电磁信号检测与分类方法及装置

1.本发明涉及电磁信号采集和智能识别技术领域，尤其涉及一种电磁信号检测与分类方法及装置。


背景技术：

2.随着通信技术的快速发展，无线电磁信号种类多样、数量繁多，且无线信道时变性强，存在众多干扰因素，电磁环境复杂程度日益提升。在实际应用中，无线电磁信号呈现出弱能量、多类别等复杂特性，致使电磁信号检测与分类面临重大挑战。在此背景下，智能通信技术成为了无线通信领域发展的主流方向之一，其基本思想是突破传统通信系统中一成不变的信号处理架构，根据通信终端所处外部电磁环境的变化，实时动态重构通信系统信号参数，实现机器学习和无线通信技术的有效结合，从而提高资源利用率并达到通信抗干扰的目的。其中，无线通信信号检测与分类技术发挥关键作用，对于认知无线电、智能交通系统、电磁频谱监测和电子战等应用具有重要的研究价值。
3.电磁信号检测与分类技术是指在非协作通信中接收端未知或者只知道少量先验知识的情况下实现对接收信号存在性检测及信号类型分析的过程。在非合作通信场景下，接收机无法获取发送端信号类型、码率和带宽等先验信息，信号解调及后续处理依赖电磁信号检测与分类技术，该技术在整个通信过程中相辅相成，能够减少协议开销，实现信号解调及后续分析过程。随着日益复杂的无线电磁环境，传统电磁信号检测与分类方法性能下降严重。因此，亟需一种在复杂环境下具有较高抗干扰能力且识别准确率高的电磁信号检测与分类方法。


技术实现要素：

4.本发明提供一种电磁信号检测与分类方法及装置，用以解决上述问题。
5.本发明提供一种电磁信号检测与分类方法，包括：
6.获取待处理的电磁信号数据；
7.利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果；
8.其中，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络；
9.所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图；
10.所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果；
11.所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
12.根据本发明提供的一种电磁信号检测与分类方法，所述特征提取主干网络包括多
尺度高低频分组卷积层；
13.相应地，所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图，包括：
14.从所述待处理的电磁信号数据中获取混合分量特征图与低频分量特征图，分别作为上一时刻的混合分量特征图与上一时刻的低频分量特征图；
15.对所述上一时刻的混合分量特征图进行下采样得到下采样后的混合分量特征图；
16.对所述上一时刻的低频分量特征图进行上采样得到上采样后的低频分量特征图；
17.根据所述上一时刻的混合分量特征图以及所述上采样后的低频分量特征图获取当前时刻的混合分量特征图；
18.根据所述上一时刻的低频分量特征图以及所述下采样后的混合分量特征图获取当前时刻的低频分量特征图。
19.根据本发明提供的一种电磁信号检测与分类方法，所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果，包括；
20.对所述低频分量特征图进行掩码处理，以获得检测结果；
21.相应地，所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果，包括：
22.对所述混合分量特征图与所述检测结果进行hadamard乘积，以获得分类结果。
23.根据本发明提供的一种电磁信号检测与分类方法，所述获取待处理的电磁信号数据，包括：
24.获取初始电磁信号数据；
25.对所述初始电磁信号数据进行射频前端处理，以得到射频前端处理后的信号数据，所述射频前端处理至少包括增益调整、频谱搬移、低通滤波；
26.对所述射频前端处理后的信号数据进行数字采样，并根据采样信息对采样后的信号数据分割并保存，以获得待处理的电磁信号数据。
27.根据本发明提供的一种电磁信号检测与分类方法，在所述获取初始电磁信号数据之前，该方法还包括：
28.利用预设的信号生成方法实时生成初始电磁信号数据；
29.其中，所述信号生成方法至少包括二进制信源数据生成、信号调制及脉冲成形以及干扰因素添加。
30.根据本发明提供的一种电磁信号检测与分类方法，所述利用预设的信号生成方法实时生成初始电磁信号数据，包括：
31.获取字节形式的信息并对其进行串并转换，以获得二进制信源数据；
32.利用预设的数字调制方式对所述二进制信源数据进行调制，得到调制后的信源数据；
33.利用预设的脉冲成形方法对所述调制后的信源数据进行脉冲成形，得到脉冲成形后的信源数据；
34.为所述脉冲成形后的信源数据添加多个干扰因素，以获得初始电磁信号数据；其中，所述干扰因素至少包括热噪声、频率偏移、时钟偏移以及多径衰落。
35.根据本发明提供的一种电磁信号检测与分类方法，在所述利用预先训练好的信号
检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果之后，该方法还包括：
