一种基于深度学习的信号在线检测识别与分离方法

1.本发明涉及信号处理技术领域，特别是涉及一种基于深度学习的信号在线检测识别与分离方法。


背景技术：

2.随着当前环境中电磁信号样式的日益复杂，各国越来越来重视电子对抗领域中电磁信息获取的重要性，为此还不断研制出了众多的新型电子装备，进一步导致了电磁环境复杂度的上升。除此之外，由于各种民用电磁设备的增加，使得空间电磁信息的获取难度也进一步加大。由于我国在电子对抗领域的研究起步较晚，与发达国家仍然存在较大差距。因此，为了在新一轮电子对抗动态博弈过程中取得优势，增强我国的电子对抗能力，必须针对当前的复杂电磁环境研究智能对抗方法。这种对抗方法可以对当前的复杂电磁环境进行信号的智能检测识别与提取，同时在未来具备对信号的无监督学习能力。


技术实现要素：

3.本发明所要解决的技术问题是提供一种基于深度学习的信号在线检测识别与分离方法，能够实现对信号的在线检测识别与分离。
4.本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的信号在线检测识别与分离方法，包括以下步骤：
5.获取实时信号，并对所述实时信号进行预处理，得到实时信号的时域图、频域图和时频图；
6.将所述实时信号的时域图、频域图和时频图输入至基于深度神经网络的在线检测模型中，当所述实时信号存在目标信号时输出目标信号的类型；
7.根据所述目标信号的类型利用所述基于深度神经网络的在线检测模型进行信号分离。
8.所述基于深度神经网络的在线检测模型通过以下方式获得：
9.通过建立数学模型和添加噪声杂波的方式产生各种干扰场景下的信号数据；
10.对所述信号数据进行预处理，得到时域图、频域图和时频图，并对所述时域图、频域图和时频图中感兴趣的信号进行数据标注形成标注数据集和标签数据集，将所述标注数据集分别为训练数据集、测试数据集和验证数据集；
11.构建深度神经网络模型；
12.通过所述训练数据集对所述深度神经网络模型进行离线学习和在线检测识别与分离，使得所述深度神经网络模型能够对目标信号的类型进行检测、分离和识别；
13.采用所述验证数据集对训练好的所述深度神经网络模型进行验证和评估，并在通过验证和评估后将所述深度神经网络模型作为基于深度神经网络的在线检测模型。
14.所述构建深度神经网络模型时，采用的是卷积神经网络，输入为信号数据在时域、频域和时频域变换后的时域图、频域图和时频图。
15.所述基于深度神经网络的在线检测模型的损失函数l包括目标位置信息偏移量误差l
loc
，目标置信度损失l
conf
和目标分类误差l
cla
，计算公式为：l＝λ1l
conf
+λ2l
cla
+λ3l
loc
，其中，λ1、λ2和λ3为平衡系数；
16.所述目标置信度损失l
conf
采用二值交叉熵损失，表达式为：oi∈{0,1}表示预测的目标边界框i中是否真实存在目标，0表示不存在，1表示存在；表示预测的目标边界框i内是否存在目标的概率，预测值ci通过sigmoid函数得到；
17.所述目标分类误差l
cla
采用的是二值交叉熵损失，表达式为：o
ij
∈{0,1}表示预测的目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在；表示预测的目标边界框i内存在第j类目标的概率，预测值c
ij
通过sigmoid函数得到；
18.所述目标位置信息偏移量误差l
loc
采用的是真实偏差值与预测偏差值差的平方和，表达式为：表示预测的目标边界框i的坐标偏移量，表示与预测的目标边界框i匹配的真实框与默认框之间的坐标偏移量，为预测的目标边界框i参数，为默认框的参数，为与预测的目标边界框i匹配的真实框的参数。
19.所述采用所述验证数据集对训练好的所述深度神经网络模型进行验证和评估时，采用平均精度作为评估检测的模型精度，计算公式为：其中，map表示平均精度，n(classes)表示目标信号的类型总数，ap
jam
属于验证数据集中类别jam的目标平均精度，precision
jam
表示模型对类别jam的检测精度，n(truepositives)
jam
是正确检测到目标数量，n(totallobjects)
jam
是实际的目标数量，n(totallmages)
jam
表示类别jam的数量。
20.所述当所述实时信号存在目标信号时输出目标信号的类型时，还包括：
21.将目标最终准确度jam
pre
小于阈值的样本划分为未知信号类型，并通过聚类算法计算求解每个类的样本离类中心的距离之和最小化值，再按照聚类结果进行标记，并送入信号类型库存储。
22.所述根据所述目标信号的类型利用所述基于深度神经网络的在线检测模型进行信号分离具体为：
23.利用分数阶fourier变换算法进行参数估计，得到初步的估计参数；
24.根据检测到的目标信号的类型，结合所述初步的估计参数重建信号；
25.将源信号与重建信号变换到频域对干扰类型进行去除，并将结果再次送入基于深度神经网络的在线检测模型进行检测；
