李揚(yáng)清，陳章烜，洪江濤，宋沅隆，高秋雅，張志龍

（1.中國電子科技集團(tuán)公司第七研究所，廣東 廣州 510310；2.北京郵電大學(xué)，北京 100876）

0 引言

隨著無線電技術(shù)的多元化，各種無線用頻系統(tǒng)的應(yīng)用日益廣泛，隨之而來的是電磁環(huán)境日益復(fù)雜，各種自然干擾和人為干擾嚴(yán)重影響著無線用頻系統(tǒng)的有效性和可靠性[1]。采用無線頻譜監(jiān)測的手段，對干擾信號進(jìn)行檢測，并對干擾樣式（包括單音、多音、窄帶、寬帶、掃頻、突發(fā)等）進(jìn)行識別，然后針對不同樣式的干擾采取相應(yīng)的信號分析和抗干擾策略，將有效提高用頻過程的可靠性。因此干擾檢測和干擾樣式識別一直是干擾認(rèn)知領(lǐng)域的研究熱點(diǎn)[2,3]。

傳統(tǒng)的干擾檢測主要采用能量檢測或矩陣分解的方法，干擾樣式識別則主要是基于信號特征的識別分類。基于能量或矩陣分解的干擾檢測在低干噪比條件下檢測精度較低[4]；基于特征分類的干擾樣式識別則存在計(jì)算復(fù)雜度較高、可識別樣式不多等問題[5]。近年來，隨著深度學(xué)習(xí)技術(shù)被逐漸引入到無線電信號分析領(lǐng)域，其在信號識別方面的研究成果已獲得了相比傳統(tǒng)方法更優(yōu)的精度和復(fù)雜度性能?；谏疃葘W(xué)習(xí)的無線電信號分析識別方法按照數(shù)據(jù)輸入主要分為兩種：基于信號時(shí)域IQ 數(shù)據(jù)的方法[6,7]和基于信號變換域的方法[8,9]。例如，在文獻(xiàn)[6]中，Quan Zhou 等人提出了能夠?qū)W習(xí)無線電信號IQ 數(shù)據(jù)時(shí)間特性的Res-LSTM 深度模型，并引入Inception 模塊，得到了Inception-LSTM 網(wǎng)絡(luò)模型，在高信噪比條件下識別準(zhǔn)確率達(dá)到了97.5%。在文獻(xiàn)[9]中，Xiangyu Wu 等人通過將IQ 數(shù)據(jù)進(jìn)行SPWVD 時(shí)頻變換得到一種時(shí)頻圖，并利用卷積自編碼器去噪，最后將去噪后的圖像輸入殘差網(wǎng)絡(luò)對調(diào)制信號進(jìn)行識別和分類，在信噪比-2 dB 時(shí)達(dá)到了92.86%平均識別準(zhǔn)確率。

雖然現(xiàn)有的變換域方法在特定數(shù)據(jù)集下獲得了較好的識別性能，但其只利用了信號時(shí)頻變換的幅度信息[9]，未有效利用時(shí)頻變換的相位信息，在進(jìn)一步優(yōu)化性能上存在瓶頸?？紤]到語音識別領(lǐng)域已有研究通過聯(lián)合利用語音信號的幅度和相位信息獲得了很好語音識別效果。例如文獻(xiàn)[10]從概率的角度提出了一種結(jié)合幅度譜和相位譜特征的算法，并推導(dǎo)出音高置信度度量，避免了倍頻程誤差和模糊估計(jì)，使得對語音的識別估計(jì)在低信噪比情況下依舊有效。而在無線電信號識別領(lǐng)域，信號相位同樣是很具有辨識度的信息，將相位譜圖與傳統(tǒng)的幅度譜圖相結(jié)合的時(shí)頻圖有望提升干擾檢測與樣式識別性能。

本文提出一種基于聯(lián)合相位譜圖與幅度譜圖的時(shí)頻圖深度目標(biāo)檢測識別方法。在傳統(tǒng)的時(shí)頻幅度譜圖的基礎(chǔ)上，采用差分相位譜的三角變換來構(gòu)建無相位跳變和相位模糊的相位譜圖，并采用基于圖像的深度目標(biāo)檢測網(wǎng)絡(luò)模型YOLO-v5[11]對聯(lián)合相位譜圖與幅度譜圖的時(shí)頻圖像進(jìn)行訓(xùn)練、識別與檢測。仿真實(shí)驗(yàn)結(jié)果表明，結(jié)合幅度譜圖與相位譜圖的圖像目標(biāo)檢測深度模型能夠很好地檢測與識別干擾信號，相比于單純的幅度譜檢測方式獲得了更高的目標(biāo)檢測準(zhǔn)確率。

