强互干扰条件下无人机测控信号智能识别方法与流程

1.本发明属于电子信息技术技术领域，具体涉及一种强互干扰条件下无人机测控信号智能识别方法。


背景技术：

2.目前,受益于飞控和无线通信技术的发展，无人机市场正以空前的速度增长，并广泛应用在航拍、救援、电力检查、智慧农业、货物运输等领域。但由于相关监管技术的不完善，无人机非法进入敏感区域，扰乱民航秩序等事件时有发生。因此，如何对无人机进行有效的监管，是保障该行业能良好发展的重要前提。而对无人机进行有效监管的前提在于及时检测并识别无人机。
3.通过侦测无人机测控信号进行目标检测和识别，是无人机管控的重要措施。目前无人机测控信号采用扩频或跳频机制且使用ism频段，而现代城市中存在大量的同频无线电设备，如wifi设备，蓝牙设备等，对无人机测控信号的检测和识别产生了巨大的干扰。现有信号侦测手段难以应对这种强电磁互干扰场景。基于测控信号的无人机识别技术面临的问题是：(1)强同频段干扰信号在频谱上与无人机信号产生混叠，影响信号的检测和识别；(2)存在部分无人机信号与干扰信号通信体制相似，易造成虚警。


技术实现要素：

4.为解决复杂电磁环境下，利用无人机测控信号进行无人机探测和识别的难题，本发明公开了一种强互干扰条件下无人机测控信号智能识别技术，通过无线电射频侦收，信号时频变换，基于深度学习目标检测等方式，实现对目标信号的识别和检测。
5.本发明公开了一种强互干扰条件下无人机测控信号智能识别方法，利用无线电电子侦察设备和信号检测识别处理器来实现，无线电电子侦察设备与信号检测识别处理器通过网络连接；
6.所述无线电电子信号侦察设备用于对空间电磁波信号进行侦收，再依次将接收的信号进行低噪声功率放大、滤波、a/d变换、数字下变频，最终将接收信号转换成零中频的时域iq数据。
7.所述信号检测识别处理器用于对接收信号进行采集和存储，再对其进行时频变换得到其时频图谱，对时频图谱进行取绝对值和归一化的预处理操作，再对预处理后的时频图谱进行基于深度学习的目标检测。信号检测识别处理器包括基于深度学习的目标检测模型。
8.所述的对时频图谱进行基于深度学习的目标检测，采用基于深度学习的目标检测模型来实现无人机信号的检测和识别，基于深度学习的目标检测模型利用yolo模型来实现，基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器，主干网络和解码器进行连接。基于深度学习的目标检测模型采用两个阶段来进行训练，第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进
行训练；第二阶段利用深度学习中的通道剪枝算法，对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪，即利用lasso回归算法，删除主干网络的每个隐藏层的部分通道，进而得到压缩后的主干网络。之后，随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成整个训练过程。
9.所述的强互干扰条件下无人机测控信号智能识别方法，其具体步骤包括：
10.s1，信号检测识别处理器与无线电电子侦察设备进行连接，信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，无线电电子侦察设备对空间电磁波信号进行侦收；
11.所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，该信号侦收指令包括目标工作频段和天线增益参数，无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、a/d变换、数字下变频处理，最终将接收信号转换成零中频的时域iq数据，并将该时域iq数据发送至信号检测识别处理器；
12.s2，利用接收到的信号构建基于深度学习的目标检测模型的训练数据集，并对该基于深度学习的目标检测模型进行训练；
13.信号检测识别处理器对该时域iq数据进行存储，再对其进行时频变换得到其时频图谱，时频变换过程表示为：
[0014][0015]
式中，x()表示该时域iq数据，h()表示窗函数，n表示时频图谱的时间轴长度，t表示滑窗长度，l表示该时域iq数据长度，k表示离散傅里叶变换长度，s(k,n)表示时频图谱在第n个时刻和第k个频点的取值；对计算得到的时频图谱取绝对值，获得能量时频谱
[0016][0017]
对该能量时频谱图进行归一化处理，得到预处理后的时频图谱数据
[0018][0019]
