本發(fā)明涉及l(fā)ink11信號檢測與識別方法，特別涉及一種基于yolov8的link11信號檢測與識別方法。

背景技術(shù)：

1、信號檢測是通信信號處理的一個基本環(huán)節(jié)，是后續(xù)完成對信號參數(shù)估計等任務(wù)的基礎(chǔ)，其實質(zhì)是對接收到的信號進行統(tǒng)計分析，來判斷目標信號是否存在，其主要作用是對信號進行分類、解調(diào)、編碼和調(diào)制等操作。由于信號的產(chǎn)生和傳輸會受到其他信號和信道等不穩(wěn)定因素的影響，會造成接收信號波形的不穩(wěn)定，所以需要先檢測信號，判斷接收數(shù)據(jù)中是否有信號，然后再識別信號的調(diào)制方式等，方便后續(xù)的解調(diào)、分析等信號處理任務(wù)。

2、目前，常用的信號檢測方法主要分為匹配濾波法、循環(huán)平穩(wěn)法、特征值檢測法和能量檢測法以及采用深度學習的方法。如如圖5所示。

3、雖然傳統(tǒng)方法已經(jīng)被廣泛應用，然而存在著很多缺陷，由此可見，傳統(tǒng)的信號檢測方法存在著計算復雜、準則較多、低信噪比時性能欠佳等不足，迫切需要智能有效的檢測方法。

4、上述四類傳統(tǒng)的信號檢測算法，都只重點關(guān)注信號存在性判定問題，已經(jīng)不能滿足如今的技術(shù)要求。近兩年，深度學習在信號檢測領(lǐng)域的飛速發(fā)展得到了學者們們的廣泛的關(guān)注，但目前仍處于起步階段，發(fā)表的研究成果并不多見。

5、基于深度學習的信號檢測方法，通過搭建和訓練網(wǎng)絡(luò)模型即可自動提取信號特征完成檢測分類，實際中效果優(yōu)于傳統(tǒng)方法。本發(fā)明將對link11信號進行檢測，如何高效構(gòu)建通信信號標注樣本集，以及根據(jù)通信信號特性適當?shù)馗倪M網(wǎng)絡(luò)結(jié)構(gòu)和訓練算法，是深度學習應用于通信信號檢測中的關(guān)鍵問題。

6、另外，目前研究通信信號的識別方法大致分為兩類：傳統(tǒng)的調(diào)制識別算法和基于機器學習的方法。信號識別算法如圖6所示。

7、通信信號傳統(tǒng)方式的識別算法大致可以分為兩類：基于決策理論的似然比識別方法和基于特征提取的統(tǒng)計模式識別的方法

8、似然比識別方法是指依據(jù)概率論和假設(shè)檢驗相關(guān)理論，將信號的調(diào)制識別問題視為假設(shè)檢驗問題，建立信號的最大似然判別式，推導信號最佳判決門限，將信號的某統(tǒng)計量與門限值比較，判斷信號調(diào)制類型?；谒迫槐茸R別的方法一般需要依賴信號的均值、方差、協(xié)方差等先驗信息，在非合作通信中，這些參數(shù)的獲取難度較大，因此，研究似然識別方法的學者越來越少。

9、統(tǒng)計模式識別方法是指提取信號的調(diào)制方式統(tǒng)計量，然后與理論值相比較，進行調(diào)制識別。該方法具有需要先驗知識少、理論分析簡單、效率高、對各調(diào)制模式匹配的優(yōu)點，但是需要設(shè)計合適的特征參數(shù)和泛化能力強的分類器，且在低信噪比下的識別性能有限?；谔卣魈崛〉淖R別方法用到的特征主要有幅度分布、循環(huán)自相關(guān)函數(shù)、循環(huán)譜圖、高階累積量、時頻圖、四次方譜、星座圖等。

10、現(xiàn)有通過提取人工設(shè)計的信號淺層特征實現(xiàn)調(diào)制方式識別的技術(shù)，且特征設(shè)計依賴于研究人員的經(jīng)驗，提取難度大，適用的調(diào)制方式種類范圍小。深度學習是機器學習的一個分支，它是一種基于神經(jīng)網(wǎng)絡(luò)的機器學習方法。深度學習具有對信號自動進行特征提取的優(yōu)點，通過訓練和學習大量樣本數(shù)據(jù)，形成多層深度神經(jīng)網(wǎng)絡(luò)，從而提取出樣本深層隱藏特征，解決了人工設(shè)計特征難的問題，近年來在調(diào)制信號識別領(lǐng)域得到了廣泛的應用。

