![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于YOLOX的跳频信号检测.pdf
《基于YOLOX的跳频信号检测.pdf》由会员分享,可在线阅读,更多相关《基于YOLOX的跳频信号检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、现有跳频信号检测算法大多针对固定参数的跳频信号检测,而面对可变参数的跳频信号检测时,其每跳时长及带宽的不确定性导致这些算法的适用性下降。为此,提出了一种基于 YOLOX的跳频信号检测算法。该算法适用于固定参数跳频信号和可变参数跳频信号,判断跳频信号的存在性。首先将观测时间内的信号进行短时傅里叶变换获得灰度时频谱图;然后将时频谱图经过目标检测网络 YOLOX,获得各个信号的预测框;最后根据跳频信号各跳点的时间连续性,筛选出跳频信号各个跳点,根据连续跳点个数判断跳频信号的存在性。对算法的检测流程进行了仿真,以验证算法的可行性。实验结果表明,该算法可以较好地完成盲检测任务,且能够通过增加较少的先验信
2、息以提高检测性能。关键词:跳频信号检测;时频谱图;目标检测网络;变参数开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN914.41 文献标志码:A 文章编号:1001-893X(2023)07-0933-08Frequency Hopping Signal Detection Based on YOLOXLIU Renwei,LI Tianyun,ZHANG Haoting,ZHANG Xinliang,GONG Pei(Institute of Information System Engineering,PLA Strateg
3、ic Support Force Information Engineering University,Zhengzhou 450001,China)Abstract:Most of the existing frequency hopping(FH)signal detection algorithms are suitable for fixed parameter FH signal detection.For detecting variable parameter frequency hopping signals,the unpredictability of both the l
4、ength and bandwidth of each hop can significantly reduce the effectiveness of these algorithms.Therefore,the anthors present a YOLOX-based detection algorithm for FH signal,which is suitable for fixed parameter FH signal and variable parameter FH signal to judge the existence of signal.First,the sig
5、nal is processed by short-time Fourier transform to obtain the gray-scale time-frequency spectrum.Then the spectrum is passed through the target detection network YOLOX to get the prediction box of each hop.Finally,according to the continuity among the hops,these hops are selected,and the existence
6、of the signal is judged by the number of consecutive hops.The algorithm is simulated to verify its feasibility.The experiment results show that this algorithm can complete the blind detection task well and improve the detection performance by adding less prior information.Key words:frequency hopping