36.将所述待处理的电磁信号数据以及所述检测结果与分类结果展示在预先构建的可视化界面中。
37.本发明还提供一种电磁信号检测与分类装置，包括：
38.数据获取模块，用于获取待处理的电磁信号数据；
39.检测与分类模块，用于利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果；
40.其中，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络；
41.所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图；
42.所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果；
43.所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
44.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种电磁信号检测与分类方法。
45.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一种电磁信号检测与分类方法。
46.本发明提供的电磁信号检测与分类方法及装置，通过特征提取主干网络对待处理的电磁信号数据进行电磁信号特征提取，以获得多个空间频率的特征图谱，从而减少特征冗余并节约存储及计算资源。通过检测分支网络对待处理的电磁信号数据中的电磁信号区域进行定位，从而过滤噪声背景区域，减少噪声对于分类特征图的干扰。通过分类分支网络实现电磁信号的分类，最终实现电磁信号检测及分类功能。通过上述预先训练好的信号检测与分类模型对待处理的电磁信号数据进行自动检测与分类，针对干扰因素复杂、信号种类的待处理的电磁信号数据具有较高的分类准确性，整个检测与分类过程更加智能。
附图说明
47.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1是本发明实施例提供的电磁信号检测与分类方法的流程示意图之一；
49.图2是本发明实施例提供的电磁信号检测与分类方法的流程示意图之二；
50.图3是本发明实施例提供的信号检测与分类模型的结构示意图；
51.图4是本发明实施例提供的特征提取主干网络的结构示意图；
52.图5是本发明实施例提供的检测分支网络与分类分支网络的实现示意图；
53.图6是本发明实施例提供的待处理的电磁信号数据对应的波形示意图。
54.图7是本发明实施例提供的待处理的电磁信号数据对应的电磁信号星座图；
55.图8是本发明实施例提供的初始电磁信号数据对应的波形示意图；
56.图9是本发明实施例提供的电磁信号以及检测与分类结果可视化示意图；
57.图10为本发明实施例提供的电磁信号检测与分类装置结构示意图；
58.图11为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
59.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.当前，由于深度学习在计算机视觉、语音识别、自然语言处理、人机博弈等方面取得巨大成功，逐渐有学者将深度学习方法引入电磁领域，使得通信终端具有自我学习和重构的能力，应对干扰因素复杂、信号种类众多所带来的问题和挑战。
61.另外，为实现复杂背景噪声中电磁信号检测及分类，需对原始信号数据映射以泛化电磁信号及背景噪声差异，传统电磁特征提取基于模型驱动方法，不适用于背景噪声复杂的情况，本发明采用以数据驱动的深度神经网络提取信号特征，下面结合附图对本发明提供的电磁信号检测与分类方法及装置进行具体说明。
62.图1是本发明实施例提供的电磁信号检测与分类方法的流程示意图之一；图2是本发明实施例提供的电磁信号检测与分类方法的流程示意图之二。
63.如图1以及2所示，该电磁信号检测与分类方法，包括：
64.步骤101，获取待处理的电磁信号数据。
65.在本步骤中，通过常用的电磁信号接收装置(即接收端)接收原始电磁信号数据，该原始电磁信号数据为复杂场景下真实性强且信号种类丰富的电磁信号数据。并对原始电磁信号数据进行射频前端处理以及数据采集处理以获得待处理的电磁信号数据。
66.步骤102，利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果。
67.如图3所示，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络。
68.所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图。
69.所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果。
70.所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
