基于时频谱图的多类型信号检测与分类的增强预训练网络

摘要: 本发明涉及无线电网络,尤其涉及一种基于时频谱图的多类型信号检测与分类的增强预训练网络。背景技术:1、检测(sd)和信号分类(sc)的频谱感知精度是认知无线电网络...
基于时频谱图的多类型信号检测与分类的增强预训练网络

本发明涉及无线电网络,尤其涉及一种基于时频谱图的多类型信号检测与分类的增强预训练网络。

背景技术:

1、检测(sd)和信号分类(sc)的频谱感知精度是认知无线电网络中最具挑战性的任务之一。通过利用信号与噪声之间能量分布的独特差异,基于阈值检测的传统方法实现了sd。基于能量的阈值检测是实现 sd 的有效且低复杂度的方法,但由于波动噪声的影响,其精度相当有限。此外,目前的研究主要集中在确定背景噪声下是否存在信号。在此之后,只有少数几种基于能量检测的方法可以粗略地获取简单的参数,如信号数量、载波频率和信号发生时间,但需要额外的工作(例如,对 cwt 系数进行对数缩放以增强宽带信号边缘,通过 dwt 进行并发去噪并应用共振滤波器,用于序贯概率比检验的压缩样本),导致信号检测的计算复杂度较高。因此,研究能够准确、智能地感知宽带信号所有要素的 sd 方法已成为认知无线电网络的重要组成部分。

2、近年来,深度学习方法在窄带和宽带信号处理领域引起了相当大的兴趣。sun等提出了一种创新方法,利用基于 yolo 的框架来检测任意方向的合成孔径雷达(sar)舰船。该方法使用了双向特征融合和角度分类。wang等利用相关信息来指导从多源图像输入中进行的特征学习。xiao等利用多步预测损失函数来实现长期预测能力。mendis等提出了一种联合多网络,输入原始数据和频谱相关函数进行信号检测,其中卷积神经网络(cnn)、长短期记忆网络和深度置信网络相结合,协同增强检测效果。另一篇文章中,作者使用掩码区域卷积神经网络和 criminisi 算法来检测窄带信号,但背景噪声降低了检测性能。

3、最近,关于 sd 和 sc 结合的一些工作已经展开。在现有技术【o. a. dobre, s.rajan, and r. inkol, “joint signal detection and classification based onfirst-order cyclo stationarity for cognitive radios,” eurasip journal onadvances in signal prcessing, vol.01, pp.1-10, mar. 2019.】中,提出了一种基于一阶循环平稳性的算法,用于检测和分类频移键控(fsk)和幅度调制(am)信号。通过利用宽带信号的关键频谱特征,文献 [w. li, k. wang, l. you and z. huang, ”a new deeplearning framework for hf signal detection in wideband spectrogram,” ieeesignal processing letters, vol. 29, pp. 1342-1346, 2022.] 中的作者提出了一种新颖的深度学习框架,该框架在每个频率仓沿时间轴提取特征,并预测信号的多种特征,包括中心频率和形状属性。文献 [t. cheng, l. sun, j. zhang, j. wang,and z. yang,“a start–stop points centernet for wideband signals detection and time–frequency localization in spectrum sensing,” neural networks, vol. 170, pp.325–336, 2024] 中的作者提出了一种宽带信号检测和分类的综合方案。该方案采用centernet 进行信号检测,并巧妙地整合了起始点和终止点的信号特征来识别不连续的突发信号。然而,当高密度信号存在于复杂的电磁环境中并淹没在高强度背景噪声中时,现有的复杂网络检测精度低且耗时。

4、另一方面,centernet近期因其运行速度和硬件成本而成为热门话题[x. zhou,d. wang, and p. krahenb ¨ uhl, “objects as points,” ¨ in proceedings of theieee conference on computer vision and pattern recognition, arxiv:2012.12397, 2020]。基于centernet,li等[w. h. li, k. wang, and l. you, “a deepconvolutional net

5、work for multitype signal detection and classification inspectrogram,”mathematical problems in engineering, vol. 1, no. 16, pp. 1-16,2020]开发了一种粗略的信号区域中心线定位方法。然而,由于信号采集时间(sat)不一致,利用一组通用锚框来匹配各种信号的检测网络设计仍然是一个严重的问题。近年来,自训练技术作为一种简单有效的无监督数据增强方法崭露头角,在多项计算机视觉任务中取得顶尖表现,相关研究证实该算法在目标检测和语义分割处理中具有优异性能。文献[l.hou, k. lu and j. xue, “refined one-stage oriented object detection methodfor remote sensing images,” ieee transactions on image processing, vol. 31,pp. 1545-1558, 2022.ieee transactions on cognitive communications andnetworking, vol. xx, no. xx, xx 2025 15 ]中的作者探索了对象的所尺度增强表示。然而,这项技术尚未应用于噪声效应和 sat 效应下的宽带信号检测。

6、因此,现有的信号检测技术仍面临更严峻的挑战:1)多类型的信号通常淹没在更困难的背景环境中,呈现出高密度和高干扰的时频谱图;2)上述多信号检测方法和侧重于短长带信号检测,未考虑信号噪声和不一致 sat 效应对检测精度和效率成本的影响。

技术实现思路

1、本发明所要解决的技术问题是如何提供一种能够提高短时宽带信号的检测精度,且抗噪性能强的基于时频谱图的多类型信号检测与分类的增强预训练网络。

2、为解决上述技术问题,本发明所采取的技术方案是:一种基于时频谱图的多类型信号检测与分类的增强预训练网络,包括:

3、时频谱图增强模块:用于对长时信号采用随机信号缩放策略生成不同尺寸尺度的频谱图,并对短时信号采用随机信号分辨率策略生成不同分辨率的频谱图;

4、主干网络模块,采用分层融合网络作为编码器-解码器架构,用于提取多尺度特征;

5、特征提取分支,用于自适应地分解特征输入流,通过特征组合组件将相应输出进行均值-方差运算,合并对应卷积层的输出以从全局感受野中提取特征,并在图像平面上输出2d边界框的中心点;

6、回归分支,采用感兴趣区域对齐以2d边界框中心对称的方式提取局部细粒度特征,用于预测并回归热图上每个关键点2d边界框的尺寸与中心点偏移等基本变量;

7、损失函数计算模块,用于根据关键点分类损失、2d边界框尺寸回归损失和中心点偏移损失联合计算网络的最终损失函数,优化网络参数;

8、网络输出模块,用于输出经所述特征提取分支和所述回归分支联合处理后的多类型信号的检测与分类结果。

9、采用上述技术方案所产生的有益效果在于:所述强预训练网络(ssnet)用于宽带频谱图中的多类型信号检测与分类,有效克服了宽带信号检测中sat差异带来的偏差。该网络通过集成深度注意力机制,能够从多个分支中提取全局与局部特征并实现相互转换。得益于学习到的平均属性特征,所述网络在多类型信号检测与分类中展现出更强的抗干扰能力。初步实验验证了ssnet在工业应用中,即使面对sat差异和噪声干扰仍能保持显著优势。