【技术实现步骤摘要】
本专利技术属于信息，特别是涉及一种单通道条件下通信信号提取增强的深度学习网络方法及系统。
技术介绍
1、随着通信和信息技术的广泛应用和发展，通信辐射源越来越多，接收到的信号都是多种信号的混合，除所需要的真正信号外，其它信号均是无效干扰，这对通信设备效能造成了重大影响。
2、因此，在噪声干扰较强或存在多路同频信号混合时，在单接收通道条件下，从混合信号中提取和分离出指定的目标信号具有重要的研究意义。现有信号提取增强方法主要利用信号的统计独立性或稀疏性，采用主成分分析或稀疏分量分析方法，适用于多通道接收条件下的线性瞬时混合场景。而对于实际中更广泛的单通道接收条件、复杂的卷积混合甚至是非线性混合情况，则难以应用或者性能很差。同时，当混合信号或干扰在频域发生重叠时，传统方法处理效果较差，难以提取出信干比较高的目标信号。
3、近年来，以深度学习网络为代表的机器学习技术在时间序列建模等方面得到了成功和广泛应用，深度网络通过将低维信号升到高维空间，可以有效从混合信号中区分和提取的信号。
技术实现思路
1、本专利技术目的在于解决
技术介绍
中提出的问题，提供一种单通道条件下通信信号提取的深度学习网络方法及系统，适应于单通道接收条件下的指定源通信信号的提取和分离。
2、为了实现本专利技术目的，本专利技术公开了一种单通道条件下通信信号提取增强的深度学习网络方法，包括以下步骤：
3、步骤1、基于深度学习网络的编码器，将通信信号下变频为i、q两路信号后，输入二维卷
4、步骤2、基于深度学习网络的提取器，将步骤1中高维特征输入到由多个注意力卷积块堆叠而成提取器，根据信号高维流形的不同，通过注意力机制实现高维特征提取；
5、步骤3、基于深度学习网络的译码器，将步骤2中提取器提取得到的指定通信信号高维特征输入到二维卷积网络构成的译码器，恢复出指定的通信信号。
6、进一步地，步骤1中，编码器对输入的基带i、q两路信号进行二维卷积处理，通过卷积核升维提升信号特征的维度；采用leakyrelu激活函数构建非线性映射，提升编码器的特征表达能力。
7、进一步地，为了不丢失相位信息，编码器将接收信号的实部和虚部拼接成二维矩阵，然后将其输入网络：
8、
9、其中，x表示输入信号，re为取其i路同向分量，im为取其q路正交分量；编码器中的二维卷积将输入x转换为一个高维嵌入特征表示c和h是表示特征维度的参数，由卷积核的数量和大小决定。
10、进一步地，步骤2中，提取器对编码器输出的高维特征进行提取，提取在训练时期输入的指定的源信号特征，提取器由多个注意力卷积块堆叠而成：注意力卷积块由多个注意力卷积单元构成，每个注意力卷积单元的输出作为下一个单元的输入，同时所有单元的残差路径相加作为输出；注意力卷积单元由大核卷积lkc和全局上下文gc模块结构组成。
11、进一步地，大核卷积用于实现对序列信号处理，包括深度卷积dw-conv、深度扩张卷积dw-d-conv和1×1卷积三个部分；深度卷积dw-conv用于建模信号的局部上下文信息；深度扩张卷积dw-d-conv通过添加空洞扩大感受野，空洞扩张因子呈指数增长，确保足够大的时间上下文窗口，以利用信号的长时依赖；1×1卷积用于建模通道之间的相关关系，实现通道适应性。
12、进一步地，经过归一化后，lkc块的输出为：
13、i＝fgln(u2(wdw-d-conv(wdw-conv(fgln(e)))))
14、其中，u2代表1×1卷积模块，wdw-conv(·)表示深度卷积，wdw-d-conv(·)表示深度扩张卷积，fgln(·)表示全局层归一化函数，e表示输入特征图：
15、
16、其中是可训练的参数，∈是很小的一个常数，⊙表示点积，mean表示求平均，var表示求方差，c、h、w分别表示输入特征图e的三个维度；lkc块可以有效地减少参数量、计算成本和模型大小，构建轻量级网络。
17、进一步地，全局上下文gc模块，用于实现注意力机制，包括4个子模块：上下文建模模块、信道特征转换模块、空间特征转换模块以及融合模块；上下文建模模块采用1×1卷积和softmax函数获得注意权值，然后通过矩阵乘法运算获得全局上下文特征；信道特征转换模块包括两个瓶颈卷积层和归一化函数以及激活函数，实现学习各通道之间的相关性，捕获通道间的相互依赖关系，从而实现对每个通道的重标定；空间特征转换模块对从上下文建模模块得到的特征图进行1×1卷积，然后将其与原始输入特征图i矩阵相乘，得到输入特征图的位置加权矩阵；融合模块用于将全局上下文特征融合到特征图的各个通道和空间位置中。
18、进一步地，上下文建模模块将所有位置的特征聚合在一起，形成一个全局上下文特征；首先，特征图i采用1×1卷积和softmax函数获得注意力权值，然后通过矩阵乘法运算获得全局上下文特征，经过上下文建模模块的输出特征图表示为：
19、
20、其中，i表示前级网络生成的特征图输入，u3为1×1卷积结构，fsoftmax表示softmax函数处理；
21、信道特征转换模块学习各通道之间的相关性，捕获通道间的相互依赖关系，从而实现对每个通道的重标定；特征转换模块通过两个瓶颈卷积层和归一化函数以及激活函数来实现，得到的注意力特征图表示为
22、
23、式中，分别表示1×1卷积，o为上下文建模模块的输出特征图，fgln(·)表示全局层归一化函数，h表示修正线性单元；
24、空间特征转换模块为特征图的空间位置分配不同的权重；对从上下文建模模块得到的特征图o进行1×1卷积然后将其与原始输入特征图i矩阵相乘，得到输入特征图的位置加权矩阵
25、融合模块用于将全局上下文特征融合到特征图i的各个通道和空间位置中；将a扩展为与i相同大小的张量并将g扩展为与i相同大小的张量然后，将a′和g′与i逐元素相加；
26、采用负的最小尺度不变信噪比si-snr作为源信号s与分离信号y之间的训练损失；基于基带信号的复数形式，分离信号包括实部和虚部，因此训练损失也分为实部训练损失和虚部训练损失两部分，总的训练目标写为
27、losstotal(s,y)＝-0.5losssisnr(real(s),real(y))-0.5losssisnr(imag(s),imag(y))
28、其中，
29、
30、其中，s和y分别表示源信号和目标信号，starget表示计算得出的目标信号，和y的差值enoise表示计算误差，losssisnr是最小尺度不变信噪比条件下的损失。
31、进一步地，步骤3中，译码器包括二维转置卷积模块，译码器的卷积核大小和卷积步长与编码器相同，通过将提取器得到的高维掩模与高维编码进行点积运算，本文档来自技高网...
