基于MaskR-CNN的电磁信号智能检测和参数估计.pdfVIP

摘要

在当今快速发展的时代生活中，通信信号的信号检测和参数估计技术一直以来都是研究

的一个热点。随着科技的发展与进步，接收的信号种类和组合错综复杂，绝大多数接收的都

是时频域重叠多信号。因此如何对时频域重叠多信号进行检测和参数估计成为首当其冲需要

解决的问题。传统的信号检测和参数估计方法难以有效地进行可视化检测和智能参数估计。

为了解决时频域重叠多信号的信号检测和参数估计问题，本文结合了人工智能，展开了对时

频域重叠多信号的智能可视化检测和智能参数估计方法研究。

本文分析了神经网络基础知识和常见的卷积神经网络模型以及循环神经网络模型，在此

基础上，提出了基于掩膜区域卷积神经网络的时频域重叠多信号智能检测方法和基于LSTM

网络的线性调频信号参数估计方法，主要内容如下：

1、系统阐述了传统的信号检测和参数估计研究现状和基于深度学习的信号检测和参数估

计研究现状。介绍了深度学习网络的基础知识，并详细介绍了区域卷积神经网络、快速区域

卷积神经网络和掩膜区域卷积神经网络结构，为时频域重叠多信号智能检测奠定了基础；同

时，介绍了循环神经网络和长短期记忆人工神经网络结构为时频域重叠多信号的智能参数估

计奠定了基础。

2、提出了一种基于掩膜区域卷积神经网络的时频域重叠多信号智能检测算法。首先对时

频域重叠多信号进行短时傅里叶变换得到时频图，然后利用Labelme对时频图做数据预处理，

生成对应的目标信号区域和对应的Mask区域图片，然后将得到的所有数据同时输入MaskR-

CNN网络。同时，针对MaskR-CNN网络在时频域重叠多信号重叠位置存在信息缺失的问题，

提出一种与Criminisi算法融合的算法改进方案。在MaskR-CNN网络进行目标像素信息提取

之前，使用Criminisi算法对位置像素信息进行修复。仿真结果表明，改进算法较之原来的算

法训练速度提高了一倍，识别性能平均提高了3dB。

3、提出了一种基于LSTM网络的线性调频信号参数估计算法。首先，根据上述算法检测

的结果，通过信号像素边际点的位置可估计得到初始频率和调频斜率参数大小，估计得到的

初始频率以及调频斜率可作为LSTM网络的附加输入信息。然后，对时频域重叠的线性调频

信号进行盲源分离得到单个信号，对单个信号进行STFT得到时频图，与上述算法得到的初

始频率和调频斜率参数信息一起作为LSTM网络的输入，对信号初始频率和调频斜率进行估

计。最后，将单个信号单独作为LSTM网络的输入，实现对幅值的估计。实验结果表明，基

于LSTM网络的线性调频信号参数估计相对误差率为5%，比基于检测结果得到的参数估计

相对误差率平均低6%，比基于FLOSTFT-Hough的线性调频信号调频斜率估计相对误差平均

低23%。

关键词：信号检测，参数估计，MaskR-CNN，LSTM，线性调频信号

ABSTRACT

Intodaysrapiddevelopmentoflife,thesignaldetectionandparameterestimationtechnology

ofcommunicationsignalshasalwaysbeenahotresearchtopic.Withthedevelopmentand

advancementofscienceandtechnology,thetypesandcombinationsofreceivedsignalsareintricate,

andmultiplesignalswithoverlappingtimeandfrequencydomainsaccountforthemajority.

Therefore,howtodetectandestimatetheparametersofoverlappingmultiplesignalsinthetime-

frequencydomainbecomesthefirstproblemtobesolved.Traditionalsignaldetectionandp