一种基于深度学习的微弱信号检测方法、系统、设备及介质

本发明属于无线通信信号盲测，尤其涉及一种基于深度学习的微弱信号检测方法、系统、设备及介质。

背景技术：

1、在民用方面，随着软件无线电和认知无线电的兴起，无线通信技术得到了迅速的发展和广泛的应用，随之而来的是频谱资源的紧缺和日益复杂的电磁环境。未授权的非法设备随意占用频谱资源，导致公共广播、电视等设备受到影响，因此亟需增加对无线电频谱资源的监测。频谱资源监测就是使用接收机长时间的侦测无线电信号，通过信号盲检测技术得到各频段的活动情况，进而识别出非法信号，对其实施屏蔽、打击等措施，保障授权的合法设备安全使用频谱资源。在实际场景中，由于非法设备的发射功率和覆盖范围较小，以及路径传播带来的损耗，使得监测设备接收到的非法信号都很微弱。

2、在军事方面，电子战已经成为影响战场制胜的关键因素，掌握电磁频谱信息是掌握情报的前提，对战场决策起到不可忽略的作用。随着战争形态的演变、作战环境的变化和新型技术的发展，电磁频谱从战场信息获取、传输的重要载体，逐渐演变成与陆、海、空、天、网并列的第六作战维度。较于其他维度的威胁，电磁威胁具有高动态性，因此，对电子侦察的准确性和及时性有更高的要求。电子侦察就是侦擦方使用电子设备监听敌方电子设备的活动，通过收集处理敌方的电磁波，从而获得敌方的电磁信息。对收集到的电磁波首要进行的就是信号盲检测，接着进行信号处理得到信号的特征参数，最后根据特征参数推断其用途及威胁程度。在实际场景中，由于使用低截获概率技术以及信号传播过程中多径效应的干扰，使得接收到的有用信号十分微弱。

3、在协作通信系统中，接收端预先获得发射端的信号参数信息，收发双方信息交换较为简单。而在实际应用场景中，无论是民用方面对非法设备的监测，还是军事方面对敌方电子设备的监听，接收端无法获得发射端的先验信息，是非协作通信过程。因此，需要对接收信号做盲处理，首要的便是信号检测，及时可靠地判断是否存在感兴趣信息，若存在，则得到其在时域和频域两个维度的信息，为后续信号处理与分析的提供必要前提。

4、现有的传统的通信信号检测算法通常基于信号的特征参数，通过判断其是否位于合理取值范围区间内，从而判断信号存在与否，主要包括能量检测法、相关检测法以及循环平稳检测法。

5、能量检测法的核心思想在于，当信号存在时，计算得到的信号能量大于纯噪声的情况，通过设置适当的能量门限来判断信号是否存在。此方法的关键在于选取合适的能量门限，在噪声基底比较平稳的时候，可以很容易确定门限值，而当噪声起伏波动较大时，很难确定门限值。并且只能得到信号在时域或频域单一维度的信息，无法同时获得两个维度的信息。

6、相关检测法的核心原理是利用信号和噪声具有不同的相关性实现检测。非协作条件下，待测信号与其自身自相关抑制噪声的性能较差，且在低信噪比条件下，对信号的改善情况有限。并且只用来判断信号是否存在，不能确定信号出现时间以及其频率带宽。

7、循环平稳检测法的核心理论是利用信号的循环平稳特性将其与噪声区分开来。一般具有较高的计算复杂度，计算成本较高。并且只用来判断信号是否存在，不能确定信号出现时间以及其频率带宽。

8、现有的微弱信号检测算法中：高阶谱分析计算量较大不适用于实时性要求高的场景；混沌理论需要已知待测周期信号的频率，不适用于盲检测的场景；随机共振机共振的绝热近似理论对待测信号的频率、幅值以及输入噪声的强度有较严格的限制，要求这些数值都必须小，不适用于高频通信信号的盲检测场景；部分深度学习网络以信号的时域数据或特征参数为输入，虽取得较好的检测性能，但无法得到信号在时域和频域两个维度的信息，对后续信号处理增加困难。

9、综上，现有技术存在以下问题：

10、在高信噪比条件下检测性能较好的传统检测算法在低信噪比条件下性能恶化；

11、低信噪比条件下取得较好的检测性能的方法往往需要先验信息，并且计算量大、实时性差；

12、现有技术通常只能判断信号是否存在性或是得到信号在时间或频域维度的信息，无法同时获得时域和频域两个维度的信息。

技术实现思路

1、为了克服上述现有技术的不足，本发明的目的在于提供一种基于深度学习的微弱信号检测方法、系统、设备及介质，实现对强噪声背景下小信号及时可靠地检测；采用信号时频变换、低光照图像增强算法与深度学习目标检测网络相结合的方式，以增强后的信号时频变换矩阵为输入，构建微弱信号检测网络，网络训练完成后，无需先验信息，实现对微弱信号及时可靠地检测，并可获得信号在时域和频域两个维度信息。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于深度学习的微弱信号检测方法，具体包括以下步骤：

