一种干扰信号检测模型训练方法、系统及应用方法、系统与流程

本发明涉及干扰信号识别的，更具体地，涉及一种干扰信号检测模型训练方法、系统及应用方法、系统。

背景技术：

1、复杂电磁环境下无线信号传输容易受到非合作信号和信道的干扰及其他不稳定因素的影响，导致无线通信质量下降或通信中断。为了维持通信系统的正常运行，需要快速准确地识别干扰信号，以便掌握无线通信系统所面临的电磁环境，采取必要措施保证通信的可靠性和稳定性。

2、传统的干扰识别方法是基于信号的特征参数来区分不同的干扰样式。图像处理技术的发展使得基于信号时频图的干扰识别成为可能，利用干扰信号在时频图上呈现的特定几何样式实现干扰识别。在信号宽带接收场景下，如频谱监测、宽带通信等，多个干扰信号会被同时接收，利用图像目标检测方法能够从时频图中把不同的干扰信号一次性全部检出。近年来以卷积神经网络(convolutional neural networks，cnn)为基础的深度学习目标检测算法得到了快速发展。cnn采用数据驱动的模式从时频图数据中自动学习特征提取方法，无需人工特征制定的繁琐程序，也不需要信道的先验信息，能够获得更好的识别准确度。

3、干扰信号识别的困难在于干扰类型的多样化。深度学习依赖大量数据，构建数据集时需要确保每种干扰类型有足够的样本数据。但真实环境下采集数据样本时会面临干扰信号持续时间短、干扰模式频繁切换等难题，搜集来自非合作信号的干扰数据较为困难。数据量的不足直接限制了基于图像目标检测cnn网络的干扰识别算法在实际场景中的性能，现有技术主要采用模型参数微调或者元学习的策略解决这个问题：基于模型参数微调的小样本训练策略为，首先在含有大量数据的源数据集上训练一个深度网络模型，然后在含有少量数据的目标数据集上对模型进行参数微调；然而少量目标域数据并不能很好地反映目标域所在场景下真实的数据分布情况，容易导致参数微调后的模型过拟合，难以保证模型在目标域的泛化能力；基于元学习的小样本训练策略为，首先从大量的先验任务中学习一个和任务无关的元模型，然后以元模型作为起点，通过优化调整元模型参数使其快速适应小样本数据对应的任务；但是，元模型的任务无关特性要求先验任务尽可能多样化，这对于先验任务的训练数据构造具有额外的要求；并且元学习的训练过程不稳定，在实际应用中的有效性有待进一步验证。

技术实现思路

1、本发明为克服作为训练数据的干扰信号样本数据量不足，训练出的干扰信号检测模型应用在真实环境时识别结果不准确的缺陷，提供一种干扰信号检测模型训练方法、系统及应用方法、系统，解决了作为训练数据的干扰信号样本数据量不足的问题，训练出的干扰信号检测模型能够应用到真实环境中，训练效率高，检测结果准确。

2、为解决上述技术问题，本发明的技术方案如下：

3、本发明提供了一种干扰信号检测模型训练方法，包括：

4、s1：构建训练样本数据集，所述训练样本数据集包括仿真信号时频图及仿真信号中干扰信号真实信息、实采信号时频图及实采信号中干扰信号真实信息；

5、s2：从所述训练样本数据集中随机选择若干张仿真信号时频图和实采信号时频图，输入构建的初始干扰信号检测模型中，获得仿真信号中干扰信号预测结果和实采信号中干扰信号预测结果；

6、s3：基于所述仿真信号中干扰信号真实信息、实采信号中干扰信号真实信息、仿真信号中干扰信号预测结果和实采信号中干扰信号预测结果，确定总损失函数；

7、s4：计算所述总损失函数的梯度，回传更新初始干扰信号检测模型的模型参数；

8、s5：判断当前训练次数是否达到预设训练迭代次数；若否，则返回步骤s2；否则，将达到预设训练迭代次数时对应的模型参数作为最优模型参数保存，获得训练好的干扰信号检测模型。

9、优选地，所述仿真信号中干扰信号真实信息包括仿真信号中干扰信号的真实类型和干扰信号在仿真信号时频图上的真实位置；所述实采信号中干扰信号真实信息均包括实采信号中干扰信号的真实类型和干扰信号在实采信号时频图上的真实位置。

