1.本发明属于信号处理技术领域，本发明涉及一种基于无人机通信信号数据增强的时频图谱重构方法。
背景技术：2.无人机下行图传信号的时频图谱中通常包含无人机射频信号的时域信息和频域信息，并且不同类型无人机的时频图谱纹理具有差异性的特点，因此无人机通信信号的时频图谱常用于无人机目标识别与分类任务中。目前，由于城市各类干扰导致无人机时频频谱混叠严重，神经网络对无人机时频图谱识别性能较差。常用的数据增强方法包括翻转、旋转、缩放图像或对图像添加噪声，这些方法会破坏原有图像的纹理结构从而影响分类系统识别性能。然而，无人机通信信号的时间和频率分布遵循固定的格式和传输规则，因此传统数据增强不便于直接应用于无人机通信信号。
3.尽管，目前有基于短时傅里叶变换的无人机图谱识别方法。但是，首先该方法通过人为地控制信号采集装备的打开和关闭，采集所有操作信道的无人机信号。其次，对无人机数据进行短时傅里叶变换生成时频图谱。然后，对无人机图谱划分训练数据集和测试数据集。最后，利用区域卷积神经网络r-cnn(regions with cnn features)进行目标识别得到识别结果。虽然深度学习对于图像分类具有显著作用，使得采用短时傅里叶变换生成的时频图谱识别准确率更高。但是，该方法仍然存在的不足之处是，由于城市各类干扰导致无人机时频频谱混叠严重，神经网络对无人机时频图谱识别性能较差。
4.目前还有基于无人机测控信号的无人机识别方法。该方法的实现步骤为，1)获取测控信号并采用短时傅里叶变换生成时频图谱；2)将时频图谱进行类型标注并划分为训练数据集和测试数据集；3)采用无人机数据集，利用卷积神经网络cnn(convolutional neural networks)进行目标识别得到识别结果。虽然采集不同款式无人机的测控信号，经过短时傅里叶变换生成的无人机时频图谱，可用于无人机目标识别。但是，该方法仍然存在的不足之处是，传统时频图谱混叠较为严重，导致分类系统的识别性能较差。采用图像数据增强又会破坏时频图谱的纹理结构，然而无人机通信信号遵循固定的格式和传输规则，数据增强不便于直接应用于无人机通信信号。因此，如何解决传统时频图谱由于频谱混叠导致数据集质量较差、数据增强不便于直接应用于无人机通信信号的问题。
技术实现要素：5.为了解决现有技术中存在的上述问题，本发明提供了一种基于无人机通信信号数据增强的时频图谱重构方法。本发明要解决的技术问题通过以下技术方案实现：
6.一种基于无人机通信信号数据增强的时频图谱重构方法，所述时频图谱重构方法包括：
7.步骤1、采集多种类型的无人机通信信号；
8.步骤2、基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯
白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；
9.步骤3、确定所述第二短采样序列对应的时频矩阵；
10.步骤4、根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集，所述时频矩阵数据集包括多个被唯一命名的时频矩阵；
11.步骤5、将所述时频矩阵数据集中的时频矩阵输入至训练好的resnet网络中，输出无人机的类型序号。
12.在本发明的一个实施例中，所述步骤2包括：
13.步骤2.1、对每段所述无人机通信信号以l为间隔进行均匀分割，得到x段第一短采样序列；
14.步骤2.2、根据所述第一短采样序列得到功率谱密度；
15.步骤2.3、根据信噪比和所述功率谱密度得到加性高斯白噪声的方差；
16.步骤2.4、根据所述加性高斯白噪声的方差生成加性高斯白噪声的信号；
17.步骤2.5、将所述高斯白噪声的信号叠加到第一短采样序列，得到第二短采样序列。
18.在本发明的一个实施例中，所述功率谱密度为：
[0019][0020]
其中，表示第一短采样序列的功率谱密度，m(i)表示第一短采样序列中第i个采样点，1≤i≤l，|
·
|表示绝对值操作。
[0021]
在本发明的一个实施例中，所述第二短采样序列中的第i个采样点为：
[0022][0023]
其中，y(i)表示第二短采样序列中的第i个采样点，m(i)表示第一短采样序列中第i个采样点，α表示加权系数，fc表示随机频率偏差，fs表示系统采样率，b(i)表示加性高斯白噪声的信号，j表示虚数单位符号，1≤i≤l。
[0024]
在本发明的一个实施例中，所述步骤3包括：
[0025]
对所述第二短采样序列进行stft变换，得到所述第二短采样序列对应的时频矩阵。
[0026]
在本发明的一个实施例中，所述时频矩阵为：
[0027][0028]
