基于深度学习的单通道混叠电磁信号分离方法及装置

技术领域

本发明属于信号处理技术领域，具体涉及一种基于深度学习的单通道混叠电磁信号分离方法及装置。

背景技术

随着现代社会的快速发展和电子技术的广泛应用，电磁环境变得越来越复杂。在复杂的电磁环境中，各种电子设备和无线通信系统不断增多，电磁辐射也日益增强，这给通信设备的工作和通信质量带来了很大的挑战。此外，还存在各种干扰源和信号源，例如电力设备、雷电、电视、雷达等，这些干扰源和信号源都会影响到通信设备的正常工作和信号质量。

为了解决这个问题，需要找到一种能够从混合信号中分离出单个信号的方法。盲源分离可以有效地解决无线通信领域中盲分离问题，例如从复杂的无线信道中分离出不同用户的信号，以实现多用户通信。盲源分离还可以用于军事通信和情报收集，例如从复杂的电子情报信号中分离出不同的信号源和信息，以获取重要的情报和数据。目前，主要的盲分离算法包括ICA(Independent Component Analysis，独立成分分析)算法、NMF(Nonnegative Matrix Factorization，非负矩阵分解)算法、SCA(Sparse ComponentAnalysis，稀疏分量分析)算法等，这些算法在解决通信信号混合问题上具有较好的效果。其中，ICA算法能够利用混合信号之间的独立性特点将混合信号分离成独立的信号分量；NMF算法能够利用矩阵分解的方法将混合信号分解成多个非负的信号成分；SCA算法通过对信号进行矩阵分解或优化求解，得到信号的稀疏表示，并利用这些稀疏表示来实现混合信号的盲分离。

然而，上述盲分离算法通常处理的是实数信号。在数字通信系统中，大多数的信号都是复数信号，混合后也仍然是复数信号，如果直接将这些算法应用于数字通信系统中，就不能有效地获取信号中的特征信息如复数数据中实部和虚部共同表达的信息，从而导致分离效果不理想；特别是在信号受到较大干扰时，这些算法甚至会失效，无法完成相应的分离任务。

发明内容

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深度学习的单通道混叠电磁信号分离方法及装置。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明提供一种基于深度学习的单通道混叠电磁信号分离方法，包括：

获取单通道混叠电磁信号；

将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器基于所述信号编码和所述估计掩模，输出所述单通道混叠电磁信号分离后的信号。

在本发明的一个实施例中，将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器基于所述信号编码和所述估计掩模，输出所述单通道混叠电磁信号分离后的信号的步骤，包括：

将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器计算所述信号编码与所述估计掩模的哈达玛积，得到特征编码后，根据所述特征编码进行波形重建，输出所述单通道混叠电磁信号分离后的信号。

在本发明的一个实施例中，所述信号处理模型按照如下步骤训练获得：

基于不同的调制方式和载频生成多个源信号；

将同频同调制或同频不同调制的两个源信号进行混合，得到多个观测信号；

生成多个训练样本，每个训练样本包括观测信号以及混合生成该观测信号的两个源信号；

将预设数量个训练样本输入待训练神经网络模型，得到每个训练样本中观测信号对应的两个预测分离信号；所述待训练神经网络模型为预设的初始神经网络模型；

使用每个训练样本中观测信号对应的两个预测分离信号、生成该观测信号的两个源信号以及预设损失函数，计算损失值；

根据损失值判断待训练神经网络模型是否收敛；如果收敛，则待训练神经网络模型为训练完成的信号处理模型；反之，则调整待训练神经网络模型的网络参数，并返回将预设数量个训练样本输入待训练神经网络模型的步骤。

在本发明的一个实施例中，将同频同调制或同频不同调制的两个源信号进行混合，得到多个观测信号的步骤，包括：

其中，s

在本发明的一个实施例中，所述预设损失函数为平均绝对误差损失函数。

在本发明的一个实施例中，所述编码器包括第一卷积层，所述分离网络包括层归一化模块、第二卷积层、依次连接的四个卷积模块、ReLU层、第三卷积层和掩膜激活模块，所述解码器包括转置卷积模块；

其中，所述卷积模块包括依次连接的多级卷积单元，且从第一级至最后一级，相邻两个所述卷积单元之间的膨胀因子呈指数增长。

在本发明的一个实施例中，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述多级卷积单元均按照如下公式处理自身的输入数据：

其中，Re{·}、Im{·}分别表示自身输入数据的实部和虚部，w(t)表示自身权重值，Y(t)表示自身输出数据，t表示时刻。

第二方面，本发明提供一种基于深度学习的单通道混叠电磁信号分离装置，包括：

获取模块，用于获取单通道混叠电磁信号；

输入模块，用于将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器基于所述信号编码和所述估计掩模，输出所述单通道混叠电磁信号分离后的信号。