将该预处理后的时频谱数据进行标签标注，得到标注数据，所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型，信号类型包括无人机测控信号、wifi信号、蓝牙信号和其他未知信号。
[0020]
将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为m
×
n个格子，将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型，基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量，每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型。将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息，即信号带宽、中心载频、信号时长和信号起始位置，转换为标准标签格式数据，标准标签格式数据表示为[m0,n0,x,y,w,h,nc,p]，其中，m0、n0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号，x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标，w,h分别代表无人机
测控信号的信号时长和信号带宽，p代表该格子内是否存在无人机测控信号，nc表示该无人机测控信号所属类型。
[0021]
基于深度学习的目标检测模型的主干网络采用cspdarknet53网络结构，解码器为一个3层的卷积网络，其输出数据尺寸为m
×n×
(4+1+nc)，4+1+nc代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、nc个无人机测控信号类型的预测结果。
[0022]
利用训练数据集，训练该基于深度学习的目标检测模型，其损失函数为：
[0023][0024]
式中，φc表示无人机测控信号类型的集合，λ
coard
表示时频位置估计损失加权系数，λ
noobj
表示类别预测损失加权系数，表示第(i，j)个方格内是否存在无人机测控信号，若存在，则否则否则表示第(i，j)个方格内是否存在无人机测控信号，取值与相反；c
ij
表示第(i，j)个方格是否存在无人机测控信号的标签值，表示第(i，j)个方格存在无人机测控信号的预测置信度；p
ij
(c)表示第(i，j)个方格内的无人机测控信号属于类型c的标签值，表示对应p
ij
(c)的预测值，[w
ij
,h
ij
]表示第(i，j)个方格内信号的频域宽度和时域宽度，[x
ij
,y
ij
]表示第(i，j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标，分别表示对[w
ij
,h
ij
]，[x
ij
,y
ij
]的预测值。
[0025]
利用梯度下降算法对该基于深度学习的目标检测模型进行训练，直至该基于深度学习的目标检测模型的损失函数达到收敛，完成第一阶段训练。再利用深度学习中通道剪枝算法，对主干网络进行压缩，得到压缩后的基于深度学习的目标检测模型，具体如下：
[0026]
针对主干网络的每个隐藏层，按预定的通道筛选比例，利用lasso回归算法构建优化函数，删除主干网络的每个隐藏层输入特征图的部分通道，并以最小误差重构该隐藏层的输出特征图，进而得到压缩的主干网络；所述的利用lasso回归算法构建优化函数，该优化函数的表达式为：
[0027][0028]
subject to||β||0≤c
′
[0029]
式中，β表示主干网络的隐藏层输入特征图的通道选择系数向量，
nz表示该隐藏层输入特征图的通道数，c
′
表示预定的筛选通道数，zi表示第i个通道的输入特征图，y表示主干网络在剪枝前该隐藏层的输出特征图，|| ||f表示弗洛贝尼乌斯范数，|| ||1表示l1范数，|| ||0表示l0范数。
[0030]
对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝，得到压缩后的主干网络。
[0031]
随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成对该基于深度学习的目标检测模型的整个训练过程。
[0032]
s3，利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别；
