基于叠加谱与深度学习的超短波宽带卫星信号检测方法与流程

本发明属于深度学习在信号检测领域的应用，涉及一种基于叠加谱与深度学习的网络的超短波卫星信号检测方法。

背景技术：

1、超短波信号是一种广泛用于通信和广播的频段,超短波由于具有良好的传输性能，在通信领域起着至关重要的作用，正是这种短波信号的特殊性质使其成为广泛用于雷达、通信、导航、远程控制等领域的理想选择。但是随着电磁环境的不断复杂化,对超短波通信也会产生一定的干扰，可能被利用来进行网络入侵、电子战等，因此对于目标的信号检测显得尤为重要。

2、宽带超短波信号的频谱检测需要处理更宽的频谱范围，且存在信号在频谱上密集分布的特点，以及存在短突发干扰信号的影响，目前主要的传统方式有包括：

3、频谱能量检测方法通常是系统对接收到的信号进行能量积分，设置一个能量门限，能量积分超过了设置的门限值，系统将判定检测到信号的存在，能量检测法是一种相对简单的技术，多用在单一信道中判断信号有无，适用于各种信号类型，计算复杂度较低，然而在宽带超短波信号中，宽带较宽，存在各种类型的信道，且不同信道在频谱上间存在干扰，同时环境噪声起伏不定，能量检测法对于噪声和干扰的敏感性较高，因此容易导致误检测，即将噪声或干扰误判为信号，检测性能有时会受到一定程度的降低，对宽带信号检测难以适用。在宽带超短波信号中还有一种匹配滤波器检测法，这种方法通常求先知道或有一个准确的参考信号，这意味着必须在信号检测之前了解预期信号的特性。在超短波宽带密集信号的情况下，难以实现，特别是当信号具有不确定性或动态变化的特性。而宽带超短波频段中，存在大量的干扰信号，因此检测性能不高无法适用。

4、综上所述，传统的信号检测方法，主要集中在窄带中判断信号的有无，同时传统的信号检测通常需要对目标信号和噪声特性有较多的先验知识，包括信号的波形、频率、时延等信息，同时对参数计算需要较高准确性。这使得它在未知信号或者非常复杂的信号环境下的性能下降，会导致先验信息难以完全获取，甚至丢失，计算精度不够等问题，因此针对宽带超短波信号中存在大量密集的信号的情况下难以适用。

5、随着深度学习发展，基于深度学习的目标检测技术在各种领域都取得了显著的成果，包括计算机视觉和信号处理。将这种技术应用于宽带超短波信号频谱的检测可以提供一种新颖而高效的方法，以识别和分析频谱中的信号活动、异常或潜在威胁。

技术实现思路

1、本方法提出一种基于叠加谱与深度学习的超短波宽带卫星信号检测方法，将传统的宽带卫星超短波检测问题，转化为图像检测处理问题，可以得到较高的检测率，同时降低虚警率的分类识别效果。

2、在230-270mhz超短波频段复杂的电磁环境中，传统的能量检测方式下，宽带卫星信号存在漏检以及虚警率较高的问题，本发明专利提出一种基于频谱叠加的shortcutswin transoformer yolov5s(sst-yolov5s)网络的宽带超短波信号检测的方法，有效解决了传统方法中低信噪比下超短波宽带卫星信号难以检测，以及存在干扰异常情况下虚警率较高的问题。首先通过频谱叠加，突出超短波信号与底噪的区分度，抑制短突发干扰的影响，有效提高低信噪比下的目标信号特征。同时提出四层sc(shortcut)-st(swin-transoformer)与多层卷积级联的超短波信号特征提取骨干网络sst-backbone(sc-st-backbone)。在骨干网络中sc-st模块利用transformer的全局性关注全局特征的特点，结合关注局部特征的残差多层卷积模块来增加网络的深度和感受野，使网络模型更加准确的对目标频段的宽带超短波信号进行侦察检测，可以高效地去除底噪特征的干扰，同时减少对异常信号的特征的关注，提升了复杂环境下宽带超短波目标信号的检测精度，降低虚警率。

