一种基于YOLOv5的复杂信号发现检测与分类方法

本发明涉及一种信号发现检测与分类方法，更具体一点说，涉及一种基于yolov5的复杂信号发现检测与分类方法，属于信号检测分类领域。

背景技术：

1、信号的发现检测最主要的目的是通过宽带频谱数据判断是否有信号存在。但伴随着无线通信技术的发展，电磁环境变得越来越复杂，各种类型的信号与噪声同时存在频谱中，对于接收机的信号检测技术提出了更大的挑战。对通信信号的检测是无线对抗过程中非常重要的一环，只有正确实现对信号的检测才能够继续完成后续的信号识别、参数估计、解调等步骤。

2、实际的应用场景中可能同时充斥着跳频、猝发以及定频等信号，不同的信号对应着不同的处理方式。传统的信号检测方法一般是基于通信信号的时域或频域数据信息，如能量检测方法，匹配滤波器方法，信号特征提取检测方法等。但传统的信号检测方法通常面临着低信噪比检测效果差，计算复杂度高耗时久或硬件要求高等缺陷。

3、深度学习模型可以自动的学习输入数据的特征，通过人工智能领域标记、训练的方式将人的经验转变为成果。在信号处理的领域当中，深度学习应用广泛，具备很好的潜能。但如今的深度学习模型在信号检测分类方面，大多是基于信号的iq来实现想要的效果，由于信号iq只能反应出信号在时域和幅度上的特征，并不能对信号的频率、带宽等信息进行检测。此外有些深度学习网络功能单一，只能对信号的有无进行检测或者只能完成信号的分类，但在实际的工程项目中，信号检测算法必须要获悉信号数量、频率、带宽、出现时间、截止时间等重要参数并且还需要对信号类型进行区分方便进行后续的数字下变频、识别解调等处理。因此，现有的技术方案存在缺陷，无法有效解决以上问题。

技术实现思路

1、为了解决上述现有技术问题，本发明提供具有能够在低信噪比环境下准确检测出信号的频率、带宽、出现时间、截止时间以及对定频信号、跳频信号、猝发信号进行分类等技术特点的一种基于yolov5的复杂信号发现检测与分类方法。

2、为了实现上述目的，本发明是通过以下技术方案实现的：

3、本发明一种基于yolov5的复杂信号发现检测与分类方法，该方法包括如下步骤：

4、步骤1)建立样本集：

5、使用信号源和采集设备在跳频信号、定频信号、猝发信号不同信噪比情况下进行宽带采集，得到信号iq后使用matlab将其转化为时频图像保存，计算得到宽带信号时频图；得到宽带信号的时频图后，对时频图中出现的三种信号进行框选标记，不同信噪比情况下，信号色块的清晰度以及与背景的对比度是不同的，需要对每个信号样本准确地标记，便得到了网络训练的样本集；

6、步骤2)：建立神经网络并训练：

7、在yolov5网络的接口对图片进行预处理归一化，并在yolov5网络的训练阶段对图像做三种处理，分别是mosaic数据增强、自适应锚框计算以及自适应图片缩放；yolo是一种运行速度非常快的目标检测ai模型，可以将视频分解为多幅图像实现对视频的实时检测效果；

8、步骤3：信号检测分类：

9、a)接收随机信号：通过信号接收机对无线通信信号进行宽带采集，得到信号的iq数据；信号接收机的接收为图像输入；

10、b)时频谱图生成：通过对iq信号做短时傅里叶变换得到信号的时频谱图；

11、c)深度学习：将图像输入训练结果，对信号有无进行检测，若无信号判定为噪声，若信号存在，进行下一步；

12、d)判定信号类型，判定的信号类型包括定频信号、猝发信号或跳频信号。

13、优选的，步骤a)中信号接收机的接收还包括视频输入，其使用方法为：将信号接收机的全景观测功能中瀑布图变化视频作为输入，对宽带频谱实时检测。

14、优选的，步骤1)中包括采集带宽设置、发射及采集中频设置，所述采集带宽设置为12mhz，发射及采集中频设置为300mhz。

15、优选的，步骤1)中时频图像的计算方法为：对信号iq数据做短时傅里叶变换，将stft结果拼接在一起并用颜色表示幅度得到了一张横轴为频率，纵轴为时间，颜色为幅度的时频图。

16、优选的，计算中选择窗长度为1200，拼接帧数为800帧。

17、优选的，步骤2)中yolov5网络的输入图像大小为640*640以适应不同像素大小的图片输入。

18、优选的，步骤1)中频率分辨率为10khz，时间分辨率为0.1ms，总时间长度为800ms。

19、有益效果：能够通过对网络的训练实现在低信噪比环境下准确检测出信号的频率、带宽、出现时间、截止时间以及对定频信号、跳频信号、猝发信号进行分类。

技术特征：

1.一种基于yolov5的复杂信号发现检测与分类方法，其特征在于该方法包括如下步骤：

2.根据权利要求1所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：步骤a)中信号接收机的接收还包括视频输入，其使用方法为：将信号接收机的全景观测功能中瀑布图变化视频作为输入，对宽带频谱实时检测。

3.根据权利要求1所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：步骤1)中包括采集带宽设置、发射及采集中频设置，所述采集带宽设置为12mhz，发射及采集中频设置为300mhz。

4.根据权利要求1所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：步骤1)中时频图像的计算方法为：对信号iq数据做短时傅里叶变换，将stft结果拼接在一起并用颜色表示幅度得到了一张横轴为频率，纵轴为时间，颜色为幅度的时频图。

5.根据权利要求4所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：计算中选择窗长度为1200，拼接帧数为800帧。

6.根据权利要求1所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：步骤2)中yolov5网络的输入图像大小为640*640以适应不同像素大小的图片输入。

7.根据权利要求1所述的一种基于yolov5的复杂信号发现检测与分类方法，其特征在于：步骤1)中频率分辨率为10khz，时间分辨率为0.1ms，总时间长度为800ms。

技术总结
本发明公开的是本发明一种基于YOLOv5的复杂信号发现检测与分类方法，包括建立样本集、建立神经网络并训练、信号检测分类，信号检测分类具体包括接收随机信号、时频谱图生成、深度学习、判定信号类型等步骤，本发明具有能够在低信噪比环境下准确检测出信号的频率、带宽、出现时间、截止时间以及对定频信号、跳频信号、猝发信号进行分类等技术特点。

技术研发人员：张一嘉,王泽群,时睿,王笙铭,徐璐
受保护的技术使用者：浙江理工大学
技术研发日：
技术公布日：2024/5/10