[0033]
信号检测识别处理器将预处理后的时频图谱数据输入到步骤s2得到的训练完毕的基于深度学习的目标检测模型，该目标检测模型对预处理后的时频图谱数据进行检测和识别，检测出其中的各个信号分量，并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果。
[0034]
本发明的有益效果为：
[0035]
(1)本发明提供了一种强互干扰条件下无人机测控信号智能识别技术，采用“智能图像目标检测”的综合检测识别方案，解决现有技术在频谱混叠和未知信道条件下，信号检测的难题；
[0036]
(2)本发明采用剪枝深度学习模型的剪枝思想，将训练好的模型进行修剪，在保持精度基本不变，降低模型计算复杂度，提升了模型识别速度。模型参数量的降低，有效降低了计算资源的消耗，更加方便模型的多平台移植。
附图说明
[0037]
图1为本发明的强互干扰条件下基于深度学习的目标信号检测识别模型训练流程图；
[0038]
图2为本发明的强互干扰条件下无人机测控信号智能识别技术流程图。
具体实施方式
[0039]
为了更好的了解本发明内容，这里给出一个实施例。
[0040]
图1为本发明的强互干扰条件下基于深度学习的目标信号检测识别模型训练流程图；图2为本发明的强互干扰条件下无人机测控信号智能识别技术流程图。
[0041]
本发明公开了一种强互干扰条件下无人机测控信号智能识别方法，利用无线电电子侦察设备和信号检测识别处理器来实现，无线电电子侦察设备与信号检测识别处理器通过网络连接；
[0042]
所述无线电电子信号侦察设备用于对空间电磁波信号进行侦收，再依次将接收的信号进行低噪声功率放大、滤波、a/d变换、数字下变频，最终将接收信号转换成零中频的时域iq数据。
[0043]
所述信号检测识别处理器用于对接收信号进行采集和存储，再对其进行时频变换得到其时频图谱，对时频图谱进行取绝对值和归一化的预处理操作，再对预处理后的时频图谱进行基于深度学习的目标检测。信号检测识别处理器包括基于深度学习的目标检测模型。
[0044]
所述的对时频图谱进行基于深度学习的目标检测，采用基于深度学习的目标检测模型来实现无人机信号的检测和识别，基于深度学习的目标检测模型利用yolo模型来实现，基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器，主干网络和解码器进行连接。基于深度学习的目标检测模型采用两个阶段来进行训练，第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进行训练；第二阶段利用深度学习中的通道剪枝算法，对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪，即利用lasso回归算法，删除主干网络的每个隐藏层的部分通道，进而得到压缩后的主干网络。之后，随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成整个训练过程。
[0045]
所述的强互干扰条件下无人机测控信号智能识别方法，其实施过程包括模型训练阶段和模型实时应用阶段，其具体步骤包括：
[0046]
s1，信号检测识别处理器与无线电电子侦察设备进行连接，信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，无线电电子侦察设备对空间电磁波信号进行侦收；
[0047]
所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，该信号侦收指令包括目标工作频段和天线增益参数，无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、a/d变换、数字下变频处理，最终将接收信号转换成零中频的时域iq数据，并将该时域iq数据发送至信号检测识别处理器；
[0048]
s2，利用接收到的信号构建基于深度学习的目标检测模型的训练数据集，并对该基于深度学习的目标检测模型进行训练；
[0049]
信号检测识别处理器对该时域iq数据进行存储，再对其进行时频变换得到其时频图谱，时频变换过程表示为：
[0050][0051]
式中，x()表示该时域iq数据，h()表示窗函数，n表示时频图谱的时间轴长度，t表示滑窗长度，l表示该时域iq数据长度，k表示离散傅里叶变换长度，s(k,n)表示时频图谱在第n个时刻和第k个频点的取值；对计算得到的时频图谱取绝对值，获得能量时频谱
[0052][0053]