3、本发明解决其技术问题所采用的技术方案包括以下步骤：

4、步骤一、通过超短波天线采集目标卫星信号数据，接着通过接收机对采集的超短波信号进行处理。接收机对采集的超短波信号的超短波频段进行滤波，得到以目标频率为中心的宽带超短波信号数据。

5、步骤二、将接收机处理后的宽带超短波信号数据通过快速傅里叶变换后得到超短波信号宽带频谱，再通过频谱叠加的方式构建超短波信号宽带频谱的叠加谱，通过不断迭代累加信号与底噪的微小差异，从而突出体现信号和底噪的区分度，并对叠加谱进行归一化预处理。

6、步骤三、构建基于sst-yolov5s的超短波宽带信号检测模型，提高深度学习网络模型对宽带超短波卫星信号检测精度，降低虚警率。

7、步骤四、将目标卫星波段中宽带内存在的不同样式的归一化预处理后的叠加谱输入sst-yolov5s宽带超短波卫星检测模型进行仿真测试检测效果，对检测结果进行统计对比计算。

8、步骤1天线采集，接收机接收处理信号具体实现如下：

9、目标卫星超短波信号通过双单元螺旋天线和超短波接收机实地采集并进行处理。天线采用圆极化方式，增益15dbi。采集的超短波信号通过接收机对目标频段滤波，得到中心频率255mhz，带宽为40.96mhz的宽带超短波信号数据。天线架设地点为******，具体方位为东经120度20分24秒，北纬30度18分52秒。天线采集超短波信号来自两个方向的同步轨道卫星。一是太平洋方向，具体位置东经**度，二是印度洋方向，具体位置东经**度。

10、步骤2所述的超短波信号宽带频谱的叠加谱构造具体实现如下：

11、2-1.中心频率为255mhz，以40.96mhz采样频率对目标波段的超短波信号进行采样，得到的目标信号起始频率234.52mhz，结束频率为275.48mhz。

12、由于宽带的信号中存在大量密集信号，采用滑动门限阈值的传统方法进行频谱检测时，受到密集信号能量扩散影响，导致频谱能量异常虚警率较高。同时在宽带频谱上底噪起伏不定，能量阈值变化难以自适应，存在宽带频谱上大量信号漏检的情况。相比于传统算法，基于深度学习的宽带超短波信号的检测方法有着更加低的漏检率和虚警率。因此本专利采用构造图片形式利用深度学习网络模型进行目标卫星信号检测。

13、2-2.首先对采样频率40.96mhz的目标信号数据处理，通过将超短波宽带的目标信号进行局部绘制频谱图，有效增大了图片中的分辨率，本方法采用每100khz绘制出fft频谱图，共计409张频谱图，包含目标全频段的信号频谱图。为了获取目标信号中存在的信号，标记并检测每张频谱图中存在的信号，对信号以及干扰进行标记处理获取。为了保证数据的一致性和可比性，局部100khz频谱图，图片尺寸统一归一化为三通道640×640大小。

14、在低信噪比下，频谱中观察到的频谱特征有限，局部频谱中，信号特征较少且较大部分信号与底噪相融合，难以获取有效特征。同时频谱受到短突发的干扰导致干扰会异常突出明显，因此本专利提出通过频谱叠加的方式构建频谱叠加谱，通过不断迭代累加信号与底噪的微小差异，从而突出体现信号和底噪的区分度。与此同时通过叠加处理，可以有效地将一段时间内的短突发干扰信号能量平均到多段时间中，来达到抑制短突发的干扰特征的效果。

15、2-3.依次采用5、10、20、30次叠加方式对频谱图进行仿真绘制得到不同叠加次数的叠加谱，通过观察不同叠加次数的叠加谱的信号特征效果以及需要的数据量，最终采用叠加30次的方式，对频谱图进行仿真绘制得到叠加谱。

16、步骤3sst-yolov5s的超短波宽带信号检测模型的构建：

17、为了获取目标卫星宽带超短波信号中存在的各种样式的信号，采用了sst-yolov5s的超短波宽带信号检测模型。在sst-backbone骨干网络部分，利用transformer对全局感受野的特性，使得模块关注叠加谱的全局特征，同时在transformer嵌入shortcut(sc)-st残差的多层卷积模块，使得shortcut(sc)-st模块能够关注叠加谱的全局特征；结合含残差的多层卷积模块增加网络的深度和感受野，使模型将提取的超短波叠加谱的全局特征和局部特征充分相融合，并由sppf模块进行初步的信息交互。

