一种基于深度学习的跳频信号参数估计方法
阅读说明：本技术 一种基于深度学习的跳频信号参数估计方法 (Frequency hopping signal parameter estimation method based on deep learning ) 是由 王燕 梁国龙 王哲睿 付进 张光普 王逸林 王晋晋 邹男 邱龙皓 郝宇 于 2021-07-07 设计创作，主要内容包括：本发明提供一种基于深度学习的跳频信号参数估计方法,属于电子对抗和通信技术领域,公开了一种,包括以下步骤：1)对接收到的跳频信号进行功率谱估计,得到跳频信号的频率集；2)以频率集中的频率个数来确定所需深度学习网络的个数,并构造对应频率集中各个频率的深度学习网络所需的训练集；3)将训练集输入各个网络中,完成深度学习网络的构建；4)将接收到的信号分别输入构建好的对应频率的网络中,从而获得各个频率所对应网络的输出；5)通过对各个网络的输出进行平滑处理,估计出接收跳频信号的时频参数。本发明对跳频信号在低信噪比条件下的时频参数具有较高的估计精度,对跳频信号的处理具有重要意义。(The invention provides a frequency hopping signal parameter estimation method based on deep learning, which belongs to the technical field of electronic countermeasure and communication and discloses a method, comprising the following steps of: 1) carrying out power spectrum estimation on the received frequency hopping signal to obtain a frequency set of the frequency hopping signal; 2) determining the number of required deep learning networks according to the number of frequencies in the frequency set, and constructing a training set required by the deep learning networks corresponding to each frequency in the frequency set; 3) inputting the training set into each network to complete the construction of the deep learning network; 4) inputting the received signals into the constructed networks with corresponding frequencies respectively, thereby obtaining the output of the network corresponding to each frequency; 5) and performing smoothing processing on the output of each network to estimate the time-frequency parameters of the received frequency hopping signal. The method has higher estimation precision on the time-frequency parameters of the frequency hopping signal under the condition of low signal-to-noise ratio, and has important significance on the processing of the frequency hopping signal.)
技术领域
本发明属于电子对抗和通信
技术领域
，涉及一种基于深度学习的跳频信号参数估计方法，可用于跳频信号的时频参数估计。背景技术
通信侦察是潜艇通信对抗的一部分，跳频信号因具有较强的抗多径、抗干扰、抗截获等能力被广泛应用在水声通信领域。获取跳频信号的参数是通信对抗的关键环节。对于水声跳频信号，信号的频率、个数、持续时间等信息通常未知，而且水声信号受信道以及海洋环境背景噪声影响大，当信源距离较远时，接收到信号的信噪比也将受到较大影响，导致对信号的分析以及参数提取产生很大困难。在上述复杂的条件下，对于具有典型非平稳特性的水声跳频信号，研究其在复杂条件下的时频参数估计方法，具有重要的意义。跳频信号具有典型的非平稳特性，可以用时频分析方法进行处理。现有的时频估计方法中，如短时傅立叶变换 (STFT)和Gabor变换，其窗口大小固定，不能同时满足高时间分辨率和高频率分辨率的要求；连续小波变换(CWT)，能够同时获得较高的时频分辨率，但在低信噪比时，对算法性能影响较严重；WVD具有较好时频聚集性，但是其对于跳频信号的时频表示，具有严重的交叉项干扰； SPWVD和径向高斯核分布等方法通过设计核函数来对WVD进行平滑滤波，虽然能够较好的抑制WVD的交叉项问题，但是基于核函数的交叉项抑制方法会引起时频聚集性的下降，不利于信号参数估计。综上所述，现有技术存在的问题是：算法在低信噪比条件下对跳频信号的时频参数估计性能下降明显。
