基于深度学习模型的无线电信号识别方法及其实现系统

摘要

本发明涉及无线电信号侦察领域，公开了一种基于深度学习模型的无线电信号识别方法及其实现系统。该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，可以最大可能地利用更多的信号特征，实现短突发及弱信号的探测。同时由于是将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测，因此不需要针对特定信号进行专用设计，具备通用性，便于实际推广和应用。

说明书

技术领域

本发明涉及无线电信号侦察领域，具体地，涉及一种基于深度学习模型的无线电信号识别方法及其实现系统。

背景技术

在无线电信号侦察领域中，需要对目标无线电信号进行检测和识别。目前传统的无线电信号检测及识别方法主要分为两步：首先采用能量检测、匹配滤波或者其它相关操作把无线电信号从噪声中检测出来，然后通过人工设定的目标信号特征进行分类识别。这种传统处理方式对无线电信号的信噪比有很高的要求，很难检测弱信号和短时突发信号，尤其是对于短突发的弱信号，要想做到检测及可靠识别将难上加难。此外，这种传统处理方式必须对每一类目标无线电信号设计专用的分类识别方式，扩展性也较差。

发明内容

针对前述现有无线电信号侦察方式传统，难以对弱信号及短时突发信号进行检测及识别的问题，本发明提供了一种基于深度学习模型的无线电信号识别方法及其实现系统。

本发明采用的技术方案,一方面提供了一种基于深度学习模型的无线电信号识别方法，包括如下步骤：S101.通过STFT变换将目标无线电信号的时域样本数据转换为时频样本数据，并根据时频样本数据生成二维时频样本图；S102.将二维时频样本图作为输入元素，导入深度学习模型进行训练，得到训练完毕的深度学习模型；S103.获取空口无线电信号的宽带时域数据；S104.通过STFT变换将所述宽带时域数据转换为宽带时频数据，并根据所述宽带时频数据生成二维宽带时频图，然后对所述二维宽带时频图进行频域和时域切分，得到若干个在频域或时域有交叠的子带时频图；S105.将各个子带时频图作为输入元素，导入训练完毕的深度学习模型进行分类识别，并将激活有效输出分类的子带时频图作为包含目标无线电信号的目标子带时频图；S106.根据所述目标子带时频图反向计算出目标无线电信号出现的时间点和频率点，完成在宽带的空口无线电信号中对目标无线电信号的探测。

优化的，在所述步骤S103中包括如下步骤：S201.通过天线将空口无线电信号转换为射频信号，然后将所述射频信号传送至宽带接收机；S202.通过宽带接收机对所述射频信号依次进行下变频处理和数字化采样处理，得到所述宽带时域数据。

优化的，在所述步骤S106之后，以列表的形式实时刷新显示多个目标无线电信号出现的频率点。

优化的，所述时域样本数据和所述宽带时域数据分别为时域IQ数据。

优化的，所述深度学习模型为LeNet5卷积神经网络模型。

本发明采用的技术方案,另一方面还提供了一种实现前述的基于深度学习模型的无线电信号识别方法的系统，包括样本信号预处理模块、样本训练模块、空口信号接收模块、空口信号预处理模块、分类识别模块和反向计算模块；所述样本信号预处理模块通信连接所述样本训练模块，用于通过STFT变换将目标无线电信号的时域样本数据转换为时频样本数据，并根据时频样本数据生成二维时频样本图；所述样本训练模块通信连接所述分类识别模块，用于将二维时频样本图作为输入元素，导入深度学习模型进行训练，得到训练完毕的深度学习模型；所述空口信号接收模块通信连接所述空口信号预处理模块，用于获取空口无线电信号的宽带时域数据；所述空口信号预处理模块通信连接所述分类识别模块，用于通过STFT变换将宽带时域数据转换为宽带时频数据，并根据所述宽带时频数据生成二维宽带时频图，然后对所述二维宽带时频图进行频域和时域切分，得到若干个在频域或时域有交叠的子带时频图；所述分类识别模块通信连接所述反向计算模块，用于将各个子带时频图作为输入元素，导入训练完毕的深度学习模型进行分类识别，并将激活有效输出分类的子带时频图作为包含目标无线电信号的目标子带时频图；所述反向计算模块，用于根据所述目标子带时频图反向计算出目标无线电信号出现的时间点和频率点，完成在宽带的空口无线电信号中对目标无线电信号的探测。

