亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于DeepLabV3與GAN的雷達時頻混疊多信號智能檢測與分離

        2022-06-23 02:45:36韓文草孫閩紅王之騰仇兆煬
        信號處理 2022年5期
        關(guān)鍵詞:掩膜時頻重構(gòu)

        韓文草 孫閩紅 王之騰 仇兆煬

        (1.杭州電子科技大學(xué)通信工程學(xué)院,浙江杭州 310018;2.陸軍工程大學(xué)通信工程學(xué)院,江蘇南京 210001)

        1 引言

        雷達偵察面臨的電磁環(huán)境日益復(fù)雜,信號樣式日趨多樣,信號密度不斷增高,接收信號數(shù)量呈指數(shù)級增長。常規(guī)的雷達信號處理方法[1-5]逐漸無法適應(yīng)復(fù)雜電磁環(huán)境下的雷達信號偵察需求,而隨著人工智能及大數(shù)據(jù)技術(shù)的深入發(fā)展,雷達偵察正朝智能化方向快速發(fā)展。

        在雷達信號智能檢測方面,現(xiàn)有的研究成果主要有:朱新挺等人[6]使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)電磁信號的智能檢測;李啟飛等人[7]使用基于AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)低信噪比下水下目標(biāo)電磁異常信號的檢測;李杰等人[8]使用掩碼-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Mask R-CNN)實現(xiàn)了對線性調(diào)頻信號(LFM)重疊情況下的檢測。然而,上述方法存在著一些不足,如:無法對信號進行分離、只能檢測時頻不重疊信號、可檢測的信號樣式單一等。

        在多信號分離方面,Miao Feng 等人[9]使用小波包和快速獨立分量分析實現(xiàn)了多源信號分離。文獻[10]提出了利用深度聚類的方法來提高信號分離的性能。然而,上述方法也存在著諸如需要足夠的先驗信息、無法對單通道信號進行分離等不足。

        針對上述不足,本文提出一種基于DeepLabV3網(wǎng)絡(luò)[11-14]與生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)的時頻混疊多信號的智能檢測與分離方法。首先,DeepLabV3 網(wǎng)絡(luò)能夠很好的對圖像進行像素級實例分割[15],是目前語義分割[16]領(lǐng)域中非常主流的分割算法之一。V3 中加入的ASPP是一種能夠獲取多尺度上下文的架構(gòu),能夠讓任意的特征圖都有確定大小的特征向量來表示。該網(wǎng)絡(luò)能夠?qū)r頻圖中不同類型的信號區(qū)域進行精準(zhǔn)分割,同時也能夠?qū)π盘栔丿B部分進行有效區(qū)分。其次,針對信號分離,考慮到GAN 具備用生成器和對抗器的對抗訓(xùn)練來自動調(diào)整信號參數(shù)的優(yōu)點,提出用GAN 提取信號的有效信息,對分離后存在缺失時頻信息的各信號分量實現(xiàn)精確還原。借助Deep?LabV3 與GAN 網(wǎng)絡(luò)模型,本方法可以實現(xiàn)對時頻混疊多信號的智能檢測與分離,且具有可處理信號樣式多樣、同時到達信號個數(shù)不限等優(yōu)點。

        2 多信號智能偵察算法

        本算法對雷達信號的智能偵察主要分為信號檢測、分離與重構(gòu)三個部分,其中信號檢測與分離由DeepLabV3 實現(xiàn),信號的重構(gòu)功能由GAN 實現(xiàn)。首先對接收到的時頻混疊信號進行時頻變換得到時頻數(shù)據(jù)與時頻圖,將時頻圖輸入DeepLabV3 網(wǎng)絡(luò)獲取各個信號分量的時頻位置與標(biāo)簽信息,組合成為各個信號在時頻圖的掩膜區(qū)域(Mask)。將圖像的掩膜區(qū)域映射到時頻數(shù)據(jù)中,對掩膜區(qū)域以外的信號時頻分量進行濾波即可實現(xiàn)信號主體與無關(guān)分量的分離。對于信號的時頻重疊區(qū)域,同樣進行掩膜濾波濾除重疊部份,并對濾波后的時頻數(shù)據(jù)進行時頻反變換得到時域殘缺波形,將殘缺波形輸入GAN 網(wǎng)絡(luò)進行重構(gòu)即可得到完整信號。算法步驟如表1所示。