11、基于機器學習的識別算法主要有以下兩種方法：

12、現(xiàn)階段，基于分類器的信號識別一般采用決策樹、支持向量機等分類器。有技術(shù)設(shè)計了基于二階循環(huán)譜特征、幅度統(tǒng)計矩特征的支持向量機分類器用于信號調(diào)制識別，該方法對深入研究數(shù)據(jù)鏈信號有一定的借鑒意義。但是基于循環(huán)譜特征的分類識別需要一定的數(shù)據(jù)量、高信噪比，實現(xiàn)較為復雜。有技術(shù)提出以高階累積量、差分高階累積量、二階譜和四階譜作為特征參數(shù)，運用cart決策樹可以有效識別link16數(shù)據(jù)鏈信號。有技術(shù)提出一種基于支持向量機(support?vector?machine，svm)決策樹的數(shù)據(jù)鏈識別分類方法，其收斂速度和識別準確率優(yōu)于bp神經(jīng)網(wǎng)絡(luò)算法。

13、近年來已有很多學者利用神經(jīng)網(wǎng)絡(luò)開展調(diào)制識別問題研究。有技術(shù)提出gru和cnn并行的網(wǎng)絡(luò)結(jié)構(gòu)，提取信號的高階累積量、小波變換特征、信噪比(snr)估計特征、瞬時特征和循環(huán)譜特征，然后輸入到gru和cnn網(wǎng)絡(luò)進行識別，根據(jù)兩種網(wǎng)絡(luò)識別的效果做出最終決策，信噪比為-6db時識別率大于90％，信噪比為-1db時識別率為100％。有技術(shù)提出注意機制短鏈接卷積長短期記憶深度神經(jīng)網(wǎng)絡(luò)(ascldnn)識別模型。該網(wǎng)絡(luò)針對調(diào)制信號識別進行了優(yōu)化，并引入了注意機制，通過增加重要信號的權(quán)重來提高識別精度。實驗結(jié)果表明，ascldnn能以較低的信噪比和對特定信號不混淆的情況下，高精度地識別11種信號調(diào)制。有技術(shù)提出了基于tcnn-bilstm(雙路卷積神經(jīng)網(wǎng)絡(luò)級聯(lián)雙向長短時記憶)網(wǎng)絡(luò)的調(diào)制識別算法。將識別信號分i、q分量，并聯(lián)上下兩卷積層支路提取i、q分量的多維度特征；多維特征融合后送入bilstm網(wǎng)絡(luò)；最后用softmax分類器完成對6種數(shù)字調(diào)制信號的識別,識別率達到92％以上，但是算法訓練效率有待提高。有技術(shù)針對非合作通信中跳頻信號調(diào)制識別問題，首先對跳頻信號進行短時傅里葉變換(stft)和魏格納－維爾分布(wvd)聯(lián)合時頻變換得到時頻圖，其次通過二維wiener濾波對時頻圖降噪，然后分割重置，最后送到cnn進行分類識別。該算法在-4db信噪比時對8種跳頻信號的平均識別準確率可以達到92.54％，但是算法的運算量較大，時效性有待提高。有技術(shù)中將信號的矢量圖和i/q路眼圖作為特征，輸入到多端cnn中，實現(xiàn)8種衛(wèi)星通信常用的信號識別。將衛(wèi)星幅相信號轉(zhuǎn)換為表征通信信號能力更強的二維灰度眼圖和矢量圖，利用信號本身攜帶的先驗知識，降低對神經(jīng)網(wǎng)絡(luò)的要求。仿真結(jié)果表明，在無頻偏時，算法對8種信號的識別準確率在0db時可以達到80％以上，一定程度比現(xiàn)有的其他算法較好。但是，算法的性能受頻偏影響較大。有技術(shù)提出了一種基于多特征融合的信號調(diào)制識別方法，并構(gòu)建了雙分支結(jié)構(gòu)的深度學習網(wǎng)絡(luò)，分別提取iq信號和多通道星座的特征。通過不同形式信號的互補特征，可以構(gòu)造出更完整的信號特征表示。同時可以較好地緩解噪聲和頻偏對識別性能的影響，有效提高調(diào)制識別的分類精度。但星座圖的特征容易受到頻率偏移的影響。在高頻偏移情況下，該算法的識別能力較差。