发明内容
本发明的目的是为了克服上述现有技术的不足，本发明提供了一种基于深度学习的跳频信号参数估计方法，首先分析了在高斯噪声背景下低信噪比跳频信号的功率谱特点，获得跳频信号的频率集，在此基础上，根据所得到的频率集，构建了跳频信号时域波形的训练集；然后对多层感知机进行训练，获得不同频率信号时域的MLP权值矩阵和偏置向量，进而对待处理信号识别，得到不同频率信号的时域分布，从而得到跳频信号的保持时间，跳变时刻等参数。仿真分析了该方法的时频估计性能，结果表明，该方法能够有效的实现低信噪比条件下跳频信号的时频估计。
本发明的目的是这样实现的：本发明提供了一种基于深度学习的跳频信号参数估计方法，首先分析了在高斯噪声背景下低信噪比跳频信号的功率谱特点，获得跳频信号的频率集，在此基础上，根据所得到的频率集，构建了跳频信号时域波形的训练集；然后对多层感知机进行训练，获得不同频率信号时域的MLP权值矩阵和偏置向量，进而对待处理信号识别，得到不同频率信号的时域分布，从而得到跳频信号的保持时间，跳变时刻等参数。仿真分析了该方法的时频估计性能，结果表明，该方法能够有效的实现低信噪比条件下跳频信号的时频估计。
具体步骤为：
步骤1：采用AR功率谱估计方法，对接收到的跳频信号进行功率谱估计，再对谱峰搜索条件进行设置，得到跳频信号的频率集；
步骤2：以频率集中的频率个数来确定所需深度学习网络的个数，并将频率集中的各个频率构造其对应的含有噪声的时域波形，构造对应频率集中各个频率的深度学习网络所需的训练集；
步骤3：将训练集输入各个网络中，得到各个网络的权值矩阵以及偏置向量，完成深度学习网络的构建；
步骤4：将接收到的跳频信号分别输入构建好的对应频率的网络中，获得对应各个频率网络的输出；
步骤5：通过对各个网络的输出进行平滑处理，得到网络所对应频率的时域分布，估计出接收跳频信号的时频参数。
本发明还包括这样一些结构特征：
1.步骤1中，采用AR功率谱估计方法，通过AIC准则确定AR模型的阶数，利用跳频信号的频率分布特征来对谱峰搜索条件进行设置。
2.步骤2中，利用接收信号得到的信息来对训练集进行构建；假设频率集中的频率为 {f1,f2,…,fn}，构建f1的训练集为：
1类：含有有用信号和噪声的时域信号：
x1(t)＝cos(2πf1t)+n1(t)；
0类：不含有用信号只含有噪声的时域信号：
x0(t)＝n0(t)；
其中：n(t)为高斯白噪声；将上述构建方法重复一百次，即可得到频率为f1的信号的含有一百个1类样本和一百个0类样本的训练集：x1,100表示1类的第一百个样本，x0,100表示0类的第一百个样本；Y1为对应样本X1的分类标签；假设样本长度为ns，令ns＝nw×fs，其中nw为频率为f1的余弦信号的周期数，fs为采样频率，则X1的大小为ns×200，Y1的大小为1×200；频率集中的其他频率信号也通过同样方式构建训练集，得到对应n个载频频率的n组训练集 {X1,X2,…，Xn}以及n组标签{Y1,Y2,…，Yn}。
3.步骤3中，对频率集中不同频率信号分别构建深度神经网络对时域波形进行分类，所用的神经网络包含两个隐藏层，两个隐藏层的节点数分别为7和3，每层的激活函数采用 sigmoid函数。
4.步骤4中，将接收数据分别输入构建完成的神经网络中，假设训练集构建的样本信号长度为ns，则将待测信号通过窗口长度为ns的滑动窗，然后将滑动窗截取到的信号分别输入对应n个载频的训练好的多层感知机中，得到n个长度为(t·fs-ns+1)的分类集。
5.步骤5中，对得到的分类集进行滑动平均，消除随机噪声的干扰，假设滑动平均后得到的对应n个载频的分类集为{C1，C2，…，Cn}，假设C1为对应载频为f1的分类集，则C1为对应载频为f1的信号的时域分布，若C1中有k个点为1分类，则跳频信号频率为f1的部分保持时间为 k/fs秒；分类集C1中第一个1分类的点即为跳频信号中频率为f1的载频所对应的跳变时刻。
与现有技术相比，本发明的有益效果是：本发明在提取跳频信号频率集时，采用了较长的时间积分，相比于短时傅立叶变换需要兼顾时间分辨率与时间分辨率的加窗方法，得到的跳频信号载频更加精确。同时利用深度神经网络非线性分类性能较强的特点，通过建立跳频信号的不同载频的时域波形来对网络进行训练，可以得到各个载频精确的时域分布，能够在低信噪比条件下对跳频信号时频参数进行估计，可以克服线性时频方法受不确定原理的制约，也不存在非线性时频估计交叉项的影响，能够同时在时频域获得较高的估计精度。
附图说明
图1是本发明的实现流程图。
图2a、图2b均是本发明中不同训练样本长度对跳频信号参数估计的影响。
图3是本发明与STFT和SPWVD时频图对比结果。
图4a-图4c均是本发明与其他方法在参数估计精度上的对比曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
参照图1，一种基于深度学习的跳频信号参数估计方法，包括如下步骤：
步骤1、采用AR功率谱估计方法，对接收到的跳频信号进行功率谱估计，再对谱峰搜索条件进行设置，得到跳频信号的频率集；
具体说是采用AR功率谱估计方法，通过AIC准则确定AR模型的阶数，利用跳频信号的频率分布特征来对谱峰搜索条件进行设置；