        表1 算法步驟Tab.1 Algorithm steps

        算法流程框圖如圖1所示。

        2.1 數(shù)學(xué)模型

        設(shè)存在K個時頻混疊的未知雷達信號s1(t),s2(t),…,sK(t),且信號的接收時間區(qū)間為T,頻率范圍為F,則接收信號x(t)可以表示為

        式中,sall(t)=表示K個雷達信號的疊加信號,n(t)表示高斯噪聲。另外,式中K個信號的時寬、頻寬可各不相同。

        記TF[·]為時頻變換函數(shù),則對x(t)做時頻變換得到X(t,f),其可以表示為

        通過DeepLabV3對X(t,f)進行定位掩膜濾波的過程可以等效為時頻濾波器H(t,f),它能夠?qū)⑿盘査跁r頻區(qū)域之外的噪聲去除,可表示為

        則輸出結(jié)果Y(t,f)為

        式中,N′(t,f)為Sk(t,f)非零時頻位置上噪聲,且N′(t,f) ?N(t,f)。對Y(t,f)進行時頻反變換可以得到

        當(dāng)信噪比(SNR)較大時,n′(t)對信號的影響十分小,式子可以簡化為

        重疊信號存在殘缺部分,需要使用GAN 對殘缺的信號進行還原。將GAN 網(wǎng)絡(luò)視作一個時頻濾波GAN(t,f),則

        2.2 信號檢測

        DeepLab 網(wǎng)絡(luò)是由Chen 等人與google 團隊[17]于2014年提出的,該模型是為了應(yīng)對語義分割而專門設(shè)計的。

        DeepLabV3 編碼部分采用ResNet-50/101 來提取特征,在第4個殘差塊中采用了膨脹卷積方法,并且把批量歸一化加入空洞空間金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模塊進行優(yōu)化,模型結(jié)構(gòu)如圖2 所示。對比于之前的DeepLab 系列模型,V3 進一步改善了空洞卷積,使網(wǎng)絡(luò)在級聯(lián)模塊和空間金字塔池化的框架下,能夠獲取更大的感受野從而獲取更多尺度的信息。

        將信號的時頻圖輸入DeepLabV3 網(wǎng)絡(luò)進行訓(xùn)練,能夠?qū)r頻圖中信號所在的時頻位置與背景噪聲進行像素級別的分割。如圖2 中的Prediction 所示,圖中噪聲對應(yīng)這黑色區(qū)域標(biāo)簽,不同的高亮區(qū)域為信號時頻分量所在位置,圖中最亮的區(qū)域為信號的重疊時頻區(qū)域。

        2.3 信號分離

        對信號進行檢測之后,將時頻圖中信號有用的位置信息映射到時頻數(shù)據(jù)中,對信號的有用分量進行定位并進行掩膜濾波,剔除無關(guān)的噪聲分量。當(dāng)多個信號在時頻圖上存在重疊時,將重疊部分的時頻數(shù)據(jù)作為其他標(biāo)簽同噪聲一起被濾除,僅留下信號非重疊的部分,得到不同標(biāo)簽對應(yīng)的多個非重疊時頻數(shù)據(jù)分量Sk(t,f),分別對Sk(t,f)進行反時頻變換得到sK(t),完成信號的分離。

        2.4 信號重構(gòu)

