一种基于深度残差网络的特定协议信号识别方法与流程

本发明涉及通信，尤其涉及一种基于深度残差网络的特定协议信号识别方法。

背景技术：

1、短波通信协议识别在短波通信对抗和认知无线电领域中具有重要地位，对于通信干扰和目标识别起着至关重要的作用。然而，如何实现对协议的精准识别一直是非合作接收方领域研究的难点和热点。

2、现有的通信协议自动识别技术主要涵盖软件无线电、调制识别以及编码识别等多个技术领域。这些方法大体可分为两类：一是基于信号调制特征的协议识别，二是基于比特流的协议识别。在基于调制特征提取的识别方法中，特征模板匹配算法在先验信息充足时表现良好，但对信噪比较为敏感，低信噪比下易造成虚警。而支持向量机等方法在信号识别领域已有应用，并能呈现较好的识别效果，但其对误差边界敏感，不适合大数据实验，且缺乏必要的概率信息。

3、近年来，深度学习技术的发展为通信协议识别提供了新的思路。深度神经网络能够从大量数据中自动提取有用的特征，并利用这些特征进行分类和识别。特别是深度残差神经网络(deepresidualnetwork，resnet)，在图像处理等众多领域已展现出卓越的性能。然而，将深度学习技术应用于通信协议识别仍面临一些技术挑战。如何从复杂的通信信号中提取出有效的特征，以及如何设计适用于通信协议识别的深度神经网络模型，是亟待解决的问题。

技术实现思路

1、本发明的目的是为了克服现有技术中的不足，提供一种基于深度残差网络的特定协议信号识别方法，给出了将时域模板匹配和频谱模板匹配拓展为时频谱模板匹配，并运用神经网络从时频数据中学习并挖掘最佳时频谱图模板，设计了一种具有自适应学习能力的短波特定通信协议识别模型，提出一种基于深度残差网络的特征自动提取方法，解决了低噪声，多径时延，多普勒频偏，强干扰以及强混叠条件下特定协议的识别问题。

2、本发明为了实现上述目的，采用如下技术方案：一种基于深度残差网络的特定协议信号识别方法，s1：将时域模版匹配和频谱模版匹配拓展为时频模版匹配，将信号的时频能量转换成灰度图像；

3、s2：构建深度残差网络，建立信号识别模型；

4、s3：利用灰度图像对深度残差网络模型进行训练；

5、s4：通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别。

6、进一步，所述s1的具体步骤为：采用短时傅里叶变换作为时频分析手段，在进行处理过程中，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，最后得到由各段信号构成的时频谱图；

7、对于信号s(t)，信号短时傅里叶变换可定义为：

8、

9、其中，γ(·)表示窗函数。

10、进一步，所述s2的步骤为：s2.1.将h(x)标记为潜在映射，堆叠的网络拟合的为残差映射h(x)＝f(x)-x；

11、s2.2.当输入特征图和经过残差单元后的输出特征图维度不匹配时，采用尺寸1x1的卷积核对输入特征图进行升维操作。

12、进一步，所述s3的步骤为：s3.1根据网络内部结构以及实际训练需求，训练时时频谱图大小需要一致，结合实际短波信号搜索需求，训练过程中，将时频图的尺寸统一设置为320x320；

13、s3.2对三类特定通信协议信号和一类噪声类进行识别；所述三类特定通信协议信号为link11、clover2000和2g-ale，噪声类为高斯白噪声；

14、s3.3当每一层数据经过卷积后得到了特征图，并未直接进行激活函数处理，而是先对数据进行批标准化；

15、s3.4通过批标准化解决训练过程中出现的内部协变量位移，使得网络能够快速收敛。

16、进一步，所述s4的步骤为：s4.1针对信号环境对网络识别率的影响，实验信号采用link11，clover2000，2g-ale体制下的仿真信号，信号的生成具体参数按照协议指定的条件实现，信号的载频fi在一定范围内随机产生，信号时频图的频率分辨率为fs/n(n＝2m，m＝6，7，8，9，10)，信噪比的范围为-10db-10db；

