[发明专利]一种基于无线电波形数据输入的深度学习信号检测方法

权利要求书

1.一种基于无线电波形数据输入的深度学习信号检测方法，其特征在于，包括如下步骤：

步骤S10，对用于训练的无线电信号波形文件进行波形数据处理，得到多个训练波形文件以及表示了信号的强弱信息的样本标签，将这些训练波形文件和样本标签作为定制化数据集；

步骤S20，将定制化数据集输入深度学习一维卷积神经网络模型进行训练，待损失值收敛后停止训练，得到训练好的深度学习一维卷积神经网络模型；

步骤S30，对待预测的无线电信号波形文件进行波形数据处理，将得到的多个待预测波形文件作为待预测数据集；

步骤S40，将待预测数据集输入训练好的深度学习一维卷积神经网络模型进行预测得到特征向量，并将得到的特征向量进行特征处理后得到待预测的无线电信号的位置信息及强弱信息。

2.根据权利要求1所述的基于无线电波形数据输入的深度学习信号检测方法，其特征在于，步骤S10包括如下子步骤：

S11，对用于训练的无线电信号波形文件进行切分处理，得到切分后的多个训练波形文件；

S12，对训练波形文件进行短时傅立叶变换得到时频矩阵，再将时频矩阵映射到图片上生成信号语图；

S13，将信号语图中信号的强弱信息划分为若干个等级，并按照划分的等级对信号语图进行框选标注得到标记文件，并将标记文件进行特征映射得到样本标签；

S14，将训练波形文件和样本标签进行关联映射，制成定制化数据集。

3.根据权利要求2所述的基于无线电波形数据输入的深度学习信号检测方法，其特征在于，将训练波形文件或待预测波形文件输入深度学习一维卷积神经网络模型的处理过程为：

(1)对训练波形文件或待预测波形文件进行归一化并输入到深度学习一维卷积神经网络模型；

(2)使用64个卷积核将训练波形文件或待预测波形文件压缩到一维特征向量中并进行池化，得到第一特征矩阵；

(3)对第一特征矩阵使用四种尺度的卷积核进行特征提取并标准化，再对标准化结果进行叠加并池化，然后对池化结果使用256个卷积核进行特征提取，得到第二特征矩阵；

(4)对第二特征矩阵使用四种尺度的卷积核进行特征提取并标准化，再对标准化结果进行叠加并池化，然后对池化结果使用512个卷积核进行特征提取，得到第三特征矩阵；

(5)对第三特征矩阵使用四种尺度的卷积核进行特征提取并标准化，再对标准化结果进行叠加并池化，然后对池化结果使用1024个卷积核进行特征提取，得到第四特征矩阵；

(6)将第四特征矩阵进行平坦化并全连接到一组特征向量上并进行非线性处理。

4.根据权利要求3所述的基于无线电波形数据输入的深度学习信号检测方法，其特征在于，所述深度学习一维卷积神经网络模型输出的特征向量的长度与信号语图的长度相等。

5.根据权利要求2所述的基于深度学习双输入网络模型的无线电信号检测方法，其特征在于，每个所述训练波形文件的长度均相同。

6.根据权利要求5所述的基于深度学习双输入网络模型的无线电信号检测方法，其特征在于，每个所述待预测波形文件的长度均相同。

7.根据权利要求6所述的基于深度学习双输入网络模型的无线电信号检测方法，其特征在于，每个所述训练波形文件和待预测波形文件的长度均相同。

8.根据权利要求7所述的基于深度学习双输入网络模型的无线电信号检测方法，其特征在于，若有切分后的训练波形文件和/或待预测波形文件的长度不足则进行补0处理。