论文部分内容阅读
随着无线通信技术的快速发展,信号的调制格式与信道环境日益复杂,无线电信号的有效检测与识别成为无线通信领域的研究热点。目前无线电信号识别技术主要利用信号时域或频域信息进行识别,需对信号特征参数逐一提取,且在信号低信噪比时识别效果不佳。本文基于信号时频谱特征,设计了一种无线电信号检测识别框架,将深度学习目标检测任务引入无线电信号领域,并针对信号样本标注费时费力等问题,采用半监督学习的方法减少人工标注,显著降低人工标注成本。本文首先将深度学习目标检测任务与无线电信号检测识别问题相结合,将信号通过短时傅里叶变换转为时频图形式,以目标检测网络Center Net为基础,针对原始Center Net网络检测速度慢等问题,改进Center Net网络结构,加入可学习的残差结构调整分支权重,并使用多尺度的金字塔卷积,在不增加时间开销的基础上提升信号检测性能。在解码网络中使用可变形卷积扩大网络感受野,最后在检测阶段使用金字塔特征融合结构,用多个融合的不同尺度特征进行最终预测。实验表明,相比原始网络,基于改进的Center Net进行时频图信号检测可在识别精度仅降低0.3%的情况下,检测速度提升4倍以上。半监督信号检测任务在降低人工标注工作量上起着关键作用。由于信号标注门槛高,且费时费力,本文采用三种半监督信号检测识别方法,在训练过程中加入未标注的数据以提升检测识别的精度。其中,基于伪标签的方法在基准模型精度较高的情况下,能够提升精度,但受限于基准模型精度;Teacher-Student框架则能够在同样数量的信号数据下略微提升信号检测精度;协同一致性训练方法也可以在保持精度的情况下减小信号标注量,因此,通过半监督信号检测识别方法可有效降低信号检测中的人工标注工作量,为实际应用中的信号的快速有效检测与识别提供支撑。