基于matlab使用合成雷达和无线通信信号训练的语义分割神经网络执行频谱检测
一、前言
此示例展示了如何使用使用合成雷达和无线通信信号训练的语义分割神经网络执行频谱检测。经过训练的神经网络可以识别出现在相同接收频谱中的雷达和无线通信信号。此外,网络可以识别接收信号的占用带宽。
二、介绍
由于对更高速度和更大覆盖范围的需求不断增加,现代无线通信系统正在向更高的频段和更大的信号带宽发展。这些较高的频段位于雷达系统传统上使用的范围内。因此,雷达系统和无线通信系统的频谱可能会重叠,这推动了对频谱共享的需求。这就要求未来的雷达和无线通信系统包括频谱传感,以检测占用的空间以避免冲突。此示例演示如何对频谱传感系统进行建模。我们首先合成一个由雷达和无线通信信号组成的数据集。这些数据用于训练和测试深度学习网络。然后使用经过训练的网络来识别信号和这些信号的相应占用带宽。
三、设置场景
考虑位于场景原点的机场监视雷达。该雷达的工作频率为2.8 GHz,并使用增益为32.8 dB的反射器天线。发射功率设置为 25 kW。
由于机场雷达附近存在5G和LTE信号,因此我们使用5G工具箱和LTE工具箱为这些无线标准定义了一组信号。
对于无线信号,发射器的增益和功率可能会因帧而异。假设接收器随机放置在2 km x 2km区域,并配备各向同性天线。
该地区还包含许多散射体,这使得传播通道更具操作性。在此示例中,我们假设通道包含 30 个散射体,随机分布在该区域中。您可以使用分阶段。散射MIMOChannel模拟散射体。
四、生成训练数据
要生成训练数据,请为仅噪声数据、LTE 数据、5G NR 数据和雷达数据定义数据文件夹和类名称。因为我们正在寻找波形类型和占用的带宽,所以下面的辅助函数会生成频谱图。
4.1 加载训练数据
使用图像数据存储功能加载带有雷达和无线通信信号频谱图的训练图像。该函数使您能够有效地从磁盘加载大量图像。频谱图图像存储在.png文件中。imageDatastore
若要标记每个信号的占用带宽,请使用 pixelLabelDatastore(计算机视觉工具箱)函数加载频谱图像素标记图像数据。频谱图图像中的每个像素都被标记为“雷达”、“NR”、“LTE”或“噪声”类别之一。像素标签数据存储将像素标签数据和标签 ID 封装到类名映射中。像素标签存储在 .hdf 文件中。
4.2 分析数据集统计信息
若要查看训练数据集中类标签的分布,请使用 countEachLabel(计算机视觉工具箱)函数按类标签计算像素数,并按类绘制像素计数。
4.3 准备训练、验证和测试集
深度神经网络使用数据集中 80% 的单信号图像进行训练,并使用 20% 的图像进行验证。
五、训练深度神经网络
使用 deeplabv3plusLayers(计算机视觉工具箱)函数创建语义分割神经网络。选择 resnet50(深度学习工具箱)作为基础网络,并指定输入图像大小(用于表示时间和频率轴的像素数)和类数。如果未安装 ResNet-50 网络的深度学习工具箱™模型支持包,则该函数将提供指向加载项资源管理器中所需支持包的链接。若要安装支持包,请单击链接,然后单击“安装”。通过在命令行中键入来检查安装是否成功。如果安装了所需的支持包,则该函数将返回 DAGNetwork(深度学习工具箱)对象。resnet50
5.1 使用类权重平衡类
要在训练集中的类不平衡时改进训练,可以使用类权重来平衡类。使用之前通过函数计算的像素标签计数,并计算中位数频率类权重。
使用像素分类层(计算机视觉工具箱)指定类权重。
5.2 选择培训选项
使用训练选项(深度学习工具箱)函数配置训练,以指定带动量的随机梯度下降 (SGDM) 优化算法和用于 SGDM 的超参数。要从网络获得最佳性能,可以使用试验管理器(深度学习工具箱)来优化训练选项。
使用组合的训练数据存储 .组合训练数据存储包含单个信号帧和真实像素标签。下图显示了训练进度的一个示例。
如果要训练网络,请设置为 。否则,该示例将加载预先训练的网络。
六、使用合成信号进行测试
使用包含 5G NR、LTE 和雷达信号的信号测试网络信号识别性能。使用 semanticseg(计算机视觉工具箱)函数获取测试数据集中频谱图图像的像素估计值。使用评估语义分割(计算机视觉工具箱)函数计算各种指标,以评估语义分割结果的质量。
绘制所有测试帧的归一化混淆矩阵。
绘制每个图像交集在并集 (IoU) 上的直方图。对于每个类,IoU 是正确分类像素与该类中真实和预测像素总数的比率。
七、识别频谱图中的雷达、5G NR 和 LTE 信号
可视化索引为 142 的图像的接收光谱、真实标签和预测标签。我们可以看到,网络正确地从无线通信信号中挑选出雷达信号。
八、结论
经过训练的网络可以区分雷达和无线通信信号。网络可能无法正确识别每个捕获的信号。在这种情况下,通过生成更具代表性的合成信号或捕获无线信号并将其包含在训练集中来增强训练数据。
九、程序
使用Matlab R2022b版本,点击打开。(版本过低,运行该程序可能会报错)
打开下面的“XXX.mlx”文件,点击运行,就可以看到上述效果。
程序下载:https://download.csdn.net/download/weixin_45770896/87666469
基于matlab使用合成雷达和无线通信信号训练的语义分割神经网络执行频谱检测相关推荐
- 基于Matlab的合成孔径雷达模拟陆地场景(附源码)
目录 一.生成模拟地形 二.指定搜救系统和场景 三.定义地表反射率 四.配置雷达收发器 4.1 生成数据多维数据集 4.2 可视化 SAR 数据 五.总结 六.程序 合成孔径雷达(SAR)系统使用平台 ...
