一种基于YOLOv5的复杂典型通信信号快速识别分类方法

技术领域

本发明涉及计算技术领域，具体涉及一种基于YOLOv5的复杂典型通信信号快速识别分类方法。

背景技术

随着技术不断发展，电磁信号的重要程度逐渐提升，对方经常使用跳频方式来提高电台的低截获和抗干扰性能。在信息侦察时，由于较宽的侦察范围会同时接收到多个跳频信号，从复杂混合信号中快速识别出不同种类的跳频信号已经成为目前亟待解决的问题。

现实环境中存在的典型信号为跳频信号、定频信号、线性扫频干扰和噪声调频干扰等信号类型。为了准确快速的识别出对应的通信信号的类别，常用的识别方法有支持向量机(SVM)、决策树、BP神经网络等等。随着深度学习技术的不断成熟，对特征的提取能力不断加强，研究复杂通信信号快速识别分类技术是人工智能发展领域的方向之一。

为了准确快速的识别出类别以满足实际使用的需要，在目标检测方向提出了YOLO、SSD等性能优异的开源目标检测框架。YOLO框架在2005年被提出之后，历经数次迭代改进，其中的YOLOv5版本在特征的提取能力、检测速度、分类识别能力较为突出。

因此，需要一种使用YOLOv5的复杂典型通信信号的解析方法。

发明内容

本发明是为了解决对交叠的复杂通信信号进行准确快速识别分类的问题，提供一种基于YOLOv5的复杂典型通信信号快速识别分类方法，将复杂典型通信信号使用SPWVD时频分析转换为时频图，使用YOLOv5的网络对时频图进行预测并分类，针对信号类别快速变换和数据量庞大的问题改进了YOLOv5的网络结构，只保留中、小目标检测头，并结合SIoU_loss损失函数、非极大值抑制进行检测，使得网络在准确识别多种通信信号类别的同时减少了网络参数量并提高了识别速度，降低了对使用硬件环境的要求。

本发明提供一种基于YOLOv5的复杂典型通信信号快速识别分类方法，包括以下步骤：

S1、将复杂典型通信信号和噪声调频干扰信号进行叠加得到复杂典型通信混合信号，复杂典型通信信号包括单载频信号、跳频信号和线性扫频信号：

S2、对复杂典型通信混合信号使用平滑伪WVD方法进行时频分析并转换为时频图；

S3、选出至少两幅时频图使用labelimg软件进行标注，得到训练集和测试集；

S4、搭建针对复杂典型通信信号的YOLOv5神经网络，YOLOv5神经网络包括输入层、backbone层、neck层和head层，Backbone层包括5个Conv层、4个C3层和1个SPPF层，head层由大目标检测头和小目标检测头组成，neck层的C3*6层与大目标检测头相连，neck层的C3*8层与小目标检测头相连；

S5、将训练集和测试集进行锚框、图像的自适应计算、Mosaic数据增强后使训练集中图像的尺寸和测试集中图像的尺寸全部相同；

S6、将训练集送入YOLOv5神经网络对时频图进行特征提取得到大目标特征图、小目标检测图和置信度；

S7、将大目标特征图和小目标检测图送入Detect检测网络进行检测，Detect检测网络使用SIoU_loss损失函数并进行非极大值抑制处理后输出、显示复杂典型通信信号的类别；

S8、将测试集送入YOLOv5神经网络，判断SIoU_loss损失函数是否收敛，如果是，YOLOv5神经网络训练完成，进入步骤S9；如果否，更新YOLOv5神经网络的参数，返回步骤S4；

S9、将待分类复杂典型通信混合信号使用WVD方法进行时频分析并转换为时频图再进行锚框、图像的自适应计算、Mosaic数据增强后输入YOLOv5神经网络，YOLOv5神经网络进行分类后输出并显示待分类复杂典型通信混合信号中所包含的复杂典型通信信号的类别，基于YOLOv5的复杂典型通信信号快速识别分类完成。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S1中，单载频信号为：