7、 signal detection;time-frequency spectrum;target detection network;variable parameter0 引 言跳频通信技术具有优秀的抗干扰、抗截获和多址组网能力,在军事通信和民用移动通信中都得到了广泛的应用1。跳频技术产生较早,随着时间的推移,跳频信号的样式也逐渐变得复杂多样。由于跳频信号检测是接收方处理跳频信号的第一步,而339第 63 卷 第 7 期2023 年 7 月电讯技术Telecommunication EngineeringVol.63,No.7July,2023收稿日期:2022-03-24;修回日期:202
8、2-04-20通信作者:刘人玮对于非合作方来说,先验知识的不足导致跳频信号检测的难度大大提高。近年来,随着深度学习的快速发展,有关跳频信号的研究也开始结合深度学习进行。文献2将不同型号遥控无人机的跳频信号的二值化时频谱图送入深度残差网络中进行训练,训练出的网络能够区分不同规格的遥控跳频信号。文献3利用卷积神经网络,根据跳频信号频谱可区分不同无人机类型及其飞行模式,但是实验环境较为理想,对实际情况下的应用仍需进一步研究。文献4将灰度化的短时傅里叶频谱图送入卷积神经网络来识别 4 类无人机型号。文献5使用卷积神经网络对观测范围内的多个跳频信号进行分选,可以对同一频段不同跳频信号进行检测识别。该方法
9、仅针对固定的几种类型跳频信号,对于未知类型的跳频信号检测性能仍有待研究。目前有关结合深度学习的跳频信号研究大多在跳频信号分选、规格识别等方向,针对结合深度学习的跳频信号检测这一课题,更多的研究是直接将频谱或时频谱图送入神经网络中,并没有考虑跳频信号本身独特的时频特性。本文提出一种结合目标检测网络 YOLOX6的跳频信号检测算法,在多种干扰且干扰与跳频信号在时频域有交叉的情况下仍能完成跳频信号检测任务。该算法既可以完成盲检测任务,也可以通过较少的先验信息进一步提高检测性能。1 算法基本原理1.1 信号模型假设在观测时间 T 内,接收信号可表示为r(t)=s(t)+i(t)+n(t),0tT。(1
10、)式中:s(t)为跳频信号;i(t)为干扰信号;n(t)为噪声。对于跳频信号 s(t),可将其表示为3s(t)=AkrectTh(t-Th-tk)exp(j2fk(t-Th-tk)。(2)式中:A 为跳频信号的幅度;Th为跳频周期;k 表示在观测时间内的第 k 跳;fk表示第 k 跳的载波频率;rect 为基带成型。对于干扰信号 i(t),本文考虑三种类型干扰信号,分别为雷达干扰、定频干扰和突发干扰。其中,雷达干扰通常以扫频形式出现,目前很多扫频雷达覆盖频带较宽,且脉宽较窄;定频干扰为单一载频的连续信号,其在观测时间内持续存在;突发干扰对比于定频干扰,持续时间较短。本文考虑的突发干扰包含两种情
11、况:一种是在某单一信道内,持续发相同规格的短突发信号,且相邻两个短突发信号的间隔也较短,于是在观测时间内可观察到出现有一连串的突发信号;另一种是在观测时间内,仅能观察到一次该突发信号。对于噪声 n(t),本文考虑的是高斯白噪声。图 1 展示了本文检测算法的信道环境,其中横轴代表时间轴,纵轴代表频率轴,红色框代表的是跳频信号各跳点,黄色框代表的是雷达干扰,蓝色框代表的是定频干扰,绿色框代表的是第一种突发干扰,紫色框代表的是第二种突发干扰。图 1 本文检测算法的信道环境另外,本文考虑的跳频信号为可变参数跳频信号,具体是指跳频信号的码元速率可变、单跳码元数量可变,对应于式(2),码元速率体现在 re
12、ct 上,单跳码元数体现在 Th上;对应于图 1,码元速率体现在带宽上,即红色框的高,单跳码元数体现在单跳持续时长上,即红色框的宽。因此,可变参数的跳频信号在时频图上表现为每跳大小不一的块。本文算法的目的是检测出跳频信号 s(t)的存在性。1.2 算法流程本文检测算法是利用跳频信号相邻两个跳点在时间上具有连续性,而其他干扰信号前后不存在信号或是相邻突发之间存在时隙这一特点完成跳频信号检测。首先,将采集到的信号进行 STFT 得到信号时频谱,然后利用目标检测网络 YOLOX 检测出观测时间内的各种短时信号,最后根据跳点间时间连续性判断跳频信号的有无。1.3 短时傅里叶变换短时傅里叶变换(Shor
13、t Term Fourier Transform,电讯技术 2023 年STFT)7的思想是对信号用窗进行截取,然后对各个窗内信号进行傅里叶变换。对于接收到的离散信号 z(k),公式可表示为STFT(m,n)=k=-z(k)g(kT-mT)e-j2(nF)k。(3)式中:T 代表时间采样周期;F 代表频率采样周期;g(k)代表截取窗;代表复共轭。本文将得到的信号时频谱图转为灰度图后,送入 YOLOX 中。1.4 目标检测网络 YOLOXYOLOX6的网络结构如图 2 所示,可以分为主干网络、特征金字塔网络、解耦输出头三个部分。图 2 YOLOX 网络架构在 YOLOX 执行卷积操作后,都会加入
