基于深度学习的宽带信号检测技术.pdf

技术论坛基于深度学习的宽带信号检测技术计算机与网络夏辉1,程晓静2 3（1.中国人民解放军9 2 7 2 8 部队，上海2 0 0 436；2.中国电子科技集团公司第五十四研究所，河北石家庄0 5 0 0 8 1；3.河北省电磁频谱认知与管控重点实验室，河北石家庄0 5 0 0 8 1)摘要：提出一种将深度学习领域的目标检测模型应用于宽带密集信号检测问题的解决思路。将原始宽带采样数据流转化为时频图，将时频图作为目标检测网络的输入，通过目标检测网络的推断预测实现信号在时频图上的定位和识别，从而得到信号的起止时间、起止频率和类别信息。基于仿真生成的密集信号数据集，对MaskR-CNN模型进行训练和测试。实验结果表明，信噪比为0 dB14d B条件下，检测准确率为9 8%，召回率为9 3%,验证了基于深度学习的宽带信号检测算法的可行性。关键词：宽带信号检测；MaskR-CNN;时频图像检测中图分类号：TN971Wideband Signal Detection Technology Based on Deep Learning1文献标志码：A文章编号：10 0 8-17 39(2 0 2 3)19-6 2-4XIA Huil,CHENG Xiaojing*3(1.Unit 92728,PLA,Shanghai 200436,China;2.The 54th Research Institute of CETC,Shijiazhuang 050081,China;3.Hebei Key Laboratory of Electromagnetic Spectrum Cognition and Control,Shijiazhuang 050081,China)Abstract:7A new method to solve the problem of wideband dense signal detection is proposed,which applies the object detectionmodel in the field of deep learning.Firstly,the original broadband sampling data stream is transformed into time frequency diagram,which is used as the input of the target detection network.The location and identification of the signal on the time frequency diagramare realized through the inference and prediction of the target detection network,so as to obtain the start and stop time,start and stopfrequency and category information of the signal.Based on the dense signal data set generated by simulation,the Mask R-CNN model istrained and tested.The experimental results show that the detection accuracy is 98%and recall rate is 93%when the SNR is 0 dB14 dB,which can verify the feasibility of wideband signal detection algorithm based on deep learning.Keywords:wideband signal detection;Mask R-CNN;time frequency diagram detection0引言信号检测是无线电通信对抗领域的基本任务和前端重要环节。传统的信号检测算法主要基于信号能量实现检测，通常需要人工选取特征和设置值，会出现一定程度的误检和误判，尤其在低信噪比、复杂背景信号等低质量信号的条件下参数设置复杂，检测效果更差。但是以数据驱动的深度学习模型能够实现特征的自动提取，且具有较强的泛化能力和较高的准确率，考虑将信号检测问题转化为深度学习领域的目标识别问题。基于深度学习的宽带检测识别技术突破原有传统信号检测方法的局限性，将深度学习领域的先进网络模型和信收稿日期：2 0 2 3-0 6-11号检测问题相结合，实现宽带条件下密集信号的低漏警率、低误判率检测和时频参数获取。1相关研究工作传统的信号检测算法首先进行时域能量、频域能量和时频域能量的计算，通过设置信号阈值来区分信号和噪声，最终完成信号的检测。对于噪底不平稳的电磁环境下需要进行噪底自适应估计进行噪底抵消,再设置阈值进行检测 1-3。近年来,随着深度学习和人工智能技术的提出和快速发展，其在人脸识别、行人检测、自动驾驶和医疗图像识别等领域取得了较好的效果62计算机与网络技术论坛和广泛应用。目前,基于深度学习的图像目标检测网络模型主要分为 2 种:一种是以 R-CNN4,Fast R-CNN5,Faster R-CNN为代表的基于候选区域提取(regionproposal)的两阶段目标检测模型；另一种是以YOLO系列 7-、SSD图为代表的基于回归问题的端到端目标检测模型。前者将目标检测的过程通过候选区域提取、位置类别回归两部分实现，更加关注网络模型的准确率指标；而后者直接在一个卷积网络中实现目标的定位和识别的回归,网络结构更加简单，旨在实现检测速度的实时性。