基于深度学习的差分跳频智能序列检测方法研究与实现

作     者：李月 

作者单位：沈阳理工大学 

学位级别：硕士

导师姓名：钱博

授予年度：2023年

学科分类：11[军事学] 1105[军事学-军队指挥学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 110503[军事学-军事通信学] 

主      题：差分跳频 时频分析 频率转移函数 FasterRcnn XG-Boost 

摘      要：差分跳频(DFH,Differential Frequency Hopping)技术又称相关跳频技术,通过相邻频率的相关性传输数据信息。差分跳频通信系统利用特有的频率转移函数,将调制、解跳解调与跳频图案集于一身,提高了系统的抗跟踪干扰能力。近年来,智能算法被越来越多的应用到信号识别和检测任务中,可在行为上或趋势上对未知数据进行准确预测。将深度学习技术应用于差分跳频信号频率检测和序列译码过程中,将有效提高译码效率,提高差分跳频通信系统的智能水平,具有较强的现实意义和实际应用价值。本文重点进行基于深度学习的差分跳频信号智能检测技术研究,在深入分析差分跳频通信机理基础上,提出了一种AC-CBAM-Faster Rcnn差分跳频频率检测算法,通过时频分析得到差分跳频信号时频分布图,利用Labeling工具对时频分布图进行频点信息标注,得到位置信息和频率作为标签,构建数据集。利用注意力机制和膨胀卷积算法改进原始Faster Rcnn网络,实现针对差分跳频信号频率的有效检测,提高检测准确率。进一步,提出XG-Boost智能序列译码算法。利用检测的差分跳频信号频率序列,构建信号跳变频点序列,根据序列即将频点序列与传输数据之间的G函数映射关系,将频点序列作为输入特征,对XG-Boost模型进行训练,实现智能方法序列译码。仿真结果表明,本文提出的AC-CBAM-Faster Rcnn跳频频率检测算法具有简单、有效且易于实现的特点,检测准确率较高,计算复杂度降低。提出的XG-Boost智能序列译码算法具有更高的译码准确率,更低的运算复杂度,可有效提高译码效率。