71.在本步骤中，利用预先训练好的信号检测与分类模型对待处理的电磁信号数据进行检测与分类。其中，通过特征提取主干网络对待处理的电磁信号数据进行电磁信号特征提取，以获得多个空间频率的特征图谱，从而减少特征冗余并节约存储及计算资源。通过检测分支网络对待处理的电磁信号数据中的电磁信号区域进行定位，从而过滤噪声背景区
域，减少噪声对于分类特征图的干扰。通过分类分支网络实现电磁信号的分类，最终实现电磁信号检测及分类功能。
72.需要说明的是，训练好的信号检测与分类模型根据训练集以及对应的电磁信号标签预先训练得到。
73.本发明实施例提供的电磁信号检测与分类方法，通过特征提取主干网络对待处理的电磁信号数据进行电磁信号特征提取，以获得多个空间频率的特征图谱，从而减少特征冗余并节约存储及计算资源。通过检测分支网络对待处理的电磁信号数据中的电磁信号区域进行定位，从而过滤噪声背景区域，减少噪声对于分类特征图的干扰。通过分类分支网络实现电磁信号的分类，最终实现电磁信号检测及分类功能。通过上述预先训练好的信号检测与分类模型对待处理的电磁信号数据进行自动检测与分类，针对干扰因素复杂、信号种类的待处理的电磁信号数据具有较高的分类准确性，整个检测与分类过程更加智能。
74.图4是本发明实施例提供的特征提取主干网络的结构示意图；如图4所示，所述特征提取主干网络包括多尺度高低频分组卷积层。
75.相应地，所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图，包括：
76.从所述待处理的电磁信号数据中获取混合分量特征图与低频分量特征图，分别作为上一时刻的混合分量特征图与上一时刻的低频分量特征图。
77.对所述上一时刻的混合分量特征图进行下采样得到下采样后的混合分量特征图。
78.对所述上一时刻的低频分量特征图进行上采样得到上采样后的低频分量特征图。
79.根据所述上一时刻的混合分量特征图以及所述上采样后的低频分量特征图获取当前时刻的混合分量特征图。
80.根据所述上一时刻的低频分量特征图以及所述下采样后的混合分量特征图获取当前时刻的低频分量特征图。
81.具体地，特征提取主干网络为多尺度高低频分组卷积，该特征提取主干网络在卷积运算方面做了调整，从而降低内存和计算成本。将待处理的电磁信号数据对应的输入特征图分成了混合分量以及低频分量两组，在信号检测与分类模型的前向传播过程中，当前时刻的混合分量(即mixture frequency)所对应的特征图由上一时刻混合分量和上一时刻的低频分量特征图的上采样特征卷积结果叠加得到，当前时刻的低频分量(即low frequency)所对应的特征图由上一时刻的低频分量和上一时刻的混合分量特征图的下采样卷积结果叠加得到，实现了不同频率分量之间的更新和交互。
82.其中，多尺度高低频分组卷积的通道分配如下所示：
83.c＝ac+(1-a)c＝c1+c2,a∈[0,1]
[0084]
式中，c为卷积通道总数量，a为控制低频分量的通道比例，c1为低频分量通道数，c2为高频分量通道数。
[0085]
高低频分组卷积过程如下所示：
[0086][0087]
[0088]
式中，代表混合分量的第i个通道特征图，代表低频分量的第i个通道特征图，pooling代表下采样过程，upsample代表上采样过程。
[0089]
通过上述多尺度的高低频分组卷积计算得到的最终的当前时刻的混合分量特征图以及当前时刻的低频分量特征图，检测分支网络与分类分支网络基于最终的当前时刻的混合分量特征图以及当前时刻的低频分量特征图进行电磁信号的检测与分类。
[0090]
本发明实施例提供的电磁信号检测与分类方法，根据所述上一时刻的混合分量特征图以及所述上采样后的低频分量特征图获取当前时刻的混合分量特征图；根据所述上一时刻的低频分量特征图以及所述下采样后的混合分量特征图获取当前时刻的低频分量特征图，实现了不同频率分量之间的更新和交互。
[0091]
图5是本发明实施例提供的检测分支网络与分类分支网络的实现示意图；如图5所示，所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果，包括；
[0092]
对所述低频分量特征图进行掩码处理，以获得检测结果。
[0093]
相应地，所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果，包括：
[0094]
对所述混合分量特征图与所述检测结果进行hadamard乘积，以获得分类结果。
[0095]
在本实施例中，将电磁信号检测与分类合二为一，分为检测和分类两个支路网络，分别执行检测任务与分类任务。执行检测任务与分类任务的过程是基于mask机制的分类区域筛选架构实现，其基于多尺度高低频分组卷积得到混合分量以及低频分量两组特征图完成检测与分类。
[0096]
需要说明的是，相较于背景噪声，电磁信号的能量大多数集中在低频段，因此，使用低频特征图进行检测；而分类的过程使用信息更加丰富的混合分量特征图。
[0097]
在检测分支网络中构建了mask，该mask中的数值表示该时刻数据为电磁信号的概率。在分类分支网络中将检测任务的检测结果与分支网络中的混合分量特征图进行hadamard乘积，以得到分类结果(即classification)所对应的特征图以此来限制噪声位置特征图数值的大小。在检测分支网络的前向推断过程中，mask的计算如下所示：