26.当再次检测的最终准确度jam
pre
超出设置的范围值时，再进行一次参数估计并再次重建信号，返回上一步，直至最终准确度jam
pre
在设置的范围值内。
27.有益效果
28.由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明可以在信号中检测识别出干扰包括：灵巧噪声干扰、噪声调频干扰、梳妆谱干扰、直接转发切片干扰、密集假目标干扰、速度波门拖引干扰、距离波门拖引干扰、速度距离波门联合拖引干扰；漏检干扰类型包括噪声调幅干扰、噪声调相干扰和间歇采样转发切片干扰，本发明根据最终的测试结果验证了其对信号的在线检测识别与分离能力。
附图说明
29.图1是本发明实施方式的流程图；
30.图2是本发明实施方式中网络检测设计原理图；
31.图3是本发明实施方式中基于深度学习模型的网络结构图；
32.图4是本发明实施例中的实时信号的时域图；
33.图5是本发明实施例中的实时信号的频域图；
34.图6是本发明实施例中的实时信号的时域图；
35.图7是本发明实施例中训练好的网络训练参数图；
36.图8是本发明实施例中训练好的网络的干扰识别混淆矩阵图；
37.图9是本发明实施例中无干扰样本检测结果图；
38.图10是本发明实施例中干扰识别结果图；
39.图11是本发明实施例中深度学习模型第一次在线检测识别与分离结果图；
40.图12是本发明实施例中深度学习模型第二次在线检测识别与分离结果图。
具体实施方式
41.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
42.本发明的实施方式涉及一种基于深度学习的信号在线检测识别与分离方法，如图1所示，包括以下步骤：获取实时信号，并对所述实时信号进行预处理，得到实时信号的时域
图、频域图和时频图；将所述实时信号的时域图、频域图和时频图输入至基于深度神经网络的在线检测模型中，当所述实时信号存在目标信号时输出目标信号的类型；根据所述目标信号的类型利用所述基于深度神经网络的在线检测模型进行信号分离。
43.为了实现对干扰信号的检测与识别，本实施方式首先对信号进行了预处理，即对信号分别在时域，频域和时频域进行变换，然后将预处理后的信号作为深度神经网络的输入来训练和检测模型。
44.为了能够检测出连续干扰信号中的干扰类型，可以使用基于维度聚类的方法来预测目标信号的位置，预测的位置关系如下：
[0045][0046]
其中，t
x
、ty、tw、th为网络预测每个边界框的4个坐标。c
x
，cy为单元格以图像的左上角为基准的偏移量，pw，ph为先验边界框的宽度和高度。图2展示了本实施方式中干扰预测识别网络的设计原理。
[0047]
本实施方式利用上述原理首先通过建立数学模型和添加噪声杂波的方式产生各种干扰场景下的信号数据，接着对所述信号数据进行预处理，得到时域图、频域图和时频图，并对所述时域图、频域图和时频图中感兴趣的信号进行数据标注形成标注数据集和标签数据集，将所述标注数据集分别为训练数据集、测试数据集和验证数据集；然后构建深度神经网络模型；之后通过所述训练数据集对所述深度神经网络模型进行离线学习和在线检测识别与分离，使得所述深度神经网络模型能够对目标信号的类型进行检测、分离和识别；最后采用所述验证数据集对训练好的所述深度神经网络模型进行验证和评估，并在通过验证和评估后将所述深度神经网络模型作为基于深度神经网络的在线检测模型。
[0048]
对训练样本进行训练之前，需要设计深度神经网络模型的损失函数，以此来确定目标定位位置的误差，目标置信度的误差和目标类别的误差，该部分也是本发明的重要部分。损失函数的计算主要分为三个部分：即目标位置信息偏移量误差l
loc
(l,g)，目标置信度损失l
conf
(o,c)和目标分类误差l
cla
(o,c)三部分，计算公式如下：
[0049]
l(o,o,c,c,l,g)＝λ1l
conf
(o,c)+λ2l
cla
(o,c)+λ3l
loc
(l,g)
[0050]
其中，λ1,λ2,λ3是平衡系数。为了能够预测目标矩形框预测目标矩形框内存在目标的概率，本实施方式的目标置信度损失l
conf
(o,c)采用的是二值交叉熵损失(binary cross entropy)，其表达式如下：
[0051][0052][0053]
式中，oi∈{0,1}表示预测的目标边界框i中是否真实存在目标，0表示不存在，1表示存在；表示预测的目标边界框i内是否存在目标的概率，预测值ci通过sigmoid函数得到。其次，为了能够预测目标信号的类型，需要设计目标类别损失函数，本实施方式的目标分类误差l
cla
(o,c)同样也是采用的是二值交叉熵损失，采用该方法能够将同一目标同时归
为多个类别，例如密集假目标干扰可以认为是欺骗干扰，同时也可以作为压制型干扰，方便适应更加复杂的场景，其表达式如下：
[0054][0055][0056]
式中，o
ij
