一种基于深度学习的TACAN信号检测与识别方法

一种基于深度学习的tacan信号检测与识别方法
技术领域
1.本发明涉及tacan信号检测与识别方法，特别涉及一种基于深度学习的tacan信号检测与识别方法。


背景技术：

2.航被应用于多种领域，海上救援、地震监测、氢弹导弹的发射等领域应用的导航技术是它重要应用的一个缩影。塔康系统(tacan)是一种由美国研制的航空导航系统，该系统是在传统测距技术上补充方位测量的近点无线导航系统。塔康的基本配置有信标台(tacan beacon)和机载设备(tacan airborne equipment)两大部分。二者相互配合，完成塔康系统的方位测量、距离测量、信标台识别的基本功能。
3.tacan信号的检测识别在各应用领域具有重要的作用，在信息处理中突发信号识别也是比较重要的内容，从混叠在一起的信号脉冲流里面选出需要的信号，并且将各个信号分离开。把分选出的信号和数据库中的信号进行比较，比较利用的是各种不同的特征参数来进行，识别出各类不同的信号。
4.突发信号相对于连续长信号而言，其信号的起始和结束位置都是不确定的，具有较强的隐蔽性；且其信号较短，信号的传输过程中伴有各种非正常的信号等等。这些因素大大增加了对该类信号的检测与识别的难度。
5.随着现代导航系统与电子对抗技术的不断发展，各类新型导航的出现使得目前所面临的电磁环境变得愈加密集、复杂，现有的传统信号检测方法主要有：匹配滤波法、能量检测法、循环平稳检测法、特征值检测法。虽然传统方法已经被广泛地应用，然而依旧存在着不少缺陷：匹配滤波检测法对检测信号先验知识的要求较高；能量检测法实现起来比较简单，但是当噪声比较大时容易在能量上淹没信号，无法检测；循环平稳特征法的时间、空间复杂度较高，计算复杂，难以满足实时性的要求；特征值检测法不仅需要大量的计算，同时也需要实际应用经验进行修正，泛化性能较差。由此可见，传统的信号检测方法存在着计算复杂、准则较多、低信噪比时性能欠佳等不足，迫切需要智能有效的检测方法。
6.近两年，机器学习在信号检测领域得到了广泛的关注。随着硬件设备成本的降低，深度学习模型被广泛地应用于计算机视觉、信号处理等领域。同时，在无线通信领域，一系列新的深度学习框架的提出，也在该领域取得了重大进展。与传统方法相比，神经网络模型具有更高的识别精度和识别效率。但基于机器学习的信号检测方法仍然存在着一些不足，如：只能检测时频域不重叠的信号、可检测的信号样式单一、检测结果缺少后续应用等。因此，需要寻找更加智能的信号检测方法来应对以上的不足。
7.综上所述，在面对日益复杂的电磁环境时，传统的信号检测与参数估计方法缺乏自主感知能力以及快速应变能力；由于传统的检测方法在当前电磁环境的应用中存在着较多的不足，因此智能的信号检测方法逐渐成为当前信号领域中的研究热点之一。然而，这些研究方法中大多是使用分类网络和目标检测网络对信号进行检测，受限于网络模型的功能，只能对信号的有、无状态进行判断，或者是对信号时频中心所在的位置进行标定，难以
对信号的后续处理提供更多的帮助。不同于其他检测方法使用分类或者目标检测网络，本发明将深度学习中的语义分割算法应用到信号检测中，并对此展开研究。
8.传统的tacan信号识别方法主要包括以下几种方案：基于数字化的译码识别，该方法主要是通过fpga可编程逻辑器件的使用，对信号进行了数字化处理，针对tacan空/地信号的脉冲类型，调制方式，不同脉冲群的周期等特点进行识别。另一种传统的方法采用的是模板匹配法，利用雷达分选技术，通过tacan信号的参数估计，得到信号到达时间(toa)，然后根据toa得到pri，利用提前准备好的库文件，库文件中存储着tacan信号在不同工作模式下的pri值，将其进行比较，最终得到tacan工作模式。
9.上述两种方法都是以tacan信号的脉冲群特征作为判断条件，虽然能够检测出完整周期的tacan空/地信号，但是当信号发生缺失时，信号部分特征(各个脉冲群数量，脉冲群个数等)不再完整，上述两种方法的识别率将会受到严重影响。
