谱的标签长度均为对应输入功率谱长度的其具体实现方法包含以下子步骤：

S21、初始化三个长度为输入功率谱长度的的全零子序列，作为载波中心点标签、载波中心点偏移标签和载波带宽标签，分别记为Center、offset和BW；

S22、计算当前宽带功率谱上每个载波的中心点位置，分别记为表示第i个载波x_i的中心点位置，对应标签上中心点位置表示不大于的最大整数，同时将每个载波的带宽记为

S23、遍历当前宽带上的每一个载波，得到载波中心点偏移标签载波带宽标签为表示将载波中心点偏移标签和载波带宽标签的每个载波中心频率点分别赋值为和载波中心点标签是一个高斯核函数，载波中心点标签为其中P为整数，取值范围为λ是任意常数。

3.根据权利要求1所述的一种基于多任务深度卷积神经网络的载波信号检测方法，其特征在于，所述步骤S3中的多任务深度卷积神经网络包括后端特征编码网络、后端特征解码网络和特征回归网络3部分。

4.根据权利要求3所述的一种基于多任务深度卷积神经网络的载波信号检测方法，其特征在于，所述后端特征编码网络包括依次连接的一个卷积层、一个最大池化层和5个ResNet块；其中卷积层共有64个卷积核，卷积核大小7*1，卷积步长为2*1；最大池化层的核大小3*1，池化步长为2*1，最大池化层的结果记为P_2；

ResNet块由2个结构相同的子网络相连组成；每个子网络包括依次连接的卷积层1、BN层1、卷积层2、BN层2、ReLU层2、卷积层3、BN层3、ReLU层3、卷积层4、BN层4和ReLU层4；ReLU层4的输入是BN层1和BN层4结果的和；子网络中卷积层的卷积核大小均为3*1；第一个子网络的卷积层1的卷积步长为2*1，其余卷积层的卷积步长都是1*1；每个子网络中卷积层1和卷积层4卷积核的个数是卷积层2和卷积层3的4倍；ResNet块输出的特征图数量与卷积层4的卷积核个数相同；

所述后端特征编码网络的5个ResNet块的特征图输出数量依次是128、256、512、1024和2048，每个块的输出的结果依次记为P_3、P_4、P_5、P_6和P_7；

所述ReLU层是由激活函数构成，所使用激活函数为非线性激活函数线性修正单元；

所述BN层是由批归一化层构成。