其中，表示第f个第二短采样序列经过stft变换后生成的m行n列的时频矩阵，1≤f≤x，0≤m≤m-1,0≤n≤n-1，m表示stft变换中时域的维度，n表示stft变换中频域的维度，σ表示求和操作，yf(i)表示第f个第二短采样序列中的第i个元素，w(
·
)表示汉明窗函数，d表示stft变换滑动的长度，d＝n，e
(
·
)
表示以自然常数e为底的指数操作。
[0029]
在本发明的一个实施例中，所述步骤4包括：
[0030]
根据所述时频矩阵所属的无人机的类型、所在的信道和所处的位置得到命名后的
时频矩阵，以通过所有命名后的时频矩阵构建时频矩阵数据集。
[0031]
在本发明的一个实施例中，所述resnet网络的训练方法包括：
[0032]
s1、获取训练数据集，所述训练数据集包括若干通过对无人机通信信号进行stft变换得到的时频图谱；
[0033]
s2、将所述时频图谱输入到resnet网络中，利用损失函数的损失值迭代更新resnet网络的参数，直至损失函数收敛为止，得到训练好的resnet网络。
[0034]
在本发明的一个实施例中，所述损失函数为：
[0035][0036]
其中，loss表示损失函数的损失值，nk表示训练数据集中样本的总数，ii和mm均表示训练数据集中样本的序号，cc表示resnet网络输出无人机类型标签的序号，1≤ii≤nk，1≤mm≤nk，y
iicc
表示符号函数，当样本序号ii的真实类型标签的序号等于resnet网络输出的无人机类型标签的序号cc时，y
iicc
为1，否则，y
iicc
为0，p
iicc
表示样本序号为ii时，属于类型标签的序号cc的预测概率。
[0037]
本发明的有益效果：
[0038]
第一，由于本发明重新构建无人机时频图谱样本，重构后的无人机时频图谱包含至少5类无人机，每一类别又包含有多个个样本，克服了现有技术中传统时频图谱由于频谱混叠导致数据集质量较差，使得本发明重新构建的无人机时频图谱具有混叠干扰可控、质量较高、样本丰富的优点，可直接应用于基于无人机时频图谱进行检测与识别的系统中。
[0039]
第二，由于本发明通过数据增强无人机通信信号，克服了现有图像数据增强提升时频图谱质量时，又会破坏原有数据的纹理结构，而且无人机通信信号遵循固定的格式和传输规则，数据增强不便于直接应用于无人机通信信号的问题。使得本发明解决了数据增强不便于直接应用于无人机通信信号，拓宽了数据增强适用范围的优点。
[0040]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0041]
图1为本发明实施例提供的一种基于无人机通信信号数据增强的时频图谱重构方法的流程示意图；
[0042]
图2是本发明实施例提供的一种场景图；
[0043]
图3是本发明实施例提供的一种未采用数据增强无人机时频图谱识别性能仿真图；
[0044]
图4是本发明实施例提供的一种采用数据增强无人机时频图谱识别性能仿真图。
具体实施方式
[0045]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0046]
实施例一
[0047]
请参见图1，图1为本发明实施例提供的一种基于无人机通信信号数据增强的时频
图谱重构方法的流程示意图。本实施例提供一种基于无人机通信信号数据增强的时频图谱重构方法，该时频图谱重构方法包括步骤1-步骤5，其中：
[0048]
步骤1、采集多种类型的无人机通信信号。
[0049]
具体地，分别采集至少5种类型的无人机通信信号，每种类型至少有一架无人机，每架无人机在每种信道下采集长度为k的一段长采样序列，即无人机通信信号。
[0050]
优选地，k＝3
×
108。
[0051]
在一个具体实施例中，步骤1可以包括步骤1.1-步骤1.2，其中：
[0052]
步骤1.1、搭建无人机工作环境和信号采集装备，为后续的信号采集工作做准备。
[0053]
例如，本实施例中选取了5种不同类型的5架无人机，每种类型对应一架无人机。每架无人机都工作在两个信道上，分别为5.8ghz下的153信道和161信道，具体如表1所示。
[0054]
表1无人机时频数据库中样本信息表
[0055][0056]
请参照图2，对实施例中信号采集装备和无人机工作原理作进一步的描述。在微波暗室中和复杂环境下同种布置下，将每架无人机，放置在距离信号采集装备高度100米处。图2中的通用软件无线电外设usrpx310(universal software radio peripheral)经光纤与电脑连接，电脑中的gnu radio平台控制usrp x310，将接收的每个无人机的通信信号存储到电脑内存中。
[0057]
