本发明属于信号处理，具体涉及一种基于深度学习的单通道时频混叠干扰信号消除方法及系统。
背景技术：
1、近年来，人类社会进入了信息时代的高速发展时期。在无线通信系统中，随着各种电磁设备不断被投入和使用，通信环境日趋复杂，电磁频谱空间日益拥挤。第三方非合作接收的观测信号通常都是带噪声或被同频信号混叠的混合信号，此时需要设计复杂的算法才可能提取到目标信号的特征信息。尤其是在低信噪比或被同频信号严重混叠的情况下，目标信号被严重破坏，此时直接采用混合信号进行处理并不能对目标信号起到很好的解析效果。因此，研究如何从混合信号中获得目标信号的信号盲处理技术至关重要。目前单通道中进行同频干扰消除的优点在于：成本小，只需一个信号传输通道；可操作性强，方便后续灵活进行功能升级。因此，研究单通道中同频干扰消除具有现实意义。然而，由于单通道条件下所获先验内容较少，目前没有很好的解决方案。基于此，本发明提出了一种基于深度学习的单通道时频混叠干扰信号消除方法及系统。
技术实现思路
1、针对现有技术存在的上述缺陷，本发明提供了一种基于深度学习的单通道时频混叠干扰信号消除方法及系统，本发明无需对目标信号和干扰信号进行精确的参数估计，即插即用，学习训练不受信号样式限制，具备广泛适用性。
2、本发明采用以下技术方案：
3、一方面，本发明提供了一种基于深度学习的单通道时频混叠干扰信号消除方法，包括以下步骤：
4、步骤一：获取多个单通道接收的混合信号作为网络输入数据，每个用作网络输入数据的混合信号包含目标信号及其同频干扰信号；
5、步骤二：构建适用于信号分离的包含双重注意力机制的lstm神经网络；
6、步骤三：使用上述多个单通道接收的混合信号作为网络输入数据，对构建的适用于信号分离的包含双重注意力机制的lstm神经网络进行训练，得到应用于单通道时频混叠干扰信号消除的神经网络模型；
7、步骤四：将实采的带有目标信号的混合信号作为应用于单通道时频混叠干扰信号消除的神经网络模型输入，由此输出所需要的无干扰目标信号。
8、优选的，步骤一中，获取多个单通道接收的混合信号，采用如下操作实现：
9、分别对目标通信信号和同频干扰信号采样，目标通信信号和同频干扰信号的调制样式可以根据实际需求选择，获得n个目标信号采样序列x＝[x1,x2,...,xm]，其中xi＝ixi+jqxi，i＝1,2,...,m，m为采样点数；获得n个同频干扰信号采样序列y＝[y1,y2,...,ym]，其中yi＝iyi+jqyi，i＝1,2,...,m，m为采样点数。由此，获得了目标通信信号和同频干扰信号的采样。
10、对同频干扰信号进行处理，令z＝x+a*y，a为大于0的随机数，得到n个混合信号的样本集合。
11、将混合信号z的i路数据和q路数据交叉合并为一路列向量(i路表示信号的实部，q路表示信号的虚部)，构造2m行1列的矩阵z＝[izi,qzi,...,izm,qzm],此为叠加了同频干扰信号的混合信号，作为神经网络训练的数据输入。
12、优选的，步骤二中，构建适用于信号分离的包含双重注意力机制的lstm神经网络，采用如下操作实现：
13、给定n个驱动序列(输入特征)：
14、x＝(x1,x2,...,xn)t＝(x1,x2,...,xt)∈rn*t
15、其中，t表示时间步长，n表示输入特征的维度。经由输入注意力机制，编码器产生新输入编码器的架构使用的是lstm。在解码器中，使用另外一个lstm网络层来解码编码器的信息，并经过时间注意力机制选择相应的隐藏层状态，由此得到最终的无干扰的目标信号序列。其中，编码器和解码器的隐藏层维数是64，模型的时间步长t＝10，学习率设为0.01，隐藏单元的个数设置为128个。
16、双重注意力机制的lstm神经网络编码器中的输入注意力机制具体实现过程如下：
17、给定输入x＝(x1,x2,...,xt)∈rn*t，xt∈rn，在时刻t，编码器将xt映射为ht：f1(ht-1，xt)，ht∈rm表示编码器隐藏层在时刻t的状态，m表示隐藏层的维度，f(.)是非线性激活函数。构建输入注意力层，将之前的隐藏层状态ht-1和lstm单元的cell(cell状态也可称为lstm的元胞状态)状态st-1作为该层的输入得到：
18、
19、其中，ve∈rt，we∈rt*2m，ue∈rt*t是需要学习的参数。
20、用一维高斯函数进行权值大小的平衡：
21、令其中x表示m1表示均值，s12表示方差。