1 基于差分三角變換的相位譜圖生成

圖1 BPSK信號幅度譜偽彩圖（左）和相位譜偽彩圖（右）

考慮到目標(biāo)信號部分與噪聲部分相位的變化分布的不同，本文提出一種基于差分三角變換的相位譜圖生成方法：首先在頻率維度對原始相位譜P進(jìn)行差分變換來增大目標(biāo)信號與噪聲在相位譜圖上的區(qū)分度，然后對差分相位譜進(jìn)行三角變換以消除-2π 與+2π 的弧度角跳變。數(shù)學(xué)上，差分三角變換后的相位譜可表示為

其中，△P為相位譜矩陣P在頻率維度的一階前向差分變換，cos(·) 和sin(·) 分別為三角余弦和正弦變換。BPSK 信號的變換后的相位譜示意圖如圖2 所示。由圖2右圖可見，變換后的相位譜消除了原相位譜中的相位跳變和相位模糊，修復(fù)后的相位譜顯示出對稱性紋理。

圖2 BPSK差分變換后的相位譜偽彩圖（左）和三角余弦變換后的相位譜偽彩圖（右）

2 基于YOLO-v5的聯(lián)合相位譜與幅度譜的干擾檢測與樣式識別

本文采用基于圖像的深度目標(biāo)檢測網(wǎng)絡(luò)對相位譜圖M與幅度譜圖Pcos，Psin構(gòu)建的時(shí)頻圖像進(jìn)行訓(xùn)練、識別與檢測。

圖像目標(biāo)檢測網(wǎng)絡(luò)分為兩大類：基于局部特征的方法（如Faster R-CNN[13]）以及基于全局特征的方法（如YOLO[11,14]）?；诰植刻卣鞯姆椒ㄔ跈z測精度上具有優(yōu)勢，但是檢測流程復(fù)雜、計(jì)算開銷大?；谌痔卣鞯姆椒ň哂泻唵蔚挠?jì)算流程，在檢測精度和計(jì)算開銷之間能夠取得較好的平衡。

YOLO 是一種常用的基于全局特征的目標(biāo)檢測方法，該方法已經(jīng)過多次改進(jìn)[11,14-16]，目前最新的YOLO-v5 方法在保持低計(jì)算開銷的情況下檢測性能已經(jīng)超過Faster R-CNN等基于局部特征的方法?？紤]到本文涉及的應(yīng)用場景對算法的精度、適應(yīng)性和實(shí)時(shí)性均具有較高要求[12,17]，本論文選用YOLO-v5 作為圖像目標(biāo)檢測網(wǎng)絡(luò)。

YOLO-v5 網(wǎng)絡(luò)的訓(xùn)練可以分為2 步：第1 步是卷積層負(fù)責(zé)從圖像中提取描述性特征；第2 步的學(xué)習(xí)過程包括最小化一個(gè)多項(xiàng)的損失函數(shù)，其中的每項(xiàng)都體現(xiàn)了任意邊界框預(yù)測的定位或分類的錯誤。本文采用在文獻(xiàn)[18]中定義的廣義交并比（gIoU）作為定位損失函數(shù)（box_loss），還引入了YOLO-v5 經(jīng)典的分類損失（cls_loss）與置信度損失（obj_loss）來分別表示對目標(biāo)分類的準(zhǔn)確性與網(wǎng)絡(luò)的置信度。最終，總體損失函數(shù)表示為所有平方誤差項(xiàng)的加權(quán)和，在訓(xùn)練過程中調(diào)整權(quán)重以滿足對特定目標(biāo)的檢測。YOLO-v5 網(wǎng)絡(luò)架構(gòu)如圖3 所示。

圖3 YOLO-v5網(wǎng)絡(luò)架構(gòu)圖[19]

下面給出本文所提基于YOLO-v5 的聯(lián)合相位譜圖與幅度譜圖的干擾檢測和干擾樣式識別算法的具體流程：

步驟1：對頻譜感知設(shè)備采集到的時(shí)域IQ 信號s進(jìn)行STFT 變換得到時(shí)頻矩陣S；

步驟2：按式(1) 得到幅度譜和原始相位譜P，對幅度譜M進(jìn)行歸一化；

步驟3：按式(2) 得到差分三角變換后的相位譜Pcos，Psin；

步驟5：采用YOLO-v5 網(wǎng)絡(luò)對樣本庫進(jìn)行訓(xùn)練；

步驟6：將訓(xùn)練完成的YOLO-v5 網(wǎng)絡(luò)模型用于新樣本的推理，得到所識別干擾信號目標(biāo)的邊界框、預(yù)測類別以及置信度。

