[发明专利]强互干扰条件下无人机测控信号智能识别方法

权利要求书

1.一种强互干扰条件下无人机测控信号智能识别方法，其特征在于，利用无线电电子侦察设备和信号检测识别处理器来实现，无线电电子侦察设备与信号检测识别处理器通过网络连接；

所述无线电电子侦察设备用于对空间电磁波信号进行侦收，再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频，最终将接收信号转换成零中频的时域IQ数据；

所述信号检测识别处理器用于对接收信号进行采集和存储，再对其进行时频变换得到其时频图谱，对时频图谱进行取绝对值和归一化的预处理操作，再对预处理后的时频图谱进行基于深度学习的目标检测；信号检测识别处理器包括基于深度学习的目标检测模型；

所述的强互干扰条件下无人机测控信号智能识别方法，其具体步骤包括：

S1，信号检测识别处理器与无线电电子侦察设备进行连接，信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，无线电电子侦察设备对空间电磁波信号进行侦收；

所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，该信号侦收指令包括目标工作频段和天线增益参数，无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、A/D变换、数字下变频处理，最终将接收信号转换成零中频的时域IQ数据，并将该时域IQ数据发送至信号检测识别处理器；

S2，利用接收到的信号构建基于深度学习的目标检测模型的训练数据集，并对该基于深度学习的目标检测模型进行训练；

信号检测识别处理器对该时域IQ数据进行存储，再对其进行时频变换得到其时频图谱，时频变换过程表示为：

式中，x()表示该时域IQ数据，h()表示窗函数，N₁表示时频图谱的时间轴长度，T表示滑窗长度，L表示该时域IQ数据长度，K表示离散傅里叶变换长度，S(k,n)表示时频图谱在第n个时刻和第k个频点的取值；对计算得到的时频图谱取绝对值，获得能量时频谱

对该能量时频谱图进行归一化处理，得到预处理后的时频图谱数据

将该预处理后的时频谱数据进行标签标注，得到标注数据，所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型，信号类型包括无人机测控信号、WiFi信号、蓝牙信号和其他未知信号；

将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为M×N个格子，将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型，基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量，每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型；将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息，即信号带宽、中心载频、信号时长和信号起始位置，转换为标准标签格式数据，标准标签格式数据表示为[M₀,N₀,x,y,w,h,n_c,p]，其中，M₀、N₀分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号，x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标，w,h分别代表无人机测控信号的信号时长和信号带宽，p代表该格子内是否存在无人机测控信号，n_c表示该无人机测控信号所属类型；

利用梯度下降算法对该基于深度学习的目标检测模型进行训练，直至该基于深度学习的目标检测模型的损失函数达到收敛，完成第一阶段训练；再利用深度学习中通道剪枝算法，对主干网络进行压缩，得到压缩后的基于深度学习的目标检测模型；随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成对该基于深度学习的目标检测模型的整个训练过程；

S3，利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别；

信号检测识别处理器将预处理后的时频图谱数据输入到步骤S2得到的训练完毕的基于深度学习的目标检测模型，该目标检测模型对预处理后的时频图谱数据进行检测和识别，检测出其中的各个信号分量，并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果；

所述的利用深度学习中通道剪枝算法，对主干网络进行压缩，具体包括：

针对主干网络的每个隐藏层，按预定的通道筛选比例，利用LASSO回归算法构建优化函数，删除主干网络的每个隐藏层输入特征图的部分通道，并以最小误差重构该隐藏层的输出特征图，进而得到压缩的主干网络；所述的利用LASSO回归算法构建优化函数，该优化函数的表达式为：

subject to||β||₀≤c′

式中，β表示主干网络的隐藏层输入特征图的通道选择系数向量，N_z表示该隐藏层输入特征图的通道数，c′表示预定的筛选通道数，Z_i表示第i个通道的输入特征图，Y表示主干网络在剪枝前该隐藏层的输出特征图，|| ||_F表示弗洛贝尼乌斯范数，||||₁表示L1范数，|| ||₀表示L0范数；

对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝，得到压缩后的主干网络。