优化的，所述空口信号接收模块包括天线和宽带接收机；所述天线通信连接所述宽带接收机，用于将空口无线电信号转换为射频信号，然后将所述射频信号传送至宽带接收机；所述宽带接收机通信连接所述空口信号预处理模块，用于对射频信号依次进行下变频处理和数字化采样处理，得到宽带时域数据。

优化的，还包括通信连接所述反向计算模块的显示模块；所述显示模块，用于以列表的形式实时刷新显示多个目标无线电信号出现的频率点。

综上，采用本发明所提供的一种基于深度学习模型的无线电信号识别方法及其实现系统，具有如下有益效果：(1)该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，可以最大可能地利用更多的信号特征，实现短突发及弱信号的探测；(2)在该无线电信号分类识别方法中，由于是将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测，因此不需要针对特定信号进行专用设计，具备通用性，便于实际推广和应用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于深度学习模型的无线电信号识别方法的流程示意图。

图2是本发明提供的二维时频样本图及目标子带时频图的示例图。

图3是本发明提供的实现基于深度学习模型的无线电信号识别方法的系统结构示意图。

具体实施方式

以下将参照附图，通过实施例方式详细地描述本发明提供的基于深度学习模型的无线电信号识别方法及其实现系统。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。

实施例一

图1示出了本发明提供的基于深度学习模型的无线电信号识别方法的流程示意图，图2示出了本发明提供的二维时频样本图及目标子带时频图的示例图。本实施例提供的所述基于深度学习模型的无线电信号识别方法，包括如下步骤。

S101.通过STFT变换将目标无线电信号的时域样本数据转换为时频样本数据，并根据时频样本数据生成二维时频样本图。

在所述步骤S101中，所述目标无线电信号可以但不限于由用户在宽带数据瀑布图(一种通过横坐标频率、纵坐标时间和以颜色深浅标识时频点信号强度的方式来展示宽带数据三维属性的二维彩色图)上进行标注得到，其为用户所关心的无线电信号。所述时域样本数据可以但不限于为时域IQ(In-phase，Quadrature，即同相、正交)数据，以便检测和识别通过IQ调制的目标无线电信号。所述STFT变换(Short-Time Fourier Transform，短时傅里叶变换)是一种与傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位，它的变换思想是：选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内是平稳(伪平稳)的，移动该窗函数，使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。由此通过STFT变换，可以将包含时间和信号强度的二维时域样本数据转换为包含时间、频率和功率的三维时频样本数据，并通过由横坐标频率、纵坐标时间和亮度大小标识功率构成的二维时频图来展示所述二维时频样本图，如图2中(a)所示的四个二维时频样本图。

S102.将二维时频样本图作为输入元素，导入深度学习模型进行训练，得到训练完毕的深度学习模型。

在所述步骤S102中，所述深度学习模型是一种含有多隐层的机器学习模型，其可以通过组合低层特征来形成更加抽象的高层属性类别或特征，以发现数据的分布式特征表示，由此可以建立和模拟人脑进行分析学习，并通过模仿人脑的机制来解释各种复杂数据，例如图像、声音和文本。作为举例的，在本实施例中，所述深度学习模型采用LeNet5卷积神经网络模型，该模型是一种具有七层(不包括输入层)结构的且用于对二维图像进行分类识别的神经网络模型，其沿输入至输出方向依次为数据输入层、第一卷积层C1、第一下采样层S2、第二卷积层C3、第二下采样层S4、第三卷积层C5、点积计算层F6和输出层，相比较于一般神经网络模型，在图像处理方面有如下优点：(1)输入图像和网络的拓扑结构能很好的吻合；(2)特征提取和模式分类同时进行，并同时在训练中产生；(3)权重共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。

S103.获取空口无线电信号的宽带时域数据。

在所述步骤S103中，具体的包括如下步骤：S201.通过天线将空口无线电信号转换为射频信号，然后将所述射频信号传送至宽带接收机；S202.通过宽带接收机对所述射频信号依次进行下变频处理和数字化采样处理，得到所述宽带时域数据。最后由所述宽带接收机通过数据总线，将所述宽带时域数据传送至GPU(Graphics Processing Unit，图形处理器)，并由所述GPU进行后续的空口信号预处理、识别处理和反向计算。此外，所述宽带接收机、所述宽带时域数据以及后文中的“宽带”是指具有一定宽度范围的频带或频段。

S104.通过STFT变换将所述宽带时域数据转换为宽带时频数据，并根据所述宽带时频数据生成二维宽带时频图，然后对所述二维宽带时频图进行频域和时域切分，得到若干个在频域或时域有交叠的子带时频图。