14、本發(fā)明針對link11信號的工作模式，報文格式，調(diào)制方式等特點設(shè)計網(wǎng)絡(luò)，選擇最優(yōu)的網(wǎng)絡(luò)模型，提高信號的識別率。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有的信號檢測方法存在著計算復雜、準則較多、低信噪比時性能欠佳等不足，迫切需要智能有效的檢測方法。信號檢測與識別方法在進行信號檢測與識別過程中存在的訓練效率有待提高、運算量較大、時效性有待提高、算法的性能受頻偏影響較大、以及算法的識別能力較差的問題，而提出一種基于yolov8的link11信號檢測與識別方法。

2、上述目的通過以下的技術(shù)方案實現(xiàn)：

3、一種基于yolov8的link11信號檢測與識別方法，所述方法通過以下步驟實現(xiàn)：

4、步驟一、基于matlab產(chǎn)生的信號制作數(shù)據(jù)集，對數(shù)據(jù)集信號進行預處理，以優(yōu)化信號，使得處理后的信號方便后續(xù)的處理；

5、步驟二、進行時頻分析處理并將轉(zhuǎn)化的時頻圖送入yolo網(wǎng)絡(luò)；

6、步驟三、在yolo網(wǎng)絡(luò)中進行特征學習，訓練網(wǎng)絡(luò)；

7、步驟四、將訓練好的網(wǎng)絡(luò)權(quán)重對信號進行檢測識別，對提取的特征向量進行分類識別。

8、進一步地，基于matlab產(chǎn)生的信號制作數(shù)據(jù)集的步驟具體包括：

9、步驟一一、設(shè)定數(shù)據(jù)鏈信號仿真參數(shù)，參數(shù)包括采樣速率、符號率、高斯白噪聲、相對頻率偏移、多徑數(shù)量、多徑時延和多徑衰落；

10、步驟一二、產(chǎn)生代表調(diào)制信號所傳輸信息的信息序列；

11、步驟一三、使用設(shè)定的調(diào)制類別對隨機序列執(zhí)行調(diào)制操作，得到信號數(shù)據(jù)，完成信號調(diào)制；

12、步驟一四、根據(jù)具體情況選用不同的信道環(huán)境進行仿真；

13、步驟一五、在采樣定理允許范圍內(nèi)設(shè)置采樣速率對調(diào)制后信號進行采樣。

14、進一步地，步驟一所述的對數(shù)據(jù)集信號進行預處理的步驟，具體是：

15、采用去噪的方法對信號進行預處理；

16、在低信噪比的情況下，采用去噪技術(shù)去除部分噪聲；根據(jù)具體的信號特征和噪聲特點選擇小波基和閾值；如果信號特征集中在低頻區(qū)域，并且噪聲主要存在于高頻區(qū)域，則選擇小波基函數(shù)，如daubechies小波；

17、如果信號和噪聲的頻譜分布相似，則選擇小波基函數(shù)，如symlets小波或coiflets小波。

18、進一步地，步驟二所述的進行時頻分析處理并將轉(zhuǎn)化的時頻圖送入yolo網(wǎng)絡(luò)的步驟，具體是：

19、首先，將一維時頻信號轉(zhuǎn)換成二位平面中的時頻圖，顯示信號的能量分布，再對時頻圖進行特征檢測與識別；典型的線性時頻分析方法有短時傅里葉變換和平滑偽wigner-ville分布；

20、a、短時傅里葉變換stft定義見下式：

21、

22、其中，x(t)為信號，w(t)為窗函數(shù)，t為時間，f為頻率，*表示共軛運算；

23、b、在偽wigner-ville分布pwvd中，窗口長度決定了時域分辨率和頻域分辨率之間的妥協(xié)，通過對頻率方向的平滑處理，pwvd提高時頻分析結(jié)果的精確度，并減少交叉項干擾的影響；pwvd定義見下式：

24、

25、其中，x(t)為信號，*表示共軛運算，h(τ)為窗函數(shù)，t為時間，f為頻率；

26、c、平滑偽wigner-ville分布：

27、在pwvd基礎(chǔ)上加入平滑處理形成spwvd時頻分析方法，通過對時域窗口和頻域濾波器進行加權(quán)平均的方法使得信號的時頻特性變得更加平滑，減小交叉項干擾的影響；

28、設(shè)時域窗函數(shù)為h(τ)，頻域窗函數(shù)為g(ω)，時頻域?qū)ΨQ窗函數(shù)為p(τ，ω)，將自相關(guān)函數(shù)采用時頻域?qū)ΨQ變換窗平滑處理，得離散輸入信號平滑序列見下式：

29、

30、將離散輸入信號時頻域平滑序列做傅里葉時頻域變換，隨后對信號時頻域進行重積分計算，得spwvd輸出時域信號z*(t)見下式：

31、

32、將輸出時域信號z*(t)分解為低頻段和高頻段雙信號時域序列見下式：

33、z*(t)＝z1*(t)+z2*(t)