10、优选地，所述仿真信号时频图上的真实位置或实采信号时频图上的真实位置为干扰信号在相应时频图上的矩形框，表示为对角顶点序列[x1,y1,x2,y2]或中心点宽高序列[x0,y0,w,h]；其中，x1,y1表示矩形框对角顶点中一顶点的横、纵坐标，x2,y2表示矩形框对角顶点中另一顶点的横、纵坐标，x0,y0表示矩形框中心点的横、纵坐标，w,h表示矩形框的宽和高。

11、优选地，所述构建的初始干扰信号检测模型包括依次连接的时频特征提取单元、干扰信号定位单元、干扰信号特征提取单元和干扰信号识别单元，且时频特征提取单元的输出端还与干扰信号特征提取单元的输入端连接。

12、优选地，所述步骤s2包括：

13、s2.1：从所述训练样本数据集中随机选择若干张仿真信号时频图和实采信号时频图，输入构建的初始干扰信号检测模型中；

14、s2.2：每张所述仿真信号时频图和实采信号时频图分别经时频特征提取单元进行特征提取操作，获得对应的仿真信号时频特征和实采信号时频特征；

15、s2.3：所述仿真信号时频特征和实采信号时频特征分别经干扰信号定位单元进行定位操作，获得对应的仿真信号干扰定位框和实采信号干扰定位框；

16、s2.4：所述仿真信号时频特征和仿真信号干扰定位框经干扰信号特征提取单元进行特征提取操作，获得对应的仿真信号中干扰信号特征；所述实采信号时频特征和实采信号干扰定位框经干扰信号特征提取单元进行特征提取操作，获得对应的实采信号中干扰信号特征；

17、s2.5：所述仿真信号中干扰信号特征和实采信号中干扰信号特征经所述干扰信号识别单元进行识别操作，获得仿真信号中干扰信号预测类型和实采信号中干扰信号预测类型；

18、s2.6：将对应的仿真信号干扰定位框和仿真信号中干扰信号预测类型作为仿真信号中干扰信号预测结果，将对应的实采信号干扰定位框和实采信号中干扰信号预测类型作为实采信号中干扰信号预测结果。

19、优选地，所述步骤s3包括：

20、a)根据所述仿真信号中干扰信号的真实类型、实采信号中干扰信号的真实类型、仿真信号中干扰信号预测类型和实采信号中干扰信号预测类型，建立干扰信号类型分类损失函数：

21、

22、式中，lcls表示干扰信号类型分类损失函数值，n表示当前训练轮次随机选择的仿真信号时频图和实采信号时频图作为训练样本的总数量，m表示干扰信号的类别总数；表示第i个训练样本的分类标签，即第i个训练样本的干扰信号真实类型为c时，否则，yi,c表示第i个训练样本的干扰信号预测类型为c的概率；

23、b)根据干扰信号在相应时频图上的矩形框、仿真信号干扰定位框和实采信号干扰定位框，建立干扰信号定位损失函数：

24、lloc＝∑smooth-l1(x)

25、

26、式中，lloc表示干扰信号定位损失函数值，smooth-l1(x)表示smooth-l1损失函数，x表示干扰信号在相应时频图上的矩形框与相对应的仿真信号干扰定位框或实采信号干扰定位框的序列中每个元素的差值；

27、c)构建域分类器，将仿真信号时频特征和实采信号时频特征组成信号时频特征输入域分类器，获得时频特征来源预测概率，包括时频特征来源于仿真信号的预测概率和时频特征来源于实采信号的预测概率；根据时频特征来源概率建立类别标签域适配损失函数：

28、

29、式中，limg表示域适配损失函数值，表示第j1个仿真信号时频特征加权系数，表示第j2个实采信号时频特征加权系数，表示第j1个时频特征来源于仿真信号的预测概率，表示第j2个时频特征来源于实采信号的预测概率，nsim表示仿真信号时频特征的数量，nreal表示实采信号时频特征的数量；

30、d)对仿真信号和实采信号中每种干扰信号类别的原型特征进行初始化操作，设定仿真信号中第i类干扰信号初始原型特征实采信号中第j类干扰信号初始原型特征

31、对于每张所述仿真信号时频图和实采信号时频图，在相应时频图上的矩形框周边随机选取k个干扰定位框；

32、对于k个干扰定位框对应的干扰信号类别，计算干扰信号特征平均值：

33、

34、

35、利用干扰信号特征平均值更新相应的干扰信号原型特征，更新公式为：

36、

37、

38、式中，为仿真信号时频图中k个干扰信号特征平均值，为实采信号时频图中k个干扰信号特征平均值，表示第t次训练时仿真信号中第i类干扰信号的原型特征，表示第t次训练时实采信号中第j类干扰信号的原型特征；表示第t-1次训练时仿真信号中第i类干扰信号的原型特征，当t＝0时，表示第t-1次训练时实采信号中第j类干扰信号的原型特征，当t＝0时，t表示当前训练次数，a表示平缓更新系数；