Arect(τ)exp(j2πf

其中A为幅度，rect()为矩形函数，j为虚数，τ为脉冲宽度，f

跳频信号为通信频率按照规律和速率来回进行跳变的通信信号，线性扫频信号为频率随时间进行线性变化的通信信号，噪声调频干扰信号为高斯白噪声信号。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S3中，得到训练集、验证集和测试集，训练集、验证集和测试集的总数为5000张时频图。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S4、S6、S9中，YOLOv5神经网络的输入层接收图像尺寸为3*320*320，其中3为通道数。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，Backbone层的depth_multiple为0.25，width_multiple为0.20，Backbone层包括5个Conv、4个C3和1个SPPF结构，Backbone层输出图像的尺寸为232*10*10。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，Neck层包括CSP2结构、FPN+PAN结构，FPN层自顶向下传达语义特征，PAN结构包括特征金字塔，特征金字塔自底向上传达定位特征。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，：Head层对于Neck层输出的不同大小特征图同时使用大目标检测头和小目标检测头进行检测并输出置信度、大目标特征图和小目标检测图，大目标特征图和小目标检测图中包括预测的类别和预测框的坐标值，大目标特征图的尺寸为64*40*40，所述小目标特征图的尺寸为232*10*10。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S5中，将训练集和测试集的时频图大小调整为3*320*320；

步骤S9中，待分类复杂典型通信混合信号输入YOLOv5神经网络时时频图大小为3*320*320。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S7中，SIoU_loss损失函数为：

其中，IoU为交并比，Δ为距离损失，Ω为形状损失。

本发明所述的一种基于YOLOv5的复杂典型通信信号快速识别分类方法，作为优选方式，步骤S8中，判断SIoU_loss损失函数是否收敛的方法为：对YOLOv5神经网络目标检测性能的准确率P

其中，TP为真正例的预测结果，TN为真反例的预测结果，FN为假反例的预测结果，FP为假正例的预测结果，P为正例的预测结果，N为反例的预测结果。

本发明的技术解决方案是：使用YOLOv5对上述复杂典型通信信号的时频分析图像进行识别分类，具体步骤如下：

(1)将复杂典型通信信号，如跳频信号、定频信号、线性扫频干扰和噪声调频干扰等信号叠加在一起；图1a为定频信号的时域图像，图1b为定频信号的频域图像，图2a为跳频信号的时域图像，图2b为跳频信号的频域图像，图3a为线性扫频信号的时域图像，图3b为线性扫频信号的频域图像；

单载频信号：由于信号是表示消息的物理量，如电信号可以通过幅度、频率、相位变化来表示不同的消息，单载频信号为一个波段频率的接收与发射。频率保持不变，有单个频点，将发射信号被调至在1个频段上。单载频信号公式表达如下所示：

Arect(τ)exp(j2πf

A-幅度，rect()-矩形函数，τ-脉冲宽度，f

跳频信号：跳频指在通信频率上不固定于某一数值，而按照一定规律和速率来回进行跳变。电台多使用跳频信号进行通信，通信频率变幻莫测，其传输为瞬时信道，不易遭遇对方窃取，由此具有很强的保密性，其强大的抗干扰能力使跳频信号成为军用电台使用较多的一种信号类型。

跳频信号的主要参数包括：跳周期、跳时刻、跳频频率等。其中，每跳信号的持续时间Tn为跳周期，由换频时间和频率驻留时间两部分组成，将信道切换时间与跳频驻留时间合并为跳频周期，跳周期的倒数即为跳速，表示每秒频率跳变的次数。在得到跳频信号的参数后，就需要解跳和解调处理才能得到基带数据，进而获取对方传输的信息。利用电子侦察设备对跳频信号实施截获、检测、参数估计、跳频网台分选、解跳与解调等处理的过程。

跳频信号表达形式如下：

其中a(t)是信号复包络，

线性扫频信号：

对于固定频率f

r(t)＝cos(2π*f

其中余弦信号的相位时频率对时间的积分：

线性调频信号的频率是随时间变化而变化，为线性变化，从t＝t

对应得余弦信号的相位变为：

令t

对应的线性调频信号可以表示为：

噪声调频干扰信号：

在正常通信中，电子干扰等信号严重威胁系统正常通信工作，与确定信号不同的是，噪声为一个随机变量，其振幅对时间没有固定的值，只能以统计的方法来进行分析。目前已知电子管、晶体管噪声及物体热噪声的接收机内部噪声均属于白噪声，其振幅概率密度服从正态分布，在宽范围的频谱中接近于均匀分布。其表达式为：