14、批归一化(Batch Normalization,BN)层和 SiLU 激活函数,在图中标记为 ConvBN 层。除了 ConvBN 层,主干网络中还有 YOLOX 改进的 Focus 结构、CSPNet 结构和 SPP 结构。Focus 结构由 Focus 层和 33 ConvBN 层组成。Focus 层将图片每个通道的大小缩减为原来的 1/4,但是通道数变为 4 倍,可以理解为不改变图片上大致分布的同时,将图片的宽高信息转为通道信息。随后的 33 ConvBN 层将通道数再次扩张,提取出更多的特征图。CSPNet 结构可以视为一个大的残差结构里嵌入一个小的残差结构。SPP 结构并联几个最大
15、池化层提取不同维度的特征图并将其整合到一起。特征金字塔中,由两次上采样、两次下采样和特征融合等步骤进行。值得注意的是,下采样是由33 卷积完成的。特征金字塔的输出由 3 个不同大小的特征组合构成。同时,在特征金字塔的上行路线中,CSPNet 被加上星号标记,这是由于主干的第一个 11 卷积和残差边的 11 卷积变为 25%通道数压缩(默认是 50%通道数压缩),导致最后输出通道数压缩了 50%(默认无通道数压缩)。YOLOX 的输出头不同于之前的版本,分为两个支路进行分别预测。其中,分类支路负责预测预测框中的属于各种物体类别的概率;参数支路负责预测预测框的属性,其在最后将预测框的包含物体的概率
16、与预测框位置、大小分开预测并输出。YOLOX的这种解耦头进一步提高预测性能。由于信号时频谱图的形状非常规整,且不存在类似自然图像的旋转问题,因此在 YOLOX 训练过程中,本文关闭了其数据增强的随机旋转策略。YOLOX 分为 nano、tiny、s、m、l、x 几种模型,区别仅在于其网络的深度和宽度由小到大依次增加,而对于信号检测任务来说,面对对象为信号时频谱图,检测目标形式简单,并不需要过大的网络进行检测,且小模型计算量更小,检测速度更快。图 3 展示了几种模型在训练过程中的损失,可以看到几种模型的损失相差不大,因此本文选择 YOLOX-nano 模型作为本文的目标检测网络模型。图 3 不同
17、 YOLOX 模型在训练时的损失1.5 信号连续性检测1.5.1 算法基本思想观测时间内的信号时频谱图经过 YOLOX 后,得到各个信号的预测框。由于跳频信号相邻两个跳点之间具有时间连续性,即上个跳点的结束时间和下个跳点的起始时间几乎在同一时刻(或者间隔很短),因此可以由当前信号预测框的连续性情况来判断其是否为跳频信号中的一个跳点。本文算法思想为,若该预测框能够找到时间上连续的其他预测框,则认为该预测框为跳点的预测框;如果发现有 N 个连续的跳点,说明检测到跳频信号。539第 63 卷刘人玮,李天昀,张浩庭,等:基于 YOLOX 的跳频信号检测算法第 7 期1.5.2 算法参数定义两个预测框的
18、距离dist=|t1end-t2start|。(4)式中:t1end为当前预测框的结束时间;t2start为下一预测框的起始时间。本算法需要设置 3 个参数:相邻预测框误差阈值 Tt、连续性检测预测框个数 Tc、跳频信号出现时的最小连续跳点个数 N。其中,Tt代表若两个预测框之间的距离小于该值,则认为这两个预测框之间是连续的(即满足连续条件)。该参数用于克服目标检测网络输出的预测框可能不会与信号时频谱图的边界完全重合,而带来相邻两个跳点的预测框边界可能存在一定时间差的问题。但是需要注意,该参数应当合理设置,如果太小,难以克服预测框边界不准的问题;如果太大,可能难以对抗第一种突发干扰带来的影响。
19、Tc代表当前预测框做连续性检测时,对比其后面预测框的个数。该参数用于克服可能有干扰信号的起点夹在两个跳点之间的问题,当信道内干扰信号较多,可以根据实际情况适当调整该值。N 代表在单次检测中,跳频信号至少包含跳点的个数。图 4 展示了连续性检测算法的抗干扰场景,图中红色框代表预测框边界,黑色框代表跳点实际边界,可见 3 个跳点的预测框之间可能存在一定的时隙。图 4 跳频信号连续性检测示意图当 Tc=3,若判定跳点 1 的预测框是否具有连续性,则其与跳点 2、干扰 1、干扰 2 的预测框计算距离,可以发现跳点 1 预测框存在连续性,于是记录该预测框为跳点;而由于跳点 1 和跳点 2、干扰 2 的距
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOX 信号 检测
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。