一种基于波形网络的信号增强方法、目标识别方法及系统与流程

1.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：

2.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。
3.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。
4.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。
5.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。
6.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。


技术实现要素：

7.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
8.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：
9.步骤1、接收到ads-b射频信号后，进行预处理；
10.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；
11.步骤3、将波形网络结构中各层输出的信息进行连接；
12.步骤4、对连接后的信息进行两次卷积操作完成信号增强。
13.进一步的，所述步骤1中，预处理包括采用rtl-sdr获取ads-b射频信号的iq信号值，并将iq信号值转换为一维数据，同时采用解码算法对数据进行解码，然后再对该条信号所属的飞机类型进行标注。
14.进一步的，所述波形网络结构采用非因果扩展卷积和残差网络实现。
15.进一步的，所述残差网络的计算方法为：
16.f(x)＝h(x)+x
17.其中，x表示网络层的输入，f(x)是网络层的输出，h(.)表示一系列非线性变换，采用门控单元与卷积实现，其中，门控单元为：
18.z
t'
＝tanh(wf*x
t
)
⊙
σ(wg*x
t
)
19.其中，*和
⊙
分别表示卷积操作和对应元素逐个相乘，f,t,t'和g分别表示滤波器、输入时间、输出时间和门控，wf和wg为卷积滤波器。
20.本发明还提供了一种基于上述基于波形网络信号增强方法的目标识别方法，在获得信号增强后的ads-b信号基础上实现，包括：
21.步骤5、将增强后的ads-b信号转换为contour stellar图；
22.步骤6、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；
23.其中，目标识别模型通过标注飞机类型的数据进行训练。
24.进一步的，步骤5包括以下子步骤：
25.步骤5.1、将增强后的ads-b信号转换为星群图形式；
26.步骤5.2、根据星群图中每个点的归一化密度对星群图着色，得到contour stellar图。
27.进一步的，归一化密度计算方法为：
[0028][0029]
其中，ρ(m)为第m个点的归一化密度，h(m)是第m个点的水平轴的值，v(m)是第m个点的垂直轴的值，n是总点数，r是选定的矩形区域的一半的长度；对于函数g，其表达式为
[0030]
进一步的，所述星群图的转换方法为：
[0031][0032]
其中，u0和v0是左上角坐标，u1和v1是右下角坐标，x0和y0是密度窗口函数的左上角坐标，x1和y1是密度窗口函数的右下角坐标。
[0033]
本发明还提出了一种信号增强及目标识别系统，包括：
[0034]
天线，接收ads-b射频信号；
[0035]
预处理模块，获取ads-b射频信号的iq信号值，并将iq信号值转换为一维数据；以及采用解码算法对数据进行解码，然后再对该条信号所属的飞机类型进行标注。
[0036]
信号增强模块，由波形网络结构以及卷积模块组成，用于对一维的ads-b信号增强；
[0037]
目标识别模块，用于将增强的ads-b信号转换为contour stellar图，并通过利用多层感知机构建的目标识别模型进行目标识别；其中，目标识别模型由标注飞机类型的数据训练而成。
[0038]
与现有技术相比，采用上述技术方案的有益效果为：本发明提出的方案能够对低信噪比的ads-b信号进行增强，再对增强后的信号完成目标识别；即能够对低信噪比的信号完成目标识别。
附图说明
[0039]
图1为本发明提出的信号增强及目标识别系统示意图。
[0040]
图2为本发明提出的目标识别方法及系统流程图。
[0041]
图3为本发明一实施例中因果扩张卷积原理图。
[0042]
图4为本发明一实施例中非因果扩张卷积原理图。
[0043]
图5为本发明一实施例中纯净信号和加入高斯白噪声信号对比。
具体实施方式
[0044]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。相反，本技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
[0045]
实施例1
[0046]
如图2所示，本实施例提出了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：
[0047]
步骤1、接收到ads-b射频信号后，进行预处理；
[0048]
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；
[0049]
步骤3、将波形网络结构中各层输出的信息进行连接；
[0050]
步骤4、对连接后的信息进行两次卷积操作完成信号增强，即信号降噪。
[0051]
具体的，在步骤1中，预处理为：采用rtl-sdr获取ads-b射频信号的iq信号值，并将iq信号值转换为一维数据，同时采用解码算法对数据进行解码，然后再对该条信号所属的飞机类型进行标注，用于后续目标识别模型的训练。
[0052]
具体的，波形网络结构为wavenet，其为一种自回归模型，给定t时刻之前的历史数据x＝{x1,x2,......,x
t-1
}，可以预测t时刻的输出x
t
。它将一个序列分解为条件概率的形式，在给定参数θ下，这可以通过最大似然函数来实现：
[0053][0054][0055]
wavenet主要包括了以下几个部分，即因果扩张卷积和残差网络。因果卷积指的是在生成t时刻的元素时，只能使用0到t-1时刻的元素值，输出只与当前和历史的输入有关，和未来的输入没有关系，因果卷积的每一步的操作都是卷积操作：
[0056][0057]
