基于深度神经网络的导航频段信号类型识别方法及系统

摘要

本发明公开了一种基于深度神经网络的导航频段信号类型识别方法及系统，将已知的各种导航频段信号类型建立数据库，通过时频分析的方法将时域信号的特征转化为瞬时频率和谱熵两路一维时频域序列，再使用循环神经网络在一维信号特征提取上的优势，对神经网络进行训练。最后通过通用软件无线电设备实时采集导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对卫星导航系统的信号类型识别有着重大意义。

说明书

技术领域

本发明涉及导航信号处理领域，具体的涉及一种基于深度神经网络的导航频段信号类型识别方法及系统。

背景技术

在目前日趋复杂的电磁环境下，卫星导航信号由于长距离传输，信号强度极弱，湮没在噪声里，极易与的其他类型的信号混合，从而造成信号质量下降。如果不能将这些混合信号类型准确地识别，卫星导航系统将可能无法提供导航授时服务。因此，如何对导航频段信号类型进行识别是一个重要的问题，只有实时准确的识别出信号类型，才能进行后续的处理。因此导航频段信号类型识别，是需要解决的关键问题。

当前国内在导航频段信号类型识别领域正处于发展阶段。近几年，逐渐有学者发表关于导航频段信号类型识别的研究成果，相关专家和研究机构对信号分类进行了部分研究，主要采用人为设定阈值判别的方法，但是这种方法对信号特征的提取效率和识别准确度较低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度神经网络的导航频段信号类型识别方法，能够提高信号特征提取的效率和准确度。

根据本发明实施例的一种基于深度神经网络的导航频段信号类型识别方法，包括以下步骤：

S1、生成导航频段不同类型的信号数据集：根据信号的函数表达式，设定采样率

S2、信号时频分析：对导航频段信号数据集里的每一段信号的数据集

S3、建立神经网络数据集：对

S4、训练深度神经网络：通过信号模型产生导航频段信号训练集，将步骤S3中的两路一维时频域序列的训练集输入循环神经网络训练参数，提取序列特征，训练结束后将神经网络参数保存；

S5、信号采集与下变频：利用天线接收射频信号并传输至信号采集设备，信号采集设备将监测的导航频点对应指定范围带宽内时长为

S6、导航频段信号时频分析：信号识别设备读取信号采集设备传输的数字信号

S7、导航频段信号类型识别：载入步骤S4保存的神经网络参数，将步骤S6得到的瞬时频率和谱熵序列输入循环神经网络分类，得到分类结果。

根据本发明实施例的一种基于深度神经网络的导航频段信号类型识别系统，包括：依次连接的导航天线、信号采集设备和信号处理设备，所述信号处理设备应用上述的基于深度神经网络的导航频段信号类型识别方法。

根据本发明实施例的基于深度神经网络的导航频段信号类型识别方法及系统，至少具有如下技术效果：本发明实施方式将常见的各种导航频段信号类型建立数据集，通过时频分析的方法将时域信号转化为瞬时频率和谱熵两路一维时频域序列，再使用训练集对循环神经网络进行训练。最后通过通用信号采集设备实时采集导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对导航频段信号类型识别有着重大意义。

本发明实施方式对信号进行求解瞬时频率和谱熵两路一维时频域序列的预处理可以进一步提高信号识别的准确度，实现了在更低干噪比的条件下准确识别信号类型，并且由于硬件只需要信号采集设备和信号处理设备，可广泛应用于信号监测站点、移动监测车辆等来提高导航频段信号类型识别能力。

随着硬件运算能力的进一步提升，基于时频分析的神经网络训练速度和信号处理速度能够进一步提高，从而能够识别更大带宽，更广范围的导航频段信号类型。

根据本发明的一些实施例，所述步骤S1中导航频段信号的类型包括扫频信号、单音信号、脉冲信号和扩频信号。

根据本发明的一些实施例，所述步骤S1中扫频信号、单音信号、扩频信号和脉冲信号对应的函数表达式分别为

扫频信号：

单音信号：

扩频信号：

脉冲信号：

其中，

根据本发明的一些实施例，所述步骤S1中扫频信号的可调整参数类型为起始/结束频率、起始/结束功率和扫频速率；单音信号的可调整参数类型为载波频率和载波功率；扩频信号的可调整信号参数类型为扩频码码率、载波频率和载波功率；脉冲信号的可调整参数类型为脉冲周期、占空比和载波功率。