式中，u

噪声电压可看作许多正弦波叠加，且正弦波的振幅和相位均随机，因此其幅度谱与相位谱不存在，频谱特性，智能以平均功率的频谱，即功率谱密度G(f)来表示，白噪声的功率谱为一个常数(N

G(f)＝N

(2)为了实现对混合信号的分类，需要提取混合信号中不同信号的参数特征，考虑到复杂典型通信信号在时域和频域的不连续性，可以采用WVD方法将时域信号序列转换为时频图，通过神经网络对时频图特征的识别实现对异步跳频通信信号的分类。对复杂典型通信信号进行平滑伪Wigner-Ville分布(WVD)时频分析，产生复杂典型通信信号的时频图；

Wigner分布是一种能量型时频联合分布，由于Wigner不加窗，时间与频率没有互相牵制，且分辨率很高，对信号具有较高的分辨能力。通过对信号加窗，有截断信号的Wigner分布分析信号的局部特性。

设窗函数为h(t)，对信号s(t)的截断信号为

S

则由Wigner分布的加窗运算性质得到

其中W

平滑使Wigner分布的频率分辨力降低，损坏了Wigner分布在频率方面的性质(但在时间方面的性质仍保留)；但是，对于多分量信号，这种平滑可以降低交叉项的影响，改善信噪比。因此本文采用伪WVD时频分析方法对多类型通信信号进行时频转换；

平滑伪Wigner-Ville分布(SPWVD)通过进行加窗和平滑处理可以抑制WVD变换的交叉干扰项。其计算公式为：

式中，u和τ的取值范围为(-∞，+∞)；t是时域中的时间变量；w是频域中的频率变量；j为虚数；s(t)是待处理信号；h(τ)是窗函数，意在使信号在频域方向变得平滑，抑制频域上的交叉项；g(u-τ)为时域平滑函数，意在使信号得到平滑滤波的效果。

(3)在复杂典型通信信号的时频图中人工选择出多幅图像使用labelimg标注软件进行标注，生成训练集和测试集；

(4)对YOLOv5的网络结构进行改造，搭建针对典型通信信号特征的YOLOv5识别网络，包括YOLOv5的backbone、neck和head网络。

不同depth_multiple和width_multiple下网络的layers、parameters、GFLOPs如表1所示，当网络的GFLOPs和parameters在减小失去部分精度的同时可以使得推理速度加快。根据实际情况设置YOLOv5网络的depth_multiple和width_multiple的最小值，搭建针对典型通信信号特征的YOLOv5特征提取网络。这样做是为了在保证识别正确率的前提下降低模型参数量以及提高识别的速度，满足实时性的要求，降低了对使用硬件环境的要求。

表1

YOLOv5的head网络可以对图中的大、中、小三类目标进行识别。针对典型通信信号尺寸偏小的情况，将YOLOv5的head网络中的大目标检测头去掉，搭建了YOLOv5的head网络，其中包括中、小目标检测头；

(5)将干扰信号的训练集进行锚框和图像的自适应计算、Mosaic数据增强，将图像的尺寸全部处理为统一的大小便于训练，根据时频图的特性减小输入图像的尺寸，将输入图片的大小调整为(3，320，320)，加快运算和推理速度；

(6)将经过处理的数据集送入改造后的YOLOv5网络对图像进行特征提取，YOLOv5网络结构如图2所示，在特征提取网络中，Input(3x320x320)层连接Conv(16x160x160)x1层，Conv(16x160x160)x1层连接Conv(32x80x80)x2，Conv(32x80x80)x2层连接C3(32x80x80)x1，C3(32x80x80)x1层连接Conv(64x40x40)x3，Conv(64x40x40)x3层连接C3(64x40x40)x2，C3(64x40x40)x2层连接Conv(120x20x20)x4，Conv(120x20x20)x4层连接C3(120x20x20)x3，C3(120x20x20)x3层连接Conv(232x10x10)x5，Conv(232x10x10)x5层连接C3(232x10x10)x4，C3(232x10x10)x4层连接SPPF(232x10x10)x1。SPPF(232x10x10)x1层连接Conv(120x10x10)x6，对Conv(120x10x10)x6进行Upsample后和C3(120x20x20)x3进行Concat，连接C3(120x20x20)x5，C3(120x20x20)x5层连接Conv(64x20x20)x7，对Conv(64x20x20)x7进行Upsample后和C3(64x40x40)x2进行Concat，连接C3(64x40x40)x6，C3(64x40x40)x6层连接Conv(64x20x20)x8，对Conv(64x20x20)x8和Conv(64x20x20)x7进行Concat得到(128x20x20)，连接C3(120x20x20)x7，C3(120x20x20)x7层连接Conv(120x10x10)x9，对Conv(120x10x10)x9和Conv(120x10x10)x6进行Concat得到(240x10x10)，连接C3(232x10x10)x8。C3(64x40x40)x6层连接YOLOv5大目标检测头，C3(232x10x10)x8层连接YOLOv5小目标检测头；

