基于深度学习的干扰识别

本文是记录我上半年仿真和复现干扰识别的过程，展示的主要是一些需要注意的点以及仿真的相关结果。

干扰信号的产生

见之前的博客。

干扰信号的预处理

干扰信号的预处理主要包括功率归一化、短时傅里叶变换（STFT）和RGB图灰度图化。处理过程如下图所示。

为什么需要进行功率归一化呢？我个人的理解是，干扰信号功率的不同会使得干扰信号的特征数值波动较大，导致神经网络训练速度较慢，并且还会影响干扰信号的识别准确率。功率归一化的公式如下：

然后，为了更方便神经网络处理，我需要将一维的时域信号转换为图像进行，因此需要用到短时傅里叶变换。公式如下：

其中，和分别代表时间和频率的离散参数，代表STFT的FFT点数，代表STFT的窗函数，代表STFT过程中接收信号的时域分段数。

通过STFT变换可以得到信号的RGB图，然后通过灰度化将RGB图转换为灰度图。在MATLAB工具箱中，可以直接调用rgb2gray函数。

完成上面这些功能后，就可以写一个循环，开始输出训练集和测试集。

神经网络的搭建

神经网络的搭建时只需要注意一点，就是我们的输入是单通道的图像，因此需要对常见的三通道神经网络进行修改。

个人仿真效果展示

时频图（以噪声调频干扰为例）

灰度图（以正弦调频干扰为例）

训练过程如图所示。

最终的识别结果如图所示（Resnet50），如图所示，共有八条曲线，分别代表八种干扰信号的识别准确率，横轴是干噪比（JNR），纵轴是识别准确率。

灰度化用到的MATLAB代码

garyImage=rgb2gray(rgbImage);