步骤1.2、分别采集153信道和161信道下每架无人机的长采样序列。
[0058]
第一步，使用gnu radio控制usrp，以100msa/s的采样率，采集每架无人机在153信道下的无人机通信信号，持续5分钟，得到5架无人机采样长度均为k的长采样序列，并存储到电脑内存中。
[0059]
第二步，使用gnu radio控制usrp，以100msa/s的采样率，采集每架无人机在161信道下的无人机通信信号，持续5分钟，得到5架无人机采样长度均为k的长采样序列，并存储到电脑内存中。
[0060]
步骤2、基于分割无人机通信信号得到的多个第一短采样序列确定加性高斯白噪声的方差，以基于加性高斯白噪声的方差重构第一短采样序列，得到第二短采样序列。
[0061]
在一个具体实施例中，步骤2可以包括步骤2.1-步骤2.5，其中：
[0062]
步骤2.1、对每段无人机通信信号以l为间隔进行均匀分割，得到x段第一短采样序列。
[0063]
具体地，对每段长采样序列的无人机通信信号以l为间隔进行均匀分割，得到每段长采样序列分割后的x段第一短采样序列。
[0064]
例如，在本发明的实施例中，按照计算每一个采样点序列的分段数x，其中，表示向下取整，由于k＝3
×
10
10
、l＝131072个元素、x＝228881个，因此经过计算可得，每一段长采样点序列都可以分割成228881段第一短采样序列。
[0065]
步骤2.2、根据第一短采样序列得到功率谱密度，其中，功率谱密度为：
[0066][0067]
其中，表示第一短采样序列的功率谱密度，m(i)表示第一短采样序列中第i个采样点，1≤i≤l，|
·
|表示绝对值操作。
[0068]
步骤2.3、根据信噪比和功率谱密度得到加性高斯白噪声的方差。
[0069]
具体地，按照下式snr(signal-to-noise ratio，信噪比)的计算公式和先验条件中在100mhz接收带宽内得到
[0070][0071]
其中，∫
·
表示积分操作，bs表示无人机信号带宽，log表示以自然常数10为底的对数操作，表示awgn(additive white gaussian noise，加性高斯白噪声)的功率谱密度，σ2表示awgn信号的方差。
[0072]
步骤2.4、根据加性高斯白噪声的方差生成加性高斯白噪声的信号。
[0073]
具体地，根据加性高斯白噪声的方差σ2的取值利用matlab软件平台可以生成awgn。
[0074]
步骤2.5、将高斯白噪声的信号叠加到第一短采样序列，得到第二短采样序列。利用下式将awgn信号采样点叠加到第一短采样序列中，所得到的第二短采样序列中的第i个采样点为：
[0075][0076]
其中，y(i)表示第二短采样序列中的第i个采样点，m(i)表示第一短采样序列中第i个采样点，α表示加权系数，fc表示随机频率偏差，fs表示系统采样率，b(i)表示加性高斯白噪声的信号，j表示虚数单位符号，1≤i≤l。
[0077]
步骤3、确定第二短采样序列对应的时频矩阵。
[0078]
具体地，对每个第二短采样序列均进行stft(短时傅里叶变换，short-time fourier transform)变换，得到每个第二短采样序列对应的时频矩阵。
[0079]
在本发明的实施例中，l＝131072个元素，x＝228881个，按照下式，对每个短采样序列进行stft变换：
[0080][0081]
其中，表示第f个第二短采样序列经过stft变换后生成的m行n列的时频矩阵，1≤f≤x，即1≤f≤228881，0≤m≤m-1,0≤n≤n-1，m表示stft变换中时域的维度，m＝256，n表示stft变换中频域的维度，n＝512，σ表示求和操作，yf(i)表示第f个第二短采样序列中的第i个元素，w(
·
)表示汉明窗函数，d表示stft变换滑动的长度，d＝n，e
(
·
)
表示以自然常数e为底的指数操作，j表示虚数单位符号。
[0082]
步骤4、根据所有时频矩阵得到构造数据增强后的时频矩阵数据集，时频矩阵数据集包括多个被唯一命名的时频矩阵。
[0083]
具体地，根据时频矩阵所属的无人机的类型、所在的信道和所处的位置得到命名后的时频矩阵，以通过所有命名后的时频矩阵构建时频矩阵数据集。
[0084]
在本实施例中，根据时频矩阵所属无人机的类型v、所在信道c和所处时频矩阵的位置(即第o个时频矩阵)，按照v_c_o的格式为每个时频矩阵命名，将命名后的每个时频矩阵，根据命名中v的数字分别存入与之对应的以v为名称的文件夹下，将文件夹中时频矩阵地址与识别标签存入时频矩阵数据集中。
[0085]