对该能量时频谱图进行归一化处理，得到预处理后的时频图谱数据
[0054][0055]
将该预处理后的时频谱数据进行标签标注，得到标注数据，所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型，信号类型包括无人机测控信号、wifi信号、蓝牙信号和其他未知信号。
[0056]
将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为m
×
n个格子，将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型，基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量，每组输出量包含接收信号的时频中心与
该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型。如果某个无人机测控信号的时频中心位置落在某个格子，就由该格子对应的解码器会输出该信号的时频信息和所属无人机类型。将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息，即信号带宽、中心载频、信号时长和信号起始位置，转换为标准标签格式数据，标准标签格式数据表示为[m0,n0,x,y,w,h,nc,p]，其中，m0、n0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号，x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标，w,h分别代表无人机测控信号的信号时长和信号带宽，p代表该格子内是否存在无人机测控信号，nc表示该无人机测控信号所属类型。
[0057]
基于深度学习的目标检测模型的主干网络采用cspdarknet53网络结构，解码器为一个3层的卷积网络，其输出数据尺寸为m
×n×
(4+1+nc)，4+1+nc代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、nc个无人机测控信号类型的预测结果。2个频率参数包括信号带宽和中心载频，2个时间参数包括信号时长和信号起始位置。
[0058]
利用训练数据集，训练该基于深度学习的目标检测模型，其损失函数为：
[0059][0060]
式中，φc表示无人机测控信号类型的集合，λ
coard
表示时频位置估计损失加权系数，λ
noobj
表示类别预测损失加权系数，表示第(i，j)个方格内是否存在无人机测控信号，若存在，则否则否则表示第(i，j)个方格内是否存在无人机测控信号，取值与相反；c
ij
表示第(i，j)个方格是否存在无人机测控信号的标签值，表示第(i，j)个方格存在无人机测控信号的预测置信度；p
ij
(c)表示第(i，j)个方格内的无人机测控信号属于类型c的标签值，表示对应p
ij
(c)的预测值，[w
ij
,h
ij
]表示第(i，j)个方格内信号的频域宽度和时域宽度，[x
ij
,y
ij
]表示第(i，j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标，角坐标的相对坐标，分别表示对[w
ij
,h
ij
]，[x
ij
,y
ij
]的预测值。
[0061]
利用梯度下降算法对该基于深度学习的目标检测模型进行训练，直至该基于深度学习的目标检测模型的损失函数达到收敛，完成第一阶段训练。再利用深度学习中通道剪枝算法，对主干网络进行压缩，具体如下：
[0062]
针对主干网络的每个隐藏层，按预定的通道筛选比例，利用lasso回归算法构建优
化函数，删除主干网络的每个隐藏层输入特征图的部分通道，并以最小误差重构该隐藏层的输出特征图，进而得到压缩的主干网络；所述的利用lasso回归算法构建优化函数，该优化函数的表达式为：
[0063][0064]
subject to||β‖0≤c
′
[0065]
式中，β表示主干网络的隐藏层输入特征图的通道选择系数向量，nz表示该隐藏层输入特征图的通道数，c
′
表示预定的筛选通道数，zi表示第i个通道的输入特征图，y表示主干网络在剪枝前该隐藏层的输出特征图，|| ||f表示弗洛贝尼乌斯范数，|| ||1表示l1范数，|| ||0表示l0范数。
[0066]
对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝，得到压缩后的主干网络。
[0067]