根据本发明的一些实施例，所述步骤S2中时频分析的具体步骤为：

S201、首先利用短时傅里叶变换计算输入信号的时频功率谱矩阵

其中，

S202、最后根据下式估计瞬时频率：

计算输入信号谱熵，给定的时频功率谱

则可以得到

根据本发明的一些实施例，所述步骤S4中循环神经网络为LSTM神经网络。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例中基于深度神经网络的导航频段信号类型识别方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

一种基于深度神经网络的导航频段信号类型识别方法，如图1所示，包括S1、生成导航频段信号数据集；S2、信号时频分析；S3、建立神经网络训练集；S4、训练循环神经网络；S5、信号采集与下变频；S6、信号时频分析；S7、信号类型识别操作这几个步骤。

详细步骤为

以对北斗B1C频点为中心，双边带宽为40MHz频段内的四种信号类型识别为例，分别是扫频信号、单音信号、脉冲信号和扩频信号。其函数表达式如表1：

表1 导航频段常见信号类型函数表达式

其中，

当然，表1只是四种信号的一种比较通用的表达式，信号还可以采用其他的表达式，信号种类也不限于扫频信号、单音信号、脉冲信号和扩频信号这四种。根据四种类型信号的函数表达式，利用仿真软件或标准信号源生成的手段，设置采样率

标准信号源采用E4438C矢量信号发生器，设置信号源面板选项，遍历不同类型不同信号参数范围的导航信号。通过软件编程生成同样遍历不同类型不同信号参数范围的导航频段信号。每种信号可调整的参数类型如表2。

表2 导航频段常见信号类型可调整参数

注：扫频速率=扫频带宽/（步进点数×驻留时间）；占空比=脉冲宽度/脉冲周期

以上只是部分可变的信号参数，表2的内容不代表对信号的可变参数类型作出限定。

对信号数据集里的每一段信号

其中，

最后根据下式估计瞬时频率：

计算信号谱熵，给定的时频功率谱

则可以得到

时频分析完成后得到两路一维时频域序列。这个过程相当于对信号进行预处理，提取信号特征参数，强化了信号的特征。

信号预处理后的时频序列对应信号类型分5类存储，每一类1500×2段。将每一类的1500×2段时频序列按照9:1比例分成两部分，组成神经网络的训练集和测试集。最后对这5类信号建立图像分类标签：Sweep（扫频信号）、Pulse（脉冲信号）、CW（单音信号）、DSSS（扩频信号）、Awgn（正常背景噪声）。

使用循环神经网络的一种特殊类型——LSTM作为训练对象，将建立的数据集输入神经网络，在有GPU加速条件的硬件平台进行训练，待训练结束。

通用软件无线电设备采用USRP N300，连接导航天线与信号识别设备——个人计算机组成硬件系统。USRP N300通过天线接收射频信号，将监测的导航频点对应40M双边带宽内时长为81.92μs的信号下变频成数字中频信号

计算机载入已经训练好的神经网络参数，将来自USRP的数字信号接收并读入RAM，然后将信号进行时频分析，最后将两路一维时频域序列输入循环神经网络LSTM自动分类，得到分类结果。

本发明实施例还包括一种基于深度神经网络的导航频段信号类型识别系统，包括：依次连接的导航天线、信号采集设备和信号处理设备，信号采集设备为软件无线电设备，采用的型号为USRP N300，USRP N300连接导航天线与信号识别设备——个人计算机组成硬件系统，硬件系统应用上述方法实现导航频段信号类型的识别。

综上所述，本发明实施例将已知的各种导航类型信号建立数据库，通过时频分析的方法将时域信号的特征转化为两路时频域一维序列，再使用循环神经网络在一维序列特征提取上的优势，对神经网络进行训练。最后通过通用软件无线电设备实时采集监测导航频段内的信号，进行和前述相同的时频分析后由训练好的神经网络识别信号类型，提高了信号特征提取效率和准确度，对导航频段信号类型识别有着重大意义。

本发明方法与瞬时频率和谱熵结合可以进一步提高信号识别的准确度。该方法提高了信号监测与信号识别的准确度，实现了在更低干噪比的条件下准确识别信号类型，并且由于硬件只采用了软件无线电设备和信号处理设备，可广泛应用于信号监测站点、移动监测车辆等来提高导航信号类型识别能力。

随着USRP与GPU运算能力的进一步提升，基于瞬时频率和谱熵的信号神经网络训练速度和信号处理速度能够进一步提高，从而能够识别更大带宽，更广范围的导航频段信号类型。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。