本發(fā)明涉及信號處理，尤其涉及一種用于混疊信號源數目估計的模型構建方法及估計方法。

背景技術：

1、信源數目估計是指確定同時存在的信號源數量的技術，這對于信號處理的多個方面至關重要，比如盲信號分離、信號源定位和信道估計等，在電子偵察、醫(yī)學診斷和圖像處理等諸多領域都占有極其重要的地位。

2、特別是在單通道對混疊信號進行處理的情況下，即只有一個接收器接收到所有混疊在一起的信號時，準確的信源源數目估計是信號處理算法的先決條件，當信源源數目估計不準確時，會嚴重影響后續(xù)信號處理算法的準確性。

3、相關技術中，深度學習技術因其良好的特征提取能力而被廣泛應用于混疊信號源數目估計中，然而，深度學習算法中的卷積運算，封裝函數和基礎原理大多基于實數，未考慮復數據關聯特征，僅用單一特征作為混疊源數目估計依據，存在特征信息不全問題；其次，由于其依賴于單一特征和特定網絡架構，當混疊源信號中存在高調制信號(如psk和qam)時，由于歐式距離變短，易發(fā)生估計混淆，導致估計準確率低。

技術實現思路

1、本發(fā)明提供一種用于混疊信號源數目估計的模型構建方法及估計方法，解決了單通道混疊信號源數估計在低信噪比下準確率較低的問題。

2、為達到上述目的，本申請采用如下技術方案：

3、第一方面，提供一種用于混疊信號源數目估計的模型構建方法，包括：

4、構建雙路特征互補融合網絡；所述雙路特征互補融合網絡中，聚合殘差網絡作為主網絡路徑，每個殘差網絡分支配置為密集網絡結構；

5、構建協調注意力機制模塊；所述協調注意力機制模塊包括通道注意力模塊和空間注意力模塊，所述通道注意力模塊作為所述協調注意力機制模塊的輸入部分，通過建立跳躍連接，所述通道注意力模塊的輸出特征作為所述空間注意力模塊的輸入特征，所述空間注意力模塊作為所述協調注意力機制模塊的輸出部分；所述通道注意力模塊和所述空間注意力模塊通過通道加權的方式進行融合形成所述協調注意力機制模塊；

6、基于所述雙路特征互補融合網絡和所述協調注意力機制模塊，形成基于雙路特征互補融合網絡和協調注意力機制的模型，用于混疊信號源數目估計。

7、在第一方面的第一種可能的實現方式中，所述的雙路特征互補融合網絡包括：卷積層、雙路徑模塊、融合過渡模塊、密集連接模塊、最終卷積層；

8、所述初始卷積層是一個3x3的卷積層，所述雙路徑模塊共有三個，三個所述雙路徑模塊依次排列，每個所述雙路徑模塊均由一個3x3和兩個1x1卷積層組成，所述3x3卷積層位于兩個所述1x1卷積層之間，任意兩個相鄰的所述雙路徑模塊之間均通過所述融合過渡模塊連接，所述最終卷積層共有三個，所述密集相連模塊將第三個所述雙路徑模塊與三個所述最終卷積層分別相連。

9、基于第一方面的第一種可能的實現方式，在第一方面的第二種可能的實現方式中，所述的雙路特征互補融合網絡的輸出yt由下式表示：

10、

11、其中，xm表示第m個密集網絡分支，ym表示第m個殘差網絡分支，vt表示特征學習函數，rm表示迭代時的中間變量，hm表示最后一個變換函數的輸出值，gm表示變換函數，用于生成目標的狀態(tài)。