在本发明的实施例中，根据无人机的种类、信道信息和时频矩阵个数将每个时频图谱按照v_c_o的格式命名，用以区分不同的无人机型号在不同的信道下的每个时频图谱，其中v表示5种无人机的识别标签，0≤v≤4，c表示无人机的153和161信道，其中c为0代表149信道、c为1代表153信道，c为2代表157信道，c为3代表161信道，c为4代表165信道，o表示一款无人机在某一信道下共228881个时频矩阵中的位置，1≤o≤228881，将命名后的每个时频矩阵根据命名中v对应的数字分别存入以v为名称的文件夹下，将文件夹中每个时频矩阵的绝对路径地址与文件夹名存入时频矩阵数据集
[0086]
以表1中的“mavic mini”为例，对与其对应的时频图谱按照v_c_o的格式命名加以说明：将“mavic mini”种无人机定义为第1种无人机，识别标签v标记为1，由于该无人机所处161信道属于第3个信道，故将c标记为3，无人机时频矩阵为第8个时频矩阵，将o标记为8，因此得到mavic mini在161信道下的第8个时频矩阵的命名为2_3_8。
[0087]
在本实施例中，resnet网络的训练方法包括：
[0088]
s1、获取训练数据集，训练数据集包括若干通过对无人机通信信号进行stft变换得到的时频图谱。
[0089]
具体地，随机选取未重构的无人机通信信号(即原始的无人机通信信号)，利用stft将未重构的无人机通信信号转化为时频图谱并制作为初始时频图谱数据集(即训练数据集)，其中无人机工作在161信道下，类型标签为0-4的占总数80％行，共183104个样本的绝对路径地址与文件夹名组成训练数据集。
[0090]
s2、将时频图谱输入到resnet网络中，利用损失函数的损失值迭代更新resnet网络的参数，直至损失函数收敛为止，得到训练好的resnet网络，其中，损失函数为：
[0091][0092]
其中，loss表示损失函数的损失值，nk表示训练数据集中样本的总数，ii和mm均表示训练数据集中样本的序号，cc表示resnet网络输出无人机类型标签的序号，1≤ii≤nk，1≤mm≤nk，例如，1≤ii≤183104，1≤mm≤183104，0≤cc≤4，y
iicc
表示符号函数，当样本序号ii的真实类型标签的序号等于resnet网络输出的无人机类型标签的序号cc时，y
iicc
为1，否则，y
iicc
为0，p
iicc
表示样本序号为ii时，属于类型标签的序号cc的预测概率。
[0093]
另外，将样本库中剩余20％的样本的绝对路径地址与文件夹名组成测试数据集，输入训练后的resnet网络测试，得到的识别准确率制作成混淆矩阵。
[0094]
在本发明实施例中，利用中161信道下类型标签为0-4的时频图谱，按照占总数228881个80％的绝对路径地址与文件夹名组成训练数据集，占总数20％的绝对路径地址与文件夹名组成测试数据集。将训练类型集中所有的时频矩阵(即时频图谱)，输入到python软件数据库的resnet网络中，迭代更新神经元的参数，当达到最大训练周期max_epoch＝100时完成训练，将测试数据集输入到训练好的resnet网络中，统计输出类型标签的序号等于无人机真实类型标签的序号的个数，将统计后的结果除以测试数据集样本总数得到识别率，并将每类识别率制作成混淆矩阵混淆矩阵的结构如图3所示，其中w行和q列取值1-5代表5类无人机，h
wq
表示当测试是类型w时识别为q的识别率。
[0095]
步骤5、将时频矩阵数据集中的时频矩阵输入至训练好的resnet(residual network)网络中，输出无人机的类型序号。
[0096]
具体地，数据增强无人机通信信号后生成的时频矩阵数据集中，随机选取20％的样本的绝对路径地址与文件夹名组成测试集，输入到训练好的resnet网络中，输出每类无人机的类型标签的序号，利用公式计算各类无人机的识别率，将所有类型无人机的识别率制作成混淆矩阵，其中，pv表示resnet网络输出的所有无人机类型标签的序号中属于第v类无人机类型的总数，q表示测试集样本的总数，tv表示识别为第v类无人机类型的准确率。
[0097]
在本发明实施例中，利用数据增强无人机通信信号后生成的时频矩阵数据集中，随机选取占总数20％的绝对路径地址与文件夹名组成测试集。将测试集输入到训练好的resnet网络中，统计输出类型标签的序号等于无人机真实序号的个数，将每类统计后的结果除以测试集样本总数得到识别率，并将识别率制作成混淆矩阵结果如图4所示。
[0098]
