[發明專利]基于機器學習的射頻信號檢測方法及系統

有效

• 申請號: 202010707218.6
• 申請日: 2020-07-21
• 公開（公告）號: CN111866930B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 彭瑤;李荔垚;王俊;徐鵬;方鵬飛;陳曉江;趙宇航;房鼎益
• 申請（專利權）人: 西北大學
• 主分類號: H04W24/08
• 分類號: H04W24/08;G06N3/04;G06N3/08
• 代理公司: 北京神州信德知識產權代理事務所(普通合伙) 11814
• 代理人: 劉真

本發明是一種基于機器學習的射頻信號檢測方法及系統，該方法包括確定待檢測信號的通信環境，使用PC離線訓練最小化的神經網絡模型，調整神經網絡參數權值和偏置，并通過FPGA實現該神經網絡。具體系統實現包括天線及匹配單元接收待檢測信號，模數、串并轉換輸入信號，使用神經網絡判別后經并串轉換后輸出。通過對特定情景進行預分析制作特定應用的神經網絡，從而減小神經網絡大小，通過對神經網絡權重的降低，尋找其可工作最小拓撲，最終實現以較低的硬件功耗，在低信噪比情況下可檢測到待檢射頻信號，目前最遠檢測距離可達上百米。

技術領域

本發明屬于射頻檢測的技術領域，特別涉及一種基于機器學習(MachineLearning，簡稱ML)的射頻信號檢測方法及系統。

背景技術

現有的反向散射技術缺乏靈敏的數據包檢測機制，例如，以環境LoRa信號為激勵來傳輸數據。為了實現此目標，它需要從同一ISM頻帶中的其他信號中檢測到環境LoRa信號，然后與LoRa線性調頻脈沖同步以進行細粒度的信號調制，但傳統的信號檢測技術都有其固有缺陷。

傳統的信號檢測技術主要有三大類，分別是能量檢測、匹配濾波檢測和循環平穩特征檢測。

其中能量檢測是一種基于信號能量的檢測方法，特點是簡單而且不需要任何先驗知識。其通常檢測流程是通過帶通濾波器后，按時隙進行積分，隨后將積分值與預設的閾值進行比較，從而判斷信號是否存在。該方法雖然易于實現但卻有十分多缺陷。1.檢測效果受環境噪聲影響較大；2.能量檢測方式無法區分不同類型的信號；3.能量檢測對于擴頻信號無法檢測。

匹配濾波的方式則是通過添加一個具有先驗知識的匹配濾波器，最大化輸入信噪比從而提升檢測效果，降低檢測時間。其主要缺陷是需要一定時間獲取待測信號的先驗知識，同時受先驗知識的影響較大，一旦先驗知識不準確，檢測性能則會變得很差，并且匹配濾波算法較復雜，耗電量高，不適用于低功耗系統上。

循環平穩特征檢測利用了信號的周期性去判斷信號是否存在，通過周期統計或頻譜特征來檢測信號存在與否。循環平穩特征檢測相對具有較強的檢測精度，但是其計算復雜度較高，并且感知時間過長，所以也不常使用。

近些年隨著人工智能和深度學習的發展，基于深度學習和特征提取的信號檢測系統也逐漸出現。基于深度學習的信號檢測系統通過提取信號的瞬時特征信息，信號的高階累積量以及信號的循環平穩特征等，通過訓練好的深度神經網絡模型，得到一個預測值，再將預測值與基準值進行比較檢測信號。其主要特點是檢測精度高，較好的模型可以識別較多種類的信號。但主要缺點是需要獲取較多的瞬時或平穩周期特征作為神經網絡的輸入；當神經網絡模型訓練的不好的時候，檢測效果也會下降。

綜上，現有的方法主要有以下三類問題：1.檢測效果不好；2.計算復雜度較高；3.需要提取較多先驗知識。這些問題導致現有的信號檢測模塊通常具有較多的硬件模塊單元以，從而帶來較高的功耗開銷。

發明內容

鑒于以上現有技術的缺點，本發明提供一種基于機器學習(Machine Learning，簡稱ML)的射頻信號檢測方法及系統，針對現有方法存在的問題，在使用較少硬件模塊的情況下實現較為精準的信號檢測功能。

本發明的另一個目的在于提供一種基于機器學習的射頻信號檢測方法及系統，該方法及系統使用待檢測信號的電壓特征作為深度神經網絡的輸入，不需要額外的設備獲取瞬時特征和平穩周期特征，數據處理簡單易行。

本發明的再一個目的在于提供一種基于機器學習的射頻信號檢測方法及系統，該方法及系統通過剪枝、替代激活步驟等方式對訓練好的模型進行模型優化，從而進一步降低神經網絡模型大小，提高檢測效率。

本發明的又一個目的在于提供一種基于機器學習的射頻信號檢測方法及系統，該方法及系統通過對特定情景進行預分析制作特定應用的神經網絡，從而減小神經網絡大小，通過對神經網絡權重的降低，尋找其可工作最小拓撲，從而實現減小硬件功耗。