其中，x、y表示当前卷积层的输入输出，wk、bk表示第k个卷即核的权重和偏置，l0、w0、h0表示卷积核的长宽高，s、p表示卷积核的步长和填充参数，f表示激活函数。
[0058]
由于因果卷积需要增加许多层来考虑之前的变量，所以有可能导致例如梯度消失和拟合差的问题，所以出现了因果扩张卷积，如图3所示：因果扩张卷积和因果卷积的差异在于因果扩张卷积改变了扩张因子的大小，而因果卷积每一层的扩张因子都是1。
[0059]
在信号增强去噪领域，当前预测点之后的未来数据也可以来帮助作出更充分的预测，基于在本实施例中，消除了其因果性质，引入了非因果扩张卷积结构，如图4所示，将未来数据也参与到当前点的增强去噪过程中，即同时向前扩张和向后扩张。
[0060]
即在本实施例中，采用非因果扩展卷积与残差网络来实现波形网络结构，其中，残差网络用于解决多层网络的反向传播问题。残差网络的计算如下：
[0061]
f(x)＝h(x)+x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0062]
其中，x表示网络层的输入，f(x)是网络层的输出，h(.)表示一系列非线性变换，在本实施例中主要使用的是门控单元加上卷积的方式，门控单元如下所示：
[0063]zt'
＝tanh(wf*x
t
)
⊙
σ(wg*x
t
)
ꢀꢀꢀꢀꢀ
(5)
[0064]
其中*和
⊙
分别表示卷积操作和对应元素逐个相乘，f,t,t'和g分别表示滤波器、输入时间、输出时间和门控，wf和wg都是卷积滤波器。
[0065]
实施例2
[0066]
在实施例1的基础上，本实施例提出了在获得信号增强后的ads-b信号基础上实现，如图2所示，包括以下过程：
[0067]
步骤5、将增强后的ads-b信号转换为contour stellar图；
[0068]
步骤6、将contour stellar图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。
[0069]
其中，步骤5分为以下子步骤：
[0070]
步骤5.1、将增强后的ads-b信号转换为星群图形式；
[0071]
步骤5.2、根据星群图中每个点的归一化密度对星群图着色，得到contour stellar图。
[0072]
在本实施例中，提出了相应的归一化密度的计算方法：
[0073][0074]
其中，ρ(m)为第m个点的归一化密度，h(m)是第m个点的水平轴的值，v(m)是第m个点的垂直轴的值，n是总点数，r是选定的矩形区域的一半的长度；对于函数g，其表达式为
[0075][0076]
在得到每个点的归一化密度之后，就可以对星群图进行着色。其中，星群图的转换方法为：
[0077][0078]
其中，u0和v0是左上角坐标，u1和v1是右下角坐标，x0和y0是密度窗口函数的左上角坐标，x1和y1是密度窗口函数的右下角坐标。
[0079]
在得到contour stellar图之后，将其送入一个多层感知机(muti-layer perception,mlp)进行飞机的目标识别任务。利用多层感知机原理构建的目标识别模型，通过contour stellar完成目标识别。其中，目标识别模型由预处理过程中标注有飞机类型的数据训练而成。
[0080]
其中，多层感知机是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量，其包括三层，分别是输入层、隐层和输出层。输入层从外部世界提供信息，在输入层中，不存在任何的计算，仅仅只是向隐藏层传递信息而已；隐藏层和外部世界没有直接的联系，主要进行节点间的运算；输出层主要负责向外部世界传递信息。需要注意的是，输入层和输出层只有一个，但是隐藏层可以有多个，且mlp神经网络不同层之间是全连接的，即上一层的任何一个神经元与下一层的所有神经元都有连接。
[0081]
本实施例还提出相应的验证过程，
[0082]
假定通过rtl-sdr收集到的ads-b是纯净的信号，在纯净的ads-b信号上，加入不同信噪比的高斯白噪声，信噪比公式如下所示：
[0083]ssignal
＝10*log
10
(s/n)
ꢀꢀꢀ
(9)
[0084]
上式中的s为ads-b的信号功率，n为噪声功率。信噪比为ads-b信号功率s和噪声功
率n的比值，代表了信号的质量或者信号纯度。
[0085]
将加入了26db的高斯白噪声的ads-b信号作为我们模型的输入，以此来检测模型的信号增强功能以及其目标识别的能力，如图5所示，图5(a)是纯净的ads-b信号，图5(b)是加入了高斯白噪声的信号。
[0086]
将加入了26db的高斯白噪声且标签为0、1、2、3、4的5架飞机的ads-b信号共5000条数据作为一次实验的数据集，其中70％为训练集，30％为测试集。
[0087]
实验一方面将增强后的ads-b信号输入到本发明的利用多层感知机构建的目标识别模型中，另一方面将不进行数据增强的信号输入到本发明的利用多层感知机构建的目标识别模型中，对比目标检测模型性能，通过加入高斯白噪声，设置snr分别为21,23,25,27和29db，实验结果如表1所示。
[0088]
表1
[0089][0090]
可以看到，进行信号增强后的eastr明显高于未进行信号增强的情况。
[0091]
实施例3
[0092]
如图1所示，本实施例还提出了一种信号增强及目标识别系统，包括：
[0093]
天线，接收ads-b射频信号；
[0094]
预处理模块，获取ads-b射频信号的iq信号值，并将iq信号值转换为一维数据；以及采用解码算法对数据进行解码，然后再对该条信号所属的飞机类型进行标注；
[0095]
信号增强模块，由波形网络结构以及卷积模块组成，用于对一维的ads-b信号增强；
[0096]
目标识别模块，用于将增强的ads-b信号转换为contour stellar图，并通过利用多层感知机构建的目标识别模型进行目标识别；其中，目标识别模型由标注飞机类型的数据训练而成。
[0097]
通过信号增强及目标识别系统能够直接完成对低信噪比的ads-b的信号完成信号增强与目标识别。
[0098]
需要说明的是，在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义；实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0099]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述
实施例进行变化、修改、替换和变型。