第三方面，本发明还提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。

与现有技术相比，本发明的有益效果在于：

本发明提供一种基于深度学习的单通道混叠电磁信号分离方法及装置，该方法无需获取单通道混叠电磁信号的先验知识，适合盲信号分离，并且通过深度学习提取大批量数据中的共同特征，即使在信号受到较强噪声干扰时，仍然具有较好的分离效果。

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

图1是本发明实施例提供的基于深度学习的单通道混叠电磁信号分离方法的流程图；

图2是本发明实施例提供的基于深度学习的单通道混叠电磁信号分离方法的示意图；

图3是本发明实施例提供的数据处理模型的结构示意图；

图4是本发明实施例提供的卷积单元1-D Conv的结构示意图；

图5a是本发明实施例提供的信噪比为6dB的观测信号的分离效果示意图；

图5b是本发明实施例提供的信噪比为8dB的观测信号的分离效果示意图；

图5c是本发明实施例提供的信噪比为10dB的观测信号的分离效果示意图；

图6a是本发明实施例提供的FSK+QPSK调制方式下混合信号的分离效果示意图；

图6b是本发明实施例提供的QPSK+8PSK调制方式下混合信号的分离效果示意图；

图6c是本发明实施例提供的QPSK+8PSK调制方式下混合信号的分离效果示意图；

图7a是本发明实施例提供的分离结果的相关系数曲线图；

图7b是本发明实施例提供的不同信噪比下的SER曲线图；

图8是本发明实施例提供的本发明提供基于深度学习的单通道混叠电磁信号分离装置；

图9是本发明实施例提供的电子设备的结构示意图。

具体实施方式

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。

图1是本发明实施例提供的基于深度学习的单通道混叠电磁信号分离方法的一种流程图，图2是本发明实施例提供的基于深度学习的单通道混叠电磁信号分离方法的示意图。如图1-2所示，本发明实施例提供一种基于深度学习的单通道混叠电磁信号分离方法，包括：

S1、获取单通道混叠电磁信号；

S2、将单通道混叠电磁信号输入预先训练好的信号处理模型，以使信号处理模型中的编码器对单通道混叠电磁信号进行编码，得到信号编码后，使信号处理模型中的分离网络基于信号编码得到单通道混叠电磁信号的估计掩模，进一步使解码器基于信号编码和估计掩模，输出单通道混叠电磁信号分离后的信号。

可选地，步骤S2中，将单通道混叠电磁信号输入预先训练好的信号处理模型，以使信号处理模型中的编码器对单通道混叠电磁信号进行编码，得到信号编码后，使信号处理模型中的分离网络基于信号编码得到单通道混叠电磁信号的估计掩模，进一步使解码器基于信号编码和估计掩模，输出单通道混叠电磁信号分离后的信号的步骤，包括：

将单通道混叠电磁信号输入预先训练好的信号处理模型，以使信号处理模型中的编码器对单通道混叠电磁信号进行编码，得到信号编码后，使信号处理模型中的分离网络基于信号编码得到单通道混叠电磁信号的估计掩模，进一步使解码器计算信号编码与估计掩模的哈达玛积，得到特征编码后，根据特征编码进行波形重建，输出单通道混叠电磁信号分离后的信号。

本实施例中，预先训练好的信号处理模型由编码器、分离网络和解码器三个部分组成，编码器将输入的单通道混叠电磁信号看作是由L个长度为N的段组成，每一段表示为

其中，

进一步地，经编码器处理后，将获得的信号编码输入分离网络，分离网络基于信号编码计算估计掩模。解码器的作用与编码器相反，解码器根据信号编码和估计掩模计算单通道混叠电磁信号的特征编码：

式中，

解码器可以根据特征编码中包含的抽象特征对单通道混叠电磁信号进行波形重建：

其中，

可选地，上述信号处理模型按照如下步骤训练获得：

基于不同的调制方式和载频生成多个源信号；

将同频同调制或同频不同调制的两个源信号进行混合，得到多个观测信号；

生成多个训练样本，每个训练样本包括观测信号以及混合生成该观测信号的两个源信号；

将预设数量个训练样本输入待训练神经网络模型，得到每个训练样本中观测信号对应的两个预测分离信号；待训练神经网络模型为预设的初始神经网络模型；

使用每个训练样本中观测信号对应的两个预测分离信号、生成该观测信号的两个源信号以及预设损失函数，计算损失值；

根据损失值判断待训练神经网络模型是否收敛；如果收敛，则待训练神经网络模型为训练完成的信号处理模型；反之，则调整待训练神经网络模型的网络参数，并返回将预设数量个训练样本输入待训练神经网络模型的步骤。