10.随着硬件设备成本的降低，深度学习模型被广泛地应用于计算机视觉、信号处理等领域。同时，在无线通信领域，一系列新的深度学习框架的提出，也在该领域取得了重大进展。有人提出了利用卷积神经网络模型对多种信号进行识别。有人提出一种基于bp神经网络的方法，对残缺的lfm信号进行了识别。上述技术方案的结果均显示，与传统方法相比，神经网络模型具有更高的识别精度和识别效率。
11.机载设备对tacan参数特征的获取是tacan工作模式识别的基石，但无论是tacan数据库中模板tacan参数还是实际测量的tacan特征参数都会存在残缺类型的不确定性，基于传统的方法难以对tacan信号进行有效地检测与识别的问题，以及为了解决残缺tacan信号识别准确率低，本发明设计了一种基于cnn的新型神经网络模型方法，并利用该模型对残缺的tacan信号进行识别。


技术实现要素：

12.本发明的目的是为了解决传统的信号检测方法难以对tacan信号进行有效地检测与识别，以及现有神经网络对残缺tacan信号识别准确率低的问题，而提出一种基于深度学习的tacan信号检测与识别方法。
13.上述目的通过以下的技术方案实现：
14.一种基于深度学习的tacan信号检测与识别方法，所述方法通过以下步骤实现：
15.步骤一、基于deeplabv3+模型结构，设计检测tancan信号的网络模型；具体为：
16.将空洞空间金字塔池化模块与编码解码架构相融合，并将deeplabv3+网络中使用的普通卷积修改为空洞卷积和深度可分离卷积，形成用于检测tancan信号的网络模型；
17.步骤二、数据预处理；具体为：
18.使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵；其中，取模保存为时频图；
19.步骤三、对tancan信号进行分离操作；具体为：
20.对信号进行检测之后，将时频图中信号位置信息映射到时频数据中，对信号的有用分量进行定位并进行掩膜滤波，剔除无关的噪声分量；当多个信号在时频图上存在重叠时，将重叠部分的时频数据作为其他标签同噪声一起被滤除，仅留下信号非重叠的部分，得到不同标签对应的k个非重叠时频数据分量，分别进行反时频变换，完成信号的分离；
21.步骤四、对tancan信号进行重构操作；具体为：
22.首先，将仿真产生相同参数的完整信号以及时域残缺信号作为模型训练样本；之后，在模型训练时，将时频重叠区域缺失的信号数据输入到生成器中；之后，将完整信号和生成器输出的信号输入判别器模型中进行误差判别，若不满足要求则继续代入生成器中再次进行重构直至与完整信号相似。
23.步骤五、对tancan信号工作模式进行识别；具体为：
24.首先，构建残缺tacan数据集，所有tacan空/地模式信号均采用simulink工具包产生带噪信号数据，根据tacan空/地模式下的信号特征，对空/地模式下的空/地x模式下和空/地y模式下的2类信号进行编码；
25.之后，基于cnn模型设计对tancan信号工作模式进行识别的方法。
26.进一步地，步骤二所述的使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵的过程具体为：
27.当接收的tacan信号不存在时频混叠时，将语义分割算法应用到信号处理中：首先，对接收到的信号进行时频变换得到信号的时频数据矩阵和时频图，根据信号的调制参数对时频图中的所有像素标签化，并将时频图和标签一并放入deeplabv3+网络进行训练，利用训练好的网络对时频图中不同信号的能量区域与背景进行划分，实现非混叠信号的检测。
28.进一步地，对tancan信号进行重构操作的步骤，具体为：
29.对时频图中信号以及混叠区域打上不同的语义标签并放入deeplabv3+进行训练，检测出信号和混叠部分所在区域；在模型对混叠信号进行识别与检测后，将时频图中信号和混叠部分的位置信息映射到时频数据矩阵，并根据该信息对背景噪声以及重叠部分进行掩膜滤波，得到缺失重叠部分的单个残缺脉冲信号的时频数据；
30.之后，将残缺的时频数据进行反时频变换得到残缺时域波形，实现对混叠信号的分离；
31.之后，将残缺波形输入gan模型进行训练得到重构后的tacan信号。
