基于深度學(xué)習(xí)的噪聲背景通信信號端點檢測

程濤 姚萬華 姚克 栗高尚

摘要：在復(fù)雜的電磁和地理自然環(huán)境中，通信鏈路常常受到噪聲的干擾。基于此，文章提出了一種基于深度學(xué)習(xí)的方法來解決噪聲背景下的通信信號端點檢測問題，該方法使用深層卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，DCNN）提取樣本特征，用于描述信號活躍區(qū)域和背景噪聲之間的差異，并獲得樣本特征圖。同時，通過多尺度區(qū)域檢測方法確定特征圖中的通信信號的起止端點，并使用線性回歸方法精修區(qū)域參數(shù)，使端點檢測結(jié)果更接近真值。在實驗驗證方面，文章利用構(gòu)建的仿真通信信號數(shù)據(jù)集進行訓(xùn)練和測試，實驗結(jié)果表明，該方法能夠在毫秒級延遲下準(zhǔn)確地檢測出淹沒在噪聲中的通信信號，且檢測精度優(yōu)于現(xiàn)有方法。

關(guān)鍵詞：端點檢測；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)（CNN）；邊框回歸

中圖分類號：V221+.3；TB553 ??文獻標(biāo)志碼：A

0 引言

在現(xiàn)代通信中，識別通信信號是一個重要的研究方向，對信號出現(xiàn)起止時刻（也稱信號端點，Endpoint）的檢測是對信號進行識別和分析的基礎(chǔ)。然而在現(xiàn)實中，通信信號往往會受到復(fù)雜而惡劣的電磁環(huán)境的影響，使信號衰落嚴(yán)重，背景噪聲強。具體表現(xiàn)為：通信信號的信噪比低，通信時隙中充滿較強背景噪聲，嚴(yán)重影響信號檢測的效果。因此，在強背景噪聲條件下進行通信信號檢測，具有較強的研究與應(yīng)用價值［1］。

目前，典型的信號檢測方法主要分為兩類：一類是基于能量檢測的方法［2］。此類方法通過設(shè)定門限的方式感知信號，具有計算復(fù)雜度低、可根據(jù)實際情況調(diào)整閾值之優(yōu)點。但這類方法也存在較大局限，其信號和噪聲必須在能量方面表現(xiàn)出明顯差異，且在極端條件下，當(dāng)信號衰減嚴(yán)重噪聲強時，這類檢測方法的性能較低。另一類，是基于經(jīng)典信號特征的活躍區(qū)域檢測，例如小波特征［3］、頻譜特征［4］等。此類方法計算復(fù)雜度高于前者，但通用性差，只能針對特定的信號。此外，一些統(tǒng)計方法也能應(yīng)用于解決信號區(qū)域檢測問題，比如Bayes網(wǎng)絡(luò)［5］、Kruskal-Wallis檢驗［6］等，但這些統(tǒng)計方法普遍存在計算復(fù)雜、耗時長、在低信噪比下表現(xiàn)較差的問題。近年來，深度學(xué)習(xí)在圖像、語音處理領(lǐng)域發(fā)展迅速，其中，圖像領(lǐng)域在目標(biāo)檢測方面取得了顯著成就，其常用算法可分為兩類：基于區(qū)域提名的R-CNN系列［7］和無需區(qū)域提名的YOLO［8］、SSD［9］系列；語音領(lǐng)域目前還處于起步階段，其常用算法有CNN［10］，T2FNN［11］等。而在通信信號檢測領(lǐng)域，深度學(xué)習(xí)尚未得到廣泛應(yīng)用。

針對以上問題，本文面向通信信號提出了一種基于深度學(xué)習(xí)的噪聲背景通信信號端點檢測方法。通過使用深層卷積神經(jīng)網(wǎng)絡(luò)對信號進行特征提取，得到信號特征圖，并在特征圖上生成多尺度檢測框，對檢測框進行有效性二分類和位置尺寸精修，最終輸出信號活躍區(qū)域。針對電磁信號采集的困難，本文通過真實地理環(huán)境仿真生成強噪聲背景通信信號數(shù)據(jù)集，實現(xiàn)網(wǎng)絡(luò)的訓(xùn)練和測試。仿真實驗證明，本文的方法能夠在毫秒級延遲下準(zhǔn)確檢測強背景噪聲下的通信信號，具有較高的實時性和適用性。

1 相關(guān)理論技術(shù)

