一种基于深度学习的跳频信号参数估计方法技术

本发明专利技术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。本发明专利技术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。号的处理具有重要意义。号的处理具有重要意义。

【技术实现步骤摘要】
一种基于深度学习的跳频信号参数估计方法


[0001]本专利技术属于电子对抗和通信
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术的目的是为了克服上述现有技术的不足，本专利技术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。
[0004]本专利技术的目的是这样实现的：本专利技术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。
[0005]具体步骤为：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]本专利技术还包括这样一些结构特征：
[0012]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。
[0013]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,
…
,f
n
}，构建f1的训练集为：
[0014]1类：含有有用信号和噪声的时域信号：
[0015]x1(t)＝cos(2πf1t)+n1(t)；
[0016]0类：不含有用信号只含有噪声的时域信号：
[0017]x0(t)＝n0(t)；
[0018]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：x
1,100
表示1类的第一百个样本，x
0,100
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n
s
，令n
s
＝n
w
×
f
s
，其中n
w
为频率为f1的余弦信号的周期数，f
s
为采样频率，则X1的大小为n
s
×
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,
…
，X
n
}以及n组标签{Y1,Y2,
…
，Y
n
}。
[0019]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。
[0020]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n
s
，则将待测信号通过窗口长度为n
s
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
·
f
s
‑
n
s
+1)的分类集。
[0021]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，
…
，C
n
}，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/f
s
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。
[0022]与现有技术相比，本专利技术的有益效果是：本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的跳频信号参数估计方法，其特征在于：步骤如下：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。2.根据权利要求1所述的一种基于深度学习的跳频信号参数估计方法，其特征在于：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。3.根据权利要求1或2所述的一种基于深度学习的跳频信号参数估计方法，其特征在于：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,
…
,f
n
}，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：x
1,100
表示1类的第一百个样本，x
0,100
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n
s
，令n
s
＝n
w
×
f
s
，其中n
w
...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：