32.进一步地，步骤五所述的建残缺tacan数据集的步骤中，tacan空/地模式下的信号特征具体为：
33.在空/地x模式下，tacan空/地信号一秒由3600对脉冲组成，其中包括900对方位基准脉冲以及由识别信号脉冲对、距离应答脉冲和随机填充脉冲对组成的2700对其他脉冲；在空/地y模式下，tacan空/地信号一秒由7155个脉冲构成，其中1755个是方位基准脉冲群，剩余的2700对由识别信号脉冲对、距离应答脉冲及随机填充脉冲等多种脉冲构成；
34.tacan空/地x信号的主基准脉冲群共由12个脉冲对组成，辅助基准脉冲群共由6个脉冲对组成，其中主基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为24
±
0.1μs；对于tacan空/地y信号，由主基准脉冲群共由13个单脉冲组成，辅助基准脉冲群也由13个单脉冲组成，其中主基准脉冲间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为15
±
0.1μs。
35.进一步地，步骤五所述的基于cnn模型设计对tancan信号工作模式进行识别的方法的步骤，具体为：
36.分别对tacan空/地模式下的实部信号和虚部信号进行特征提取，并使用连接层进
行特征融合；
37.之后，设计隐藏层lstm层，通过使用多个隐藏层进行二次特征提取；其中，单层lstm网络是的记忆功能主要由三个控制单元组成，分别是遗忘门f
t
、输入门i
t
、输出门o
t
；
38.之后，通过输出层输出模型的分类结果。
39.本发明的有益效果为：
40.在复杂的电磁环境中，传统的信号检测方法存在着检测性能不足、计算复杂、低信噪比下效果差等不足，因此许多学者开始研究智能的信号检测方法，其中大多是使用分类网络模型和目标检测模型。然而，受限于模型的功能，当前智能的信号检测方法大多只能对信号的有无结果进行分类，或者只能对信号所在的大致区域进行标记，无法对复杂调制或者多个信号混叠的情况进行检测。针对这一情况，本发明采用深度学习方法，通过对信号进行特征提取，构建网络模型，实现对残差tacan信号识别。能够在待识别信号因信号部分特征(各个脉冲群数量，脉冲群个数等)不完整而导致信号缺失时，仍能对tacan信号进行识别，并保证识别率。具体的技术手段是：
41.本发明将深度学习中的语义分割模型deeplabv3+应用到信号检测的领域中，该模型能对时频图中的每个像素进行识别分类，有效改善了检测方法中存在的问题。同时，得益于deeplabv3+模型对时频图像素的准确划分，将划分结果线性映射到时频数据上并对各个分量进行掩膜时频滤波，对滤波结果进行反时频变换可得到缺失重叠部分的单个信号分量。将各个残缺的信号时域波形输入gan网络进行信号重构，最终实现对tacan信号的检测并且可以在混叠信号分离出tacan信号。
附图说明
42.图1是本发明方法流程图；
43.图2是本发明涉及的基于deeplabv3+模型的tancan信号检测网络模型结构；
44.图3是本发明涉及的基于gan的残缺信号重构流程；
45.图4是本发明涉及的基于deeplabv3+的tacan信号检测流程图；
46.图5是本发明涉及的基于deeplabv3+与gan的tacan信号重构流程图；
47.图6是本发明涉及的单层lstm网络模型内部结构图示；
48.图7是本发明涉及的基于cnn模型的tacan信号检测网络模型结构图示；
49.图8是本发明仿真实验部分涉及的信号产生的流程。
具体实施方式
50.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
51.本发明优选的实施例：
52.请参阅图1-图8，本发明提供一种技术方案：
53.一种基于深度学习的tacan信号检测与识别方法，如图1所示，所述方法通过以下
步骤实现：
54.步骤一、基于deeplabv3+模型结构，设计检测tancan信号的网络模型；具体为：