本文将基于区域提取的两阶段目标检测模型MaskR-CNN9用于宽带通信信号检测任务。2.1.2数据集标注与构建通过Matlab软件进行仿真生成密集突发信号，并记录信号的中心频率、带宽、起始时间、持续时间参数，以便后期生成时频图标签，用于深度神经网络模型的参数训练。对仿真生成的I/Q采样数据进行短时傅里叶变换，FFT点数为8 19 2，滑动比例为5 0%，生成瀑布图。考虑到目标检测网络模型结构复杂,将瀑布图裁剪为10 2 410 2 4,作为数据集。数据集样本示例如图1。根据仿真参数进行转换得到信号在时频图中的像素位置作为数据标签，用于网络模型的训练和评估。2基于深度神经网络的宽带信号检测算法MaskR-CNN为两阶段的深度神经网络模型，在进行目标检测时，首先对目标的候选区域进行粗略预测，之后基于候选区域进行修正回归，因此具有很高的准确率。由于MaskR-CNN目标检测模型的输人为二维图像，所以本文通过使用掩膜短时傅里叶变换将信号数据转换为图像格式，作为网络模型的输人。使用网络模型实现信号时频图特征的自动提取，进而实现信号的准确检测。2.1数据集构建2.1.1时频图生成运行基于深度神经网络的宽带信号检测算法首先要进行数据预处理,预处理的目的是将原始IQ采样数据变换为一种更有利于自动特征提取和识别的表达形式。为了充分发挥卷积神经网络在特征提取方面的优势，将原始I/Q采样数据转换为视觉图像形式，对时域数据进行时频域分析和转换。最常用的时频分析手段为傅里叶变换，通过短时傅里叶变换生成时频图。一般来说,为了加快FFT运算速度,FFT点数选取为2 的整数次幂。边界框回归RPN图2 Mask R-CNN结构63图1数据集样本示例对数据集按照8:1:1比例划分训练集、测试集、验证集，对Mask R-CNN网络模型进行训练。在网络训练过程中，使用训练集实现网络模型的参数更新和优化，使用验证集评估来防止网络模型陷人过拟合，使用测试集实现网络模型性能的无偏估计。2.2Mask R-CNN模型MaskR-CNN网络进行检测识别流程如下：首先使用残差网络和金字塔结构提取时频图中的宏观和微观的多层次特征，然后将提取到的多尺度特征图输入到候选框生成网络用于目标候选区域的生成，最后使用全连接层对候选区域进行修正回归得到目标边界框的坐标和类别信息。MaskR-CNN结构如图2 所示，下面将对MaskR-CNN的各个模块逐一介绍。残差网络5 0/10 1全卷积网络FPN残差网络5 0/10 1FPN输入基础网络头全连接层边界框回归RolAlign全连接层特征图全连接层1X1卷积softmax,33卷积softmax1X1卷积坐标类别候选区三个分支技术论坛计算机与网络2.2.1特征提取模块MaskR-CNN网络使用的特征提取模块为残差网络ResNet50。R e s N e t 通过使用跨层连接使得训练更加深层的网络更加容易，且网络泛化能力更强。特征金字塔网络(FPN)1012)层的作用是融合基础卷积模块输入的各个不同层次特征图，同时利用低层特征高分辨率信息和高层特征的抽象语义特征,其网络结构如图3所示。C52倍上采样卷积C41X1卷积2倍上采样卷积C31X1卷积2倍上采样卷积C21x1卷积图3FPN层特征图之间的融合策略为：特征图通过11的卷积得到与上一层特征图相同的通道数，上层的特征图通过上采样得到与下一层特征图相同的尺寸，然后2 个特征图直接相加得到融合后的新特征层，最终得到融合层将用于预测目标的边界框、类别和分割结果等信息。融合层还将用于训练RPN进行候选边界框的生成。2.2.2候选框推荐网络(RPN)候选框推荐神经网络用于处理融合特征图，实现在融合特征图上生成目标的候选粗糙候选框；在针对图像进行处理时，RPN会有一个窗口对整张图像进行滑动扫描，同时生成多个锚点。在特征图上对应每个锚点上产生一系列的候选框,其中候选边界框的尺寸由面积大小和长宽比2 个参数来确定。训练候选框推荐网络时，对于目标分类任务，主要针对特征框中是目标(前景)还是背景的二分类问题；对于边界框回归任务,主要通过对锚点边界框进行位置修正来确定目标更准确的位置信息。具体地，如果一个锚点边界框与真实边界框的交并比在设置阈值以上，那么这个锚点边界框属于前景，如果这个锚点边界框与真实边界框的交并比在设置值以下，那么这个锚点边界框属于背景。2.2.3(RolAlign)感兴趣区域匹配模块RolAlign模块使用双线性插值来更精确地找到每个块对应的特征,使得取得的特征能够更好地对齐原图上的区域。RoIAlign的输出坐标使用插值算法得到，不再量化和使用最大值。候选区对齐模块能够去除池化引人的不对齐问题，准确地对齐输入的提取特征，即避免对浮点边界进行量化；采用双线性插值法根据4个采样点来计算输人特征的精确值,并采用求取最大值或平均值来组合结果。双线性插值是一种比较P6好的图像缩放算法，充分利用了原图中虚拟点，其由四周的41X1卷积个真实存在的像素值来共同决定目标图中的一个像素值，即可P5以将这个虚拟的位置点对应的像素值估计出来,具有更高的准确度。2.2.4类别、位置坐标、分割结果回归模块P4构建全连接网络作为边界框区域回归网络，分为3个分支，分别用于对候选边界框的类别进行预测、精确修正框选区域的边界、预测分割结果；边界框区域回归网络模块,其输人为之前检测到的边界框区域，通过全连接神经网络结构实现对每P3个区域的目标检测最终框选坐标的回归。3结果分析P2针对宽带检测任务，对于仿真生成密集信号(OdB14dB)检测的结果如图4所示,基于MaskR-CNN模型的信号检测指标如图5 所示，检测准确率为9 8%，召回率为9 3%。