在實際通信環(huán)境中，復(fù)雜的地理環(huán)境，障礙物的遮蔽以及信號在障礙物表面的反射和散射帶來的多徑效應(yīng)會造成通信信號衰減嚴(yán)重。此外，通信往往存在一定時間間隔，而噪聲始終存在，具體如圖1所示，在這種情況下，信號衰減較大，信噪比較低，通信間隙背景噪聲較強。針對這一問題，本文提出了一種基于深度學(xué)習(xí)的方法來實現(xiàn)噪聲背景下的通信信號端點檢測，即提取信號的起止時刻，相關(guān)的理論技術(shù)主要涉及卷積神經(jīng)網(wǎng)絡(luò)和指數(shù)概率模型。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域的代表算法之一，廣泛應(yīng)用于計算機視覺［12］、自然語言處理等領(lǐng)域。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)能夠充分利用數(shù)據(jù)矩陣的動態(tài)特性和位置信息，通過編碼學(xué)習(xí)網(wǎng)絡(luò)中神經(jīng)元的權(quán)重和偏置，使神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)學(xué)習(xí)數(shù)據(jù)的特征，并且能夠顯著地降低訓(xùn)練參數(shù)的數(shù)目。圖2展示了經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其主要包括卷積層、池化層和全連接層。

以目前應(yīng)用廣泛的圖像領(lǐng)域為例，輸入一張圖片后進行卷積和池化操作。每個卷積層都有多個卷積核，它們會對圖像數(shù)據(jù)添加權(quán)重和偏置，并進行特定特征的提取，產(chǎn)生多個卷積結(jié)果。卷積層后，為進一步減少參數(shù)數(shù)量，采用池化層，對卷積結(jié)果局部取最大值，縮小特征圖。此后再經(jīng)過多次卷積和池化操作，增加網(wǎng)絡(luò)深度，得到最終特征映射圖，通過全連接層后輸出結(jié)果。

1.2 指數(shù)概率模型

指數(shù)概率（softmax）在機器學(xué)習(xí)領(lǐng)域應(yīng)用廣泛［13］，尤其針對分類問題時，通常需要通過指數(shù)概率的方式對輸出進行處理。該模型具有理論清晰、收斂速度快和分類準(zhǔn)確度高等優(yōu)點，已經(jīng)被廣泛應(yīng)用在神經(jīng)網(wǎng)絡(luò)模型和機器學(xué)習(xí)算法中的輸出層。指數(shù)概率模型可以看作一個由特征層直接映射到輸出層的神經(jīng)網(wǎng)絡(luò)，公式定義如式（1）所示：

py=ezy∑iezi=eWTyixi+byi∑nj=1eWTjxi+bj（1）

其中，x為特征數(shù)據(jù)輸入，y是相關(guān)的真值標(biāo)簽，z為指數(shù)概率轉(zhuǎn)換值。

對于訓(xùn)練集｛（x（1），y（1）），…，（xm，ym）｝，有yi∈｛1，2，3，…，k｝，總共有k個分類，對于每個輸入x都會有對應(yīng)每個類的概率，即p（y=j|x），從向量角度看即公式（2）：

hθ（xi）=p（yi=1|xi;θ）

p（yi=2|xi;θ）

p（yi=k|xi;θ）=1∑kj=1eθTj·xieθT1·xi

eθT2·xi

eθTk·xi（2）

代價函數(shù)可看成是最大化似然函數(shù)，也即最小化負(fù)對數(shù)似然函數(shù)，如公式（3）：

J（θ）=-1m∑mi=1∑kj=11{yi=j}·log（p（yi=j|xi;θ））（3）

其中包含了示性函數(shù)1{j=y（i）}，表示如果第i個樣本的類別為j，則yij=1。

2 基于深度學(xué)習(xí)的通信信號端點檢測

為在復(fù)雜的電磁環(huán)境中從較強背景噪聲中檢測通信信號端點，本文基于深度學(xué)習(xí)提出一種新的檢測方法，其方法流程如圖3所示。首先，通過多核深層卷積神經(jīng)網(wǎng)絡(luò)對信號進行特征提取，將卷積神經(jīng)網(wǎng)絡(luò)變換后的信號視作特征，并將其作為后續(xù)端點檢測網(wǎng)絡(luò)的輸入。其次，在特征圖上生成多尺度區(qū)域檢測框，根據(jù)與標(biāo)定的活躍區(qū)域的交并比（Intersection over Union， IoU）將這些檢測框劃分為正樣本和負(fù)樣本，利用指數(shù)概率對這些檢測框進行二分類，得到粗估計的端點位置。最后，為進一步提升活躍區(qū)域檢測的精度，本文基于線性回歸調(diào)整這些粗估計檢測框的位置和尺寸，并通過這種方式檢測得到精確的信號的起止端點，即活躍區(qū)域。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的信號特征提取

