[发明专利]一种基于计算机视觉的短波信号检测识别方法

摘要

本发明公开了一种基于计算机视觉的短波信号检测识别方法，根据短波信号的时频矩阵特征与机器学习的分类器构建过程，发明一种基于计算机视觉的短波信号检测与判别方法，相比于传统的基于人工方式的信号检测判别方式与其他已有的信号检测判别方法，本方法可实现计算机对短波信号的自动化检测与识别，同时较其他的信号检测判别方法，对信号所处的噪声环境要求更低，适用于噪声低至0dB的信道环境。通过在不同信道条件下进行了大量实际数据测试，短波信号的检测判别正确率均在90％以上。

主权项

1.一种基于计算机视觉的短波信号检测识别方法，其特征在于：该方法为一种基于计算机视觉的短波信号定位检测与时频特征提取，并基于机器学习的SVM分类器，对信号的时频特征进行匹配，最终实现短波信号的自动化检测与识别；本方法包含如下步骤：1)对待检测的信号时频数据矩阵，按照频率方向每300kHz分块，得到时频数据子矩阵；2)对各时频数据子矩阵，进行如下信号定位检测，具体操作如下：2.1)对时频数据子矩阵在频率轴上投影得到一维行和矢量V，V代表频率方向上信号能量的累加；2.2)对V中各元素的分布直方图进行分析；所述2.2)中采用了基于直方图的阈值门限计算方法，计算公式为T＝(V_med‑V_min)+V_min，其中V_med表示V元素的众数，V_min表示V中元素的最小值；2.3)结合上一步中的定位阈值T作为门限，以及2.1)步中的投影曲线，参照投影曲线中高于门限的频率区间，对时频矩阵中对应的频率区间进行截取，得到当前处理的时频数据子矩阵中存在的短波信号的时频信号子矩阵的集合；3)将前两步得到的各个时频数据子矩阵对应的时频信号子矩阵集合合并，得到作为输入的待检测信号时频数据矩阵中的包含的全部短波信号的时频信号矩阵集合；4)对各个短波信号的时频信号矩阵构成的集合，逐一进行信号特征提取；4.1)峰度特征对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；对Y进行加窗遍历处理；分别计算临近点对应的数值之差，并将其代入下面的公式中；将Y中各个点的值替换为对应的D_t，最终得到峰度曲线Y’；随后进行分组排序：以峰度曲线中的零值作为划分依据，将峰度曲线划分为多个尖峰组，统计各组对应的峰度曲线区域最大值，得到尖峰组最大值序列进行从大到小的排序；随后设定阈值将分组排序中得到的从大到小排序的尖峰组最大值序列分成两类，阈值为最大尖峰组对应的峰度曲线的最大值除以常量C_Hill，C_Hill＝10^3，取组序较小部分作为局部尖峰组最大值序列，并对该部分尖峰组最大值序列；对尖峰组最大值序列的两相邻数值依次求比值，统计得到最大比值对应的两个最大值位置，将两最大值作为划分界限，将尖峰组最大值序列划分为两部分，取序列次序较小的部分作为有效尖峰组最大值序列，统计该部分序列包含的最大值个数，作为有效尖峰个数，并作为峰度特征的结果进行输出；4.2)空间分布特征对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；求值域区间|V(i)|∈[a,b]，设区间大小为k，k＝b‑a，对k划分，统计每个区间中的散点数量，计算出各个区间中包含的散点数占总散点数的比例；将各个区间的散点比例百分比数组作为空间分布特征输出；4.3)对称性特征对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；求值域区间[a,b]，设定门限C，曲线中高于C的部分为有效区域；其中，C＝0.2*(b‑a)+a；以曲线最高点为起始点，向两侧找曲线第一次衰落到C以下时的位置作为结束点，分别求起始点与两侧结束点的距离d_right和d_left；求d_right和d_left之比，当对称时，该结果接近1；4.4)方差特征对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y，提取数组Y中最大值位置对应的频率行Y(N)，计算Y(N)行的方差，作为方差特征输出；4.5)矩形形态特征对于各个短波信号时频数据矩阵，计算平均矩形度Pr；计算方法为Pr＝As/Ar，As是图像中连通域S的面积，Ar是包围该连通域的最小外接矩形面积；对单个短波信号时频数据矩阵对应的4.1)至4.5)特征进行整合，得到该短波信号时频数据矩阵的特征矩阵；5)将步骤4)得到的各个短波信号矩阵输入到预先训练好的SVM分类器中，得到分类器输出，按照分类器输出结果，对短波信号类型进行标记。