[0098][0099]
式中，maski代表第i个mask，即电磁信号的目标性分数，该分数接近1则代表该时刻为电磁信号的概率越大，接近0则代表该时刻是背景噪声，fm
low
代表输出的低频分量特征图。
[0100]
分类分支网络的特征图计算如下所示：
[0101][0102]
式中，fm
mix
代表输出的混合分量特征图，
⊙
代表矩阵hadamard乘积。
[0103]
本发明实施例提供的电磁信号检测与分类方法，对所述低频分量特征图进行掩码处理，以获得检测结果；对所述混合分量特征图与所述检测结果进行hadamard乘积，以获得
分类结果，从而能够过滤噪声背景区域，减少噪声对于分类特征图的干扰，实现电磁信号检测及分类功能。
[0104]
进一步地，所述获取待处理的电磁信号数据，包括：
[0105]
获取初始电磁信号数据。
[0106]
对所述初始电磁信号数据进行射频前端处理，以得到射频前端处理后的信号数据，所述射频前端处理至少包括增益调整、频谱搬移、低通滤波。
[0107]
对所述射频前端处理后的信号数据进行数字采样，并根据采样信息对采样后的信号数据分割并保存，以获得待处理的电磁信号数据。
[0108]
具体地，通过常用的电磁信号接收装置初始电磁信号数据，该初始电磁信号数据由常用的电磁信号发送装置(即发送端)发送。
[0109]
在接收到初始电磁信号数据之后，通过射频前端电路将初始电磁信号下变频至中频，得到射频前端处理后的信号数据。其中，射频前端处理(也即变频处理)包括射频前端处理包括增益调整、频谱搬移、低通滤波等。
[0110]
对所述射频前端处理后的信号数据进行数字采样，数字采样后基于usrp source模块读取电磁信号数据流，usrp source模块的输出格式为complex，以满足i/q两路电磁信号传输需求。
[0111]
在本实施例中，通过自定义样本采样模块对数据流进行采样和分割，该自定义样本采样模块具有时钟同步功能，自定义参数包括样本采样点数、样本数量、文件保存位置等采样信息。
[0112]
另外，由于射频信号在较短时间即可采集大量信息，为减少资源使用，设置了样本采样间隔时间，采集的电磁信号数据以numpy格式进行保存，方便进行波形可视化及深度学习模型使用。
[0113]
通过上述的射频前端处理以及数字采样所得到的电磁信号数据流，再根据上述提到的样本采样点数、样本数量、文件保存位置和采样间隔时间等参数，将采集到的电磁信号数据分割并保存，为信号检测与分类模型以及电磁信号波形可视化提供输入，得到的待处理的电磁信号数据如图6所示，real与imag波形分别为同相和正交电磁信号，即i/q两路电磁信号。
[0114]
本发明实施例提供的电磁信号检测与分类方法，通过对无线电磁信号实时真实地采集，从而获得真实性强且信号种类丰富的电磁信号数据。
[0115]
进一步地，在所述获取初始电磁信号数据之前，该方法还包括：
[0116]
利用预设的信号生成方法实时生成初始电磁信号数据。
[0117]
其中，所述信号生成方法至少包括二进制信源数据生成、信号调制及脉冲成形以及干扰因素添加。
[0118]
利用预设的信号生成方法实时生成初始电磁信号数据具体包括：
[0119]
获取字节形式的信息并对其进行串并转换，以获得二进制信源数据。
[0120]
利用预设的数字调制方式对所述二进制信源数据进行调制，得到调制后的信源数据。
[0121]
利用预设的脉冲成形方法对所述调制后的信源数据进行脉冲成形，得到脉冲成形后的信源数据。
[0122]
为所述脉冲成形后的信源数据添加多个干扰因素，以获得初始电磁信号数据。
[0123]
其中，所述干扰因素至少包括热噪声、频率偏移、时钟偏移以及多径衰落。
[0124]
具体地，通过gnu radio软件完成二进制信源数据的生成，从莎士比亚的文学作品文本中提取到文字信息，对字节形式表示的文字信息进行串并转换，从而得到二进制信息流(即二进制信源数据)。
[0125]
通过自定义调制方式类对二进制信源数据进行调制，数字调制方式包括bpsk、qpsk、8psk、pam4、qam16、qam64、gfsk、cpgsk等，引入各类星座图(其在电磁信号接收装置中对应的星座图如图7所示)以减少代码冗余。并采用根升余弦滤波器实现脉冲成形得到基带信号。在脉冲成形过程中，通过设置奈奎斯特采样频率、滚降系数、能量增益、重采样滤波器数量等参数实现。
[0126]
为脉冲成形后的信源数据添加热噪声、频率偏移、时钟偏移和多径衰落等实际干扰因素。再通过usrp sink模块设置通信硬件参数，通信硬件参数包括中心频率、增益、天线选择等，以实时观察波形，如图8所示。
[0127]
本发明实施例提供的电磁信号检测与分类方法，通过对无线电磁信号实时真实地发送，使得电磁信号数据真实性强且信号种类丰富。
[0128]
进一步地，在所述利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果之后，该方法还包括：
[0129]
将所述待处理的电磁信号数据以及所述检测结果与分类结果展示在预先构建的可视化界面中，如图9所示，左侧部分为信号检测结果，其中，浅色部分为检测到的电磁信号，深色部分为噪声背景区域；右侧部分为基于已检测的电磁信号的分类结果，该分类结果包括ask信号、psk信号、qam信号以及am信号四大类。