        類比于圖像重構(gòu)技術(shù),信號重構(gòu)是指將一段不完整的信號使用一定的手段復(fù)原。GAN 在圖像重構(gòu)的應(yīng)用有著十分成熟的應(yīng)用,在信號重構(gòu)領(lǐng)域卻鮮有應(yīng)用。Goodfellow等[16]提出對抗生成模型GAN框架,生成網(wǎng)絡(luò)模型通過學(xué)習(xí)數(shù)據(jù)的分布將低維的隨機分布樣本映射生成高維空間樣本,鑒別器網(wǎng)絡(luò)模型學(xué)習(xí)區(qū)別真實樣本和生成樣本,建立最大和最小機制聯(lián)合訓(xùn)練生成和鑒別網(wǎng)絡(luò)。模型的對抗損失函數(shù)為

        式中,s是輸入概率分布為p(s)的真實信號,E[·]為期望函數(shù);z是殘缺信號,D(s)為判別器,判斷信號是否真實的概率,G(z)為生成器重構(gòu)的信號,使用V(G,D)來衡量G和D的相似度。生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示。

        本文對于信號重構(gòu)的思路為:在模型訓(xùn)練時,首先將時頻重疊區(qū)域缺失的信號數(shù)據(jù)輸入到生成器G中,其次是將完整信號和生成器輸出的信號輸入判別器模型中進行誤差判別,若不滿足要求則繼續(xù)代入生成器中再次進行重構(gòu)直至達到與完整信號足夠相似。通過訓(xùn)練好的GAN 模型自動對信號殘缺部分的估計重構(gòu),能夠在有效保留信號非重疊部分的同時重構(gòu)出與原信號誤差較小的信號。

        3 實驗與結(jié)果分析

        3.1 實驗環(huán)境及參數(shù)設(shè)置

        本文實驗配置參數(shù)設(shè)置如表2所示。

        表2 實驗配置參數(shù)設(shè)置Tab.2 Experimental configuration parameter settings

        網(wǎng)絡(luò)參數(shù)設(shè)置如表3所示。

        表3 實驗網(wǎng)絡(luò)參數(shù)設(shè)置Tab.3 Network parameter settings

        3.2 獲取數(shù)據(jù)集

        仿真產(chǎn)生時頻域存在重疊的3 種雷達信號分量,分別為單頻脈沖(MP)、線性調(diào)頻(LFM)脈沖以及非線性調(diào)頻(NLFM)脈沖,本文中NLFM選用二次函數(shù)調(diào)頻信號,其頻率表示為

        式中,f0為信號的初始頻率,k1、k2是調(diào)頻參數(shù)。對三種信號的參數(shù)設(shè)置為如表4 所示。信噪比范圍設(shè)為-15 dB~15 dB,步長為3 dB。每個SNR 下產(chǎn)生參數(shù)隨機的三類訓(xùn)練樣本數(shù)各1000個,測試樣本數(shù)各為200個。

        表4 信號參數(shù)設(shè)置表Tab.4 Signal parameter settings

        對分段后的混疊信號進行短時傅里葉(Short Time Fourier Transform,STFT)變換,為均衡時頻分析后的時間分辨率和頻率分辨率,窗函數(shù)選用長度為128 的海明窗。在信噪比為6 dB 時,給出某個混疊信號的波形和時頻圖如圖5所示。

        從圖5(c)時頻圖可以看出,三個信號在時、頻域均同時存在重疊。圖5(a)、(b)中的時域波形和頻域波形混疊嚴重,無法辨別信號個數(shù)與調(diào)制類型。

        3.3 仿真實驗

        3.3.1 信號檢測

        在3.1 與3.2 節(jié)的實驗設(shè)置下對不同SNR 下的信號進行檢測。將時頻圖訓(xùn)練集和訓(xùn)練標(biāo)簽輸入表3 中的DeepLabV3 網(wǎng)絡(luò)進行訓(xùn)練,在本實驗環(huán)境下每次訓(xùn)練耗時15 至20 分鐘內(nèi)得到檢測模型。給出SNR為15 dB時的檢測結(jié)果如圖6所示。