12、在第一方面的第三種可能的實現方式中，在雙路特征互補融合網絡超參數設計中，殘差網絡通道數大于密集網絡通道數。

13、在第一方面的第四種可能的實現方式中，所述通道注意力模塊，具體用于提取位置感知信息，包括：

14、利用最大池化層和平均池化層對特征輸入分別進行池化操作；

15、使用兩個全連接層對池化后的輸出進行特征提取；

16、使用激活函數映射后的特征輸出分別作為輸入值和輸入值權重，并將其重新連接后進行內積計算，作為所述空間注意力模塊的輸入特征。

17、在第一方面的第五種可能的實現方式中，所述間注意力模塊，具體用于提取不同維度空間特征并進行通道加權，包括：

18、基于所述通道注意力模塊的特征輸出，使用最大池化層和平均池化層在二維平面進行池化運算；

19、將最大池化和平均池化后的特征通過拼接層進行特征拼接；

20、利用卷積層對拼接后的特征進行特征降維的卷積操作，并通過激活函數對特征進行歸一化操作，獲得權重維度；

21、將所述權重維度和所述卷積操作的輸出相乘，得到最終特征。

22、基于第一方面的任一種可能的實現方式，在第一方面的第六種可能的實現方式中，將輸入信號的iq序列數據作為模型輸入。

23、第二方面，提供一種混疊信號源數目估計方法，采用如第一方面的基于雙路特征互補融合網絡和協調注意力機制的模型進行混疊信號源數目估計，包括：

24、獲取輸入信號的iq序列數據，將iq序列數據作為模型輸入；

25、根據預先構建的基于雙路特征互補融合網絡和協調注意力機制的模型，進行混疊信號源數目估計，得到混疊信號源數目。

26、第三方面，提供一種混疊信號源數目估計裝置，采用如第一方面的基于雙路特征互補融合網絡和協調注意力機制的模型進行混疊信號源數目估計，包括：數據獲取模塊，用于獲取輸入信號的iq序列數據，將iq序列數據作為模型輸入；

27、模型模塊，用于根據預先構建的基于雙路特征互補融合網絡和協調注意力機制的模型，進行混疊信號源數目估計，得到混疊信號源數目。

28、第四方面，提供一種電子設備，所述電子設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現如第一方面所述方法的步驟。

29、第五方面，提供一種可讀存儲介質，所述可讀存儲介質上存儲有程序或指令，所述程序或指令被處理器執(zhí)行時實現如第一方面所述方法的步驟。

30、有益效果：

31、本申請的基于雙路特征互補融合網絡和協調注意力機制的模型，通過引入雙路特征互補融合網絡，使模型能夠更有效地提取和利用信號的實虛部空間特征，提高了對混疊信號源數目的估計精度；引入協調注意力機制對卷積后的信號特征不同維度進行了注意力信息整合，有效增強了模型的抗噪聲性能和魯棒性，同時不會在原網絡基礎上增加過多計算開銷。與現有深度學習估計算法進行對比分析，本申請的模型深度挖掘混疊信號信息，優(yōu)化特征重用，以增強網絡的特征提取能力，并引入協調注意力機制動態(tài)權值分配，使網絡可以通過自學習不斷動態(tài)加權強化認知能力，自主識別有效信息和不重要信息，從而能夠擁有有更高的估計準確率。有效解決了單通道混疊電磁信號信源數估計在低信噪比下準確率低的問題。

技術特征：

1.用于混疊信號源數目估計的模型構建方法，其特征在于，包括：

2.根據權利要求1所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

3.根據權利要求2所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

4.根據權利要求1所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

5.根據權利要求1所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

6.根據權利要求1所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

7.根據權利要求1-6任一項所述的用于混疊信號源數目估計的模型構建方法，其特征在于，

8.一種混疊信號源數目估計方法，其特征在于，采用如權利要求1-7任一項的基于雙路特征互補融合網絡和協調注意力機制的模型進行混疊信號源數目估計，包括：

9.一種混疊信號源數目估計裝置，其特征在于，采用如權利要求1-7任一項的基于雙路特征互補融合網絡和協調注意力機制的模型進行混疊信號源數目估計，包括：

10.一種電子設備，其特征在于，所述電子設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現如權利要求1至7中任一項所述方法的步驟。

技術總結
本發(fā)明提出了一種用于混疊信號源數目估計的模型構建方法及估計方法，該模型構建方法包括：構建雙路特征互補融合網絡；雙路特征互補融合網絡中，聚合殘差網絡作為主網絡路徑，每個殘差網絡分支配置為密集網絡結構；構建協調注意力機制模塊，包括通道注意力模塊和空間注意力模塊；形成基于雙路特征互補融合網絡和協調注意力機制的模型，用于混疊信號源數目估計。該估計方法包括：獲取輸入信號的IQ序列數據，將IQ序列數據作為模型輸入；根據預先構建的基于雙路特征互補融合網絡和協調注意力機制的模型，進行混疊信號源數目估計，得到混疊信號源數目。本申請能夠有效提高單通道混疊信號源數估計在低信噪比情況下的準確率。

技術研發(fā)人員：曹錳,鄭澤怡,楊卓凱,李超,嚴永鋒,惠國保
受保護的技術使用者：中國電子科技集團公司第二十研究所
技術研發(fā)日：
技術公布日：2025/4/28