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)通常用于處理二維信息，比如圖像。但是，由于信號是一維的，所以本文使用一維卷積核來代替二維卷積核。一維卷積核在最新的卷積神經(jīng)網(wǎng)絡(luò)中已被廣泛使用［14］，它能夠提取一維數(shù)據(jù)的向量特征，并實現(xiàn)多個特征映射的融合。

在卷積神經(jīng)網(wǎng)絡(luò)中，每一層卷積層由若干個不同大小的卷積核組成，其尺寸由人工設(shè)定并在訓(xùn)練前初始化參數(shù)。因為卷積核在信號的每個樣本中均是共用的，所以每個卷積核可稱為一個特征提取單元，不同層的神經(jīng)元之間依靠卷積核連接，這種與位置無關(guān)來共享參數(shù)的方式能夠有效降低學(xué)習(xí)參數(shù)的數(shù)量，且卷積運算所形成局部感知野的形式，同樣適用于提取通信信號局部變化的特征。通過一個尺寸為k的卷積核生成特征結(jié)果y的過程如公式（4）所示：

yi=f（W·xi：i+k-1+b）（4）

式中，xi：i+k-1表示數(shù)字通信信號從i時刻至i+k-1時刻的數(shù)據(jù)，b是偏置參數(shù)，f為非線性激活函數(shù)。構(gòu)建多個卷積層進行公式（4）的計算，即可得到特征映射圖（feature map）。與圖像數(shù)據(jù)相比，由于一維信號數(shù)據(jù)量較少，因而本文并未使用池化層進行降采樣。

2.2 基于指數(shù)概率的多尺寸檢測框有效性二分類

在通過卷積神經(jīng)網(wǎng)絡(luò)處理信號生成特征圖之后，本文在特征圖上的每個點以中心生成多種尺寸的檢測框，并利用指數(shù)概率進行二分類，從而得到粗估計的信號活躍區(qū)域位置。

為在分類學(xué)習(xí)中維護正負(fù)樣本的數(shù)量平衡，本文針對每一條信號數(shù)據(jù)生成的各個尺寸的檢測框取256個正樣本和256個負(fù)樣本，這樣的樣本總數(shù)為512×N，其中N為檢測框的尺寸數(shù)量。在訓(xùn)練中，本文使用指數(shù)衰減法調(diào)整學(xué)習(xí)率，初始學(xué)習(xí)率為0.01，每500步衰減0.95，可表征為公式（5）：

α=0.001×0.95［i/500］（5）

式中，α為學(xué)習(xí)率，i為訓(xùn)練步數(shù)，［·］表示向下取整。

2.3 基于線性回歸的檢測框精修

經(jīng)過檢測框有效性二分類，本文可以得到粗略估計的檢測框尺寸。但是，由于實際中檢測框尺寸是人為設(shè)定的，且尺度不會太大，因此在獲取的檢測框的位置和尺寸與實際值的位置和尺寸之間仍存在一定差距。

本文通過線性回歸［15］的方法，進一步對檢測框的尺寸和未知信息進行修正。在給定輸入的特征向量X的情況下，學(xué)習(xí)一組參數(shù)W，使得經(jīng)過線性回歸后的值跟真實值Y非常接近，即Y≈WX。本文擬采用位置平移和尺寸伸縮的方式，實現(xiàn)粗估計的有效檢測框的位置和尺寸進一步精修，使真實值和理論值進一步接近，這種平移和伸縮原理如公式（6）所示：