随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成对该基于深度学习的目标检测模型的整个训练过程。
[0068]
s3，利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别；
[0069]
信号检测识别处理器将预处理后的时频图谱数据输入到步骤s2得到的训练完毕的基于深度学习的目标检测模型，该目标检测模型对预处理后的时频图谱数据进行检测和识别，检测出其中的各个信号分量，并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果。
[0070]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种强互干扰条件下无人机测控信号智能识别方法，其特征在于，利用无线电电子侦察设备和信号检测识别处理器来实现，无线电电子侦察设备与信号检测识别处理器通过网络连接；所述无线电电子信号侦察设备用于对空间电磁波信号进行侦收，再依次将接收的信号进行低噪声功率放大、滤波、a/d变换、数字下变频，最终将接收信号转换成零中频的时域iq数据；所述信号检测识别处理器用于对接收信号进行采集和存储，再对其进行时频变换得到其时频图谱，对时频图谱进行取绝对值和归一化的预处理操作，再对预处理后的时频图谱进行基于深度学习的目标检测；信号检测识别处理器包括基于深度学习的目标检测模型。2.如权利要求1所述的强互干扰条件下无人机测控信号智能识别方法，其特征在于，所述的对时频图谱进行基于深度学习的目标检测，采用基于深度学习的目标检测模型来实现无人机信号的检测和识别，基于深度学习的目标检测模型利用yolo模型来实现，基于深度学习的目标检测模型包括用于特征提取和压缩的主干网络和用于特征解析和结果预测的解码器，主干网络和解码器进行连接；基于深度学习的目标检测模型采用两个阶段来进行训练，第一阶段使用梯度下降法对整个基于深度学习的目标检测模型的参数进行训练；第二阶段利用深度学习中的通道剪枝算法，对完成第一阶段训练的基于深度学习的目标检测模型的主干网络进行修剪，即利用lasso回归算法，删除主干网络的每个隐藏层的部分通道，进而得到压缩后的主干网络；之后，随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成整个训练过程。3.如权利要求2所述的强互干扰条件下无人机测控信号智能识别方法，其特征在于，其具体步骤包括：s1，信号检测识别处理器与无线电电子侦察设备进行连接，信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，无线电电子侦察设备对空间电磁波信号进行侦收；所述的信号检测识别处理器向无线电电子侦察设备下发信号侦收指令，该信号侦收指令包括目标工作频段和天线增益参数，无线电电子侦察设备对目标频段的电磁波信号依次进行接收、低噪声功率放大、滤波、a/d变换、数字下变频处理，最终将接收信号转换成零中频的时域iq数据，并将该时域iq数据发送至信号检测识别处理器；s2，利用接收到的信号构建基于深度学习的目标检测模型的训练数据集，并对该基于深度学习的目标检测模型进行训练；信号检测识别处理器对该时域iq数据进行存储，再对其进行时频变换得到其时频图谱，时频变换过程表示为：式中，x()表示该时域iq数据，h()表示窗函数，n表示时频图谱的时间轴长度，t表示滑窗长度，l表示该时域iq数据长度，k表示离散傅里叶变换长度，s(k,n)表示时频图谱在第n个时刻和第k个频点的取值；对计算得到的时频图谱取绝对值，获得能量时频谱个时刻和第k个频点的取值；对计算得到的时频图谱取绝对值，获得能量时频谱
对该能量时频谱图进行归一化处理，得到预处理后的时频图谱数据对该能量时频谱图进行归一化处理，得到预处理后的时频图谱数据将该预处理后的时频谱数据进行标签标注，得到标注数据，所标注的标签信息包括信号带宽、中心载频、信号时长、信号起始位置和信号类型，信号类型包括无人机测控信号、wifi信号、蓝牙信号和其他未知信号；将预处理后的时频图谱数据等间隔地按照时间轴和频率轴划分为m
×
n个格子，将每个格子内的时频图谱数据依次输入基于深度学习的目标检测模型，基于深度学习的目标检测模型的解码器对应每个格子得到一组输出量，每组输出量包含接收信号的时频中心与该格子左上角的相对坐标、接收信号时频宽度、该格子中存在无人机测控信号的概率和该接收信号对应的无人机测控信号的类型；将基于深度学习的目标检测模型输出的每个无人测控机信号的时频位置信息，即信号带宽、中心载频、信号时长和信号起始位置，转换为标准标签格式数据，标准标签格式数据表示为[m0,n0,x,y,w,h,n