具体而言，在训练信号处理模型之前，首先生成用于训练和测试的数据，本实施例中，生成数据的码元个数N＝128、过采样倍数为8，调制方式可以为FSK、16QAM或MPSK，成型滤波器类型为根升余弦滤波器，滚降系数为0.6，通过该方式可生成多个源信号；由于数据处理模型是对单通道下的混合信号进行盲分离，因此生成多个源信号之后，还需要通过混合矩阵对源信号进行混合以得到观测信号。

可选地，将同频同调制或同频不同调制的两个源信号进行混合，得到多个观测信号的步骤，包括：

其中，s

应当理解，观测信号是由同频同调制或者同频不同调制的两个源信号混合而成的，且这两个源信号之间存在着时延，二者的混合方式如x(t)＝As(t)+n(t)所示，该数学表达式可展开为：

观测信号生成完成后，将观测信号x(t)以及用于生成x(t)的源信号s

图3是本发明实施例提供的数据处理模型的结构示意图。如图3所示，本实施例中，编码器包括第一卷积层，分离网络包括层归一化模块、第二卷积层、依次连接的四个卷积模块、ReLU层、第三卷积层和掩膜激活模块，解码器包括转置卷积模块；

其中，卷积模块包括依次连接的多级卷积单元，且从第一级至最后一级，相邻两个卷积单元之间的膨胀因子呈指数增长。

具体而言，编码器包括一个一维的第一卷积层，分离网络的结构如图所示，分离网络包括层归一化模块、第二卷积层、依次连接的四个1-D卷积模块、ReLU层、第三卷积层和掩膜激活模块，其中，每个1-D卷积模块包含多个卷积单元1-D Conv。为了使得网络能够更好地捕捉输入信号中的长时依赖，卷积单元1-DConv使用膨胀卷积技术，且在同一个1-D卷积模块中，相邻两个的卷积单元1-D Conv间的膨胀因子呈指数增长，膨胀卷积的深度叠加使得分离网络具有提取长时依赖的能力。在膨胀卷积运算前，输入需要进行填充以满足卷积单元的输入长度与输出长度相同。经过分离网络之后，能够得到对源信号的估计掩模。

卷积单元1-D Conv的具体结构如图4所示，每个1-D Conv单元由1×1卷积操作和DW(Depthwise Convolution，逐通道卷积)操作组成，且在每两个卷积运算之间都需要进行非线性激活和归一化。从图4中可以看到，在输出的位置有两个1×1Conv层，其中一个作为1-D卷积单元的输出，另外一个则作为跳过连接(Skip Connection)，1×1卷积层又可以叫做PW(Pointwise Convolution，逐点卷积)。

此外，请继续参见图4，卷积单元1-D Conv中有一条从输入到输出的残差连接，残差连接可以有效地解决因网络深度增加而导致的网络退化的问题。对于深层网络而言，其权重矩阵是一个维度很高的矩阵，但是其中很多维度却没有保存信息，这也导致网络的表达能力下降。申请人在研究过程中发现，这是由于网络的对称性导致的，而残差连接可有效地解决该问题。并且，由于残差连接是将网络中不同层进行连接，因此残差连接同样增强了梯度的传播。

本实施例通过多次堆叠1-D卷积模块能够增强网络提取深层特征的能力，从而提升网络的分离性能，在每个1-D卷积模块中，每个卷积单元1-D Conv具有指数增长的膨胀因子，故分离网络获得了对输入信号中多尺度特征进行提取的能力，最后将这些特征通过跳过连接对多层特征进行融合。

需要说明的是，传统的神经网络主要是对实数数据进行处理，因此为了能够使得上述神经网络可以对通信领域中的复数数据进行处理，本实施例使用复数卷积原理对卷积层进行改造，使得神经网络能够正确的映射复数数据特征。

第一卷积层、第二卷积层、第三卷积层和多级卷积单元均按照如下公式处理自身的输入复数数据：

进一步地，可以用矩阵运算对其进行表示：

其中，Re{·}、Im{·}分别表示自身输入数据的实部和虚部，w(t)表示自身权重值，Y(t)表示自身输出数据，t表示时刻。

训练过程中，本实施例采用的损失函数为MAE(Mean Absolute Error，平均绝对误差)，MAE通过计算待训练神经网络模型输出的两个预测分离信号与训练样本中生成观测信号的两个源信号的绝对值之差来对待训练神经网络的收敛情况进行度量，该损失函数对异常值更加敏感。

可选地，本实施例中使用Adam算法优化待训练神经网络的损失函数，通过反向传播算法逐层更新待训练神经网络的模型参数。此外，为了能够更快速的训练出性能更好的神经网络，本发明进一步引入学习率衰减机制和早停策略。具体而言，待训练神经网络的输入为训练集D