4、步骤一，构建微弱信号时频矩阵数据集：通过信号时频变换和时频信息标注得到微弱信号时频矩阵数据集；

5、步骤二，时频矩阵预处理：通过时频矩阵增强、时频矩阵切割得到增强后的时频矩阵数据集；

6、步骤三，构建深度学习信号检测网络并训练：通过将增强后的时频矩阵数据集输入检测网络进行训练，通过dfl、ciou loss和bce相结合的损失函数优化网络参数，得到训练好的检测网络；

7、步骤四，利用训练好的网络对微弱信号进行检测：通过将待测微弱信号的时频矩阵输入检测网络，完成信号存在性判断的同时，得到信号的时频信息。

8、所述步骤一的具体方法为：

9、1.1)微弱信号时频变换；

10、通过谱图变换得到微弱信号的时频矩阵数据集，计算方式如下：

11、

12、式中，h(n)表示窗函数，n表示离散窗函数的长度；

13、1.2)时频矩阵信息标注

14、时频矩阵的标注信息用检测框的左下角坐标(xl,yd)和右上角坐标(xr,yu)表示为(xl,yd,xr,yu)；通过对已知开始时间tstart、截止时间tend、载波频率fc和带宽b参数的信号在变换为时频矩阵的转化关系的分析，得到其余部分和先验参数的转换公式，如下所示；

15、

16、其中，fs为信号的采样频率，nfft为信号谱图变换的点数，part_len为时频变换中的窗函数长度；通过上式，在仿真得到微弱信号的时域数据的同时，自动生成时频矩阵的标注信息文件。

17、所述步骤二的具体方法为：

18、2.1)时频矩阵增强

19、采用图像增强领域中的均值滤波和伽马变换相结合的方式增强时频矩阵；首先，对步骤一中的微弱信号的时频矩阵进行均值平滑操作减小微弱信号的时频矩阵中数据的高波动性，计算过程如下所示：

20、

21、其中，m和n分别为的空间滤波器大小，一般情况下，m、n、a和b均为奇整数，并且a＝(m-1)/2，b＝(n-1)/2；

22、然后，对均值平滑后的时频矩阵进行归一化，公式如下所示：

23、

24、其中，tfrn和tfrm分别表示归一化和均值平滑后的时频矩阵，tfrn的数值范围在[0,1]区间内；

25、最后，对归一化时频矩阵中的数值进行幂次方的非线性操作来实现增大信号部分数值，相对压缩噪声部分数值，计算过程如下所示：

26、tfre(x,y)＝tfrn(x,y)γ

27、其中，tfre和tfrn分别表示增强和归一化后的时频矩阵，γ为大于1的整数；

28、2.2)时频矩阵切割

29、按照检测网络要求的输入长宽尺寸wi×hi，对应于时频矩阵的列数和行数；将长宽尺寸为we×he的经步骤二第2.1)步增强后的时频矩阵切割成多个子矩阵；

30、首先，填充零增加tfre的尺寸，填充后的时频矩阵tfrp的长宽尺寸为wp×hp，使we为wp的整数倍、he为hp的整数倍，公式如下所示：

31、

32、式中，表示向上取整，m为每行可切割的个数，n为每列可切割的个数；tfre和tfrp的重合点为矩阵的左上角，以方便后续切割以及标签信息的转换；

33、接着，切割填充后的时频矩阵tfrp，切割后的时频子矩阵tfrc的尺寸等于网络要求的输入长宽尺寸wi×hi，切割为m×n个，按照tfrc在tfre中的位置(i,j)，得到其在tfrp中左下角和右上角的绝对坐标表示为：按照绝对坐标完成对tfrp的切割；

34、然后，切割步骤一第1.2)步中的原始标注信息label，切割后的标注信息labelc与时频子矩阵tfrc对应；先根据时频子矩阵tfrc在tfrp中左下角和右上角的绝对坐标判断其内是否包含信号部分，若并且则包含信号，切割标注信息，否则不切割标注信息，切割公式如下：

35、

36、最后，将切割后的标注信息转成深度学习目标检测标签文件格式，包括目标类别c、目标的归一化中心坐标(x,y)、目标的归一化长宽数值(w,h)三部分，表示为(c,x,y,w,h)；深度学习信号检测网络包含一个类别，即信号，因此c＝0，其余部分转换公式如下：

37、

38、将所有切割后的时频子矩阵tfrc和对应的标签文件整合命名，得到检测网络的时频矩阵数据集。

39、所述步骤三的具体方法为：

40、通过dfl、ciou loss和bce相结合的损失函数指导优化算法更新网络参数，使网络能够更好地拟合数据；

41、首先，采用dfl让网络将预测位置快速聚焦于目标位置附近，计算方法如下所示：

42、ldfl(si,si+1)＝-((yi+1-y)log(si)+(y-yi)log(si+1))