        由圖6 結(jié)果可以看出,本文方法不僅可以有效的檢測出信號的數(shù)量以及調(diào)制類型,還能夠有效檢測出信號的重疊區(qū)域。分別在不同信噪比下,對DeepLabV3 模型進行訓(xùn)練和測試,使用GC(Global Correct)[18]和mIoU(mean IoU)[19]這2 個指標(biāo)來對訓(xùn)練模型進行評估。GC的定義為

        式中,C,R表示時頻圖的行(Row)數(shù)與列(Column)數(shù)。pc,r表示模型對第i行第j列的像素類別判斷結(jié)果為

        式中,K表示每個樣本中的脈沖信號標(biāo)簽類數(shù),在本實驗中K取3。AreaOverlap,k為第k個樣本的真實區(qū)域面積,AreaUnion,k為第k個樣本預(yù)測區(qū)域與真實區(qū)域面積之和。IoUk表示第k個信號的IoU值。

        實驗結(jié)果如圖7 所示??梢钥闯?,在SNR 為?3 dB 時,該網(wǎng)絡(luò)的GC 已經(jīng)達到了95%以上,mIoU達到了85%以上。

        信號檢測中常采用檢測率(TPR)作為算法性能的評價指標(biāo)[20],TPR的定義為

        式中,N為所有正樣本數(shù),NP為預(yù)測的正樣本數(shù)。

        為驗證網(wǎng)絡(luò)對信號的檢測能力,指定SNR 范圍為[?6 dB,9 dB],步長為3 dB,每個SNR 下采取1000 次蒙特卡洛實驗。對MP、LFM 和NLFM 信號隨機重疊的信號進行檢測。同時,考慮到文獻[8]方法無法對非線性調(diào)頻信號進行檢測,對其選取同批次MP、LFM 重疊信號進行方法有效性對比,得到結(jié)果如圖8所示。

        由圖8 可以看出,當(dāng)SNR 為?3 dB 時,本方法對信號的TPR 能夠達到95%以上。且當(dāng)SNR 小于0 dB時,本文方法的檢測率顯著提高。

        3.3.2 信號分離

        從圖6(b)可以看出,即使信號存在不同程度的時頻重疊,網(wǎng)絡(luò)也能成功的識別分類,并且能夠檢測出信號的重疊部分。對重疊部分定為其他類別標(biāo)簽,將混合信號時頻圖的標(biāo)簽信息映射到時頻數(shù)據(jù)進行掩膜分離,并對分離后的時頻數(shù)據(jù)進行反時頻變換得到單個信號。得到結(jié)果如圖9、圖10所示。

        3.3.3 信號重構(gòu)

        從圖9、圖10 的結(jié)果可以看出,僅僅用掩膜方法對重疊的多信號進行分離,會不可避免的損失重疊部分的信息,還需要用GAN 對損失部分進行信號修復(fù)。實驗環(huán)境和參數(shù)如表4 所示,將殘缺信號輸入生成網(wǎng)絡(luò)并于完整信號在判別網(wǎng)絡(luò)中進行對比,在本實驗環(huán)境下每次訓(xùn)練耗時30 至40 分鐘內(nèi)得到檢測模型。以圖10 中所示的NLFM 信號為例對其進行分離復(fù)原,并且分別將原始信號、殘缺信號與修復(fù)信號進行脈沖壓縮,得到的結(jié)果分別如圖11、圖12所示。

        在圖11 中,(c)是對(b)中殘缺信號的時域波形進行修復(fù)后的結(jié)果,對殘缺信號的時、頻域均實現(xiàn)較好的重構(gòu)效果。從圖12 中三種信號的匹配濾波結(jié)果可以看出,重構(gòu)信號與原始信號的脈壓輸出非常相似,表明本文方法在對信號估計的同時保留了原信號的相位信息,不影響后續(xù)的脈壓處理。