55.将空洞空间金字塔池化模块(aspp)与编码解码架构相融合，并将deeplabv3+网络中使用的普通卷积修改为空洞卷积(dconv)和深度可分离卷积(dsconv)，形成用于检测tancan信号的网络模型，基于deeplabv3+模型的tancan信号检测网络模型结构如图2所示；deeplabv3+网络模型不同于图像分类对图像类别给出一个识别结果，也不同于图像检测给出目标的大致边界框，作为一项更加精细的工作，语义分割需要为图像中的每个像素分配一个预先定义好的表示其语义类别的标签。该算法在deeplabv3模型之上改进并显著提升了其性能。
56.步骤二、数据预处理；具体为：
57.使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵；其中，取模保存为时频图；
58.步骤三、对tancan信号进行分离操作；具体为：
59.对信号进行检测之后，将时频图中信号有用的位置信息映射到时频数据中，对信号的有用分量进行定位并进行掩膜滤波，剔除无关的噪声分量；当多个信号在时频图上存在重叠时，将重叠部分的时频数据作为其他标签同噪声一起被滤除，仅留下信号非重叠的部分，得到不同标签对应的k个非重叠时频数据分量，分别进行反时频变换，完成信号的分离；
60.步骤四、对tancan信号进行重构操作；具体为：
61.首先，将仿真产生相同参数的完整信号以及时域残缺信号作为模型训练样本；之后，在模型训练时，将时频重叠区域缺失的信号数据输入到生成器中；之后，将完整信号和生成器输出的信号输入判别器模型中进行误差判别，若不满足要求则继续代入生成器中再次进行重构直至与完整信号相似。通过训练好的gan模型自动对信号残缺部分的估计重构，能够在有效保留信号非重叠部分的同时重构出与原信号误差较小的信号。基于gan的残缺信号重构流程如图3所示；
62.以上为利用步骤一基于deeplabv3+模型的检测模型，设计的检测tancan信号的方法；
63.对tacan信号检测打算在低信噪比下通过模型的miou、检测率来判断检测性能。在信号混叠的场景下，以分离重构后的信号与原信号的相似度作为检测结果的好坏；
64.步骤五、对tancan信号工作模式进行识别；具体为：
65.首先，构建残缺tacan数据集，所有tacan空/地模式信号均采用simulink工具包产生带噪信号数据，根据tacan空/地模式下的信号特征，对空/地模式下的空/地x模式下和空/地y模式下的2类信号进行编码；
66.之后，基于cnn模型设计对tancan信号工作模式进行识别的方法。
67.步骤二所述的使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵的过程具体为：
68.当接收的tacan信号不存在时频混叠时，将语义分割算法应用到信号处理中，提出了一种基于deeplabv3+的tacan信号检测方法：首先，对接收到的信号进行时频变换得到信号的时频数据矩阵和时频图，根据信号的调制参数对时频图中的所有像素标签化，并将时
频图和标签一并放入deeplabv3+网络进行训练，利用训练好的网络对时频图中不同信号的能量区域与背景进行划分，实现非混叠信号的检测，具体检测流程如图4所示。
69.对tancan信号进行重构操作的步骤，具体为：
70.对时频图中信号以及混叠区域打上不同的语义标签并放入deeplabv3+进行训练，使模型能够检测出信号和混叠部分所在区域；在模型对混叠信号进行识别与检测后，将时频图中信号和混叠部分的位置信息映射到时频数据矩阵，并根据该信息对背景噪声以及重叠部分进行掩膜滤波，得到缺失重叠部分的单个残缺脉冲信号的时频数据；
71.之后，将残缺的时频数据进行反时频变换得到残缺时域波形，实现对混叠信号的分离；
72.之后，将残缺波形输入gan模型进行训练得到重构后的tacan信号，tacan信号重构流程如图5所示。
73.步骤五所述的建残缺tacan数据集的步骤中，tacan空/地模式下的信号特征具体为：
74.在空/地x模式下，tacan空/地信号一秒由3600对脉冲组成，其中包括900对方位基准脉冲以及由识别信号脉冲对、距离应答脉冲和随机填充脉冲对组成的2700对其他脉冲；在空/地y模式下，tacan空/地信号一秒由7155个脉冲构成，其中1755个是方位基准脉冲群，剩余的2700对由识别信号脉冲对、距离应答脉冲及随机填充脉冲等多种脉冲构成；
