一种基于同步压缩变换与轻量化神经网络的复杂电磁信号分选方法

本发明涉及无线通信，尤其涉及一种基于同步压缩变换与轻量化神经网络的复杂电磁信号分选方法。

背景技术：

1、随着电磁环境的日益复杂化，各种无线通信信号、雷达信号等在时频域上频繁交叠，给信号监测与分选带来了巨大的挑战。信号分选作为电子侦察、频谱管理与电磁态势感知中的关键技术，其核心任务是从海量交叠的脉冲流或连续信号中准确识别出各信号源的类别与参数。

2、传统的信号分选方法主要依赖于脉冲描述字提取及后续的聚类算法，如k-means、dbscan等，或基于脉冲重复间隔的直方图法如cdif和sdif。然而，这类方法在面对现代复杂调制信号时面临较大局限：首先，多信号重叠时脉冲参数的测量会发生严重畸变，导致pdw参数的可靠性下降；其次，对于宽带正交频分复用信号等具有复杂时频结构的信号，传统的基于能量触发的脉冲关联机制难以有效表征；最后，在低信噪比条件下，微弱信号的特征容易被背景底噪或强功率信号的旁瓣所掩盖。

3、近年来，以深度神经网络为代表的人工智能技术为信号分选提供了新的技术路径。通过对时频图像进行端到端的学习，模型能够自动提取信号中难以由人工设计获得的特征。然而，现有的深度学习分选方法仍存在以下不足：

4、（1）在预处理阶段，传统方法通常采用短时傅里叶变换（stft）将一维时序信号映射为二维时频图。但stft受限于海森堡测不准原理，其时频聚集度较低，在低信噪比下能量扩散严重、时频脊线模糊。同时，取模运算丢失了信号的相位信息，使得相位编码类信号的细微特征难以被网络捕捉。

5、（2）在网络结构方面，高性能的深度模型通常伴随着较大的参数量和前向推理计算开销，不利于在资源受限的嵌入式平台上的部署。现有轻量化网络虽然降低了计算量，但在复杂电磁环境下的识别精度仍有提升空间，特别是在多信号混叠场景中，对长距离空间相关性和显著信号区域的自适应建模能力相对不足。

6、（3）目前已有的方法在预处理和网络设计两个环节相对独立，缺乏针对信号时频特性的协同发展优化，时频特征的提取质量与网络的特征提取能力之间存在着相互制约关系，单独优化某一环节难以获得最佳的分选性能，亟需一种能够从时频表征与网络结构协同优化的角度提升识别精度同时保持模型轻量化的信号分选方法。

技术实现思路

1、发明目的：本发明针对现有技术存在的问题，提供一种基于同步压缩变换与轻量化神经网络的复杂电磁信号分选方法，此方法在预处理阶段利用同步压缩变换锐化时频脊线，并构建幅值、相位与边缘三通道特征张量，以丰富信号的判别信息，在网络结构上采用轻量化ghostnet为骨干，融合simam无参数注意力机制与空间像素位移机制，在不增加参数量的前提下扩大感受野并增强显著特征。相比于传统时频分析方法，本发明能够在低信噪比和复杂混叠场景下有效提升识别精度，同时保持模型轻量化，便于部署。

2、为实现上述目的，本发明采取的技术方案是：

3、基于同步压缩变换与轻量化神经网络的复杂电磁信号分选方法，包括：

4、（1）接收待分选的复杂电磁信号，复杂电磁信号为包含至少一种信号类型的时域采样序列；

5、（2）对所述时域采样序列进行同步压缩变换，获得高聚集度的时频复数矩阵；

6、（3）分别提取所述时频复数矩阵的模值、辐角相位和空间梯度特征，经对数压缩、相位映射和梯度归一化后，得到幅值强度特征通道、相位特征通道和边缘特征通道，并将三个特征通道在通道维度拼接，形成三通道时频特征张量；

7、（4）将所述三通道时频特征张量输入预训练的轻量化神经网络，轻量化神经网络以ghostnet为骨干，其ghost模块中嵌入了空间像素位移机制以扩大等效感受野，并引入了simam无参数注意力机制以增强显著特征，经所述网络映射后，输出信号类别识别结果。

8、进一步的，步骤（1）中所述信号类型包括5g nr信号、bpsk调制信号和线性调频雷达信号中的至少一种；步骤（4）中所述信号类别识别结果为单信号类别、多种信号混叠类别或无信号。

9、进一步的，步骤（2）具体包括：

10、（2.1）对所述时域采样序列进行加窗短时傅里叶变换，获得时频复数矩阵gx(t,η)；

11、（2.2）根据所述时频复数矩阵的相位信息估计各时频点的瞬时频率，瞬时频率估计算子计算公式为：

12、；

13、式中，为在时频点处估计的瞬时频率；表示取实部；为对时间的偏导数；为加窗后的短时傅里叶变换复数谱。

14、（2.3）将所述时频复数矩阵中各频率点的能量沿频率轴搬移至所述瞬时频率对应的位置，同步压缩变换的表达式为:

