基于计算机视觉的卫星频谱信号识别研究

摘要

　　卫星频谱信号识别是获取卫星频谱使用情况的技术，分为信号检测和异常识别两部分。本文从图像的角度进行了频谱检测的研究，使用计算机视觉和机器学习相结合的方法进行频谱感知和异常识别。

　　对于频谱感知，本文使用了数字图像处理的方法和密度聚类算法。对于得到的频谱，取合适的滤波模板对图进行均值滤波并进行像素的二值化处理，然后将处理过后的点进行相同横坐标的中值选取完成预处理。最后对处理过后的频谱进行 DBSCAN 聚类，并使用聚类的参数完成信号的参数估计以获得信号的带宽、中心频率和峰值增益。仿真表明，该方法相对于能量检测法摆脱了门限敏感的缺点，实现了更准确的信号检测。

　　对于异常检测，本文将其作为目标识别问题进行处理。其中卫星频谱图作为背景图，不同的卫星频谱异常分别作为不同的目标进行检测。在实现过程中，本文引入当下最为成熟的目标检测框架 YOLOV3 并对其进行频谱异常检测的适应性改造。通过神经网络选取、数据集制作和网络训练三个步骤训练出频谱异常识别的神经网络。并且通过数据扩增、算法修改和过拟合预防不断地提高目标检测的准确度。最终在实际的异常检测问题中，训练出的目标检测网络在召回率为 65.9%的情况下实现了 95.3%的精确度，实现了较好的检测效果。

　　关键词：频谱感知，异常检测，计算机视觉，机器学习，卫星通信

Abstract

　　Abstract: As a technology to obtain satellite spectrum usage, satellite spectrum's recognition waspided into two parts: signal detection and anomaly recognition. In order to improve the performanceof spectrum detection, a method based on computer vision and machine learning was proposed,proving the possibility of spectrum detection from the perspective of the image.

　　A method based on digital image processing and density clustering algorithm was applied tosatellite spectrum sensing. Firstly, the spectrogram is subjected to image filtering and pixelbinarization. Secondly, the spectrogram is extracted with the coordinates of the effective pixel set.

　　Finally, the pixel coordinates extracted from the spectrogram are median processed and then clusteredby DBSCAN. The parameters of the signal in the spectrum can be obtained from the clustering resultsthrough parameter estimation. Simulation shows that the new method has got rid of the shortcomingsof threshold sensitivity compared with the energy detection method, improved the accuracy of signaldetection.

　　In this paper, the method of target recognition was applied to the problem of anomaly detection,with the spectral anomalies in the satellite spectrum map were used to detect image anomalies andtarget detection. As the most mature target detection framework at present, YOLOV3 has beencorrespondingly adapted to perform spectrum abnormality identification. Through data amplification,algorithm modification and overfitting prevention, the detection accuracy of the target detectionnetwork is constantly improving anomalies. Finally, in the actual anomaly detection problem, thetrained target detection network achieved 95.3% accuracy with a recall rate of 65.9%.

　　Keywords: spectrum sensing, anomaly detection, computer vision, machine learning,satellite communication

　　目录

　　第一章 绪论研究

　　1.1背景和意义

　　1.1.1 卫星通信系统简介

　　随着通信技术的飞速发展，地面的数字蜂窝网络已经发展到第五代。当前 5G（5thgeneration mobile networks）基站已经开始大规模部署并进入使用，支持 5G 的终端也进入量产使用的阶段。与此同时地面网络的覆盖并不足够，ITU 的研究指出截止 2016 年底全球人口网络覆盖率 47%.其中一方面的原因是贫困地区的国家没有能力去建设基础网络，另一方面的原因是在海洋、高山和极地等特殊的环境下建设网络的难度和成本高。这时候就需要卫星通信系统来进行覆盖了，卫星通信是一种地球表面的的设备通过卫星作为中继方式实现通信的通信技术[1].由于卫星通的的中枢位于运行在太空中的轨道中，所以卫星通信系统的部署不会受到地面地理环境的影响，在海洋和高山上能够得到和地面上一样的覆盖。这样卫星通信系统就可以作为地面通信的补充为不方便部署地面通信系统的地区进行网络覆盖，成为全球通信系统中必不可少的组成部分。另一方面在地面基站容易受到地面灾害的破坏，在地震泥石流等物理灾害下失去通信能力。这体现了通信系统需要备份的需求，备份的通信系统必须要对地面的灾害免疫，这就是卫星通信的第二大应用场景--应急通信[2].此外，卫星通信的传统应用场景还有军事通信[3].