(7)最终将small和large两类特征图送入Detect检测网络进行检测。损失函数使用SIoU_loss替代YOLOv5网络结构中的GIoU_loss，使得网络收敛更加快速，通过非极大值抑制(NMS)处理，使用检测网络的Anchors达到最优，经过训练的YOLOv5深度神经网络能够对具有训练集数据特征的图像进行目标检测及识别能力，针对目标检测与识别能力的结果进行效果评估，一般利用准确率对YOLOv5网络训练后的识别能力进行检测，利用误差率对多类典型通信信号进行快速识别分类，最后YOLOv5网络的目标检测性能是由误检率与漏检率等进行评估测评，输出并显示出图中包含的复杂典型通信信号的类别。

(1)准确率：准确率能够反映分类器对正义样本判断正确的能力，为将正样本判定为负样本的正确分类能力。当准确率值越大时，性能越好。

(2)召回率：召回率反映分类器预测正样本能力，正样本被预测为正样本占总后的正样本比例。其召回率越大，性能越好。

输出并显示出图中包含的复杂典型通信信号的类别。

本发明具有以下优点：

(1)本发明对复杂典型通信信号拥有非常优秀的识别分类效果；

(2)本发明将复杂典型通信信号使用SPWVD时频分析转换为时频图，针对信号类别快速变换和数据量庞大的问题改进了YOLOv5的网络结构，只保留中、小目标检测头，并结合SIoU loss损失函数、非极大值抑制进行检测，使得网络在准确识别多种通信信号类别的同时减少了网络参数量并提高了识别速度，降低了对使用硬件环境的要求，克服了传统识别方法中存在的需要手动提取特征和识别率低的缺点。

附图说明

图1a为定频信号的时域图像；

图1b为定频信号的频域图像；

图2a为跳频信号的时域图像；

图2b为跳频信号的频域图像；

图3a为线性扫频信号的时域图像；

图3b为线性扫频信号的频域图像；

图4为一种基于YOLOv5的复杂典型通信信号快速识别分类方法YOLOv5网络结构图；

图5为一种基于YOLOv5的复杂典型通信信号快速识别分类方法基于YOLOv5的复杂典型通信信号快速识别流程的示意图；

图6a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法定频信号的a段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图6b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法定频信号的b段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图6c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法定频信号的c段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图6d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法定频信号的d段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图7a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法跳频信号的a段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图7b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法跳频信号的b段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图7c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法跳频信号的c段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图7d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法跳频信号的d段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图8a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法线性调频信号的a段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图8b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法线性调频信号的b段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图8c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法线性调频信号的c段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图8d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法线性调频信号的d段进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图9a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号a段叠加进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图9b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号b段叠加进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图9c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号c段叠加进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图9d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号d段叠加进行平滑伪Wigner-Ville分布(WVD)时频分析产生的时频域分布图；

图10a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的a段在高斯噪声下时频域分布图的识别效果图；

图10b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的b段在高斯噪声下时频域分布图的识别效果图；

图10c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的c段在高斯噪声下时频域分布图的识别效果图；

图10d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的d段在高斯噪声下时频域分布图的识别效果图；

图11a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的a段无高斯噪声下时频域分布图的识别效果图；

图11b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的b段无高斯噪声下时时频域分布图的识别效果图；

图11c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的c段无高斯噪声下时时频域分布图的识别效果图；

图11d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法复杂典型通信信号快速识别的d段无高斯噪声下时时频域分布图的识别效果图；

