[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

说明书

本发明提供一种基于无线电波形数据输入的深度学习信号检测方法，包括：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，将多个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。本发明中即使信号语图中信号和噪声相似，依然能够有较好的检测结果。

技术领域

本发明涉及无线电信号检测技术领域，具体而言，涉及一种基于无线电波形数据输入的深度学习信号检测方法。

背景技术

无线电信号检测被广泛应用于军事、外交、交通等领域。人们对不同信号最直接的区分是通过信号在语图中的特征，而传统的无线电信号检测方法和通用的基于深度学习无线电检测方法都是对信号的语图进行特征提取或处理。虽然大部分情况下，通过语图能够对信号进行较好的特征提取，但是在原始信号转化为语图过程中会导致相位信息和部分幅值信息丢失，当在语图中噪声或干扰和信号类似，就难以对信号、噪声与干扰进行区分，往往在这种情况下，其波形更容易区分信号、噪声和干扰。

发明内容

本发明旨在提供一种基于无线电波形数据输入的深度学习信号检测方法，以解决传统的无线电信号检测方法和通用的基于深度学习无线电检测方法在语图中噪声或干扰和信号类似时难以对信号、噪声与干扰进行区分的问题。

本发明提供的一种基于无线电波形数据输入的深度学习信号检测方法，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。

进一步的，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。

进一步的，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；