　　根据卫星运行轨道的高度进行分类。卫星可分为高轨道卫星（GEO）[4]、中轨道卫星和低轨道卫星（LEO）[5]三种，其中低轨道卫星的轨道高度在 700km~1500km 之间，中轨卫星的轨道高度在 1500km~35786km 之间，而高轨道卫星的轨道高度固定在 35786km.高轨道的卫星绕地运行的周期和轨道日相同，因此高轨道卫星可以在运行过程中保持对地静止，所以高轨道也被称为地球静止轨道。根据牛顿第二定律，离地越近的卫星运动速度越高，因此低于高轨道的卫星运行周期都是小于一天的。因为卫星对地面的覆盖属于视距覆盖，所以低轨道的卫星覆盖的面积也是小于高轨道卫星的，想要在地面实现同样的覆盖面积所需要的低轨道卫星的数量是多于高轨道卫星的。由于以上原因，建成低轨卫星星座的难度是大于其他星座的。

　　但是 LEO 有以下优点：

　　1.LEO 的轨道高度较低，所以 LEO 卫星的通信延迟比较低；2.LEO 覆盖范围小，能够实现频率的空分复用，对于频率的利用率较高；3.GEO 在两极地区覆盖不好，并且存在南山效应，更容易被遮挡，而 LEO 能够对地球实现更完整的覆盖。

　　由于以上的优点，LEO 被认为有着很好的发展前景。由于卫星的轨道资源和卫星频谱资源是有限的宝贵资源，近几年各个国家分别在 LEO 星座建设领域进行了竞争。目前正在建设的 LEO 卫星星座有美国 OneWeb 公司的 OneWeb 星座[6]、spaceX 的 Starlink 星座[7]、LeoSat公司的 LeoSat 星座以及中国航天科技集团的鸿雁星座[8]和航天科工集团的虹云星座。

　　1.1.2 频谱信号识别技术简介

　　频谱是无线通信的基础资源，就像土地之于农业一样，频谱不仅是无线通信必须的基础资源，而且是有限的不可再生的资源。在每个国家进行网络建设的时候运营商必须从国家申请到对应的频谱资源，许多国家对频谱实行拍卖制度，美国在对 700MHz 带宽拍出了 191 亿美元的高价[9],频谱资源的稀缺性在市场化的拍卖中体现的淋漓尽致。而卫星频谱比普通频谱的获取难度更高，因为卫星在全球使用同一个频率，要在全球所有国家申请到相同频率的频谱资源非常困难。频谱资源是宝贵的，但是由于通信的突发性等原因，申请的静态频谱资源往往不能得到充分地利用，这时就会出现频谱空洞[10]即申请的频谱中没有被利用的部分，因此提高对频谱的利用度是一项十分有价值的研究。

　　认知无线电（Cognitive Radio,CR）[11]是一种在频谱的授权用户（Primary User,PU）允许的情况下，非授权用户（Secondary User,SU）通过使用授权用户闲置的频谱资源来提高频谱总体利用率的技术，在频谱资源逐渐稀缺的现在获得了广泛的研究[12, 13].这里需要说明，非授权用户对于频谱的利用要做到对授权用户不产生任何干扰，即从授权用户的角度完全感受不到非授权用户的存在。频谱监测是认知无线电的第 1 个步骤，也是非授权用户进行动态接入频谱的基础[14, 15].在频谱感知的过程中，非授权用户感知到频谱内的如下信息：1.频谱内所有频率上的功率谱密度；2.频谱中的信号参数，包含频谱中有哪些信号，信号的带宽、中心频率以及峰值功率，这部分的参数通过对过程 1 中的信号进行识别产生。提取了这些信息整段频谱的使用情况就被感知到，非授权用户就可以对频谱的空洞进行充分的利用。高效而精准的对主用户的频谱进行参数感知[16]可以最大可能的减小认知无线电对主用户通信的影响[17],这也是本文中重要的研究部分。

