[发明专利]基于卷积神经网络的超短波特定信号识别方法

说明书

本发明属于无线电信号识别技术领域，特别涉及一种基于卷积神经网络的超短波特定信号识别方法，包含：对样本库中特定信号进行短时傅里叶变换，获取信号时频图谱，其中，特定信号为信号传输数据帧结构中包含帧同步码的信号；使用时频图谱对卷积神经网络模型进行训练；利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。本发明首先分析特定信号在时频谱图上呈现的视觉特性，并通过卷积神经网络模型进行训练，实现超短波特定信号的识别，提高信号识别率；最后通过仿真实验，有效降低超短波信道上混叠干扰的影响，实现低信噪比下超短波特定信号识别，并且能通过优化网络结构和增加网络层数来提高抗干扰性能，具有较强的实际应用价值。

技术领域

本发明属于无线电信号识别技术领域，特别涉及一种基于卷积神经网络的超短波特定信号识别方法。

背景技术

信号识别技术被广泛地应用在无线电侦察、电子对抗和软件无线电等方面，而超短波特定信号识别也是其中的关键一环，成为信号处理领域里的研究热点。超短波通信是指利用30MHz至300MHz波段的电磁波传输信息的通信。不过，由于超短波通信的传播方式，超短波信道在一定程度上受到多径效应、噪声和多普勒效应等影响，使得传输的信号存在衰落、干扰和混叠等现象，成为了一个比较复杂的信道。而特定信号是指信号传输的数据中含有帧同步码(报头帧)的信号，多存在于短波、超短波、卫星等时分多路通信系统中，通过识别这种特定信号一般都能估计出信号的目标来源，对战场环境感知起到重大作用。

在以往早期的信号识别手段主要是依靠专业人员观察接收信号的时频谱图，凭借经验得出信号的调制类型和参数的方式来实现的。这种人工方式有非常大的局限性，它与侦察人员的经验累积情况有非常大的相关性。不过受此过程的启发，部分学者发现信号的识别问题可以应用图像处理领域里的方法来解决，并且基于这种思想的研究已经取得了一定的成绩。不过从目前的研究成果来看，现有方法在低信噪比(5dB以下)和强混叠干扰情况下识别效果欠佳，因为这些方法提取的特征不能很好地表征受强混叠干扰影响的信号。

发明内容

为此，本发明提供一种基于卷积神经网络的超短波特定信号识别方法，通过卷积神经网络提取特定信号时频谱图上的特征实现低信噪比和强混叠干扰下超短波特定信号的识别，有效提高信号识别率。

按照本发明所提供的设计方案，一种基于卷积神经网络的超短波特定信号识别方法，包含如下内容：

对样本库中特定信号进行短时傅里叶变换，获取信号时频图谱，其中，特定信号为信号传输数据帧结构中包含帧同步码的信号；

使用时频图谱对卷积神经网络模型进行训练和测试；

利用训练后的卷积神经网络模型对超短波通信中特定信号进行识别。

上述的，信号传输数据帧结构包含帧同步码和数据帧，其中，帧同步码为信号发送数据帧结构中的规律数据帧。

上述的，卷积神经网络模型包含依次设置的输入层、卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三、平均池化层及输出层，其中，卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层中采用不同大小尺寸的卷积核。

优选的，卷积层一、卷积层二、混合层一、混合层二、混合层三、卷积层三和平均池化层的卷积层大小依次递减。

优选的，卷积层三采用3*3卷积核连接平均池化层3*3卷积核。

优选的，混合层三中采用卷积和平均池化两层结构。

优选的，混合层一、混合层二及混合层三均采用Inception模块进行优化。

优选的，输出层中采用全局平均池化和分类输出实现端到端的全卷积神经网络的训练和识别。

上述的，使用时频图谱对卷积神经网络模型进行训练和识别时前，首先对时频图谱进行随机裁剪增加卷积神经网络模型输入层接收的数据规模。