图4宽带通信信号检测结果105(2,99)100(0,98)95%/幸腿9085807570024信噪比/dB（a）信噪比-检测准确率曲线64(6,99)(8,100)(4.99)6810(10,100)(12,100)12(14,99)14计算机与网络技术论坛10510095(0,93)(2,94)9085807570图5 基于MaskR-CNN模型的信号检测指标4结束语本文对基于深度神经网络模型的宽带信号检测算法进行了研究，基于深度神经网络的宽带信号检测及识别技术可以自动提取信号特征，避免了基于经验人工选取特征的主观性和复杂性，所得到的模型在进行信号检测时具有准确度高、漏检率低的优点。将人工智能领域的先进网络模型和信号检测问题相结合，基于深度神经网络模型的宽带信号检测在低信噪比、复杂背景信号条件下，仍然表现良好。1蒋天立,彭华,巩克现.多尺度形态学滤波下的宽带信号检测方法 .信号处理,2 0 14,30(9):10 5 5-10 6 3.2王晓庆,母诗源,李晋,等.一种基于形态滤波的水声信号检测算法 .无线电工程,2 0 19,49(7):6 11-6 16.3王大宇,王志欣,张光普.基于改进谱减算法的水声通信信号检测方法 1.应用科技,2 0 2 0,47(3):6 9-7 3.广告交雅教行装裤用发重整行装再出发不态初心牢记使命4 GIRSHICK R,DONAHUE J,DARRELL,et al.Rich Feature(4,97)(8,98)(6,94)(10,95)24信噪比/dB（b）信噪比-检测召回率曲线参考文献AOJISHIMING(12,98)(14,98)68Hierarchies for Accurate Object Detection and SemanticSegmentation CJ/IEEE Conference on Computer Visionand Pattern Recognition.Columbus:IEEE,2014:580-587.5 GIRSHICK R.Fast R-CNNC/IEEE InternationalConference on Computer Vision.Santiago:IEEE,2015:1440-1448.6 REN S Q,HE K M,GIRSHICK R,et al.Faster R-CNN:1012重整行装再出发出版社：红旗出版社定价：42.0 0 元开本：16 K订书电话：[phone]本书从开展“不忘初心、牢记使命”主题教育的基本要求，“不忘初心、牢记使命”的丰富内涵、什么是中国共产党人的初心和使命，为什么要“不忘初心、牢记使命”，怎样才能做到不忘初心、不辱使命，用习近平新时代中国特色社会主义思想武装头脑，“不忘初心、牢记使命”做好新时代的答卷人等方面进行了详细阐述，以教育引导广大党员干部深人学习贯彻习近平新时代中国特色社会主义思想，用党的最新理论成果武装头脑、指导实践、推动工作，用党的光荣历史和革命传统涵养党性，不忘初心、牢记使命，重整行装再出发，为决胜全面建成小康社会、实现中华民族伟大复兴中国梦的历史使命而不懈奋斗。14Towards Real-time Object Detection with Region ProposalNetworks JJ.IEEE Transactions on Pattern Analysis andMachine Intelligence,2017,39(6):1137-1149.7 REDMON J,DIVVALA S,GIRSHICK R,et al.You OnlyLook Once:Unified,Real-time Object DetectionC/2016IEEE Conference on Computer Vision and PatternRecognition(CVPR).Las Vegas:IEEE,2016:779-788.8 REDMON J,FARHADI A.YOLO9000:Better,Faster,StrongerC/2017 IEEE Conference on Computer Vision andPattern Recognition(CVPR).Honolulu:IEEE,2017:6517-6525.9 REDMON J,FARHADI A.YOLOv3:An IncrementalImprovementJ/OL.(2018-04-08)2023-05-16.https:/arxiv.0rg/abs/1804.02767.10 LIU W,ANGUELOV D,ERHAND D,et al.SSD:SingleShot MultiBox Detector CJ/European Conference onComputer Vision.Amsterdam:Springer,2016:21-37.11 HE K M,GKIOXARI G,DOLLAR P,et al.Mask R-CNNCJ/2017 IEEE International Conference on ComputerVision.Venice:IEEE 2017:2961-2969.12 LIN T Y,DOLLAR P,GIRSHICK R,et al.Feature PyramidNetworks for Object Detection CJ/2017 IEEE Conferenceon Computer Vision and Pa t-tern Recognition.Honolulu:IEEE,2017:936-944.65