　　1.1.3 卫星频谱监测系统简介

　　由于卫星通信系统在全球提供通信服务，在军用和民用领域都发挥着不可代替的作用，所以也会遇到各种目的的干扰和窃用。为了保证卫星通信系统的正常运行，就需要对卫星通信系统进行监控，对频谱中的信号和异常情况进行分析监控，这就产生了对卫星频谱监测系统的需求[18].卫星频谱监测系统是一套集频谱数据采集硬件，频谱数据还原软件和频谱数据处理软件组成的系统。这里我们主要研究的是频谱数据处理软件，主要任务是信号检测和异常识别两部分，其中信号识别技术在上文中已经介绍过，而异常识别是指利用通信及不同的技术将频谱中的不正常部分信号报告出来并给出异常信号参数的技术[19].

　　由于不同的卫星通信系统发挥不同的功能，信号的特征也有很大的差别。所以在不同种类的卫星上频谱监控功能要实现的功能也不同。在中星频谱中需要实现的功能有以下三种：

　　1.正常频谱信号识别；2.叠加的频谱信号识别与告警；3.单音信号识别与告警。功能 1 是指对于频谱中的正常通信信号，能够对其进行识别并进行参数的估计。功能 2 是指对于频谱产生交叠的两个信号，能够分别识别处出两个信号并估计出其参数，对于这种情况系统还要产生提醒。功能 3 是指对于带宽非常小能量又很大的单音一类信号进行识别和告警。本文中的第三章是功能 1 的具体实现。

　　在天通系列卫星上，通信信号的频谱带宽非常小，所以更常出现的异常是大带宽类型的频谱占用信号，天通频谱上异常的具体介绍见第二章第 2 节。

　　对于卫星通讯频谱的占用会降低卫星通讯的质量甚至直接导致卫星通信系统不可用。所以必须对卫星频谱进行监测并对频谱中的信号进行识别，鉴别出异常的信号并交给系统处理。

　　1.2背景技术介绍

　　1.2.1 聚类的概念和发展介绍
　　聚类分析是机器学习领域中一种对集群进行分类的算法，使用相似性作为数据划分成不同种类的依据，经过初步分类和优化最终将原有的数据分为内部相似度很高的几个种类。本文使用聚类技术进行信号波峰分离。下面是对聚类算法概念和发展的介绍。

　　聚类算法是数据挖掘技术中的一部分，最常用的聚类方法是 kmeans[20].给定聚类的总数和计算距离的方式，算法迭代就能得到在最小残差情况下每一个点的聚类归属。在现在的情况要求下，聚类的数目总数是未知的。这种情况下我们可以选用的聚类方法有 AP 聚类和密度聚类。AP 聚类和 kmean 同属于划分聚类，是 Frey 等人 2007 年提出的一种聚类算法[21], 该算法快速、有效。AP 算法经过人脸图像聚类、文本中关键句子选择、基因片段聚类以及航空路线规划等试验中的百分之一，但是在小数据集中，其性能表现并不突出。经测试，AP 聚类效果在本例中并不好，而 DBSCAN 聚类方法经过调试获得了很好的效果。DBSCAN 是 Ester等人 1996 年在数据挖掘大会上提出的一种基于密度的算法[22].该算法利用基于密度的聚类（或者类 cluster）概念 ,即要求聚类空间中的一定区域内所包含对象 （点或其它空间对象 ）的数目不小于某一给定阈值。DBSCAN 算法的显著优点是聚类速度快，且能够有效处理噪声点（ outliers）和发现任意形状的空间聚类。

　　相似性的计算方法是聚类算法的核心，例如 Kmean 方法使用欧氏距离作为分类的依据最终分为指定的分类依据，均值漂移类聚类和 DBSCAN（Density-based spatial clustering ofapplications with noise）聚类方法使用密度作为分类依据，近邻传播（Affinity Propagation,AP）聚类算法使用吸引力作为分类依据。

　　1.2.2 图像分类的概念

　　及应用介绍图像分类是计算机视觉中最为核心的一个问题，目的在于将给定的目标图像给出类别信息，是目标识别的基础问题。现在的图像识别领域在深度学习的加持下发展速度可以用突飞猛进来形容，在华人科学家李飞飞发起的 ImageNet[23]数据集上，深度网络甚至能够在 1000 万张图片的 2 万个类别的分类任务上超越人类。

