一种基于空洞卷积和特征拼接的智能信号检测方法及装置与流程

本申请涉及信号检测，具体而言，涉及一种基于空洞卷积和特征拼接的智能信号检测方法及装置。

背景技术：

1、信号检测满足的基本要求是：从同时含有目标和噪声n(t)的信号x(t)中，判断当前时间t内是存在目标s(t)(x(t)＝s(t)+n(t))，还是只包含n(t)(x(t)＝n(t))。通过一定算法设计，检测系统能够对输入x(t)进行判决从而实现检测，除了达到检出目标的基本要求，还希望检测精度越高越好。要从一个含有噪声的信号中检测出目标信号，传统的信号检测方法首先需要针对信号x(t)计算一定统计量，然后需要设定一定比较好的门限，统计量高于门限的时候是目标，统计量低于门限的时候是噪声。门限设计时信号检测理论中最重要的部分，不同的通信系统场景、不同的信号条件，需要不同的门限设计方案。

2、为了简化信号检测问题，首先假设发射信号已知，噪声分布已知，将信号检测问题简化为二元信号检测。针对二元数字系统发送0、1码(分别对应于)s0(t)和s1(t)，给定虚警概率的前提下，让正确检测概率尽量大，漏检概率尽量小。在该场景下，目前大多数方法使用奈曼皮尔逊准则，雷达领域又称为恒虚警检测，数学模型为：h0：x(t)＝s0(t)+n(t)，0≤t≤t和h1：x(t)＝s1(t)+n(t)，0≤t≤t，判决规则为：由于给定了条件p(d1|h0)＝α为定值，其中d1为样本的真实值，可以通过拉格朗日方法算出λ的值。

3、上述方法假定了已知噪声分布，并且大多数实施方案假设噪声为单高斯分布并且不随时间变化。而实际环境中噪声分布的数学形式非常复杂的，很多时候不能完全使用单高斯分布进行建模，并且噪声也可能会随时间出现变化。因此实际中，需要更好的算法对噪声进行建模，以达到更好的门限计算。与此同时，许多信号检测任务中，发射信号不是已知的，接收方需要从大带宽中截获发射信号，因此需要去估计发射信号的模式，这又是一个模式识别的问题。在上述两个问题的影响下，传统的信号检测手段具有一定的局限性。

技术实现思路

1、本申请的目的在于，为了克服现有的技术缺陷，提供了一种基于空洞卷积和特征拼接的智能信号检测方法及装置，通过使用空洞卷积和特征拼接设计卷积神经网络模型，在电磁信号智能检测领域中，相比通用的深度学习模型更能解决长时依赖问题和计算量问题，实现了在信号的时频图上更好的感兴趣信号点提取。

2、本申请目的通过下述技术方案来实现：

3、第一方面，本申请提出了一种基于空洞卷积和特征拼接的智能信号检测方法，所述方法包括：

4、对调制信号进行ad采样操作得到采样实信号；

5、将采样实信号进行短时傅里叶变换得到时频图；

6、利用卷积神经网络模型对时频图进行空洞卷积、特征拼接得到拼接特征；

7、对拼接特征进行卷积和0/1判断得到判断结果。

8、在一种可能的实施方式中，时频图x(t，f)的计算公式为：

9、

10、其中x(n)是采样实信号，l是傅里叶变换的窗口长度，g是窗口间距，t是时频图的时间长度，f为时频图的频点数，|x|是取模操作。

11、在一种可能的实施方式中，对时频图进行空洞卷积的步骤，包括：

12、将时频图x(t，f)转化为时频特征x(c，h,w)，其中c，h，w分别表示通道数；

13、对时频特征x(c，h，w)进行空洞卷积提取长时依赖特征y(d，h,w)。

14、在一种可能的实施方式中，长时依赖特征y(d，h，w)的生成公式为：

15、y(d，h，w)＝conv(x，k)＝∑m,n，c x(c，h+ms，w+ns)k(d，c，m，n)；

16、其中k(d，c，m，n)是卷积核，d是卷积核数量，m是卷积核的长度，n是卷积核的宽度，s是设置的步长。

17、在一种可能的实施方式中，拼接特征y′(e，t，f)为：

18、

19、其中k1、k2和k3为不同的卷积核，d1、d2和d3分别为卷积核k1、k2和k3的卷积核数量，y1＝conv(x，k1)、y2＝conv(y1，k2)和y3＝conv(y2，k3)分别为不同卷积层的拼接特征。