图12为一种基于YOLOv5的复杂典型通信信号快速识别分类方法最终识别分类精度图；

图13为一种基于YOLOv5的复杂典型通信信号快速识别分类方法该异步跳频通信混合信号快速识别方法的训练过程迭代精度图；

图14a为一种基于YOLOv5的复杂典型通信信号快速识别分类方法该异步跳频通信混合信号快速识别方法训练过程识别率图a；

图14b为一种基于YOLOv5的复杂典型通信信号快速识别分类方法该异步跳频通信混合信号快速识别方法训练过程识别率图b；

图14c为一种基于YOLOv5的复杂典型通信信号快速识别分类方法该异步跳频通信混合信号快速识别方法训练过程识别率图c；

图14d为一种基于YOLOv5的复杂典型通信信号快速识别分类方法该异步跳频通信混合信号快速识别方法训练过程识别率图d；

图15为一种基于YOLOv5的复杂典型通信信号快速识别分类方法异步跳频通信混合信号快速识别方法的实验方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

如图5、15所示，一种基于YOLOv5的复杂典型通信信号快速识别分类方法，包括以下步骤：

S1、将复杂典型通信信号和噪声调频干扰信号进行叠加得到复杂典型通信混合信号，复杂典型通信信号包括单载频信号、跳频信号和线性扫频信号：

单载频信号为：

Arect(τ)exp(j2πf

其中A为幅度，rect()为矩形函数，j为虚数，τ为脉冲宽度，f

跳频信号为通信频率按照规律和速率来回进行跳变的通信信号，线性扫频信号为频率随时间进行线性变化的通信信号，噪声调频干扰信号为高斯白噪声信号；

S2、对复杂典型通信混合信号使用平滑伪WVD方法进行时频分析并转换为时频图；

S3、选出至少两幅时频图使用labelimg软件进行标注，得到训练集、验证集和测试集，训练集、验证集和测试集的总数为5000张时频图；

S4、如图4所示，搭建针对复杂典型通信信号的YOLOv5神经网络，YOLOv5神经网络包括输入层、backbone层、neck层和head层，head层由大目标检测头和小目标检测头组成；

S5、将训练集和测试集进行锚框、图像的自适应计算、Mosaic数据增强后使训练集中图像的尺寸和测试集中图像的尺寸全部相同；将训练集和测试集的时频图大小调整为3*320*320，其中3为通道数，320*320为图像长宽；

S6、将训练集送入YOLOv5神经网络对时频图进行特征提取得到大目标特征图、小目标检测图和置信度；

S7、将大目标特征图和小目标检测图送入Detect检测网络进行检测，Detect检测网络使用SIoU_loss损失函数并进行非极大值抑制处理后输出、显示复杂典型通信信号的类别；

SIoU_loss损失函数为：

其中，IoU为交并比，Δ为距离损失，Ω为形状损失；

S8、将测试集送入YOLOv5神经网络，判断SIoU_loss损失函数是否收敛，如果是，YOLOv5神经网络训练完成，进入步骤S9；如果否，更新YOLOv5神经网络的参数，返回步骤S4；

判断SIoU_loss损失函数是否收敛的方法为：对YOLOv5神经网络目标检测性能的准确率P

其中，TP为真正例的预测结果，TN为真反例的预测结果，FN为假反例的预测结果，FP为假正例的预测结果，P为正例的预测结果，N为反例的预测结果；

S9、将待分类复杂典型通信混合信号使用WVD方法进行时频分析并转换为时频图再进行锚框、图像的自适应计算、Mosaic数据增强后输入YOLOv5神经网络，YOLOv5神经网络进行分类后输出并显示待分类复杂典型通信混合信号中所包含的复杂典型通信信号的类别；

待分类复杂典型通信混合信号输入YOLOv5神经网络时时频图大小为3*320*320；

步骤S4、S6、S9中，YOLOv5神经网络的输入层接收图像尺寸为3*320*320；

Backbone层的depth_multiple为0.25，width_multiple为0.20，Backbone层包括5个Conv、4个C3和1个SPPF结构，Backbone层输出图像的尺寸为232*10*10；

Neck层包括CSP2结构、FPN+PAN结构，FPN层自顶向下传达语义特征，PAN结构包括特征金字塔，特征金字塔自底向上传达定位特征；

Head层对于Neck层输出的不同大小特征图同时使用大目标检测头和小目标检测头进行检测并输出置信度、大目标特征图和小目标检测图，大目标特征图和小目标检测图中包括预测的类别和预测框的坐标值，大目标特征图的尺寸为64*40*40，小目标特征图的尺寸为232*10*10；