75.tacan空/地x信号和空/地y信号的最大区别，在于tacan空/地信号的主基准脉冲群和辅助基准脉冲群的构成方式不同，tacan空/地x信号的主基准脉冲群共由12个脉冲对组成，辅助基准脉冲群共由6个脉冲对组成，其中主基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为24
±
0.1μs；对于tacan空/地y信号，它的主基准脉冲群共由13个单脉冲组成，辅助基准脉冲群也由13个单脉冲组成，其中主基准脉冲间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为15
±
0.1μs。
76.步骤五所述的基于cnn模型设计对tancan信号工作模式进行识别的方法的步骤，具体为：
77.cnn模型以多层卷积神经网络模型为基础，分别对tacan空/地模式下的实部信号和虚部信号进行特征提取，并使用连接层进行特征融合，基于cnn模型设计的对tancan信号工作模式进行识别的模型结构如图6所示；
78.之后，设计隐藏层lstm层，通过使用多个隐藏层进行二次特征提取；其中，隐藏层lstm层能提高tc-dnn模型对tacan空/地信号时序性特征的学习能力；单层lstm网络是为了充分提取信号的时序特征，它的记忆功能主要由三个控制单元组成，分别是遗忘门f
t
、输入门i
t
、输出门o
t
，如图7所示；
79.之后，通过输出层输出模型的分类结果。
80.仿真实验：
81.tancan信号特点与仿真。
82.tacan信号是由一等幅的脉冲串和15hz、135hz幅调信号组成。该脉冲串包括主基准脉冲群和辅助基准脉冲群及随机脉冲、识别脉冲和距离回答脉冲(只在被询问时出现)。该信号属于突发信号，与一般通信信号相比，tacan信号是脉冲对的形式，可以看成多个独
立时间很短的通信信号组成。
83.第一部分需要对tancan信号进行仿真，同时构建数据集；
84.地面台发射信号主要包括两种状态，在识别状态下，脉冲包括主、辅基准脉冲群，识别脉冲；在应答状态下，无识别脉冲，而是应答脉冲和填充脉冲。信号产生的流程如图8所示，首先产生高斯脉冲波形和特定频率的触发脉冲，接着产生不同频率的脉冲群以及决定信号优先级的屏蔽信号，组合成不同状态的发射脉冲，形成基带信号，最后经过调制发射出去。
85.本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

技术特征：
1.一种基于深度学习的tacan信号检测与识别方法，其特征在于：所述方法通过以下步骤实现：步骤一、基于deeplabv3+模型结构，设计检测tancan信号的网络模型；具体为：将空洞空间金字塔池化模块与编码解码架构相融合，并将deeplabv3+网络中使用的普通卷积修改为空洞卷积和深度可分离卷积，形成用于检测tancan信号的网络模型；步骤二、数据预处理；具体为：使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵；其中，取模保存为时频图；步骤三、对tancan信号进行分离操作；具体为：对信号进行检测之后，将时频图中信号位置信息映射到时频数据中，对信号的有用分量进行定位并进行掩膜滤波，剔除无关的噪声分量；当多个信号在时频图上存在重叠时，将重叠部分的时频数据作为其他标签同噪声一起被滤除，仅留下信号非重叠的部分，得到不同标签对应的k个非重叠时频数据分量，分别进行反时频变换，完成信号的分离；步骤四、对tancan信号进行重构操作；具体为：首先，将仿真产生相同参数的完整信号以及时域残缺信号作为模型训练样本；之后，在模型训练时，将时频重叠区域缺失的信号数据输入到生成器中；之后，将完整信号和生成器输出的信号输入判别器模型中进行误差判别，若不满足要求则继续代入生成器中再次进行重构直至与完整信号相似；步骤五、对tancan信号工作模式进行识别；具体为：首先，构建残缺tacan数据集，所有tacan空/地模式信号均采用simulink工具包产生带噪信号数据，根据tacan空/地模式下的信号特征，对空/地模式下的空/地x模式下和空/地y模式下的2类信号进行编码；之后，基于cnn模型设计对tancan信号工作模式进行识别的方法。