　　本文中使用目标识别技术进行天通卫星频谱中的异常识别，其中就是使用了图像分类技术来进行异常的识别及分类。下面是对图像分类难度等级的介绍。

　　图像分类是有不同的难度等级的，用来评价图像分类难度的参数是类间差异和类内差异[24].设想一个情景，学校里经常会有流浪猫和流浪狗，对于对宠物不是很了解的人也能轻易地分辨出猫和狗的区别。但是分辨一只狗是中华田园犬还是秋田犬就需要对狗的分类有一定的知识储备了。这样的差距主要来源于两个部分：狗属于犬科，猫属于猫科，这两个科之间的差异较大；而中华田园犬和秋田犬同属于犬科，两者都属于相同的科，两者差异较小。猫和狗两个科内部的差异明显小于猫科和犬科之间的差异，而中华田园犬和秋田犬的种类内部之间差异相对于两者种类之间的差异并不大。

　　这其实体现了一个道理：种类之间的差异越大，种类内部的差异越小，这样的图像分类难度就更低。相反的话，种类之间的差异越小而种类内部的差异越大，这样的图像分类任务难度更大。前者的典型例子是猫和狗识别的挑战，后者的典型例子是 FGVC 中的植物分类比赛。由此向下引申，难度最大的例子是对同一种物体之间的个体识别（实例级图像分类），人脸识别就是对物种个体之间的进行分类的典型例子。

　　在图像分类的发展中有两个里程碑式的事件：事件 1 是在 MNIST 数据集的识别上 LeCun等人不断改进 LeNet 网络[25],终于在 1998 年提出了具有现代 CNN 网络重要特性的（卷积层和稀疏连接）LeNet5 网络[26].事件 2 是 AlexNet[27]的提出，其在李飞飞等人整理的 ImageNet数据集上获得了卓越表现。AlexNet 基本上具有了现代神经网络的所有特征：

　　1.网络更深；2.使用新的激活函数 Relu[28]; 3 使用的 Dropout 来避免过拟合；4.使用图像处理单元来进行分块训练；巨大的改进使得 AlexNet 发挥出了神经网络的巨大潜力，一举击败了传统的机器学习方法，将神经网络带入深度学习时代。此后的图像分类神经网络飞速发展，超越了人类进行图像分类的极限。因此使用图像分类计数进行异常识别在理论上是能够达到人工识别的精确度的。

　　1.2.3 深度学习的发展及应用介绍

　　深度学习是指通过简单特征的组合产生复杂特征，并使用复杂的特征进行复杂问题的过程。深度学习的定义中并没有具体的实现方式，但是复杂特征的提取和组合无意对实现方式有着苛刻的性能要求。随着计算机性能的增强和 2006 年 Hinton 对深度置信网络（Deep BeliefNets）[29]提出，深度学习就开始了第三次应用浪潮。这主要是因为神经网络容量的增大加强了网络的表示和处理能力，使得深度学习能够解决计算机视觉、自然语言处理、信息检索和个性化推荐等领域的复杂问题。本文中进行频谱异常识别的目标识别技术就是基于深度学习理论的，下面是深度学习的相关应用介绍。

　　在图像识别领域中，人脸识别[30]是最具代表性的应用领域，可以通过人脸的识别进行用户的鉴定。这样的应用使得用户鉴权过程中不用进行繁琐的输入操作，极大地简化了鉴权的安全性与便捷性。

　　在个性推荐系统领域，电商公司使用个性推荐系统为用户提供相关性高的推荐增加用户的购买。在数字内容的互联网领域，深度学习算法在推荐系统中的应用甚至是具有革命意义的[31].类似抖音和快手的短视频应用和今日头条类的新闻应用得到了爆发，大幅占据了用户的娱乐时间，催生出了字节跳动这样的独角兽公司。

　　随着监督式学习在各个应用领域被广泛的应用，研究的热点已经转移到了强化学习领域。

　　通过为神经网络设置奖励函数和行为规则，神经网络通过试错来不断改进自己的行为模式。

　　2017 年使用了强化学习的 AlphaGo 战胜柯洁一战成名，近年来在棋牌和游戏领域人类冠军被AI 战胜的新闻也屡见不鲜，这些事件标志着 AI 的智能性进一步增强。随着机器学习的发展，使用机器来代替人工来完成工作任务有着广阔的发展前景。