相應(yīng)的聯(lián)合相位譜+幅度譜的YOLO-v5 干擾檢測和樣式識別算法流程如圖4 所示。

圖4 聯(lián)合相位譜+幅度譜的YOLO-v5干擾檢測和樣式識別算法流程圖

3 仿真實(shí)驗(yàn)與分析

在本文的仿真實(shí)驗(yàn)中，首先通過仿真生成存在單音，多音，窄帶（包括BPSK，QPSK，OQPSK，8PSK，16QAM，16APSK，2ASK，2FSK，DSB-AM，SSB-AM，F(xiàn)M 共11 種單載波調(diào)制信號），掃頻（chirp 信號）共14 種干擾樣式的IQ 復(fù)數(shù)信號樣本[20]。具體來說，每個(gè)樣本長度為214，樣本中在時(shí)間和頻率維度上隨機(jī)存在2 個(gè)任意樣式的干擾信號，信號能量比為3 dB，干噪比范圍為[0 :2 :18] dB（噪聲以能量較小干擾信號為參照）。對IQ 樣本按照算法流程步驟1 至步驟4 處理得到時(shí)頻圖樣本，其中STFT 選擇的窗長為1 024，窗函數(shù)選用hamming 窗，F(xiàn)FT 點(diǎn)數(shù)為1 024，滑窗步長為128。最終構(gòu)建的時(shí)頻圖樣本庫樣本量為4 000，其中隨機(jī)選擇3 200 個(gè)樣本作為訓(xùn)練樣本，剩余800 個(gè)樣本作為測試樣本。

采用前文所提YOLO-v5 深度模型對幅度譜和相位譜對時(shí)頻圖樣本庫的訓(xùn)練樣本進(jìn)行訓(xùn)練后，對測試樣本進(jìn)行檢測和識別。在仿真中選取YOLO-v5 中的YOLOv5s 輕量化模型，便于在計(jì)算資源緊缺的硬件上應(yīng)用部署。YOLO-v5s 的backbone 基于pytorch 實(shí)現(xiàn)。仿真過程中，優(yōu)化器采用SGD+momentum，以解決minibatch SGD 優(yōu)化算法更新幅度擺動大的問題，同時(shí)使得網(wǎng)絡(luò)的收斂速度更快。學(xué)習(xí)率調(diào)整策略使用余弦退火，初始學(xué)習(xí)率為0.01，最終學(xué)習(xí)率為0.000 1。采用warmup 預(yù)熱訓(xùn)練3 輪，以提升訓(xùn)練穩(wěn)定性，加快模型收斂速度。數(shù)據(jù)增強(qiáng)方面采用了平移，縮放，翻轉(zhuǎn)，色彩空間調(diào)整和mosaic 數(shù)據(jù)增強(qiáng)法，以提升模型的魯棒性和泛化能力，降低模型對圖像的敏感度。訓(xùn)練的batchsize 為64，訓(xùn)練輪次為500 個(gè)epoch。以上仿真參數(shù)、訓(xùn)練及增強(qiáng)策略均依據(jù)yolo-v5（6.1 版）[11]中給出的推薦取值和策略，并經(jīng)過仿真反復(fù)對比驗(yàn)證最終確定。此外，仿真實(shí)驗(yàn)采用X64 的硬件平臺，CPU 為Intel 至強(qiáng) Gold 6240（2.60 GHz），GPU 為Tesla V100 SXM2 32GB（CUDA 11.1）。

圖5 為采用YOLO-v5s 深度模型分別對僅使用幅度譜樣本集以及聯(lián)合幅度譜和相位譜的樣本集進(jìn)行訓(xùn)練的過程中，驗(yàn)證置信度損失validation loss 隨訓(xùn)練輪次（epoch）的變化曲線圖。由圖5 可知，本文所提的結(jié)合幅度與相位譜圖作為輸入的YOLO-v5s 模型的validation loss 隨訓(xùn)練輪次增加而下降，然后趨于穩(wěn)定并最終達(dá)到收斂，且收斂后與單幅度譜作為輸入的YOLO-v5s 模型相比其validation loss 更低，表示YOLO-v5s 網(wǎng)絡(luò)對所提結(jié)合幅度與相位譜圖數(shù)據(jù)集的擬合效果更優(yōu)，檢測識別結(jié)果的置信度更高。