c
,p]，其中，m0、n0分别表示出现无人机测控信号的格子在时频图谱中的时间轴和频率轴上的位置序号，x,y表示无人机测控信号的时频中心相对于其所在格子的左上端点的相对位置坐标，w,h分别代表无人机测控信号的信号时长和信号带宽，p代表该格子内是否存在无人机测控信号，n
c
表示该无人机测控信号所属类型；利用梯度下降算法对该基于深度学习的目标检测模型进行训练，直至该基于深度学习的目标检测模型的损失函数达到收敛，完成第一阶段训练；再利用深度学习中通道剪枝算法，对主干网络进行压缩，得到压缩后的基于深度学习的目标检测模型；随机选择部分训练数据，利用梯度下降法训练压缩后的整个基于深度学习的目标检测模型，从而完成对该基于深度学习的目标检测模型的整个训练过程；s3，利用训练好的基于深度学习的目标检测模型对接收信号进行实时检测识别；信号检测识别处理器将预处理后的时频图谱数据输入到步骤s2得到的训练完毕的基于深度学习的目标检测模型，该目标检测模型对预处理后的时频图谱数据进行检测和识别，检测出其中的各个信号分量，并给出关于信号带宽、中心载频、信号时长、信号起始位置和信号类型的预测结果。4.如权利要求3所述的强互干扰条件下无人机测控信号智能识别方法，其特征在于，基于深度学习的目标检测模型的主干网络采用cspdarknet53网络结构，解码器为一个3层的卷积网络，其输出数据尺寸为m
×
n
×
(4+1+n
c
)，4+1+n
c
代表其分别包含了2个时间参数和2个频率参数、1个无人机测控信号的存在概率、n
c
个无人机测控信号类型的预测结果；利用训练数据集，训练该基于深度学习的目标检测模型，其损失函数为：
式中，φ
c
表示无人机测控信号类型的集合，λ
coard
表示时频位置估计损失加权系数，λ
noobj
表示类别预测损失加权系数，表示第(i，j)个方格内是否存在无人机测控信号，若存在，则否则否则表示第(i，j)个方格内是否存在无人机测控信号，取值与相反；c
ij
表示第(i，j)个方格是否存在无人机测控信号的标签值，表示第(i，j)个方格存在无人机测控信号的预测置信度；p
ij
(c)表示第(i，j)个方格内的无人机测控信号属于类型c的标签值，表示对应p
ij
(c)的预测值，[w
ij
,h
ij
]表示第(i，j)个方格内信号的频域宽度和时域宽度，[x
ij
,y
ij
]表示第(i，j)个方格内信号的时频中心相对于该方格左上角坐标的相对坐标，分别表示对[w
ij
,h
ij
]，[x
ij
,y
ij
]的预测值。5.如权利要求3所述的强互干扰条件下无人机测控信号智能识别方法，其特征在于，所述的利用深度学习中通道剪枝算法，对主干网络进行压缩，具体包括：针对主干网络的每个隐藏层，按预定的通道筛选比例，利用lasso回归算法构建优化函数，删除主干网络的每个隐藏层输入特征图的部分通道，并以最小误差重构该隐藏层的输出特征图，进而得到压缩的主干网络；所述的利用lasso回归算法构建优化函数，该优化函数的表达式为：subject to||β||0≤c
′
式中，β表示主干网络的隐藏层输入特征图的通道选择系数向量，n
z
表示该隐藏层输入特征图的通道数，c
′
表示预定的筛选通道数，z
i
表示第i个通道的输入特征图，y表示主干网络在剪枝前该隐藏层的输出特征图，|| ||
f
表示弗洛贝尼乌斯范数，|| ||1表示l1范数，|| ||0表示l0范数；对主干特征提取网络的每个隐藏层按上述过程进行通道剪枝，得到压缩后的主干网络。

技术总结
本发明公开了一种强互干扰条件下无人机测控信号智能识别方法，利用无线电电子信号侦察设备对空间电磁波信号进行侦收，再依次将接收的信号进行低噪声功率放大、滤波、A/D变换、数字下变频，最终将接收信号转换成零中频的时域IQ数据；利用信号检测识别处理器对接收信号进行采集和存储，再对其进行时频变换得到其时频图谱，对时频图谱进行取绝对值和归一化的预处理操作，再对预处理后的时频图谱进行基于深度学习的目标检测；信号检测识别处理器包括基于深度学习的目标检测模型。本发明采用剪枝深度学习模型的剪枝思想，在保持精度基本不变，降低模型计算复杂度，提升了模型识别速度，有效降低了计算资源的消耗，更加方便模型的多平台移植。台移植。台移植。


技术研发人员：温志津 刘阳 李晋徽 晋晓曦 张涵硕 牛余凯
受保护的技术使用者：中国人民解放军32802部队
技术研发日：2021.12.07
技术公布日：2022/3/8