∈{0,1}表示预测的目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在；表示预测的目标边界框i内存在第j类目标的概率，预测值c
ij
通过sigmoid函数得到。
[0057]
本实施方式为了能够在大量连续的电磁信号中定位出干扰信号、正常信号以及其他类型信号的位置，需要设计目标位置信息偏移量误差l
loc
(l,g)，本实施方式的目标位置信息偏移量误差采用的是真实偏差值与预测偏差值差的平方和，计算过程中网络预测的是位置偏移量，而不是直接预测坐标，具体的计算公式如下：
[0058][0059][0060]
其中，表示预测的目标边界框i的坐标偏移量，表示与预测的目标边界框i匹配的真实框与默认框之间的坐标偏移量，为预测的目标边界框i参数，为默认框的参数，为与预测的目标边界框i匹配的真实框的参数。本实施方式中深度神经网络模型采用卷积神经网络，其结构如图3所示。
[0061]
在完成上述的数据准备、模型设计和模型训练之后，需要对模型进行性能参数评估。本实施方式中，采用平均精度(map)作为评估干扰检测的模型精度，首先判断检测的类型是否正确，在本实施方式中，模型对类别jam的检测精度计算公式为：
[0062][0063]
其中，n(truepositives)
jam
是正确检测到目标数量，n(totallobjects)
jam
是实际的目标数量。在验证集中的属于类别jam的目标平均精度(ap)如下：
[0064][0065]
其中，n(totallmages)
jam
表示类别jam的数量。
[0066]
由于本实施方式中一共有多种不同类型的干扰，因此需要对各种类别的检测识别精度进行度量，本实施方式的map计算公式如下：
[0067][0068]
其中，n(classes)表示干扰信号的类型总数。
[0069]
当在线数据到来后，首先将会通过基于深度神经网络的在线检测模型检测实时信号中是否含有干扰信号，如果基于深度神经网络的在线检测模型只检测到了正常的回波样本信号，则认为是无干扰信号；反之，则会检测出干扰信号的类型，在这一步中将会根据目标最终准确度jam
pre
的大小，将准确度jam
pre
较小的样本划分为未知信号类型，通过聚类算法计算求解每个类的样本离类中心的距离之和最小化值，按照聚类结果标记为(unknown1…i…
unknownn)，并送入信号类型库存储，对于检测到准确度jam
pre
较大的干扰信号则继续进行下一步的信号分离。其中，准确度jam
pre
和聚类的计算公式如下：
[0070][0071]
其中，(m,n)分别是干扰的类型号和对应类型样本数，k为类型数，x为样本向量，um为类中心向量，sm为第m个类的样本集合。
[0072]
完成上述判断后，首先利用分数阶fourier变换算法进行第一步的参数估计，得到初步的估计参数；随后，根据检测到的信号类型，结合估计参数重建信号；将源信号与重建信号变换到频域对干扰类型进行去除，并将结果再次送入基于深度神经网络的在线检测模型进行检测并再次判断准确度jam
pre
的值，当准确度jam
pre
值大于设置的范围值时，会在第一次估计参数的基础上再进行一次参数估计并重复上述步骤，其中，参数估计的计算公式如下：
[0073][0074]
其中，p
est
(m,k)为估计的参数值，|δσ|为每次估计参数的增量绝对值，直到准确度jam
pre
的值小于设定的精度要求范围后停止，并返回干扰类型以及对应的估计参数。
[0075]
本实施方式在进行信号检测识别的任务过程中，会产生一些未知的信号类型，将未知信号样本利用聚类算法聚类后存储在信号类型库中；当再次出现相同类型的信号时，模型会将其归类为同一种未知信号，并进一步丰富信号类型库中的信号样本。
[0076]
基于上述实施方式的方法，可以构建一种新的电磁混合信号检测和识别模型。通过仿真产生各种不同的ld和干扰信号模拟实战场景中的复杂电磁环境，并利用构建的人工智能信号检测识别算法对测试信号进行检测，验证了基于深度学习的干扰信号检测提取方法的性能，根据所列参数首先产生信号，并进行预处理，预处理后的数据如图4、图5、图6所示。将样本标注分类后，送入深度学习网络中进行训练和在线检测识别，可以得到结果如图7、图8、图9和图10。在训练好网络以后，对新的样本进行在线检测识别与分离，验证模型的性能。将新的信号样本送入深度学习模型中进行第一次检测，结果如图11。
[0077]
根据上述结果对已经识别出的干扰进行参数估计，并根据估计的参数和干扰类型
恢复干扰信号，利用自适应算法消除干扰并再次送入深度学习模型中进行检测识别，得到第二次检测结果(见图12)。
[0078]
重复上述步骤，最终在信号中检测识别出干扰包括：灵巧噪声干扰、噪声调频干扰、梳妆谱干扰、直接转发切片干扰、密集假目标干扰、速度波门拖引干扰、距离波门拖引干扰、速度距离波门联合拖引干扰；漏检干扰类型包括噪声调幅干扰、噪声调相干扰和间歇采样转发切片干扰，根据最终的测试结果验证了其对信号的在线检测识别与分离能力。