在特征提取网络中，Input层依次连接Conv*1层、Conv*2层、C3*1层、Conv*3层、C3*2层、Conv*4层、C3*3层、Conv*5层连接C3*4层和SPPF*1层；

SPPF*1层连接Conv*6层并进行向上采样后和C3*3进行Concat，然后依次连接C3*5层和Conv*7层并对Conv*7层进行向上采样后与C3*2层进行Concat，再依次连接C3*6层、Conv*8层，对Conv*8层和Conv*7层进行Concat后依次连接C3*7层、Conv*9层，对Conv*9层和Conv*6层进行Concat后得到(240x10x10)并与C3*8层连接，C3*6层连接YOLOv5大目标检测头，C3*8层连接YOLOv5小目标检测头；

基于YOLOv5的复杂典型通信信号快速识别分类完成。

实施例2

一种基于YOLOv5的复杂典型通信信号快速识别分类方法，包括以下步骤：

(1)图5为本实施例的流程图，展示了基于YOLOv5的复杂典型通信信号快速识别分类流程；

(2)将复杂典型通信信号(跳频信号、定频信号、线性扫频干扰和噪声调频干扰)信号叠加在一起得到复杂典型通信信号。其中各个信号的采样周期为10～5s，采样频率为1GHz，采样点数为2000；

(2)复杂典型通信信号随机产生后，对复杂典型通信信号进行平滑伪Wigner-Ville分布(WVD)时频分析，产生复杂典型通信信号的时频图，复杂典型通信信号的训练集规模为10000张；

(3)在每类通信干扰信号的时频图中人工选择出5000幅图像使用labelimg标注软件进行标注，生成训练集、验证集和测试集规模各为3500、1000、500张；

(4)将YOLOv5网络的depth_multiple设置为0.25，width_multiple设置为0.20，这样做是为了在保证识别正确率的前提下降低模型参数量以及提高识别的速度，降低了对使用硬件环境的要求，其推理速度可以达到每秒330幅左右；

(5)将复杂典型通信信号的训练集进行锚框和图像的自适应计算、Mosaic数据增强，将图像的尺寸全部处理为3*320*320，加快运算和推理速度；

(6)将经过处理的数据集送入改造后的YOLOv5网络对图像进行特征提取，将提取的特征送入YOLOv5中、小目标检测头；

(7)最终将small和large两类特征图送入Detect检测网络进行检测。损失函数使用SIoU_loss，通过非极大值抑制(NMS)处理，使用检测网络的Anchors达到最优，输出并显示出复杂典型通信信号的类别，识别出的各信号类别信息可以用于复杂典型通信信号识别系统上。

具体过程如下：将定频信号、线性调频信号及跳频信号加入高斯白噪声后，信号进行时频转换，产生时频图分别为图6a～6d、图7a～7d及图8a～8d，图6a～6d为对三种信号及白噪声进行混合的时频图，图7a～7d、图8a～8d分别为通过YOLOv5网络进行训练测试的识别检测效果图，识别正确率在80％附近，图9a～9d为三种信号通过YOLOv5网络后的最终识别分类精度图；在YOLOv5网络训练过程中，在经过了300次迭代后，4个精度参数与6个损失函数的识别精度均达到了较高水平，如图10a～10d所示，图11a～11d为无高斯噪声下时时频域分布图的识别效果图；图12为一种基于YOLOv5的复杂典型通信信号快速识别分类方法最终识别分类精度图；图13为box/obj/cls的loss曲线图、precision和recall的曲线图、mAP_0.5和mAP_0.5：0.95的曲线图；图14a～14d为三种信号在网络迭代训练后的P-R图、P-C图、R-C图、F1-C图；其中，其中查准率P(precision)、查全率R(recall)、F1分别定义为：

公式中的TP、FN、FP、FN为样例根据其真实类别与学习器预测类别的组合而划定的，分类结果的混淆矩阵为：

3种信号识别流程如图15所示，在产生三种信号后，将定频信号、线性调频信号与跳频信号生成混合信号序列，利用时频转换算法将其转换为时频图，再通过经过改进的YOLOv5网络进行特征分类检测，生成训练好的网络权重，再将测试集数据输入已训练好的网络权重中进行测试，输出其信号的类型结果及识别准确率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。