Gx=W·ΔX+X

Gw=W·exp（ΔW）（6）

其中，Gx，Gw為精修后的檢測框的位置和尺寸，X和W為粗估計檢測框的位置和尺寸。檢測框是經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)輸出的，其有效性得到一定保證，且與真實值相差較小。這種變換可以被看作是一種線性變換，因此本文使用簡單的線性回歸來建模對窗口進行精修，其輸入為粗檢測框的位置和尺寸信息，通過相應(yīng)的映射關(guān)系得到精修后的檢測框，映射關(guān)系可表征為公式（7）：

tx=（Gx-Px）/Pw

tw=log（Gw/Pw）（7）

式中Px，Pw為輸入檢測框的位置和尺寸，tx，tw為相應(yīng)的映射關(guān)系。

損失函數(shù)可表征為公式（8）：

Loss=∑Niti*-ω*∧Ts（Pi）2（8）

式中s（P）為輸入檢測框的特征向量，ω*為要學(xué)習(xí)的映射參數(shù)，t*為映射參數(shù)的真實值。

3 實驗數(shù)據(jù)集構(gòu)建

3.1 信號仿真生成

由于目前缺乏公開的電磁信號數(shù)據(jù)集，因此本文采用仿真生成的方法來構(gòu)建通信信號數(shù)據(jù)集，以驗證信號端點檢測方法的有效性，該方法能夠?qū)胝鎸嵉牡乩硇畔ⅲ鶕?jù)地理環(huán)境高程數(shù)據(jù)和收發(fā)端天線位置構(gòu)建真實信道模型，生成信號數(shù)據(jù)。方法流程如圖4所示。

在信道選擇方面，本文采用Longley-Rice［16］信道模型，該模型基于傳播理論，結(jié)合了真實的地理信息，考慮了多種參數(shù)，如發(fā)射頻率、天線高度、傳播路徑距離、極化方向、地表有效半徑、表面繞射率和地面導(dǎo)電常數(shù)，來確定傳輸損耗的多少。此外，該模型還考慮了視距內(nèi)的地面反射損耗、由于地球曲率造成的遠(yuǎn)距離繞射損耗和視距外的對流層散射損耗，還考慮到了傳播環(huán)境中介質(zhì)的電傳導(dǎo)率特性。根據(jù)Longley-Rice模型，輸入信號發(fā)射源的天線高度、經(jīng)緯度、氣候類型、極化方式、輻射頻率，基于信號偵測點的位置數(shù)據(jù)即可構(gòu)建真實信道模型。

基于信道模型，輸入信號參數(shù)生成信號數(shù)據(jù)。通信信號可以由式（9）表達(dá)：

y（t）=x（t）·c（t）+n（t）（9）

式中c（t）為構(gòu)建的信道衰減模型。x（t）是發(fā)射端傳輸?shù)挠行ㄐ判盘枺ǔＲ允剑?0）表示：

x（t）=（Ac+jAs）ej（2πft+θ）g（t-nT）

=（Accos（2πft+θ）-Assin（2πft+θ））g（t-nT）（10）

式中Ac和As分別為同相和正交通道基帶數(shù)字信號的幅值，f為信號中心頻率，θ為載波初始相位，g（t-nT）為數(shù)字采樣脈沖信號。對于ASK，F(xiàn)SK和PSK數(shù)字調(diào)制信號而言，As幅度為0。進制為M的數(shù)字調(diào)制信號，其基帶數(shù)字信號取值分布于［0-M］范圍內(nèi)的隨機整數(shù)。ASK，F(xiàn)SK和PSK調(diào)制方式分別作用于信號的Ac，f和θ，根據(jù)數(shù)字基帶信號取值，其Ac、f和θ將隨時間t在［0-M］，［1-M］和［0-2π/M］范圍內(nèi)變化。n（t） 為加性高斯白噪聲，是最基本的噪聲和干擾類型，實際通信系統(tǒng)中無論有無信號，噪聲都始終存在，其功率譜密度在全頻率下均為常數(shù)，噪聲信號取值服從高斯分布。

3.2 數(shù)據(jù)集設(shè)定與樣本標(biāo)注

本文訓(xùn)練樣本選取自無人機通信信號，根據(jù)工信部公布的無人駕駛航空器系統(tǒng)頻段使用要求，現(xiàn)階段使用頻率為840.5～845MHz、1 430～1 444MHz和2 408～2 440MHz，其中1 430～1 444MHz頻段用于無人駕駛航空器系統(tǒng)信息傳輸鏈路。本文基于1 430～1 444MHz頻段，調(diào)研無人機數(shù)據(jù)鏈信號常用調(diào)制方式和帶寬，引入真實地理環(huán)境和飛行數(shù)據(jù)，使用Longley-Rice信道模型仿真生成了訓(xùn)練集和測試集，具體參數(shù)如表1所示。