为了能够更好的量化信号处理模型的分离效果，本发明将使用两种评价指标对单通道混叠电磁信号的分离结果进行评估。首先是相关系数，其数学表达式如下：

相关系数可以很好地反映出分离结果y

在通信领域当中，盲分离任务的目标是能够获取到发射信号的原始序列而不是波形，因此，还需要使用SER(Symbol Error Rate，误符号率)来对分离结果的准确度进行衡量，SER表示分离后的信号与发射信号之间的错误比例，公式表示如下：

其中，N

下面，通过仿真实验对本发明提供的基于深度学习的单通道混叠电磁信号分离方法做进一步说明。

本实施例采用FSK、MPSK、16QAM等多种单通道源信号两两混合形成的观测信号，其中，FSK信号的采样频率为480kHz、频率间隔为60kHz，对于MPSK和16QAM信号，码元速率为60kHz，采样频率也为480kHz，此外需要进行成型滤波，成型滤波的滚降系数为0.6，每个数据的采样点数为8。得到源信号后，加入高斯白噪声后便得到观测信号。

仿真1：对同种调制方式的源信号混合后的分离效果进行仿真，不同信噪比下的仿真结果如图5a-5c所示，其中，图5a-5c采用的调制方式均为FSK+FSK，图5a、图5b、图5c的信噪比分别为6dB、8dB和10dB。由图5a-5c可以看出，预测的分离信号与对应的源信号的波形基本重合，说明本发明提供的信号处理模型可以有效地完成同种调制信号的分离。

仿真2：对不同调制方式的源信号混合后的分离效果进行仿真，不同调制方式下的仿真结果如图6a-6c所示，其中，图6a采用混合信号的调制方式为FSK+QPSK，图6b-6c采用的混合信号的调制方式均为QPSK+8PSK。由图6a-6c可以看出，预测的分离信号与对应的源信号的波形基本重合，说明本发明提供的信号处理模型可以有效地完成不同种调制信号的分离。

图7a是本发明实施例提供的分离结果的相关系数曲线图，图7b是本发明实施例提供的不同信噪比下的SER曲线图。为了能够有效地对分离效果进行量化，在不同信噪比下，分离的相关系数曲线如图7a所示，可以看出，信号处理模型在SNR>5dB的情况下，能够很好地完成混合信号地分离。此外，在通信领域中误符号率也是一个非常重要的指标，从图7b中可以看出，网络在SNR>5dB的情况下，具有较低的误符号率。

与现有方法相比，本发明提供的基于深度学习的单通道混叠电磁信号分离方法所需内存更小，分离速度更快。

表1

结合图7与表1可以看出，虽然本发明与LSTM-TasNet的分离性能相差不大，但是运算速度要比LSTM-TasNet快5-6倍，能够很好地适应低时延地通信场景。

此外，本发明与LSTM-TasNet在不同信噪比下的SER曲线如图8所示，可以看到，FastICA分离出的信号SER非常高，并不能对信号进行有效地分离，而CSSN和LSTM-TasNet可以很好地完成任务。

综合上述仿真结果和分析，本发明在没有信道先验信息，且SNR>5dB的情况下有较高的分离性能，能够很好地完成信号盲分离任务，因此适用于低时延需求的通信环境。

图8是本发明实施例提供的基于深度学习的单通道混叠电磁信号分离装置。如图8所示，本发明实施例还提供一种基于深度学习的单通道混叠电磁信号分离装置，包括：

获取模块810，用于获取单通道混叠电磁信号；

输入模块820，用于将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器基于所述信号编码和所述估计掩模，输出所述单通道混叠电磁信号分离后的信号。

本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，

存储器903，用于存放计算机程序；

处理器901，用于执行存储器903上所存放的程序时，实现如下步骤：

获取单通道混叠电磁信号；

将所述单通道混叠电磁信号输入预先训练好的信号处理模型，以使所述信号处理模型中的编码器对所述单通道混叠电磁信号进行编码，得到信号编码后，使所述信号处理模型中的分离网络基于所述信号编码得到所述单通道混叠电磁信号的估计掩模，进一步使解码器基于所述信号编码和所述估计掩模，输出所述单通道混叠电磁信号分离后的信号。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供的方法可以应用于电子设备。具体的，该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。

对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述基于深度学习的单通道混叠电磁信号分离方法的装置、电子设备及存储介质，则上述基于深度学习的单通道混叠电磁信号分离方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。

通过上述实施例可知，本发明的有益效果在于：

本发明提供一种基于深度学习的单通道混叠电磁信号分离方法及装置，该方法无需获取单通道混叠电磁信号的先验知识，适合盲信号分离，并且通过深度学习提取大批量数据中的共同特征，即使在信号受到较强噪声干扰时，仍然具有较好的分离效果。

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。

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。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。

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。