2.根据权利要求1所述的一种基于深度学习的tacan信号检测与识别方法，其特征在于：步骤二所述的使用stft分别对带噪信号和无噪信号进行时频分析，利用海明窗分别对带噪和无噪的信号进行stft变换得到时频复数矩阵的过程具体为：当接收的tacan信号不存在时频混叠时，将语义分割算法应用到信号处理中：首先，对接收到的信号进行时频变换得到信号的时频数据矩阵和时频图，根据信号的调制参数对时频图中的所有像素标签化，并将时频图和标签一并放入deeplabv3+网络进行训练，利用训练好的网络对时频图中不同信号的能量区域与背景进行划分，实现非混叠信号的检测。3.根据权利要求2所述的一种基于深度学习的tacan信号检测与识别方法，其特征在于：对tancan信号进行重构操作的步骤，具体为：对时频图中信号以及混叠区域打上不同的语义标签并放入deeplabv3+进行训练，检测出信号和混叠部分所在区域；在模型对混叠信号进行识别与检测后，将时频图中信号和混叠部分的位置信息映射到时频数据矩阵，并根据该信息对背景噪声以及重叠部分进行掩膜滤波，得到缺失重叠部分的单个残缺脉冲信号的时频数据；之后，将残缺的时频数据进行反时频变换得到残缺时域波形，实现对混叠信号的分离；之后，将残缺波形输入gan模型进行训练得到重构后的tacan信号。4.根据权利要求3所述的一种基于深度学习的tacan信号检测与识别方法，其特征在
于：步骤五所述的建残缺tacan数据集的步骤中，tacan空/地模式下的信号特征具体为：在空/地x模式下，tacan空/地信号一秒由3600对脉冲组成，其中包括900对方位基准脉冲以及由识别信号脉冲对、距离应答脉冲和随机填充脉冲对组成的2700对其他脉冲；在空/地y模式下，tacan空/地信号一秒由7155个脉冲构成，其中1755个是方位基准脉冲群，剩余的2700对由识别信号脉冲对、距离应答脉冲及随机填充脉冲等多种脉冲构成；tacan空/地x信号的主基准脉冲群共由12个脉冲对组成，辅助基准脉冲群共由6个脉冲对组成，其中主基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为12
±
0.1μs，脉冲对间隔为24
±
0.1μs；对于tacan空/地y信号，由主基准脉冲群共由13个单脉冲组成，辅助基准脉冲群也由13个单脉冲组成，其中主基准脉冲间隔为30
±
0.1μs，辅助基准脉冲群的脉冲间隔为15
±
0.1μs。5.根据权利要求4所述的一种基于深度学习的tacan信号检测与识别方法，其特征在于：步骤五所述的基于cnn模型设计对tancan信号工作模式进行识别的方法的步骤，具体为：分别对tacan空/地模式下的实部信号和虚部信号进行特征提取，并使用连接层进行特征融合；之后，设计隐藏层lstm层，通过使用多个隐藏层进行二次特征提取；其中，单层lstm网络是的记忆功能主要由三个控制单元组成，分别是遗忘门f
t
、输入门i
t
、输出门o
t
；之后，通过输出层输出模型的分类结果。

技术总结
一种基于深度学习的TACAN信号检测与识别方法，属于信号的检测和识别领域。传统的信号检测方法难以对TACAN信号进行有效地检测与识别，另外现有神经网络对残缺TACAN信号识别准确率低的问题。一种基于深度学习的TACAN信号检测与识别方法，包括：基于DeepLabV3+模型结构，设计检测TANCAN信号的网络模型；数据预处理；对TANCAN信号进行分离操作；对TANCAN信号进行重构操作；基于CNN模型设计对TANCAN信号工作模式进行识别的方法。本发明采用深度学习方法，通过对信号进行特征提取，构建网络模型，实现对残差TACAN信号识别。能够在待识别信号存在信号缺失时，仍能对TACAN信号进行识别，并保证识别率。保证识别率。保证识别率。


技术研发人员：姜开元 韩崇彬
受保护的技术使用者：哈尔滨理工大学
技术研发日：2023.06.07
技术公布日：2023/9/20