【技术保护点】
1.一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，步骤1中，编码器对输入的基带I、Q两路信号进行二维卷积处理，通过卷积核升维提升信号特征的维度；采用LeakyRelu激活函数构建非线性映射，提升编码器的特征表达能力。
3.根据权利要求2所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，为了不丢失相位信息，编码器将接收信号的实部和虚部拼接成二维矩阵，然后将其输入网络：
4.根据权利要求1所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，步骤2中，提取器对编码器输出的高维特征进行提取，提取在训练时期输入的指定的源信号特征，提取器由多个注意力卷积块堆叠而成：所述注意力卷积块由多个注意力卷积单元构成，每个注意力卷积单元的输出作为下一个单元的输入，同时所有单元的残差路径相加作为输出；注意力卷积单元由大核卷积LKC和全局上下文GC模块结构组成。
5.根据权利要求4所述的一种单通道条件下
6.根据权利要求5所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，经过归一化后，LKC块的输出为：
7.根据权利要求4所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，所述全局上下文GC模块，用于实现注意力机制，包括4个子模块：上下文建模模块、信道特征转换模块、空间特征转换模块以及融合模块；所述上下文建模模块采用1×1卷积和softmax函数获得注意权值，然后通过矩阵乘法运算获得全局上下文特征；所述信道特征转换模块包括两个瓶颈卷积层和归一化函数以及激活函数，实现学习各通道之间的相关性，捕获通道间的相互依赖关系，从而实现对每个通道的重标定；所述空间特征转换模块对从上下文建模模块得到的特征图进行1×1卷积，然后将其与原始输入特征图I矩阵相乘，得到输入特征图的位置加权矩阵；所述融合模块用于将全局上下文特征融合到特征图的各个通道和空间位置中。
8.根据权利要求7所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，上下文建模模块将所有位置的特征聚合在一起，形成一个全局上下文特征；首先，特征图I采用1×1卷积和softmax函数获得注意力权值，然后通过矩阵乘法运算获得全局上下文特征，经过上下文建模模块的输出特征图表示为：
9.根据权利要求1所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，步骤3中，译码器包括二维转置卷积模块，译码器的卷积核大小和卷积步长与编码器相同，通过将提取器得到的高维掩模与高维编码进行点积运算，将高维特征恢复为一维时域信号，实现指定信号的提取。
10.一种单通道条件下通信信号提取增强的深度学习网络系统，所述系统基于权利要求1-9中任一项所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，包括编码器、提取器和译码器；所述编码器由二维卷积模块组成，用于对输入信号进行维度提升，构造通信信号高维特征；所述提取器由多个注意力卷积块堆叠而成，用于处理编码器的高维输入，根据信号高维流形的不同实现高维特征提取；所述译码器由二维卷积模块组成，用于根据高维特征恢复出指定的通信信号。
...【技术特征摘要】
1.一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，步骤1中，编码器对输入的基带i、q两路信号进行二维卷积处理，通过卷积核升维提升信号特征的维度；采用leakyrelu激活函数构建非线性映射，提升编码器的特征表达能力。
3.根据权利要求2所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，为了不丢失相位信息，编码器将接收信号的实部和虚部拼接成二维矩阵，然后将其输入网络：
4.根据权利要求1所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，步骤2中，提取器对编码器输出的高维特征进行提取，提取在训练时期输入的指定的源信号特征，提取器由多个注意力卷积块堆叠而成：所述注意力卷积块由多个注意力卷积单元构成，每个注意力卷积单元的输出作为下一个单元的输入，同时所有单元的残差路径相加作为输出；注意力卷积单元由大核卷积lkc和全局上下文gc模块结构组成。
5.根据权利要求4所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，所述大核卷积用于实现对序列信号处理，包括深度卷积dw-conv、深度扩张卷积dw-d-conv和1×1卷积三个部分；所述深度卷积dw-conv用于建模信号的局部上下文信息；所述深度扩张卷积dw-d-conv通过添加空洞扩大感受野，空洞扩张因子呈指数增长，确保足够大的时间上下文窗口，以利用信号的长时依赖；所述1×1卷积用于建模通道之间的相关关系，实现通道适应性。
6.根据权利要求5所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特征在于，经过归一化后，lkc块的输出为：
7.根据权利要求4所述的一种单通道条件下通信信号提取增强的深度学习网络方法，其特...
【专利技术属性】
技术研发人员：朱磊，郑翔，俞璐，童玮，曾维军，王磊，刘熹，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。