20、在一种可能的实施方式中，对拼接特征进行卷积和0/1判断得到判断结果的步骤，包括：

21、对拼接特征进行卷积得到逻辑子s(b，h，w)；

22、对逻辑子s(b，h，w)进行0/1判断得到判断结果t(h,w)：

23、

24、第二方面，本申请还提出了一种基于空洞卷积和特征拼接的智能信号检测装置，所述装置包括：

25、采样模块，用于对调制信号进行ad采样操作得到采样实信号；

26、傅里叶变换模块，用于将采样实信号进行短时傅里叶变换得到时频图；

27、卷积拼接模块，用于利用卷积神经网络模型对时频图进行空洞卷积、特征拼接得到拼接特征；

28、卷积判断模块，用于对拼接特征进行卷积和0/1判断得到判断结果。

29、在一种可能的实施方式中，时频图x(t，f)的计算公式为：

30、

31、其中x(n)是采样实信号，l是傅里叶变换的窗口长度，g是窗口间距，t是时频图的时间长度，f为时频图的频点数，|x|是取模操作。

32、在一种可能的实施方式中，卷积拼接模块，还用于：

33、将时频图x(t，f)转化为时频特征x(c，h,w)，其中c，h，w分别表示通道数；

34、对时频特征x(c，h，w)进行空洞卷积提取长时依赖特征y(d，h,w)。

35、在一种可能的实施方式中，卷积判断模块，还用于：

36、对拼接特征进行卷积得到逻辑子s(b，h，w)；

37、对逻辑子s(b，h，w)进行0/1判断得到判断结果t(h,w)：

38、

39、上述本申请主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本申请可采用并要求保护的方案；且本申请，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本申请方案后根据现有技术和公知常识可明了有多种组合，均为本申请所要保护的技术方案，在此不做穷举。

40、本申请公开了一种基于空洞卷积和特征拼接的智能信号检测方法及装置，首先对调制信号进行ad采样操作得到采样实信号，然后将采样实信号进行短时傅里叶变换得到时频图，再利用卷积神经网络模型对时频图进行空洞卷积、特征拼接得到拼接特征，最后对拼接特征进行卷积和0/1判断得到判断结果。通过使用空洞卷积和特征拼接设计卷积神经网络模型，在电磁信号智能检测领域中，相比通用的深度学习模型更能解决长时依赖问题和计算量问题，实现了在信号的时频图上更好的感兴趣信号点提取。

1.一种基于空洞卷积和特征拼接的智能信号检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的智能信号检测方法，其特征在于，时频图x(t，f)的计算公式为：

3.如权利要求1所述的智能信号检测方法，其特征在于，对时频图进行空洞卷积的步骤，包括：

4.如权利要求3所述的智能信号检测方法，其特征在于，长时依赖特征y(d，h,w)的生成公式为：

5.如权利要求4所述的智能信号检测方法，其特征在于，拼接特征y′(e，t，f)为：

6.如权利要求1所述的智能信号检测方法，其特征在于，对拼接特征进行卷积和0/1判断得到判断结果的步骤，包括：

7.一种基于空洞卷积和特征拼接的智能信号检测装置，其特征在于，所述装置包括：

8.如权利要求7所述的智能信号检测装置，其特征在于，时频图x(t，f)的计算公式为：

9.如权利要求7所述的智能信号检测装置，其特征在于，卷积拼接模块，还用于：

10.如权利要求7所述的智能信号检测装置，其特征在于，卷积判断模块，还用于：