22、均值的计算方法：∑表示求和符号，xi表示第i个数值，n表示数值的总数。
23、方差的计算方法：xi表示第i个数值，m1表示均值，n表示数值的总数。
24、输入注意力层的输出输入到softmax层得到以确保所有的注意力权重的和为1，表示在时刻t第k个输入特征的重要性。得到注意权重后，可以自适应的提取驱动序列此时更新隐藏层的状态为
25、双重注意力机制的lstm神经网络解码器中的时间注意力机制具体实现过程如下：
26、与编码器中注意力层类似，解码器的注意力层也需要将之前的隐藏层状态dt-1和lstm单元的cell状态st′-1作为该层的输入得到该层的输出：
27、
28、其中vd∈rm，wd∈rm*2p，ud∈rm*m是需要学习的参数。
29、用一维高斯函数进行权值大小的平衡：
30、令其中y表示m2表示均值，s22表示方差。
31、均值的计算方法：∑表示求和符号，yi表示第i个数值，n表示数值的总数。
32、方差的计算方法：yi表示第i个数值，m2表示均值，n表示数值的总数。
33、通过softmax层，得到第i个编码器隐藏状态hi对于最终结果的重要性解码器将所有的编码器隐藏状态按照权重求和得到向量注意ct在不同的时间步是不同的。
34、在得到向量后，将其和目标序列结合起来得到：
35、
36、其中，wt，是要学习的参数。利用计算好的更新解码器隐藏状态f2是非线性激活函数。通过解码器后得到的向量输出即为模型输出的目标信号。
37、优选的，步骤三中，对构建的适用于信号分离的包含双重注意力机制的lstm神经网络进行训练，采用如下操作实现：使用上述多个单通道接收的混合信号作为网络输入数据，对构建的适用于信号分离的包含双重注意力机制的lstm神经网络进行训练，得到应用于单通道时频混叠干扰信号消除的神经网络模型。优选的，步骤四中，将实采的带有目标信号的混合信号作为应用于单通道时频混叠干扰信号消除的神经网络模型输入，由此输出所需要的无干扰目标信号，采用如下操作实现：
38、对实际数据进行采样，得到序列s(n)，n＝0,1,2,...,m-1,将序列s(n)的i路数据和q路数据交叉合并为一个2m行的列向量，将处理好的列向量作为训练好的神经网络的输入，得到的输出即为无干扰的目标通信信号。
39、另一方面，本发明还公开了一种基于深度学习的单通道时频混叠干扰信号消除系统，基于上述的方法，其包括如下模块：
40、数据获取模块：获取多个单通道接收的混合信号作为网络输入数据，每个用作网络输入数据的混合信号包含目标信号及其同频干扰信号；
41、网络构建模块：用于构建适用于信号分离的包含双重注意力机制的lstm神经网络；
42、网络训练模块：用于使用上述多个单通道接收的混合信号作为网络输入数据，对构建的适用于信号分离的包含双重注意力机制的lstm神经网络进行训练，得到应用于单通道时频混叠干扰信号消除的神经网络模型；
43、目标信号输出模块：用于将实采的带有目标信号的混合信号作为应用于单通道时频混叠干扰信号消除的神经网络模型输入，由此输出所需要的无干扰目标信号。
44、本发明无需对目标信号和干扰信号进行精确的参数估计，即插即用，学习训练不受信号样式限制，具备广泛适用性。
1.一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，包括如下步骤：
2.如权利要求1所述一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，步骤一中，获取多个单通道接收的混合信号，具体如下：
3.如权利要求1或2所述一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，步骤二中：
4.如权利要求3所述一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，双重注意力机制的lstm神经网络编码器中输入注意力机制具体实现过程如下：
5.如权利要求3所述一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，双重注意力机制的lstm神经网络解码器中的时间注意力机制具体实现过程如下：
6.如权利要求2所述一种基于深度学习的单通道时频混叠干扰信号消除方法，其特征在于，步骤四具体如下：
7.一种基于深度学习的单通道时频混叠干扰信号消除系统，基于权利要求1-6任一项所述的方法，其特征在于，包括如下模块：
