[发明专利]一种基于图像分割的跳频信号参数计算方法

说明书

本发明公开了一种基于图像分割的跳频信号参数计算方法。本发明使用了基于深度学习的图像分割方式直接对信号频谱图进行特征提取，使用大量含有跳频信号的随机样本进行学习，抗噪声能力强，在有干扰的情况下也能进行有效的特征提取，对弱信号也有很好的效果。本发明使用深度学习方法去噪和抗干扰，并使用跳频先验知识进行处理补充，抗噪和抗干扰处理时间在各种复杂情况下都能控制在1秒以内。

技术领域

本发明涉及信号计算技术领域，具体涉及一种基于图像分割的跳频信号参数计算方法。

背景技术

无线电通信自发明以来已经在众多领域都发挥着重要的作用，现在已经和人类社会密不可分，越来越多的科技人员投入到无线电通信技术的研发和优化当中。因为无线电自身的特性，在传输过程中会受到天气、障碍物、电磁场等因素的影响，使得信号在传输时出现衰减或干扰。这些因素会严重影响信号检测的效果。在传统无线电信号跳频检测中，技术人员通常需要人工确认该频段是否存在跳频信号，并使用传统的信号分析方法确认信号的频率集、跳频图案等信息，这种方式实时性不高，且在信号较弱、存在干扰或噪声较强情况下，会出现参数估计不准的情况。

近些年深度学习技术在图像方面发展成熟，也被应用到越来越多的行业当中，取得了很好的效果。将深度学习技术和无线电信号检测结合起来已经成为了一种趋势，但跳频信号自身具有一定的先验规则，如单跳时长相等、周期性等特征，通用的深度学习信号检测算法如果直接用于无线电跳频信号的检测，会因误检、残缺等情况直接导致与先验规则相冲突，所以我们需要利用深度学习具有较强的特征提取能力，并与信号自身特性相结合，更加合理有效的计算信号参数。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于图像分割的跳频信号参数计算方法解决了参数估计不准的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于图像分割的跳频信号参数计算方法，包括以下步骤：

S1、获取N个跳频信号，并记录保存跳频信号的频率、开始时间和结束时间；

S2、对生成的跳频信号IQ数据进行傅里叶变换，得到信号频谱图，将跳频信号的频率、开始时间和结束时间进行映射计算，得到跳频信号在频谱图中的位置信息；

S3、构建与频谱图同高同宽的二维特征矩阵，根据跳频信号在频谱图中的位置信息对特征矩阵中的相同位置赋1，其他位置赋0，并存储特征矩阵；

S4、对频谱图和与其对应的特征矩阵进行均匀切片处理，得到频谱图样本与其对应的特征矩阵样本，并制作成数据集；

S5、使用深度学习图像分割模型训练数据集，模型收敛后，得到深度学习图像分割权重文件；

S6、对预测信号IQ数据进行傅里叶变换，得到预测信号频谱图，并进行均匀切片处理，得到M个信号频谱图样本；

S7、使用深度学习图像分割模型和训练好的权重文件，对M个信号频谱图样本进行预测，得到M个二维特征矩阵；

S8、对M个二维特征矩阵按照切分顺序进行拼接得到信号频谱图特征矩阵，并将该矩阵中数值大于0.5的置1，小于0.5的置0；

S9、将信号频谱图特征矩阵中值为1的位置对应的预测信号视为跳频信号，对信号频谱图特征矩阵中的每行进行时间连续性分析，得到线状信号，并对线状信号进行频率连续性分析，得到矩形信号；

S10、对所有得到的矩形信号进行周期性分析，得到跳频信号的跳频图案；

S11、通过跳频图案中信号在信号频谱图特征矩阵中的位置信息，进行频率和时间映射计算，得到跳频图案参数信息。

进一步地：所述均匀切片处理为：每份切片长度为512，当切片长度不足512时进行补零处理。

进一步地：所述时间连续性分析的具体步骤为：