[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

说明书

本发明公开了一种基于多任务深度卷积神经网络的载波信号检测方法，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；S2、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；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；S4、将真实宽带卫星功率谱信号进行归一化后输入网络模型，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。本发明避免了载波检测方法中人为提取特征所带来的主观影响的因素，提高了检测效率和检测准确率，并增强了检测过程中的噪声抑制能力。

技术领域

本发明属于深度学习应用和通信信号处理领域，特别涉及一种基于多任务深度卷积神经网络的载波信号检测方法。

背景技术

随着近年来通信技术的快速发展，各种新的通信技术不断被应用到现代军事领域中来，给非合作通信侦察带来了巨大的挑战。在复杂的电磁环境背景下，载波信号检测是非合作通信侦察环节中的一个重要环节，只有准确地截获有用的信号，才能保证后续的信号处理分析和情报解读等得到强有力的可靠性。

通常，由于突发、多址、发射机性能差异和通信体制设计等原因，导致通信信号在频域中表现为毛刺多、载波间隙小等各种不规整形状。传统算法通常借助傅里叶变换、小波变换、形态学分析、聚类以及支持向量机等方法，通过提取信号的频谱、自相关函数和循环累积量等特征，进而人为选取一些特征进行分析，并最终设置若干离散或连续的阈值来实现载波信号检测。这些方法往往需要大量的先验知识，难以应对复杂的电磁环境干扰，且往往计算量大，计算过程复杂，容易造成虚检和漏检，不利于大范围、长时间连续通信侦察。

发明内容

本发明的目的在于克服现有技术的不足，提供一种通过构建多任务深度卷积神经网络，直接将宽带功率谱上的每个载波的中心频率位置和带宽大小回归出来，避免了载波检测方法中人为提取特征所带来的主观影响的因素，同时提高了检测效率和检测准确率，并增强了检测过程中的噪声抑制能力的基于多任务深度卷积神经网络的载波信号检测方法。

本发明的目的是通过以下技术方案来实现的：一种基于多任务深度卷积神经网络的载波信号检测方法，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。

进一步地，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。