34、其中，z1*(t)為低頻段信號，z2*(t)為高頻段信號；信號經(jīng)spwvd運算后結(jié)果見下式：

35、

36、spwvd(t，ω)為spwvd時頻域輸出信號，為spwvd低頻段輸出信號，為spwvd高頻段輸出信號，為spwvd高低頻輸出交叉頻率干擾信號；

37、在wigner-ville分布的基礎(chǔ)上引入時域窗函數(shù)和頻域窗函數(shù)，設(shè)計基于stft-spwvd時頻分析方法，結(jié)合stft和spwvd，利用stft提取link11信號局部特征效果以及spwvd對link11信號做平滑處理。

38、進一步地，步驟三所述的在yolo網(wǎng)絡(luò)中進行特征學習，訓練網(wǎng)絡(luò)的步驟包括：

39、步驟三一、確定所述的yolo網(wǎng)絡(luò)的結(jié)構(gòu)選用yolov8，yolov8結(jié)構(gòu)包括主干特征提取網(wǎng)絡(luò)、特征加強網(wǎng)絡(luò)和檢測頭；

40、其中，所述的主干特征提取網(wǎng)絡(luò)用于提取信號圖像的特征，主干特征提取網(wǎng)絡(luò)包括conv、c2f和sppf等模塊；在conv模塊中，操作包括卷積、批量歸一化和silu激活函數(shù)；yolov8n獲取殘余特征，同時，sppf模塊將特征圖轉(zhuǎn)換為固定維度的特征向量；

41、特征加強網(wǎng)絡(luò)在骨干網(wǎng)絡(luò)和檢測層之間建立連接，頸部采用fpn和pan結(jié)構(gòu)，捕獲上下文信息；

42、檢測頭用于生成對象檢測預測，應用非極大值抑制技術(shù)過濾掉冗余結(jié)果，保留預測結(jié)果；

43、步驟三二、在yolov8網(wǎng)絡(luò)中添加注意力機制ca模塊，進行yolov8網(wǎng)絡(luò)改進；

44、通過ca注意力機制模塊增強移動網(wǎng)絡(luò)學習特征的表達能力，對網(wǎng)絡(luò)中的任意中間特征張量x＝[x1，x2，……，yxc]∈rh×w×c，進行轉(zhuǎn)化變化后輸出同樣尺寸的張量y＝[y1，y2，……，yc]∈rh×w×c；

45、ca模塊通過精確的位置信息對通道關(guān)系和長程依賴進行編碼，包括以下步驟：坐標信息嵌入和坐標注意力生成。

46、本發(fā)明的有益效果為：

47、近幾年，對link11信號的檢測與識別采用的是傳統(tǒng)方法，暫時還沒有將神經(jīng)網(wǎng)絡(luò)引入到該信號的檢測與識別中。針對信號檢測識別，本發(fā)明對link11數(shù)據(jù)集進行預處理，設(shè)置條件，進一步優(yōu)化信號，使得數(shù)據(jù)集中有效信息更加突出，排除無效信息的干擾。本發(fā)明將yolov8應用于link11信號的檢測，對于信號檢測與識別來說，大部分神經(jīng)網(wǎng)絡(luò)是將信號的檢測與識別分步完成，而yolo可同時完成信號的檢測與識別。首先對收到的信號進行預處理，主要是為了優(yōu)化信號，使得處理后的信號可以方便后續(xù)的時頻分析處理，然后將轉(zhuǎn)化的時頻圖送入yolo網(wǎng)絡(luò)進行特征學習，通過改進更高效的網(wǎng)絡(luò)結(jié)構(gòu)，使其能夠?qū)π盘柕臅r頻圖進行快速識別。最后將訓練好的網(wǎng)絡(luò)權(quán)重對信號進行測試，對提取的特征向量進行分類識別。本發(fā)明采用深度學習框架的yolov8網(wǎng)絡(luò)，實現(xiàn)高精度的信號檢測和識別。

48、數(shù)據(jù)鏈路信號通過天線、雷達、偵查衛(wèi)星以及各種探測傳感器獲得，本發(fā)明采用matlab進行模擬仿真。由于通信手段多樣化以及電磁環(huán)境日漸復雜，傳統(tǒng)的信號檢測與識別方法滿足不了各方需求。本發(fā)明將深度學習引入到link11信號的檢測與識別中，彌補傳統(tǒng)的信號檢測與識別方法的不足，使其在實際應用中具有重要價值。