[发明专利]一种基于波形网络的信号增强方法、目标识别方法及系统

说明书

本发明提供了一种基于波形网络的信号增强方法、目标识别方法及系统，接收到ADS‑B射频信号后，进行预处理；通过波形网络结构提取预处理后的ADS‑B射频信号的序列信息；将波形网络结构中各层输出的信息进行连接；对连接后的信息进行两次卷积操作完成信号增强；将增强后的ADS‑B信号转换为Contour Stellar图；将Contour Stellar送入利用多层感知机构建的目标识别模型进行目标识别；其中，目标识别模型通过标注飞机类型的数据进行训练。本发明提出的方案能够对低信噪比的ADS‑B信号进行增强，同时对增强后的信号完成目标识别。

技术领域

本发明涉及信号数据处理领域，具体涉及一种基于波形网络的信号增强方法、目标识别方法及系统。

背景技术

无线电信号分类在无线通信和电磁频谱管理领域具有非常广泛的应用和意义，其中自动相关监视广播数据(Automatic Dependent Surveillance-Broadcast,ADS-B)信号的分类和识别在航空领域中更是不可或缺的一部分，它对于飞机航线调度、飞机间通信安全等问题都存在重要的作用。无线电信号可以通过识别感知频段内的无线信号来检测主用户信号，而且如果能识别各种非法的用户信号，也可以提高无线通信的安全性。

对于无线电信号中的ADS-B信号的识别，一种方法是其在传递时，接收端接收到发送端传出的ADS-B信号，然后根据发送端的调制编码方式对接受信号进行解调和解码，分析解码后的信息即可判断ADS-B信号的来源。另一种方法是基于深度学习来解决无线信号分类的问题，这种方法主要分为基于自调制的分类和基于射频的分类。

不管是直接对ADS-B信号进行解码并分析的分类方法，还是基于深度学习的分类方法，两者都存在一个严重的问题，即接收到的ADS-B信号包含了很多噪声，严重的影响了其解码以及分类的结果，可能会导致结果出现很大的偏差。如果能够对接收到的ADS-B信号预先进行数据增强，对其做一个降噪的处理，之后再进行分类和识别的操作，分类的准确率将可能得到极大的提升。

现有的数据增强的方法大致分为两类，一种是生成式数据增强，一种是判别式数据增强，生成式是期望利用数据表示重构完整数据，判别式是期望数据表示包含足够多信息即可。对于生成式数据增强，其中代表的方法就是生成对抗网络，它是根据二人零和博弈思想而建模，用两个深度网络(判别器和生成器)交替学习使得生成器可以模拟现实数据来生成样本数据。判别式数据增强主要是利用无监督数据，构造学习任务和所需要的学习样本，最后得到其向量表示，该向量表示也可以用于下游任务，实现数据更复杂的表征，从而减小验证集和训练集以及最终测试集的差距，让网络更好地学习迁移数据集上的数据分布。

但是现有的数据增强方法很少聚焦于ADS-B信号领域，现阶段其还是主要研究在计算机视觉领域的增强方法，例如对比学习中构建正负样本时，对图像进行包括翻转，旋转，裁剪，变形，缩放等各类几何变换；或者自然语言处理领域中捕获局部语义结构来实现无监督的哈希技术。对于ADS-B信号的数据增强，现阶段研究却鲜有涉猎。由于ADS-B信号的数据形式和语音信号非常近似，两者都可以转换为一维数组类型，而语音信号增强现阶段已存在很多研究，它主要做的是从含噪的语音中提取出纯净的语音。

发明内容

针对现有技术中存在的问题，提供了一种基于波形网络的信号增强方法、目标识别方法及系统，将低信噪比的ADS-B信号进行数据增强，并通过下游任务进行增强效果验证，完成目标识别

本发明采用的技术方案如下：一种基于波形网络信号增强的目标识别方法，包括以下步骤：

步骤1、接收到ADS-B射频信号后，进行预处理；

步骤2、通过波形网络结构提取预处理后的ADS-B射频信号的序列信息；

步骤3、将波形网络结构中各层输出的信息进行连接；

步骤4、对连接后的信息进行两次卷积操作完成信号增强。