15、；

16、式中， 为同步压缩变换后的复数时频矩阵；为狄拉克函数；为压缩后的新频率轴；为给出的瞬时频率估计值，该式将stft平面上所有观测频率处的能量搬移至瞬时频率对应的位置。

17、进一步的，步骤（3）具体包括：

18、（3.1）提取时频复数矩阵模值后进行对数压缩变换，对数变换算子为：

19、；

20、式中，为经对数变换后的幅值；为正则化偏置项。

21、再归一化映射得幅值强度特征通道，r通道的离散像素值矩阵通过下式计算：

22、；

23、式中，为r通道的离散像素值；和分别为当前时频矩阵的全局最小值和最大值；为四舍五入取整函数。

24、（3.2）提取时频复数矩阵辐角相位时，在[-π,π]区间内的相位估计公式为：

25、；

26、式中，为四象限反正切函数，返回值在区间；和分别表示取复数的虚部和实部； 即为提取的瞬时相位。

27、随后，通过量化算子生成g通道的像素值矩阵得相位特征通道：

28、；

29、式中，为g通道的像素值；由相位估计公式给出，经线性映射将 转换至[0,255]

30、（3.3）采用sobel算子计算幅值强度特征通道的水平梯度和垂直梯度，定义两个分别用于估计水平和垂直方向梯度的sobel卷积模板和：

31、；

32、式中，为水平方向梯度估计的sobel模板；为垂直方向梯度估计的sobel模板；二者均为卷积核。

33、在获得水平与垂直两个维度的分量梯度后，采用欧几里得范数来计算综合梯度幅值得边缘特征通道：

34、；

35、式中，为综合梯度幅值；为时频点处的水平方向梯度值；为垂直方向梯度值。

36、经归一化后得到边缘特征通道：

37、（3.4）将所述幅值强度特征通道、相位特征通道和边缘特征通道在通道维度拼接，形成三通道时频特征张量。

38、进一步的，步骤（4）具体包括：

39、（4.1）所述轻量化神经网络以ghostnet为骨干，其入口由一组3×3标准卷积层、批归一化层及relu激活函数组成，步长设定为2，将输入降采样至112×112尺度，随后依次经过stage1至stage5五个特征提取阶段，其中stage3至stage5引入simam注意力机制，最后经全局平均池化与全连接层输出分类结果；

40、（4.2）所述空间像素位移机制为：将ghost模块第一阶段产生的基准特征图沿通道维度划分为五个子组，分别执行上移、下移、左移、右移和静止操作，然后将位移后的五个子组在通道维度重新拼接，使后续的深度可分离卷积获得等效的5×5感受野；

41、（4.3）所述simam注意力机制中计算神经元最小能量公式为：

42、；

43、式中， 为目标神经元的最小能量值；为目标神经元的特征值；和分别为邻域神经元的均值和方差；为正则化超参数，用于保证数值稳定。

44、采用sigmoid函数对能量函数的倒数进行非线性激活：

45、；

46、式中，为输入特征图；为经过注意力加权后的输出特征图；为汇总所有神经元能量值的张量；为sigmoid激活函数；表示逐元素相乘。

47、（4.4）所述轻量化神经网络采用改进型ghost瓶颈模块作为基本特征提取单元，所述改进型ghost瓶颈模块包括依次连接的第一ghost模块、simam注意力模块和第二ghost模块；步长为1时，主干分支为上述串联结构，捷径分支为恒等映射，输出为两者逐元素相加；步长为2时，主干分支增加深度卷积以下采样，捷径分支为深度卷积与点卷积串联。

48、有益效果：本发明与现有技术相比，其显著优点是：

49、1、首先，在预处理阶段采用同步压缩变换替代传统stft，通过对时频平面能量进行重排与锐化，克服了时频分析的能量扩散问题，提升了时频表示的稀疏性与能量聚集度，为神经网络提供了更高质量的输入特征；

50、2、同时，构建了融合幅值、相位与边缘的三通道特征张量，相比传统单通道灰度时频图，该多特征表示能够从多个角度描述信号的时频特性，弥补了传统取模运算丢失相位信息的缺陷，提升了低信噪比条件下相位编码信号和混叠信号的可分性；

51、3、此外，在轻量化网络ghostnet基础上集成了空间像素位移机制与simam无参数注意力机制，空间像素位移机制通过通道位移扩大等效感受野，避免了空洞卷积的采样稀疏问题，simam注意力机制通过神经元能量显著性度量增强显著特征并抑制噪声，且不增加参数，两者结合使网络在保持轻量化的同时提升了低信噪比和混叠场景下的识别精度。实验结果表明，本方法参数量仅2.40m，计算量0.11gflops，适用于资源受限的嵌入式平台部署。