基于Yolov5的跳頻信號調制方式檢測識別

周 凱

（西南交通大學信息科學與技術學院，四川 成都 611756）

0 引言

在軍事電子對抗戰中，擾亂敵方信息交流與偵察，保證我方信息安全穩定傳輸至關重要，同時截獲并破解敵方實時戰略信息也是重要的手段。跳頻通信技術因其優越的抗干擾、抗截獲、抗衰落和較強的多址組網能力，在軍事通信領域中得到廣泛的應用[1]。

近年來，將深度學習應用到無線通信信號檢測識別領域成為研究的熱點。基于深度學習的通信信號識別方法主要有兩種：一種是直接基于接收的信號數據[2]，利用深度學習網絡自動從數據中提取特征并實現通信信號的識別；另一種是基于特征參數的方法，通過提取接收信號的時頻圖、星座圖、頻譜瀑布圖[3]等淺層特征參數，然后再利用深度學習相關算法作為分類器，實現對通信信號調制方式的識別。

2020年6月，Glenn Jocher提出Yolov5網絡開源架構，使得Yolo系列目標在計算機視覺應用上更進一步。

1 基于Yolov5的跳頻信號調制方式檢 測識別設計

1.1 Gabor特征

為降低跳頻信號時頻變換后的邊際殘差效應，本文采用Gabor特征變換[4]對信號進行處理。Gabor特征主要依靠Gabor核在頻率域上對信號進行加窗，從而能描述信號的局部頻率信息。二維高斯核與二維復數波相乘得到二維Gabor核。

式中， 為二維高斯核中心點；為二維高斯核順時針旋轉方向； 是二維高斯核兩個方向上的尺度； 為頻域坐標；為二維高斯核的幅度比例。

1.2 Yolov5網絡

1.2.1 網絡輸入端

Yolov5網絡輸入端：Mosaic數據增強，將4張圖片采用隨機縮放、隨機裁剪、隨機排布的方式進行拼接；自適應錨框計算，在初始錨框的基礎上輸出預測框（Detection Truth, DT）和真實框（Ground Truth, GT）進行比對，計算兩者差距，再反向更新，迭代網絡參數；自適應圖片縮放，將原始圖片統一縮放到同一標準尺寸，再輸入檢測網絡中。

1.2.2 網絡Backbone層

Yolov 5網絡B a ck b o n e層采用CBS、CSP（Cross Stage Partial）、SPPF（Space Pyramid Pooling Feature）結構。CBS結構主要由二維卷積（Conv）、Batch-Norm(BN)、類激活函數（SiLU）構成。CSP結構主要從網絡結構設計的角度解決推理中網絡優化的梯度信息重復導致計算量過高的問題。SSPF結構將經過CBS、一次池化、二次池化和三次池化的結果先進行拼接，然后再次通過CBS提取特征。

1.2.3 網絡Neck層

Yolov5網絡Neck層采用FPN（Feature Pyramid Networks）、PAN（Path Aggregation Network）結構。FPN結構是自頂向下的，將高層的特征信息通過上采樣的方式進行傳遞融合，得到進行預測的特征圖。PAN結構中的兩個特征圖的融合采用拼接操作，特征圖融合后的尺寸將發生變化。

1.2.4 網絡Prediction層

Yolov5網絡采用CIoU作為Bounding Box的損失函數。

CIoU：如式（2）所示，是權重函數；表示寬高比的相似性。

2 Yolov5網絡改進

2.1 改進損失函數

為解決CIoU存在的問題，EIoU提出對w和h的預測結果進行懲罰的損失函數[5]：

式中， 表示DT框與GT框的重疊損失；表示DT框與GT框的中心距離損失；表示DT與GT框的寬和高損失；和分別是DT框和GT框最小外接矩形的寬和高，同時利用Focal對EIoU進行加權處理：

2.2 增加Neck層操作

在原有Neck層基礎上增加拼接操作，如圖1所示，即增加原有網絡卷積核數目，加強網絡特征融合的能力。

圖1 YOLOv5增加Neck層（操作）示意圖

3 實驗設計

3.1 實驗環境

采用實驗環境：CPU型號為Core(TM)i7-2700，內存為16 GB，顯卡類型為RTX 3060 Ti，顯存為8 GB，算力為8.6，TensorFlow運行環境。

3.2 數據集生成

利用Gabor特征變生成的時頻圖建立所需數據集，其中包含AM、FM、BPSK、QPSK、16QAM調制方式跳頻信號，每種信號樣本數量為1 000個，其中抽取95%作為訓練集，2.5%作為驗證集，2.5%作為測試集。

3.3 訓練步驟

實驗中使用開源框架pytorch1.10.0，訓練采用余弦退火算法。在進行訓練前，將初始學習率設置為0.01，多輪訓練后學習率減少至0.0001，從而得到模型的最優解。訓練的步驟是：將訓練批次大小設置為4，進行500次訓練。

3.4 實驗結果

如圖2、圖3所示，圖2為信噪比為-10 dB的調制信號時頻圖，圖3為利用Yolov5網絡進行檢測后標注的跳頻信號調制方式檢測識別圖。

圖2 調制信號時頻圖(SNR=-10dB)

圖3 跳頻信號調制方式檢測識別圖

（1）改進損失函數。實驗中改進采用EIoU函數，網絡結構仍采用Yolov5l網絡，從表1可以看出，采用EIoU函數計算損失值，識別概率均有提升，各信號檢測識別率均在93%以上，繼而可采用EIoU函數進一步測試。

表1 不同網絡結構跳頻信號調制方式檢測識別概率

（2）增加Neck層。從表1可以看出，增加拼接操作，各信號識別概率有較大提升，AM信號、BPSK信號識別概率在98%以上，QPSK信號、16QAM信號識別概率已經達到99%，各信號均在97.5%以上，說明網絡性能極佳。

（3）綜合分析。根據圖4可知，Yolov5網絡目標檢測損失收斂情況，收斂性能最佳的為增加Neck層操作的Yolov5l網絡，明顯優于其他網絡。

圖4 Yolo v5網絡目標檢測損失值（Loss）收斂情況

4 結束語

本文基于跳頻圖案的檢測對跳頻信號調制方式信息獲取進行了研究。首先，通過Gabor特征變換對信號進行時頻處理；然后，利用Yolov5網絡對跳頻圖案進行檢測識別；最后，改進損失函數、增加Neck層操作優化網絡。實驗仿真表明，Yolov5網絡對于跳頻圖案檢測具有良好的性能。實驗表明，提出的增加Neck層操作方案，檢測性能提升最大，并且表現穩定。