圖5 訓(xùn)練loss隨訓(xùn)練輪次的變化曲線圖

圖6 和圖7 分別為采用YOLO-v5s 深度模型對僅使用幅度譜樣本集，以及聯(lián)合幅度譜和相位譜的樣本集進(jìn)行訓(xùn)練后，對測試樣本進(jìn)行檢測識別測試得到的識別準(zhǔn)確率度量指標(biāo)（平均識別精度（mAP，mean Average Precision）和召回率（recall））的結(jié)果曲線。其中，識別精度=TP/(TP+FP)，召回率=TP/(TP+FN)，TP（True Positive）表示實(shí)際為正樣本預(yù)測為正樣本的數(shù)量，F(xiàn)P（False Positive）表示實(shí)際為負(fù)樣本預(yù)測為正樣本的數(shù)量，F(xiàn)N（False Negative）表示實(shí)際為正樣本預(yù)測為負(fù)樣本的數(shù)量。

圖6 mAP隨訓(xùn)練輪次的變化曲線圖

圖7 recall隨訓(xùn)練輪次的變化曲線圖

從圖6 和圖7 可知，本文所提的結(jié)合時(shí)頻圖與相位譜圖作為輸入的YOLO-v5s 識別精度，相對于只利用幅度譜圖的識別精度更高。具體來說，幅度譜+相位譜收斂后的mAP 最終達(dá)到了86.466%，相對于單幅度譜80.554% 的mAP 有5.912% 的提升；幅度譜+相位譜收斂后的recall 最終達(dá)到了94.661%，相對于單幅度譜84.116% 的recall 有10.545% 的提升。這說明了引入相位譜圖能有效提高干擾信號檢測識別的準(zhǔn)確率。

表1 對采用YOLO-v5s 模型對僅使用幅度譜樣本集，以及聯(lián)合幅度譜和相位譜的樣本集進(jìn)行訓(xùn)練后的干擾檢測識別性能的相關(guān)指標(biāo)結(jié)果進(jìn)行對比。

表1 單幅度譜及聯(lián)合幅度譜和相位譜的YOLO-v5s干擾檢測識別性能指標(biāo)對比

圖8 為對測試樣本集中具體的干擾樣本進(jìn)行干擾檢測和樣式識別的結(jié)果，得到所識別干擾信號目標(biāo)的時(shí)間和頻率邊界框、預(yù)測信號類別以及置信度。在圖8 的測試樣本中，左圖的樣本同時(shí)存在時(shí)頻重疊的QPSK 和DSB-AM 信號，右圖的樣本則同時(shí)存在時(shí)頻重疊的2FSK 和16QAM 信號。QPSK（左圖）和2FSK（右圖）分別相對于DSB-AM（左圖）和16QAM（右圖）的信號能量比為3 dB，干噪比為0 dB（即QPSK 比噪聲和2FSK 比噪聲為0 dB）。

圖8 測試樣本干擾檢測識別結(jié)果

從圖8 的測試樣本的檢測識別結(jié)果可知，本文所提算法能夠很好地將某一干擾信號在時(shí)頻圖中檢測和識別出來，且對兩兩混疊的干擾信號也具有很好的檢測與識別效果。具體來說，圖8 中4 種干擾信號都能被有效檢測和（時(shí)頻維度上）定位，且信號樣式均識別正確，DSB-AM、QPSK、2FSK 和16QAM 的識別置信度分別為96.78%、90.35%、92.43% 和85.20%。

此外，在復(fù)雜度方面，幅度譜圖和相位譜圖在對IQ信號進(jìn)行STFT 變換時(shí)可以同時(shí)生成，并引入差分三角變換對相位譜圖進(jìn)行矩陣元素維度的直接處理。上述操作僅為深度目標(biāo)檢測網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理過程。本文方法的復(fù)雜度主要來源于是檢測網(wǎng)絡(luò)的運(yùn)行開銷，這里直接使用YOLO-v5 網(wǎng)絡(luò)進(jìn)行檢測，并不涉及網(wǎng)絡(luò)結(jié)構(gòu)的修改，因此本文所提的結(jié)合時(shí)頻圖與相位譜圖作為輸入的YOLO-v5識別方法和只利用幅度譜圖的YOLO-v5 識別方法的計(jì)算復(fù)雜度均與YOLO-v5 網(wǎng)絡(luò)的計(jì)算復(fù)雜度基本一致。

4 結(jié)束語

針對干擾認(rèn)知領(lǐng)域中的干擾檢測和干擾樣式識別問題，本文提出了一種基于聯(lián)合相位譜圖與幅度譜圖的時(shí)頻圖深度目標(biāo)檢測識別方法。該方法在傳統(tǒng)的時(shí)頻幅度譜圖的基礎(chǔ)上，新增加了基于差分三角變換的相位譜圖，并采用基于圖像的深度目標(biāo)檢測網(wǎng)絡(luò)YOLO-v5 進(jìn)行訓(xùn)練和推理。實(shí)驗(yàn)結(jié)果表明本方法能夠很好地檢測干擾和識別干擾樣式，相比于單純的幅度譜檢測方式，提高了檢測識別的準(zhǔn)確率。