基于时频图语义分割的卫星信号盲检测方法研究

作     者：董哲宇 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：吴志刚

授予年度：2021年

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 07[理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 070104[理学-应用数学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 081101[工学-控制理论与控制工程] 0701[理学-数学] 0811[工学-控制科学与工程] 

主      题：信号盲检测 时频图 频谱分析 语义分割 深度学习 

摘      要：在现代卫星通讯系统中,信号盲检测是接收端一项重要的功能。准确的信号盲检测在商业领域和军事领域都具有重要的价值。现有的检测方法存在难以适应信号密集、高噪声的情况,所以在实际信道环境中的表现并不理想。本文面向卫星信号检测的应用场景,研究了基于深度学习的信号盲检测技术,提出了一种基于时频图语义分割的卫星信号盲检测方法,再对其时间性能进行了改进,主要包含如下两个创新点:（1）基于时频图语义分割的卫星信号盲检测技术提出一种基于深度学习的卫星信号盲检测的方法。首先设计了一种高精度时频图的绘制方法,使得单张图像中能够尽可能多的保留信号能量、信号边界、基底起伏等细节信息。然后,应用深度学习中的语义分割技术将时频图中的信号作为语义划分出来。最后,结合信号频谱图的特点进行后处理,实现信号中心频率和带宽的检测任务。使用两颗实际卫星信道的数据进行验证,结果表明,本文提出的方法能够获得精确率97%、准确率97%和召回率100%的结果。（2）基于模型组合的信号盲检测性能改进提出一种基于模型组合的信号盲检测性能改进方法。针对基于时频图语义分割的盲检测方法处理时间较长的问题,提出:首先,通过目标检测模型对时频图信号进行预划分,减少语义分割的计算量;然后,将语义分割模型的普通卷积替换为深度可分离卷积以缩减计算量,并加入Attention结构加速模型收敛、避免非必要的特征计算。使用相同的数据集验证,基于模型组合的信号盲检测方法与原方法相比,在精度降低2.26%的情况下,速度提升了 7.6倍。实验证明本文提出的方法能够有效完成复杂信道环境下信号盲检测任务,为利用深度学习技术解决通信领域经典而复杂的问题提供了新的思路。