聯(lián)合相位譜與幅度譜的時頻圖干擾檢測和樣式識別

李揚清，陳章烜，洪江濤，宋沅隆，高秋雅，張志龍

（1.中國電子科技集團公司第七研究所，廣東 廣州 510310；2.北京郵電大學，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)的應用日益廣泛，隨之而來的是電磁環(huán)境日益復雜，各種自然干擾和人為干擾嚴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）進行識別，然后針對不同樣式的干擾采取相應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知領(lǐng)域的研究熱點[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算復雜度較高、可識別樣式不多等問題[5]。近年來，隨著深度學習技術(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)的精度和復雜度性能?；谏疃葘W習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[6]中，Quan Zhou 等人提出了能夠?qū)W習無線電信號IQ 數(shù)據(jù)時間特性的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確率達到了97.5%。在文獻[9]中，Xiangyu Wu 等人通過將IQ 數(shù)據(jù)進行SPWVD 時頻變換得到一種時頻圖，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)制信號進行識別和分類，在信噪比-2 dB 時達到了92.86%平均識別準確率。

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頻變換的幅度信息[9]，未有效利用時頻變換的相位信息，在進一步優(yōu)化性能上存在瓶頸。考慮到語音識別領(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[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，并推導出音高置信度度量，避免了倍頻程誤差和模糊估計，使得對語音的識別估計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頻圖深度目標檢測識別方法。在傳統(tǒng)的時頻幅度譜圖的基礎(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頻圖像進行訓練、識別與檢測。仿真實驗結(jié)果表明，結(jié)合幅度譜圖與相位譜圖的圖像目標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檢測準確率。

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進行差分變換來增大目標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行三角變換以消除-2π 與+2π 的弧度角跳變。數(shù)學上，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檢測網(wǎng)絡(luò)對相位譜圖M與幅度譜圖Pcos，Psin構(gòu)建的時頻圖像進行訓練、識別與檢測。

圖像目標檢測網(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，但是檢測流程復雜、計算開銷大?；谌痔卣鞯姆椒ň哂泻唵蔚挠嬎懔鞒?，在檢測精度和計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檢測方法，該方法已經(jīng)過多次改進[11,14-16]，目前最新的YOLO-v5 方法在保持低計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]到本文涉及的應用場景對算法的精度、適應性和實時性均具有較高要求[12,17]，本論文選用YOLO-v5 作為圖像目標檢測網(wǎng)絡(luò)。

YOLO-v5 網(wǎng)絡(luò)的訓練可以分為2 步：第1 步是卷積層負責從圖像中提取描述性特征；第2 步的學習過程包括最小化一個多項的損失函數(shù)，其中的每項都體現(xiàn)了任意邊界框預測的定位或分類的錯誤。本文采用在文獻[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）來分別表示對目標分類的準確性與網(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的加權(quán)和，在訓練過程中調(diào)整權(quán)重以滿足對特定目標的檢測。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)備采集到的時域IQ 信號s進行STFT 變換得到時頻矩陣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)對樣本庫進行訓練；

步驟6：將訓練完成的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的邊界框、預測類別以及置信度。

相應的聯(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 仿真實驗與分析

在本文的仿真實驗中，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 復數(shù)信號樣本[20]。具體來說，每個樣本長度為214，樣本中在時間和頻率維度上隨機存在2 個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 點數(shù)為1 024，滑窗步長為128。最終構(gòu)建的時頻圖樣本庫樣本量為4 000，其中隨機選擇3 200 個樣本作為訓練樣本，剩余800 個樣本作為測試樣本。

采用前文所提YOLO-v5 深度模型對幅度譜和相位譜對時頻圖樣本庫的訓練樣本進行訓練后，對測試樣本進行檢測和識別。在仿真中選取YOLO-v5 中的YOLOv5s 輕量化模型，便于在計算資源緊缺的硬件上應用部署。YOLO-v5s 的backbone 基于pytorch 實現(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，同時使得網(wǎng)絡(luò)的收斂速度更快。學習率調(diào)整策略使用余弦退火，初始學習率為0.01，最終學習率為0.000 1。采用warmup 預熱訓練3 輪，以提升訓練穩(wěn)定性，加快模型收斂速度。數(shù)據(jù)增強方面采用了平移，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。訓練的batchsize 為64，訓練輪次為500 個epoch。以上仿真參數(shù)、訓練及增強策略均依據(jù)yolo-v5（6.1 版）[11]中給出的推薦取值和策略，并經(jīng)過仿真反復對比驗證最終確定。此外，仿真實驗采用X64 的硬件平臺，CPU 為Intel 至強 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行訓練的過程中，驗證置信度損失validation loss 隨訓練輪次（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 隨訓練輪次增加而下降，然后趨于穩(wěn)定并最終達到收斂，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 訓練loss隨訓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行訓練后，對測試樣本進行檢測識別測試得到的識別準確率度量指標（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）表示實際為正樣本預測為正樣本的數(shù)量，F(xiàn)P（False Positive）表示實際為負樣本預測為正樣本的數(shù)量，F(xiàn)N（False Negative）表示實際為正樣本預測為負樣本的數(shù)量。

圖6 mAP隨訓練輪次的變化曲線圖

圖7 recall隨訓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行訓練后的干擾檢測識別性能的相關(guān)指標結(jié)果進行對比。

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對比

圖8 為對測試樣本集中具體的干擾樣本進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的時間和頻率邊界框、預測信號類別以及置信度。在圖8 的測試樣本中，左圖的樣本同時存在時頻重疊的QPSK 和DSB-AM 信號，右圖的樣本則同時存在時頻重疊的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，在復雜度方面，幅度譜圖和相位譜圖在對IQ信號進行STFT 變換時可以同時生成，并引入差分三角變換對相位譜圖進行矩陣元素維度的直接處理。上述操作僅為深度目標檢測網(wǎng)絡(luò)的數(shù)據(jù)預處理過程。本文方法的復雜度主要來源于是檢測網(wǎng)絡(luò)的運行開銷，這里直接使用YOLO-v5 網(wǎng)絡(luò)進行檢測，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 識別方法的計算復雜度均與YOLO-v5 網(wǎng)絡(luò)的計算復雜度基本一致。

4 結(jié)束語

針對干擾認知領(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頻圖深度目標檢測識別方法。該方法在傳統(tǒng)的時頻幅度譜圖的基礎(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檢測網(wǎng)絡(luò)YOLO-v5 進行訓練和推理。實驗結(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確率。