本发明重构的无人机时频图谱中包含至少5类无人机时频图谱，而每一类型又包含有10000个样本，在执行无人机识别任务时，消除城市各类干扰导致传统无人机时频频谱混叠严重，神经网络对无人机时频图谱识别性能较差的问题。其次，本发明经过通信信号数据增强技术，对于无人机通信信号添加噪声功率可控的背景噪声，既能消除混叠干扰的隐患，又能从无人机信号源头上增加了样本的多样性，提高了神经网络对无人机时频图谱识别性能，解决了由于无人机通信信号遵循固定的格式和传输规则的限制，传统数据增强不便于直接应用于无人机通信信号的问题。
[0099]
下面结合仿真实验对本发明的效果做进一步的说明：
[0100]
1、仿真条件：
[0101]
本发明的仿真实验的硬件平台为：intel(r)core(tm)i7-8700k cpu，处理器的主频率为3.20ghz，内存16gb，一台usrpx310和光纤1条。
[0102]
本发明的仿真实验的软件平台为：gnuradio软件平台、matlabr2020a软件平台、python 3.7软件平台。
[0103]
2、仿真内容与结果分析：
[0104]
为了验证本发明构建的无人机时频图谱数据库的质量，利用python 3.7软件平台中数据库的残差神经网络resnet作为分类器，对无人机的种类进行分类。随机选取初始时频图谱数据库中6种不同类型无人机80％的样本的绝对路径地址与文件夹名组成训练集和20％的样本的绝对路径地址与文件夹名组成测试集，将训练集输入到resnet分类器中，经过100次迭代训练后得到训练好的resnet分类器。将测试集输入到训练好的resnet分类器中，输出resnet分类器分别对测试集中每个样本所属类型的预测，计算resnet分类器对测试集中每个样本预测的类型与该样本的类型相符的测试样本个数与测试样本总数的比值，得到6种无人机的识别准确率如图3初始时频数据库的混淆矩阵所示。从数据增强无人机通信信号后生成的时频图谱数据集中，随机选取时频图谱数据库中6种不同类型无人机20％的样本的绝对路径地址与文件夹名组成测试集，将测试集输入到训练好的resnet分类器中，计算resnet分类器对测试集中每个样本预测的类型与该样本的类型相符的测试样本个数与测试样本总数的比值，得到6种无人机的识别准确率如图4扩充时频数据库的混淆矩阵所示。目标识别准确率越高，代表构建的无人机时频图谱数据库的质量越好。
[0105]
图3和图4中的横坐标，从左到右分别表示6种无人机的预测类型和预测为没有无人机信号的7种类型，纵坐标从上到下，分别表示6种无人机的真实类型和没有无人机信号的7种类型。图3和图4的矩阵中元素的值，分别表示纵坐标上每个类型预测为横坐标上的的每个类型的概率，图3和图4中黑底区域标出的对角线上的值，分别表示7种类型正确预测的概率，识别的概率用比值小数表示。
[0106]
通过对比图3和图4中的混淆矩阵发现，图4在混淆矩阵对角线准确率高于图3，因此采用无人机通信信号数据增强生成时频图谱的分类准确率高于未采用数据增强的分类准确率，因此本发明的方法可以实现有效估计，满足无人机通信信号识别的工程要求。由此可见，本发明的方法与现有技术相比，解决传统时频图谱由于频谱混叠导致数据集质量较差，通过图像数据增强提升时频图谱质量时，又会破坏原有数据的纹理结构，而且无人机通信信号遵循固定的格式和传输规则，数据增强不便于直接应用于无人机通信信号，导致无法生成质量较高的数据集，分类系统的识别性能差的问题。
[0107]
本发明的方法可用于微型无人机、轻型无人机、小型无人机目标的识别场景。
[0108]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0109]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特数据点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表
述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特数据点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0110]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