[0130]
具体地，预先构建的可视化界面基于linux系统开发操作界面，采用python语言对系统各模块功能进行编写，通过qt gui实现人机交互界面设计而得到，通过可视化界面展示电磁信号波形数据及检测与分类结果。
[0131]
下面对本发明提供的电磁信号检测与分类装置进行描述，下文描述的电磁信号检测与分类装置与上文描述的电磁信号检测与分类方法可相互对应参照。
[0132]
图10为本发明实施例提供的电磁信号检测与分类装置结构示意图，如图10所示，一种电磁信号检测与分类装置，包括：
[0133]
数据获取模块1101，用于获取待处理的电磁信号数据。
[0134]
在本模块中，通过常用的电磁信号接收装置接收原始电磁信号数据，该原始电磁信号数据为复杂场景下真实性强且信号种类丰富的电磁信号数据。并对原始电磁信号数据进行射频前端处理以及数据采集处理以获得待处理的电磁信号数据。
[0135]
检测与分类模块1102，用于利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果。
[0136]
其中，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络；所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图；所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果；所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
[0137]
在本模块中，利用预先训练好的信号检测与分类模型对待处理的电磁信号数据进行检测与分类。其中，通过特征提取主干网络对待处理的电磁信号数据进行电磁信号特征提取，以获得多个空间频率的特征图谱，从而减少特征冗余并节约存储及计算资源。通过检测分支网络对待处理的电磁信号数据中的电磁信号区域进行定位，从而过滤噪声背景区域，减少噪声对于分类特征图的干扰。通过分类分支网络实现电磁信号的分类，最终实现电磁信号检测及分类功能。
[0138]
本发明实施例提供的电磁信号检测与分类装置，通过特征提取主干网络对待处理的电磁信号数据进行电磁信号特征提取，以获得多个空间频率的特征图谱，从而减少特征冗余并节约存储及计算资源。通过检测分支网络对待处理的电磁信号数据中的电磁信号区域进行定位，从而过滤噪声背景区域，减少噪声对于分类特征图的干扰。通过分类分支网络实现电磁信号的分类，最终实现电磁信号检测及分类功能。通过上述预先训练好的信号检测与分类模型对待处理的电磁信号数据进行自动检测与分类，针对干扰因素复杂、信号种类的待处理的电磁信号数据具有较高的分类准确性，整个检测与分类过程更加智能。
[0139]
图11为本发明实施例提供的一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1210、通信接口(communications interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行电磁信号检测与分类方法，所述电磁信号检测与分类方法，包括：获取待处理的电磁信号数据；利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果；其中，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络；所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图；所述检测分支网络基于所述低频分量特征图进行电磁信号检测，以获得检测结果；所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
[0140]
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述方法所提供的电磁信号检测与分类方法，所述电磁信号检测与分类方法，包括：获取待处理的电磁信号数据；利用预先训练好的信号检测与分类模型对所述待处理的电磁信号数据进行处理，得到检测结果与分类结果；其中，所述预先训练好的信号检测与分类模型包括特征提取主干网络、检测分支网络以及分类分支网络；所述特征提取主干网络对所述待处理的电磁信号数据进行特征提取，获得混合分量特征图以及低频分量特征图；所述检测分支网络基于所述低频分量特征图进行电
磁信号检测，以获得检测结果；所述分类分支网络基于所述混合分量特征图以及所述检测结果进行分类，以获得分类结果。
[0142]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0143]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
[0144]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。