步骤2、以频率集中的频率个数来确定所需深度学习网络的个数，并将频率集中的各个频率构造其对应的含有噪声的时域波形，从而构造对应频率集中各个频率的深度学习网络所需的训练集；
步骤2中，利用接收信号得到的信息来对训练集进行构建。假设频率集中的频率为{f1，f2，…，fn}，构建f1的训练集为：
1类：含有有用信号和噪声的时域信号
x1(t)＝cos(2πf1t)+n1(t)；
0类：不含有用信号只含有噪声的时域信号
x0(t)＝n0(t)；
其中n(t)为高斯白噪声。将上述构建方法重复一百次，即可得到频率为f1的信号的含有一百个1类样本和一百个0类样本的训练集：x1,100表示1类的第一百个样本，x0,100表示0类的第一百个样本。Y1为对应样本X1的分类标签。假设样本长度为ns，令ns＝nw×fs，其中nw为频率为f1的余弦信号的周期数，fs为采样频率，则X1的大小为ns×200，Y1的大小为1×200。同理，频率集中的其他频率信号也通过同样方式构建训练集，得到对应n个载频频率的n组训练集{X1，X2,…,Xn}以及n组标签{Y1,Y2,…,Yn}。
训练样本长度通过仿真来确定：
仿真载波的频点为{1.4,1.8,2.5,3.5}kHz，载波保持时间为50ms，起跳时间T0＝0，背景噪声为高斯白噪声，信噪比SNR＝-10dB。
从图2(a)中可以看出，随着频率的增大，训练样本所需的最小波形数也随着增大，没有一个固定的数值来确定训练样本长度。定义k＝1000×nw/fc，其中fc为载波频率，通过改变k值的大小来观察样本长度的变化，从图2(b)中可以看出，当取k＝5时，既可以保证各个频点的保持时间均方误差都比较小，又使训练样本长度尽量短，降低训练多层感知机时的运算量。即训练集中的样本长度为ns＝0.005×fs。
步骤3、将训练集输入各个网络中，得到各个网络的权值矩阵以及偏置向量，完成深度学习网络的构建；
步骤3中，对频率集中不同频率信号分别构建深度神经网络对时域波形进行分类，所用的神经网络包含两个隐藏层，两个隐藏层的节点数分别为7和3，每层的激活函数采用sigmoid 函数。
步骤4、将接收到的跳频信号分别输入构建好的对应频率的网络中，从而获得对应各个频率网络的输出；
步骤4中，将接收数据分别输入构建完成的神经网络中，假设训练集构建的样本信号长度为ns，则将待测信号通过窗口长度为ns的滑动窗，然后将滑动窗截取到的信号分别输入对应n个载频的训练好的多层感知机中，得到n个长度为(t·fs-ns+1)的分类集。
步骤5、通过对各个网络的输出进行平滑处理，得到网络所对应频率的时域分布，从而估计出接收跳频信号的时频参数。
步骤5中，对得到的分类集进行滑动平均，消除随机噪声的干扰，假设滑动平均后得到的对应n个载频的分类集为{C1,C2,…,Cn}，假设C1为对应载频为f1的分类集，则C1为对应载频为f1的信号的时域分布，若C1中有k个点为1分类，则跳频信号频率为f1的部分保持时间为k/fs秒。分类集C1中第一个1分类的点即为跳频信号中频率为f1的载频所对应的跳变时刻。
本发明有效性可以通过以下仿真进行验证：
1.跳频频率依次为{1.3,1.7,1.4,1.9,1.8,1.6,1.2,1.5}kHz，其他仿真参数为：采样频率 fs＝20kHz，观测时间T＝400ms，跳频保持时间Tk＝50ms，起跳时间T0＝0。背景噪声为高斯白噪声，信噪比SNR＝-10dB。
图3为本发明方法与传统时频分布STFT和SPWVD的时频图对比，其中3(a)为STFT所得的时频图，时频聚集性较差；3(b)为SPWVD所得到的时频图，相比STFT虽然时频聚集性较高，但是产生了较多交叉项干扰；3(c)为本发明所提出的方法，在同样信噪比条件下时比前两种传统方法时频聚集性更好，有较高的时频分辨率，能够较容易的估计时频参数。
2.跳频频率依次为{1.3,1.7,1.4,1.9,1.8,1.6,1.2,1.5}kHz，其他仿真参数为：采样频率 fs＝20kHz，观测时间T＝400ms，跳频保持时间Tk＝50ms，起跳时间T0＝0。背景噪声为高斯白噪声，在不同信噪比条件下，每个信噪比下进行200次蒙特卡罗实验。
图4(a)、图4(b)、图4(c)为本发明方法与改进时频脊线方法，STFD方法分别在不同信噪比条件下跳频频率保持时间、跳变时刻、跳频频率的估计精度对比。可以看出本方法在不同信噪比下对跳频频率保持时间、跳变时刻、跳频频率均具有较高的估计精度。
基于深度学习的方法来对跳频信号时频参数进行估计，可以克服线性时频方法受不确定原理的制约，也不存在非线性时频估计交叉项的影响，能够在时频域都获得较高的估计精度，从而在低信噪比条件下获得更高的时频参数估计精度。
综上，本发明属于电子对抗和通信技术领域，公开了一种基于深度学习的跳频信号参数估计方法，包括以下步骤：1)对接收到的跳频信号进行功率谱估计，得到跳频信号的频率集； 2)以频率集中的频率个数来确定所需深度学习网络的个数，并构造对应频率集中各个频率的深度学习网络所需的训练集；3)将训练集输入各个网络中，完成深度学习网络的构建；4) 将接收到的信号分别输入构建好的对应频率的网络中，从而获得各个频率所对应网络的输出； 5)通过对各个网络的输出进行平滑处理，估计出接收跳频信号的时频参数。本发明对跳频信号在低信噪比条件下的时频参数具有较高的估计精度，对跳频信号的处理具有重要意义。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种跳频通信方法、装置、存储介质及接收机