39、根据更新后的仿真信号中干扰信号原型特征和更新后的实采信号中干扰信号原型特征，建立原型特征域适配损失函数：

40、

41、式中，lproto表示原型特征域适配损失函数，和分别表示第t次训练时仿真信号和实采信号中第i类干扰信号的原型特征；

42、e)根据干扰信号类型分类损失函数、干扰信号定位损失函数、类别标签域适配损失函数和原型特征域适配损失函数，建立总损失函数：

43、l＝lcls+lloc+limg+lproto

44、式中，l表示总损失函数。

45、其中，干扰信号类型分类损失函数用来计算检测模型的干扰信号预测类型与干扰信号真实类型的差异；干扰信号定位损失函数用来计算检测模型预测的干扰信号定位框与时频图上标注的干扰信号矩形框之间的差异；类别标签域适配损失函数用来消除仿真信号和实采信号在特征空间上的分布差异；原型特征域适配损失函数用来缩小仿真信号和实采信号中同一类型干扰的原型特征的距离。

46、本发明提供了一种干扰信号检测模型应用方法，包括：

47、获取待检测的宽带接收信号；

48、将所述待检测的宽带接收信号转换为待检测的时频图；

49、将所述待检测的时频图输入如上述的训练好的干扰信号检测模型中，获得待检测的宽带接收信号的干扰检测结果。

50、优选地，所述干扰检测结果包括待检测的宽带接收信号中干扰信号的类型和干扰信号在待检测的时频图中的干扰定位框。

51、本发明还提供了一种干扰信号检测模型训练系统，用于实现上述的训练方法，包括：

52、训练样本数据集构建模块，用于构建训练样本数据集，所述训练样本数据集包括仿真信号时频图及仿真信号中干扰信号真实信息、实采信号时频图及实采信号中干扰信号真实信息；

53、干扰信号预测模块，用于从所述训练样本数据集中随机选择若干张仿真信号时频图和实采信号时频图，输入构建的初始干扰信号检测模型中，获得仿真信号中干扰信号预测结果和实采信号中干扰信号预测结果；

54、总损失函数确定模块，用于基于所述仿真信号中干扰信号真实信息、实采信号中干扰信号真实信息、仿真信号中干扰信号预测结果和实采信号中干扰信号预测结果，确定总损失函数；

55、参数更新模块，用于计算所述总损失函数的梯度，回传更新初始干扰信号检测模型的模型参数；

56、检测模型训练模块，用于判断当前训练次数是否达到预设训练迭代次数；若否，则返回干扰信号预测模块；否则，将达到预设训练迭代次数时对应的模型参数作为最优模型参数保存，获得训练好的干扰信号检测模型。

57、本发明还提供了一种干扰信号检测模型应用系统，用于实现上述的应用方法，包括：

58、信号获取模块，用于获取待检测的宽带接收信号；

59、时频图转换模块，用于将所述待检测的宽带接收信号转换为待检测的时频图；

60、干扰检测结果确定模块，用于将所述待检测的时频图输入如上述的训练好的干扰信号检测模型中，获得待检测的宽带接收信号的干扰检测结果。

61、与现有技术相比，本发明技术方案的有益效果是：

62、本发明提供一种干扰信号检测模型训练方法、系统及应用方法、系统，面对真实环境中实采信号数据量不足的问题，引入仿真信号数据作为辅助，构建训练样本数据集；从训练样本数据集中随机选择若干张仿真信号时频图和实采信号时频图输入构建的初始干扰信号检测模型中，进行干扰信号检测任务监督学习，获得仿真信号中干扰信号预测结果和实采信号中干扰信号预测结果；构建总损失函数并计算梯度，回传更新初始干扰信号检测模型的模型参数中，直到达到预设训练迭代次数，将对应的模型参数作为最优模型参数保存，获得训练好的干扰信号检测模型。本发明在训练过程中，通过设置总损失函数，在特征空间缩小仿真信号和实采信号在数据分布上的差异，保证训练好的干扰信号检测模型能够应用于真实环境的信号数据，训练效率高，检测结果准确。