信號仿真生成的地理環(huán)境如圖5所示。圖5是使用谷歌衛(wèi)星地圖獲得的地形圖，其范圍約為40.244°N～40.912°N，108.540°E～109.418°E。在仿真中，使用無人機飛行數(shù)據(jù)作為接收端位置，并在真實地理環(huán)境中設(shè)定地面站發(fā)射天線位置參數(shù)和信號參數(shù)后，即可仿真生成信號。

在標(biāo)簽標(biāo)注方面，訓(xùn)練集中的每一條樣本數(shù)據(jù)都包含通信信號的開始和結(jié)束位置標(biāo)簽，同時也包含了多尺寸檢測框的標(biāo)簽。檢測框的標(biāo)簽由檢測框和真實區(qū)域的IoU決定：IoU>0.7為正樣本，IoU<0.3為負(fù)樣本，其余為不參與訓(xùn)練樣本。IoU計算公式為：

IoU=|ST∩SG||ST∪SG|（11）

式中ST和SG分別表示訓(xùn)練集中設(shè)定的檢測框區(qū)域和真實的通信信號活躍區(qū)域，∩和∪分別表示交集和并集操作，|·|表示信號區(qū)域內(nèi)包含的點數(shù)。測試集樣本則只包含通信信號的開始和結(jié)束位置標(biāo)簽，用于測試活躍區(qū)域檢測準(zhǔn)確率。

4 實驗結(jié)果與分析

4.1 參數(shù)影響的分析

通信信號端點檢測常用的準(zhǔn)確率指標(biāo)為輸出的信號活動區(qū)域和標(biāo)定的真實活動區(qū)域的IoU，與式（11）定義類似，主要影響IoU的因素為卷積層數(shù)和活躍區(qū)域通信信號的信噪比。卷積層數(shù)與網(wǎng)絡(luò)參數(shù)越多，提取的特征也就越準(zhǔn)確。但是，過多的卷積層數(shù)也會使參數(shù)量過多，網(wǎng)絡(luò)訓(xùn)練測試耗費時間長，而過少的卷積層數(shù)則會使提取到的特征不準(zhǔn)確，IoU過低；另外，通信信號的信噪比對IoU也有較大影響，信噪比越高，信號與背景噪聲越容易區(qū)分。利用訓(xùn)練集和測試集對上述主要影響因素進行調(diào)整，并在Ryzen 1600 3.2 GHz處理器和NVIDIA GTX1060 6G顯卡的計算機平臺上測試算法性能，檢測結(jié)果如圖6所示。

從圖中可以看出，IoU與通信信號信噪比呈正相關(guān)，在每個信噪比上卷積層數(shù)到8之后IoU沒有明顯提升，因此，本文選用8層卷積層。當(dāng)卷積層為8時，本文網(wǎng)絡(luò)在各個信噪比均達(dá)到了較高的IoU，在信噪比為0達(dá)到89.5%、在信噪比為20時達(dá)到93.6%，這體現(xiàn)了本文的算法具有優(yōu)秀的檢測性能。在參數(shù)和時間方面，本文網(wǎng)絡(luò)共包含1 466 278個參數(shù)，網(wǎng)絡(luò)每一步訓(xùn)練時間和測試時間分別為0.060 1 s和0.023 0 s，具有很高的實時性。

4.2 實驗方法對比

對比試驗采用未加入邊框回歸部分的CNN+Softmax算法及文獻［4-6］中的算法，結(jié)果如表所示。由實驗結(jié)果可以看出，相對于CNN+Softmax，本文算法在加入邊框回歸部分后準(zhǔn)確率得到大幅提升。另外，在信噪比較高時，雖然本文算法的準(zhǔn)確率相對于部分算法存在劣勢，但是在低信噪比下，本文算法的檢測準(zhǔn)確率取得了明顯提升，這表明本文算法在弱信號檢測方面具有很強的優(yōu)越性。

5 結(jié)語

本文基于深度學(xué)習(xí)提出了一種噪聲背景通信信號端點檢測方法，通過實驗驗證，得到如下結(jié)論：

（1）本文通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，成功提取了一維信號的特征，從而實現(xiàn)在噪聲背景下通信信號端點的檢測，與傳統(tǒng)方法相比，具有一定優(yōu)勢。

（2）本文算法利用指數(shù)概率模型，對多尺寸檢測框進行判定后進一步回歸精修，有效提升了準(zhǔn)確率。

（3）在各個信噪比下，本文方法均獲得較高的端點檢測準(zhǔn)確率。在信噪較高的情況下，本文方法檢測的準(zhǔn)確率與傳統(tǒng)方法接近，而在信噪比較低情況下，檢測準(zhǔn)確率提高了27.1%。

參考文獻

［1］楊康，王虎.基于相位估計的InSAR信號優(yōu)化處理［J］.指揮信息系統(tǒng)與技術(shù)，2020（1）：50-54.