43、其中，si和si+1由yi、yi+1、y确定，y为真实目标的标签值；

44、接着，采用ciou loss计算预测框和目标框的iou，进一步精确预测位置，计算方法如下所示：

45、

46、其中，α为权重函数，υ是衡量预测框和真实框长宽比一致性的参数，定义分别如下所示：

47、

48、

49、其中，ρ为预测框和真实框中心点的欧氏距离，c为同时覆盖预测框和真实框的最小矩形的对角线距离；

50、最后，采用二分类交叉熵(binary cross entropy,bce)计算，计算公式如下所示：

51、

52、其中，yi和pi分别为真实边框和预测边框的类别概率。

53、所述步骤四的具体方法为：

54、首先，将经步骤二第2.2)步切割后的待检信号的时频子矩阵tfrc输入步骤三训练好的检测网络，得到时频子矩阵tfrc的检测标签结果；

55、接着，按下式将时频子矩阵tfrc的检测标签结果转化为检测框的形式：

56、

57、其中，(xlc,ydc)和(xrc,yuc)分别为检测框的左下角坐标和右上角坐标，wi和hi为检测网络要求的输入长和宽尺寸，即时频子矩阵的列数和行数；

58、然后，按照时频子矩阵tfrc在时频矩阵tfr中的位置(i,j)，按式下式将相对坐标转为绝对坐标；

59、

60、遍历所有检测框，当存在检测框重叠的情况，xl和yu取若干重叠框中最小的值，xr和yd取若干重叠框中最大的值，得到信号完整时频矩阵tfr的检测框坐标；

61、最后，按照式下式得到微弱信号的起止现时间、中心频率和带宽，完成对微弱信号的检测：

62、

63、式中，fs为信号的采样频率，nfft为信号谱图变换的点数，part_len为时频变换中的窗函数长度。

64、一种基于深度学习的微弱信号检测方法的系统，包括：

65、时频变换模块，用于步骤一中，通过谱图变换，得到微弱信号的时频矩阵数据集；

66、信息标注模块，用于步骤一中，通过先验参数的转换公式，得到时频矩阵对应的标注信息文件；

67、时频矩阵增强模块，用于步骤二中，通过图像增强领域中的均值滤波和伽马变换相结合的方式，增强微弱信号的时频矩阵并减少噪声的高波动性；

68、时频矩阵切割模块，用于步骤二中，通过将时频矩阵切割成检测网络要求尺寸的时频子矩阵，能够不丢失时频矩阵中信号的特征；

69、检测网络训练模块，用于步骤三中，通过dfl、ciou loss和bce相结合的损失函数优化网络参数，得到训练好的检测网络；

70、时频子矩阵检测模块，用于步骤四中，通过检测所有时频子矩阵tfrc，得到时频子矩阵tfrc的检测标签结果；

71、时频子矩阵合并模块，用于步骤四中，通过时频子矩阵tfrc在时频矩阵tfr中的位置得到标签信息的绝对坐标，合并得到时频矩阵的检测框坐标，根据公式转换得到信号的中心频率、带宽、起止时间信息。

72、一种基于深度学习的微弱信号检测方法的设备，具体包括：

73、存储器，用于存储计算机程序；

74、处理器，用于执行所述计算机程序时实现步骤一至四所述基于深度学习的微弱信号检测方法。

75、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够基于权利要求1至5任一项所述基于深度学习的微弱信号检测方法，进行微弱信号检测。

76、与现有技术相比，本发明具有如下优点：

77、针对微弱信号盲检测，现有技术方案中传统信号检测方法，包括能量检测法、功率谱检测法、相关检测法以及循环平稳检测法在低信噪比条件下对非合作信号的检测概率低，并且只能得到信号存在性信息以及时域或频域单一维度的信息，不能同时获得这两个维度的信息。本发明基于深度学习的微弱信号检测相较于传统信号检测方法能够较大程度上提升非合作微弱信号检测的准确率，并且除了信号的存在性信息外还可以得到信号在时域和频域两个维度的信息，为后续的信号分析处理提供前提。

78、现有技术方案中微弱信号检测法，高阶谱分析计算量较大不适用于实时性要求高的场景，混沌理论需要已知待测周期信号的频率，不适用于盲检测的场景，随机共振机共振的绝热近似理论对待测信号的频率、幅值以及输入噪声的强度有较严格的限制，要求这些数值都必须小，这一苛刻条件使得该方法不适用于高频通信信号的盲检测场景，部分深度学习网络以信号的时域数据或特征参数为输入，虽取得较好的检测性能，无法得到信号在时域和频域两个维度的信息。本发明基于深度学习的微弱信号检测相较于现有微弱信号检测方法具有相对较少的计算量，并且可以处理非合作高频微弱通信信号信号，除了存在性信息外还可以得到信号在时域和频域两个维度的信息，为后续的信号分析处理提供前提。