技术特征：1.一种基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述时频图谱重构方法包括：步骤1、采集多种类型的无人机通信信号；步骤2、基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；步骤3、确定所述第二短采样序列对应的时频矩阵；步骤4、根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集，所述时频矩阵数据集包括多个被唯一命名的时频矩阵；步骤5、将所述时频矩阵数据集中的时频矩阵输入至训练好的resnet网络中，输出无人机的类型序号。2.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述步骤2包括：步骤2.1、对每段所述无人机通信信号以l为间隔进行均匀分割，得到x段第一短采样序列；步骤2.2、根据所述第一短采样序列得到功率谱密度；步骤2.3、根据信噪比和所述功率谱密度得到加性高斯白噪声的方差；步骤2.4、根据所述加性高斯白噪声的方差生成加性高斯白噪声的信号；步骤2.5、将所述高斯白噪声的信号叠加到第一短采样序列，得到第二短采样序列。3.根据权利要求2所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述功率谱密度为：其中，表示第一短采样序列的功率谱密度，m(i)表示第一短采样序列中第i个采样点，1≤i≤l，|
·
|表示绝对值操作。4.根据权利要求2所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述第二短采样序列中的第i个采样点为：其中，y(i)表示第二短采样序列中的第i个采样点，m(i)表示第一短采样序列中第i个采样点，α表示加权系数，f
c
表示随机频率偏差，f
s
表示系统采样率，b(i)表示加性高斯白噪声的信号，j表示虚数单位符号，1≤i≤l。5.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述步骤3包括：对所述第二短采样序列进行stft变换，得到所述第二短采样序列对应的时频矩阵。6.根据权利要求5所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述时频矩阵为：
其中，表示第f个第二短采样序列经过stft变换后生成的m行n列的时频矩阵，1≤f≤x，0≤m≤m-1,0≤n≤n-1，m表示stft变换中时域的维度，n表示stft变换中频域的维度，σ表示求和操作，y
f
(i)表示第f个第二短采样序列中的第i个元素，w(
·
)表示汉明窗函数，d表示stft变换滑动的长度，d＝n，e
(
·
)
表示以自然常数e为底的指数操作。7.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述步骤4包括：根据所述时频矩阵所属的无人机的类型、所在的信道和所处的位置得到命名后的时频矩阵，以通过所有命名后的时频矩阵构建时频矩阵数据集。8.根据权利要求1所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述resnet网络的训练方法包括：s1、获取训练数据集，所述训练数据集包括若干通过对无人机通信信号进行stft变换得到的时频图谱；s2、将所述时频图谱输入到resnet网络中，利用损失函数的损失值迭代更新resnet网络的参数，直至损失函数收敛为止，得到训练好的resnet网络。9.根据权利要求8所述的基于无人机通信信号数据增强的时频图谱重构方法，其特征在于，所述损失函数为：其中，loss表示损失函数的损失值，nk表示训练数据集中样本的总数，ii和mm均表示训练数据集中样本的序号，cc表示resnet网络输出无人机类型标签的序号，1≤ii≤nk，1≤mm≤nk，y
iicc
表示符号函数，当样本序号ii的真实类型标签的序号等于resnet网络输出的无人机类型标签的序号cc时，y
iicc
为1，否则，y
iicc
为0，p
iicc
表示样本序号为ii时，属于类型标签的序号cc的预测概率。
技术总结本发明公开了一种基于无人机通信信号数据增强的时频图谱重构方法，包括：采集多种类型的无人机通信信号；基于分割所述无人机通信信号得到的多个第一短采样序列确定加性高斯白噪声的方差，以基于所述加性高斯白噪声的方差重构所述第一短采样序列，得到第二短采样序列；确定所述第二短采样序列对应的时频矩阵；根据所有所述时频矩阵得到构造数据增强后的时频矩阵数据集；将所述时频矩阵数据集中的时频矩阵输入至训练好的ResNet网络中，输出无人机的类型序号。本发明重新构建的无人机时频图谱具有混叠干扰可控、质量较高、样本丰富，解决了数据增强不便于直接应用于无人机通信信号，拓宽了数据增强适用范围的优点。拓宽了数据增强适用范围的优点。拓宽了数据增强适用范围的优点。
技术研发人员：张涵硕 李涛 李勇朝 吴建哲 朱若楠 薛朝政 周帅
受保护的技术使用者：西安电子科技大学
技术研发日：2022.06.23
技术公布日：2022/11/1