18、在sst-head目标检测头部分，通过sst-backbone骨干网络所提取的全局特征与局部特征进行多尺度融合后的特征金字塔，结合sst-head目标检测头部分中未含残差的c3模块局部感受野特性，进一步检测并筛选出属于叠加谱的高语义层次的全局特征及表征细节的局部特征，融合高语义层次的全局特征及表征细节的局部特征后生成更加精准的叠加谱特征图。叠加谱特征图经过conv层进行通道数降维和叠加谱特征图缩放后，detect检测器基于网格的锚点在不同尺度的叠加谱特征图上进行目标检测，通过sigmoid激活函数生成更加精准全面的叠加谱图像预测框类别及位置信息，最终实现目标信号频谱精确检测。

19、步骤4将目标卫星波段中宽带内存在的不同样式的归一化预处理后的叠加谱输入sst-yolov5s宽带超短波卫星检测模型进行仿真测试检测效果，对检测结果进行统计对比计算，具体如下：

20、在复杂电磁环境下超短波信号频谱具有多样性，宽带频谱中存在各种信号，因此数据集在通过叠加谱处理后，对正常信号、频谱密集连续信号，以及各种不同样式特征的目标信号都需要进行标记，而对于异常信号不进行标记，减少异常信号带来的虚警，通过以上方式制作超短波信号检测数据集。超短波叠加谱数据集一共包含了正常信号、异常起伏、异常带宽、多连续信号等不同条件的5000张图像，将超短波叠加谱数据集的前4000幅图像作为训练集，后1000幅图像作为测试集进行模型训练与测试。

21、4.1模型性能评价指标

22、本专利在测试时采用检测率识别，虚警率，精确率(precision)、召回率(recall)、平均精度均值(map)、模型内存占用共计6个指标对模型评价。同时也将模型提取的超短波叠加谱特征进行可视化，从可视化的特征图中可以直观看出模型对于图像的关注点，直观的看出模型是否学习到了超短波叠加谱区域的特征，观察模型对干扰异常信号的关注度。

23、4.2检测性能

24、将专利中提出的sst-yolov5s超短波叠加谱检测算法、yolov5s目标检测算法、ssd目标检测算法分别在宽带超短波叠加谱正常图像测试集中比较模型性能，包含常规超短波信号图像，以及连续频谱的超短波信号，同时使用专利中提出的模型在异常信号的叠加谱测试集中测试异常信号的虚警效果，并且通过3种模型分别对超短波常规信号图像库和超短波连续信号图像库中可视化模型提取的特征画出可视化热力图，观察构建的网络模型，对目标信号检测的效果。

25、本发明有益效果如下：

26、1.有效解决了传统方法中低信噪比下超短波宽带卫星信道难以检测的问题。

27、2.解决了存在干扰异常情况下，深度学习模型对目标信号检测率较低，异常信号虚警率较高的问题。

28、3.相比传统频谱图作为深度学习网络模型的输入，经过频谱叠加得到的叠加谱，突出了超短波信号与底噪的区分度，同时抑制短突发干扰的影响，有效提高低信噪比下的目标信号特征。

29、4.提出的sst-yolov5s网络模型，通过四层sc(shortcut)-st(swin-transoformer)与多层卷积级联结构，构建出sst-backbone(sc-st-backbone)骨干网络，在骨干网络中sc-st模块利用transformer的全局性关注全局特征的特点，结合关注局部特征的残差多层卷积模块来增加网络的深度和感受野，使网络模型更加准确的对目标频段的宽带超短波信号进行侦察检测，可以高效地去除底噪特征的干扰，同时减少对异常信号的特征的关注，提升了复杂环境下宽带超短波目标信号的检测效果。

30、在不同信噪比环境下，相较于分别在yolov5s目标检测算法，ssd目标检测算法，以及提出的sst-yolov5s网络，本发明提出的网络均明显提高了检测准确率。

31、综上所述。本发明针对宽带超短波卫星信号的检测具有检测率高、虚警误识率低，鲁棒性强等特点，并且在低信噪比下，仍有较高的检测性能。