[发明专利]一种基于深度学习的宽带信号检测方法

说明书

本发明属于认知无线电技术领域，具体涉及一种基于深度学习的宽带信号检测方法。本发明是将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，并利用深度学习强大的图像特征提取能力，将信号检测的二分类问题转化为图像分类问题，将纯噪声和信号存在情况下特征值分布情况的不同作为判定依据，通过ResNet34模型进行训练评估，从而实现宽带信号的检测，提高信号检测性能。本发明将MWC采样序列的特征值分布图作为一种新的MWC宽带信号检测方法，检测宽带信号存在的有无，考虑深度学习理论的强大特征提取能力，虽然增加了算法复杂度，但在低信噪比下检测性能得到了提升，对噪声功率的鲁棒性也进一步提高。

技术领域

本发明属于认知无线电技术领域，具体涉及一种基于深度学习的MWC压缩采样信号检测方法。

背景技术

当下无线电通信领域中，随着信号带宽的不断提高，宽带信号的采样已经成为现代数字信号处理中的一个问题，压缩感知理论的出现提供了解决这一问题的方法。压缩感知理论的采样是利用了信号在某一变换域上的稀疏性，在采样的同时通过随机测量矩阵实现信号的压缩，从而可以实现以一个低于奈奎斯特速率的采样率进行宽带信号的采样、传输以及处理。其中，调制宽带转换器亚奈奎斯特采样(MWC)就是一种压缩采样方法。由于在宽带信号的检测应用中并不注重信号的内容，压缩采样信号保留了原始信号的相关信息，因此不需要进行信号的重构也可以进行宽带信号的检测。

传统的能量检测算法虽然有较好的性能，但易受噪声的影响，导致性能退化，在实际应用中稳定性和鲁棒性难以满足要求。特征值检测算法虽然对噪声具有一定的鲁棒性，但检测阈值也容易受背景噪声影响，在低信噪比下性能明显下降。深度学习技术拥有强大的特征提取能力，通过深度学习可以提取更加精细的特征，进行信号的检测，从而提高检测成功概率。

发明内容

本发明提出一种基于特征值分布图的信号检测算法，目的在于提高宽带信号在低信噪比下的检测性能和对噪声的鲁棒性，便于后续对信号做参数估计、识别等处理。

本发明提出一种基于深度学习的MWC压缩采样信号检测方法，目的在于提升宽带信号检测性能，提高算法对噪声功率的鲁棒性。

本发明的技术方案为：

假设信号为多窄带构成的实值宽带信号，信号表示为：

其中k为频带数的一半，B为频带宽度，q_i(x)＝sin(πx)/πx；E_i为每个频带的能量；τ_i和f_i是每个频带的时移和中心频率。

对于接收到的宽带信号x(t)，进行MWC压缩采样前，假设并行信道数为m，每一路的采样数为N。若对纯噪声进行MWC采样处理后，其特征值分布大致在一条直线附近。当信号强度大于噪声强度时，此时的特征值分布较为离散，且离散程度随着信号强度的增大而增大。由于MWC采样序列保持了原始信号的结构信息，对于信号的检测问题，可以直接处理采样序列。故建立一个二元假设检验问题，表示为：

其中，x_i(n)为原始信号序列，η_i(n)为高斯白噪声序列，y_i(n)为MWC采样序列。H₀表示信号不存在，H₁表示信号存在。

本发明的宽带信号检测方法包括以下步骤：