［2］劉安定，肖先勇，鄧武軍.基于離散余弦變換和小波變換的電能質(zhì)量擾動信號檢測方法［J］.電網(wǎng)技術(shù)，2005（10）：5.

［3］行正世，謝永亮，劉正奇.基于小波變換低信噪比下的雷達(dá)目標(biāo)提取［J］.現(xiàn)代雷達(dá)，2015（5）：47-48，70.

［4］WU D，ZHAO H，TAO Z，et al. Speech endpoint detection in low-SNRs environment based on perception spectrogram structure boundary parameter［J］. 聲學(xué)學(xué)報（英文版）， 2014（4）：13.

［5］MA T，YAU C. A pairwise likelihood-based approach for changepoint detection in multivariate time series models［J］. Biometrika，2016：409-421.

［6］LUNG-YUT-FONG A， LEVY-LEDUC C， CAPPE O.Robust retrospective multiple change-point estimation for multivariate data： 10.1109/SSP.2011. 5967716［P］. 2011-02-09.

［7］REN S，HE K，GIRSHICK R，et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017（6）：1137-1149.

［8］ZHOU Z， ZHANG J， GONG C. Automatic detection method of tunnel lining multi-defects via an enhanced You Only Look Once network［J］. Computer-Aided Civil and Infrastructure Engineering， 2022（6）：37.

［9］汪宋，費樹岷.SSD（SINGLE SHOT MULTIBOX DETECTOR）目標(biāo)檢測算法的研究與改進［J］.工業(yè)控制計算機，2019（4）：103-105.

［10］ABHISHEK， SEHGAL， NASSER， et al. A Convolutional neural network smartphone App for real-time voice activity detection［J］. IEEE Access，2018（6）：9017-9026.

［11］CHENG S， CHEN S， HUANG Z. A novel autocratic decision making method using group recommendations based on ranking interval type-2 fuzzy sets［J］. Information Sciences， 2016（361-362）：135-161.

［12］車瀚鈺，嚴(yán)勇杰，劉洋，等.基于深度學(xué)習(xí)的遮擋人臉快速檢測識別算法［J］.指揮信息系統(tǒng)與技術(shù)，2021（5）：14-20.

［13］劉桂雄，黃堅.基于標(biāo)簽預(yù)留SOFTMAX算法的機器視覺檢測鑒別語義分割遷移學(xué)習(xí)技術(shù)［J］.光學(xué)精密工程，2022（1）：117-125.

［14］ZHANG D， DING W， ZHANG B， et al. Automatic modulation classification based on deep learning for unmanned aerial vehicles［J］. Sensors， 2018（3）：924.

［15］LUO D， WEN G， LI D， et al. Deep-learning-based face detection using iterative bounding-box regression［J］. Multimedia Tools and Applications， 2018 （19）：24663-24680.

［16］徐文杰，周新力，吳龍剛.LONGLEY-RICE等效散射模型的建立［J］.無線電工程，2011（4）：42-44.

（編輯 王雪芬）

End-point detection for noise background communication signal based on deep learning

Cheng? Tao， Yao? Wanhua， Yao? Ke， Li? Gaoshang

（The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210028， China）

Abstract：? In complex electromagnetic and geographical natural environments， communication links are often disturbed by noise. Based on this， this paper proposes a method based on deep learning to solve the problem of communication signal endpoint detection in the background of noise. This method uses deep convolutional neural network （DCNN） to extract sample features to describe signal activity. difference between the region and the background noise， and obtain sample feature maps. At the same time， the start and end endpoints of the communication signals in the feature map are determined by the multi-scale region detection method， and the region parameters are refined by using the linear regression method， so that the endpoint detection results are closer to the true value. In terms of experimental verification， the simulated communication signal data set constructed in this paper is used for training and testing. The experimental results show that the method can accurately detect communication signals submerged in noise with a delay of milliseconds， and the detection accuracy is better than that of existing methods. method.

Key words： endpoint detection; deep learning; convolutional neural networks（CNN）; bounding box regression