17、s4.2检验无线信道对算法性能的影响，考虑多普勒频偏以及多径时延的存在，利用itu-r中的f.1487标准中的建议watterson信道模型作为短波测试信道，测试短波信道下信号协议识别方法；

18、s4.3测试时频图上特定帧结构信息被部分遮挡对网络识别性能影响时，采用不含帧结构的psk信号对目标信号进行时频混叠，按照如下方法对时频混叠进行定义：

19、混叠信号中只有两个分量信号，在时间上信号完全重叠，频域上混叠度定义为：

20、

21、其中δf1，δf2为各信号带宽，δf12为重叠带宽，信噪比为两者功率之比；

22、s4.4针对网络参数对识别性能的影响，网络在每进行10次迭代训练后，对测试样本进行测试，每一次测试随机从3类协议的样本数据中随机抽取600个信号样本，且信号的信噪比以及混叠情况均随机。

23、本发明的有益效果是：与现有技术相比，本发明具有以下优点：本发明给出了将时域模板匹配和频谱模板匹配拓展为时频谱模板匹配，并运用神经网络从时频数据中学习并挖掘最佳时频谱图模板，设计了一种具有自适应学习能力的短波特定通信协议识别模型，提出一种基于深度残差网络的特征自动提取方法，解决了低噪声，多径时延，多普勒频偏，强干扰以及强混叠条件下特定协议的识别问题；本发明未详细介绍处为现有常用技术。

技术特征：

1.一种基于深度残差网络的特定协议信号识别方法，其特征在于：s1：将时域模版匹配和频谱模版匹配拓展为时频模版匹配，将信号的时频能量转换成灰度图像；

2.根据权利要求1所述的一种基于深度残差网络的特定协议信号识别方法，其特征在于：所述s1的具体步骤为：采用短时傅里叶变换作为时频分析手段，在进行处理过程中，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，最后得到由各段信号构成的时频谱图；

3.根据权利要求1所述的一种基于深度残差网络的特定协议信号识别方法，其特征在于：所述s2的步骤为：s2.1.将h(x)标记为潜在映射，堆叠的网络拟合的为残差映射h(x)＝f(x)-x；

4.根据权利要求1所述的一种基于深度残差网络的特定协议信号识别方法，其特征在于：所述s3的步骤为：s3.1根据网络内部结构以及实际训练需求，训练时时频谱图大小需要一致，结合实际短波信号搜索需求，训练过程中，将时频图的尺寸统一设置为320x320；

5.根据权利要求1所述的一种基于深度残差网络的特定协议信号识别方法，其特征在于：所述s4的步骤为：s4.1针对信号环境对网络识别率的影响，实验信号采用link11，clover2000，2g-ale体制下的仿真信号，信号的生成具体参数按照协议指定的条件实现，信号的载频fi在一定范围内随机产生，信号时频图的频率分辨率为fs/n(n＝2m，m＝6，7，8，9，10)，信噪比的范围为-10db-10db；

技术总结
一种基于深度残差网络的特定协议信号识别方法，S1：将时域模版匹配和频谱模版匹配拓展为时频模版匹配，将信号的时频能量转换成灰度图像；S2：构建深度残差网络，建立信号识别模型；S3：利用灰度图像对深度残差网络模型进行训练；S4：通过训练后的深度残差网络模型对传输过程中所训练的特定通信协议信号进行检测识别；本发明给出了将时域模板匹配和频谱模板匹配拓展为时频谱模板匹配，并运用神经网络从时频数据中学习并挖掘最佳时频谱图模板，设计了一种具有自适应学习能力的短波特定通信协议识别模型，提出一种基于深度残差网络的特征自动提取方法，解决了低噪声，多径时延，多普勒频偏，强干扰以及强混叠条件下特定协议的识别问题。

技术研发人员：付琳琳,韩国强,刘海业,乔冠禹,刘记红,赵洋,胡然,刘文甫,常文泰,王雅静
受保护的技术使用者：中国人民解放军63892部队
技术研发日：
技术公布日：2025/3/31