在所述步骤S104中，所述宽带时域数据的类型与所述时域样本数据的类型相同，以便在宽带的空口无线电信号中实现对目标无线电信号的探测，即在本实施例中，同为时域IQ数据。同样通过STFT变换，可将包含时间和信号强度的二维宽带时域数据转换为包含时间、频率和功率的三维宽带时频数据(其具有较宽的频率范围)，然后同样可通过由横坐标频率、纵坐标时间和亮度大小标识功率构成的二维时频图来展示所述二维宽带时频图。所述子带时频图是指按照一定的频域宽度和时域高度将整个二维宽带时频图切分成的一个一个小块图片，并使相邻两小块图片之间存在有一些频域或时域交叠，这样可避免目标无线电信号刚好落在切分的边沿处，进而导致后续漏识的问题。

S105.将各个子带时频图作为输入元素，导入训练完毕的深度学习模型进行分类识别，并将激活有效输出分类的子带时频图作为包含目标无线电信号的目标子带时频图。

在所述步骤S105中，最后识别出的目标子带时频图，可举例的如图2中的(b)所示。

S106.根据所述目标子带时频图反向计算出目标无线电信号出现的时间点和频率点，完成在宽带的空口无线电信号中对目标无线电信号的探测。

在所述步骤S106中，通过所述目标子带时频图在切分时与频域切分点和时间切分点的对应关系，可反向计算出目标无线电信号出现的时间点和频率点，从而完成在宽带中对特定信号(即目标无线电信号)的探测。此外，在所述步骤S106之后，为了同时展示对多个目标无线电信号的探测结果，可以但不限于以列表的形式实时刷新显示多个目标无线电信号出现的频率点。

综上，本实施例所提供的基于深度学习模型的无线电信号识别方法，具有如下有益效果：(1)该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，可以最大可能地利用更多的信号特征，实现短突发及弱信号的探测；(2)在该无线电信号分类识别方法中，由于是将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测，因此不需要针对特定信号进行专用设计，具备通用性，便于实际推广和应用。

实施例二

图3示出了本发明提供的实现基于深度学习模型的无线电信号识别方法的系统结构示意图。本实施例提供了一种实现实施例一所述无线电信号识别方法的系统，包括样本信号预处理模块、样本训练模块、空口信号接收模块、空口信号预处理模块、分类识别模块和反向计算模块；所述样本信号预处理模块通信连接所述样本训练模块，用于通过STFT变换将目标无线电信号的时域样本数据转换为时频样本数据，并根据时频样本数据生成二维时频样本图；所述样本训练模块通信连接所述分类识别模块，用于将二维时频样本图作为输入元素，导入深度学习模型进行训练，得到训练完毕的深度学习模型；所述空口信号接收模块通信连接所述空口信号预处理模块，用于获取空口无线电信号的宽带时域数据；所述空口信号预处理模块通信连接所述分类识别模块，用于通过STFT变换将宽带时域数据转换为宽带时频数据，并根据所述宽带时频数据生成二维宽带时频图，然后对所述二维宽带时频图进行频域和时域切分，得到若干个在频域或时域有交叠的子带时频图；所述分类识别模块通信连接所述反向计算模块，用于将各个子带时频图作为输入元素，导入训练完毕的深度学习模型进行分类识别，并将激活有效输出分类的子带时频图作为包含目标无线电信号的目标子带时频图；所述反向计算模块，用于根据所述目标子带时频图反向计算出目标无线电信号出现的时间点和频率点，完成在宽带的空口无线电信号中对目标无线电信号的探测。

优化的，所述空口信号接收模块包括天线和宽带接收机；所述天线通信连接所述宽带接收机，用于将空口无线电信号转换为射频信号，然后将所述射频信号传送至宽带接收机；所述宽带接收机通信连接所述空口信号预处理模块，用于对射频信号依次进行下变频处理和数字化采样处理，得到宽带时域数据。

优化的，还包括通信连接所述反向计算模块的显示模块；所述显示模块，用于以列表的形式实时刷新显示多个目标无线电信号出现的频率点。

本实施例所提供的实现基于深度学习模型的无线电信号识别方法的系统，其具有的有益效果可参照实施例一得到，于此不再赘述。

如上所述，可较好地实现本发明。对于本领域的技术人员而言，根据本发明的教导，设计出不同形式的基于深度学习模型的无线电信号识别方法及其实现系统并不需要创造性的劳动。在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。