[发明专利]基于数据驱动的互频智能干预信号表示方法及系统

说明书

本发明公开了一种基于数据驱动的互频智能干预信号表示方法及系统，通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作，通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作，以实现高低频干预模型对低频分量和高频分量进行交互处理，即用高频分量对低频分量的干预，以及用低频分量对高频分量的干预，高频分量与低频分量之间相互干预、相互驱动，得到的高频输出分量融合了低频分量的隐含信息，低频输出分量融合了高频分量的隐含信息，使得高频分量和低频分量能够更为准确地表示信号信息，基于高频输出分量和低频输出分量获得的信号特征能够有效表征信号。

技术领域

本发明涉及通讯技术领域，具体而言，涉及一种基于数据驱动的互频智能干预信号表示方法及系统。

背景技术

在非协作通信系统中，只有获得信号的调制方式才能对信号进行正确解调。涉及到的信号识别、目标识别等关键技术是非协作通信系统的必要组成部分，是截获敌方信号的有效手段，同时也是频谱检测的重要步骤，在无人机集群作战、电磁频谱感知以及无线电通信等军事和民用领域具有重要的理论意义和应用价值。随着通信技术的快速发展，电磁信号呈现出数量多、密度大、形式繁等特点，致使通信环境愈加复杂，难以获得有效的信号表示，限制了相关智能系统性能提升，主要体现在以下三个方面：一是辐射源信号的覆盖频率不断增加导致未知的信号种类和数量越来越多；二是随着通信技术水平的提高，大量复杂体制的设备开始出现，产生的电磁信号形式复杂，频率多变；三是通信设备的工作频段不断增宽、工作体制日益复杂会使得不同辐射源在频段和时域上互有重叠。传统信号表示方法通常遵循模式识别框架，主要包括数据预处理、特征提取、特征选择以及分类器设计等多个独立的处理模块，具体地：

⑴信号预处理。例如：数据滤波降噪、多径信号判别、载频估计、归一化和数据对齐等；

⑵特征提取和特征选择。例如：信号瞬时特征、稳态特征、变换域特征、特征优化、特征库建立与更新等；

⑶分类器设计方法。例如：多种适用于工程应用的分类器设计等；

然而，当使用传统方法先提取信号的特征，再利用SVM、ELM等经典识别算法进行识别时，相应的模型性能差异明显。主要原因是信号随时间变化过程隐藏了内隐信息，传统方法不能充分表示这种内隐特性，导致信号特征挖掘不够充分，使传统识别方法逐渐失去有效性。

近年来，计算机的运算能力大大增强，深度学习也随之快速发展。深度学习根据反向传播算法自动学习并调整神经网络中的权重和偏置，与传统基于模型的方法在解决问题的思路上有本质不同，因此可以自适应学习输入样本，实现底层到上层，具体到抽象的特征提取过程。此外，Transformer等深度学习技术具有较强的泛化能力，经过训练的深度网络模型可以适应复杂的通信环境，是有效表示信号的有力工具。

然而，深度学习方法自身并不具备从信号中显示挖掘内隐知识的能力，仅隐式挖掘得到的信号特征难以有效表征信号。

发明内容

本发明的目的在于提供了一种基于数据驱动的互频智能干预信号表示方法及系统，用以解决现有技术中存在的上述问题。

第一方面，本发明实施例提供了一种基于数据驱动的互频智能干预信号表示方法，，所述方法包括：

获得变频信号的时频特征；

提取出时频特征中的低频分量和高频分量；

通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理，得到高频输出分量和低频输出分量；