        在不同信噪比下對分離后重構(gòu)的信號與原始信號進行差異分析,其中信號相似度使用相關(guān)距離ρXY進行衡量。給出ρXY的定義為

        實驗結(jié)果如圖13所示。

        從圖13 結(jié)果可以看出,當(dāng)信噪比大于5 dB 時,修復(fù)信號與原始信號的相關(guān)系數(shù)高于0.8,差異較小。結(jié)合圖11、圖12 和圖13 結(jié)果,以及與文獻[8]中僅僅對信號的時頻圖像進行像素值修復(fù)的方法進行對比,本文著眼于重疊信號在信號層面的修復(fù),在工程中更具有實際意義。

        4 結(jié)論

        本文將深度學(xué)習(xí)引入到雷達信號的檢測、分離與重構(gòu)中,研究多個信號在時頻域混疊時,如何通過網(wǎng)絡(luò)來智能準(zhǔn)確地對不同信號進行檢測、分離與重構(gòu)。對比文獻[8]方法,解決了調(diào)制類型和數(shù)量的受限的問題,可實現(xiàn)對非線性調(diào)頻信號的檢測,在SNR 為?3 dB 時,mIoU 能夠達到85%,在SNR 為6 dB 時,分離后的信號與原信號相關(guān)系數(shù)高于0.85。且本文從保留雷達信號特性的角度出發(fā),提出的算法保留了雷達信號的特性,便于后續(xù)的雷達信號處理工作。值得指出的是,本文方法需要依靠大量的數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練,如何對數(shù)據(jù)進行輕量化處理來減少訓(xùn)練成本是下一步需要研究的問題。

        猜你喜歡
        掩膜時頻重構(gòu)
        利用掩膜和單應(yīng)矩陣提高LK光流追蹤效果
        長城敘事的重構(gòu)
        攝影世界(2022年1期)2022-01-21 10:50:14
        一種結(jié)合圖像分割掩膜邊緣優(yōu)化的B-PointRend網(wǎng)絡(luò)方法
        北方大陸 重構(gòu)未來
        光纖激光掩膜微細電解復(fù)合加工裝置研發(fā)
        北京的重構(gòu)與再造
        商周刊(2017年6期)2017-08-22 03:42:36
        論中止行為及其對中止犯的重構(gòu)
        多層陰影掩膜結(jié)構(gòu)及其制造和使用方法
        科技資訊(2016年21期)2016-05-30 18:49:07
        基于時頻分析的逆合成孔徑雷達成像技術(shù)
        對采樣數(shù)據(jù)序列進行時頻分解法的改進
        日本精品视频一区二区三区四区| 最新69国产精品视频| 午夜免费观看一区二区三区| 国产精品日韩av一区二区| 日韩性爱视频| 亚洲精品成人片在线观看精品字幕| 无码人妻av一区二区三区蜜臀| 亚洲男人天堂2019| 色欲av自慰一区二区三区| 在线免费黄网| 91精品综合久久久久m3u8| 中文字幕一区二区人妻在线不卡| 亚洲国产精品久久久婷婷| 国精产品一区一区三区有限在线| 国产精品美女久久久久av福利| a级毛片100部免费看| 欧美日韩综合网在线观看| 人妻系列无码专区久久五月天| 蜜桃av一区二区三区| 亚洲一区二区三区偷拍女| 久久久久亚洲av综合波多野结衣| 欧美大肥婆大肥bbbbb| av在线色| 久久亚洲精彩无码天堂| 性感的小蜜桃在线观看| 末成年人av一区二区| 亚洲精品无码久久久久av老牛| 久久久久亚洲av无码专区桃色| 亚洲欧美日韩高清中文在线| 好爽要高潮了在线观看| 成熟妇女毛茸茸性视频| 国产超碰人人爽人人做人人添| 欧美激情二区| AV中文字幕在线视| 亚洲一区二区国产一区| 国产高清av首播原创麻豆| 亚洲中文字幕无码中字| 国产强伦姧在线观看| 亚洲国产一区二区视频| 男人国产av天堂www麻豆| 日本老熟妇50岁丰满|