一种基于FasterR‑CNN的通信信号识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107808138A(43)申请公布日2018.03.16(21)申请号201711046399.7(22)申请日2017.10.31(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人王宏黄浩李建清(74)专利代理机构电子科技大学专利中心51203代理人闫树平(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于FasterR-CNN的通信信号识别方法(57)摘要本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于FasterR-CNN的通信信号识别方法。本发明将FasterR-CNN算法用于通信信号识别，将采集到的盲通信信号频谱数据绘制成图片；然后设计一个整体的多层神经网络，运用FasterR-CNN算法对图片中有用的信号频段进行检测和定位，先利用卷积神经网络生成特征图，利用区域生成网络在原始图片上生成区域建议框；再对建议框区域进行感兴趣区域采样，并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归，根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置；最终将信号在图片上的像素位置还原为有用信号的频段信息，从而实现通信信号的识别。CN107808138ACN107808138A权利要求书1/1页1.一种基于FasterR-CNN的通信信号识别方法，具体步骤如下：步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系，绘制成大小相同的图片，其分辨率大于100*100，并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系；步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图，n＞0；步骤3、通过区域生成网络RPN结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框；步骤4、将步骤3得到的区域建议框映射到步骤2生成的特征图上进行感兴趣区域采样RoIpooling，得到一个m维的特征向量，m≥128；步骤5、对步骤4所得m维特征向量分别进行分类回归和位置回归，结合步骤1生成的原始图片大小，即可得到信号存在于图片上的像素位置和其置信程度；步骤6、将步骤5得到像素位置中置信程度大于设定值的像素位置信息，利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系，还原成步骤1中盲通信信号的频段信息，0.1≤设定值≤1，即可完成盲通信信号中有用频段的提取。2.如权利要求1所述基于FasterR-CNN的通信信号识别方法，其特征在于：所述步骤1中绘制成大小相同的图片的方式为绘图软件或代码的方式。2CN107808138A说明书1/5页一种基于FasterR-CNN的通信信号识别方法技术领域[0001]本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于FasterR-CNN的通信信号识别方法。背景技术[0002]通信技术在现代军事领域占有越来越重要的地位，是决定战争胜负的一个关键因素。通信信号的识别是对敌方通信进行干扰或侦听的前提，一旦有效地识别有用的通信信号，就可以分析信号的调制类型，进而估计调制参数来获取更多有效的信息，从而有针对性地制定侦查和反侦查策略。然而随着现代科学技术的快速发展，空间电磁环境变得日趋复杂，多种不同调制方式的大量存在、信道对信号的影响以及噪声的干扰，使得常规的识别方法和理论很难适应实际需要，无法有效地对通信信号进行准确识别。[0003]传统情况下，通信信号的识别，如使用聚类、支持向量机(SVM)等方法来识别盲通信信号中的有用频段，均需通过人为提取特征参数，但人为提取特征参数存在很大的主观性，如参数数量的选择和合理性等，且计算量大，效率低。[0004]深度学习是人工智能的一个分支，FasterR-CNN是一种计算机视觉图像的深度学习算法。发明内容[0005]针对上述存在问题或不足，为解决现有技术因人为提取特征参数导致参数数量的选择和合理性以及效率低的问题；本发明提供了一种基于FasterR-CNN的通信信号识别方法，利用图像处理的方式来提取有用信号频段。[0006]具体技术方案如下：[0007]步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系，通过绘图软件或代码绘制成大小相同的图片，其分辨率大于100*100，并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系；[0008]步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图，n＞0。[0009]步骤3、通过区域生成网络(RegionProposalNetworks，RPN)结合步骤2得到