- 基于matlab的漏电保护器仿真,基于MATLAB仿真的高压断路器振动信号故障诊断
内容介绍 原文档由会员 第二波打卡 发布 基于MATLAB仿真的高压断路器振动信号故障诊断 16300字 44页 原创作品,已通过查重系统 摘 要 断路器在分合闸操作中所产生的振动信号是一系列无规则的 ...
- *基于类平衡自我训练的无监督域自适应用于语义分割
基于类平衡自我训练的无监督域自适应用于语义分割 摘要:最近的深度网络实现了最先进的性能在各种语义分割任务中.尽管有这样的进步,但是这些模型在现实世界中面临挑战,它们存在很大的差别在已标签训练/源文件和 ...
- CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别
CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别 目录 基于tensorflow框架采用CNN(改进的AlexNet, ...
- 空间中的语义直线检测_基于语义分割的车道线检测算法研究
龙源期刊网 http://www.qikan.com.cn 基于语义分割的车道线检测算法研究 作者:张道芳 张儒良 来源:<科技创新与应用> 2019 年第 06 期 摘 ; 要:随着半自 ...
- 基于Matlab仿真无源雷达传感器和雷达干扰(附源码)
目录 一.创建方案 二.存在干扰辐射时的雷达探测 2.1 创建射频发射器 2.2 创建单基地雷达 2.3 模拟单站检测 三.射频辐射的无源检测 3.1 创建 ESM 传感器 3.2 模拟 ESM 检测 ...
- 基于matlab国内外水果自动分级方面,水果自动识别的BP神经网络方法
摘 要:针对多种水果混合的图像,对各种水果的提取和识别进行研究.利用Matlab软件进行图像数据获取.对比度增强.去噪.二值化处理:为弥补二值化后图像中出现的断边.孔洞,借助Sobel算子进行边缘提 ...
- 在MATLAB环境下使用深度学习网络DeepLabV3+进行语义分割(云图分割)
摘要:本文主要讲述在MATLAB2020a环境下利用深度神经网络DeepLabV3+进行语义分割,分割感图像中的云层.讲述了:1.训练数据的获取.训练集制作:2.DeepLabV3+模型的构建:3.D ...
- 基于MATLAB的小波收缩法信号去噪
信号在采集.传输和获取的过程中难免会受到各种噪声的干扰,这些噪声也极大地影响着人们从信号中获取有用的信息,因此对信号去噪的研究显得十分重要.小波去噪是近年来信号与信息处理领域的热门技术,利用小波算法对 ...
最新文章
- MIL for PRE
- 演练:在 Windows 窗体中承载 Windows Presentation Foundation 复合控件 【转载】
- MYSQL的replace into
- android uil,Android-UIL-utils
- rsync内网服务器 推送和拉取公网代码配置
- Windows Server 2012 R2 服务器密码忘记问题
- Failed to compile../public/UEditor/dialogs/template/template.html 1:0Module parse failed: Unexpec
- echarts实现组织结构图
- 跟了老板10年被劝退,“忠诚”就换来这个?
- c#模拟微信运动排行榜
- Things3 3.13.13 一款优秀的GTD任务管理工具
- ImportError: No module named qbo_talk.srv
- ROS2 Foxy 安装
- 下雪html特效代码,JavaScript 实现下雪特效的示例代码
- Mentor-dft 学习笔记 day7-drc规则环路可测试性方法
- 浏览器原理与渲染流程
- Publisher/Subscriber 订阅-发布模式原理解析
- nutanix方案建议书
- AC-DC开关电源种类
- Spring Validation实现原理
热门文章
- 【概率论与数理统计】猴博士 笔记 p11-14 一维、二维离散型求分布函数和期望、方差
- 【SSM框架 一】Mybatis
- strtoupper() 把字符串转换为大写字母
- 2021-01-27 大数据课程笔记 day7
- 机器学习各种算法以及开发具体流程+API具体实例+案例的实现
- 区块链入门教程(4)--搭建单机四节点FISCO BCOS联盟链
- 亿图图示----组织架构图----市场组织架构和公司架构图及家庭架构图
- 模仿微信更改头像,图片局部放大
- 趣图:这是哪个沙雕写的代码?
- GSK消费保健品推出首款碳中和牙刷;雀巢“可持续发展列车”驶入瑞士驻华大使馆 | 知消...