　　1.3论文的结构

　　本文的组织结构以及各章节的内容如下：

　　第 1 章为绪论部分，主要介绍了卫星通信系统的重要性、对卫星频谱进行频谱感知和异常信号识别的必要性以及本文中使用的一些基本技术。

　　第 2 章 背景技术的介绍本章介绍的内容有：传统的信号识别方法和频谱异常种类，计算机视觉中图像处理技术介绍和应用，图像分类的发展和研究现状以及深度学习的发展和研究现状第 3 章 图像处理和聚类算法的频谱信号识别方法本章首先介绍了图像与像素点矩阵转换和图像滤波这两种技术的基础理论，使用转换将频谱数据转换成图像并使用图像的方法进行均值滤波。然后本文介绍了常用的聚类方法和在图像上的效果，并使用 DBSCAN 聚类方法对图像中的点进行聚类操作得到代表信号的聚类，最终通过计算聚类的特征得出信号好的参数。

　　第 4 章 基于目标识别的频谱异常信号识别本章介绍了如何使用目标识别的方法进行频谱异常识别。本章首先使用目标检测方法进行异常识别的步骤（包括模型选取、数据准备、训练中进行调优），然后介绍了数据集和图像分类的细节，最终使用模型进行训练得出结果。

　　第 5 章 目标识别网络的改进在第 4 章的目标识别方法进行频谱异常识别之后发现在性能上有很大的改进空间，于是本章应用了数据增强技术来扩增数据量，在训练过程中制定适合频谱目标识别的训练策略并针对样本不均衡问题进行改进，最终在识别精度上得到了提高。

　　第 6 章 总结与展望总结本文围绕异常检测所做的工作以及其中的不足之处，并提出后续需要完善的部分和下一步的工作方向。

　　第二章 频谱信号检测和计算机视觉技术的研究现状

　　2.1频谱信号检测算法的研究现状

　　2.1.1 频谱能量检测法

　　2.1.2 循环稳定特征检测法

　　2.1.3 频谱异常的种类

　　计算机视觉的研究现状

　　2.2.1 图像处理的发展介绍

　　2.2.2 数据集的发展介绍

　　2.2.3 图像分类的研究现状

　　2.2.4 深度学习的研究现状

　　2.2.5本章小结

　　第三章 基于密度聚类的频谱信号识别

　　3.1密度聚类频谱识别算法基础

　　3.1.1 传统检测方法的缺点

　　3.1.2 图像滤波与邻域的介绍

　　3.1.3 DBSCAN 算法介绍

　　3.2图像处理和密度聚类的频谱信号识别

　　3.2.1 频谱图像的预处理流程

　　3.2.2 DBSCAN 聚类处理流程

　　3.2.3 频谱信号参数提取

　　3.3.1 频谱信号的带宽估计与峰值功率估计

　　3.3.2 频谱信号的中心频率参数估计

　　3.3.3 仿真分析

　　3.3.4 本章小结

　　第四章 基于图像目标识别的频谱异常检测

　　4.1目标识别网络框架选取及使用准备

　　4.1.1 根据需要识别的目标个数修改特征参数

　　4.1.2 保存训练过程中神经网络的历史版本

　　4.1.3 根据硬件配置修改训练参数

　　4.1.4 使用预训练权重进行迁移学习

　　4.1.5 数据集的制作与划分

　　4.2.1数据集制作

　　4.2.2训练集、测试集与验证集的划分

　　4.3图像分类算法介绍。

　　4.3.1 YOLOv3的算法流程。

　　4.3.2目标识别网络的训练

　　4.4基于目标识别的频谱信号识别方法仿真分析

　　4.5本章小结

　　第五章异常识别网络的改进与仿真

　　5.1数据增强的应用。

　　5.2神经网络训陈优化基础

　　5.2.1神经网络训练原理

　　5.2.2样本不均衡问题。

　　5.3过报合的抑制

　　5.4网络性能测试

　　5.5本章小结

第六章 总结与展望

　　频谱感知的技术在认知无线电和通信干扰分析中都有着广泛的应用。在卫星通信这样的全球通信系统中，通信的频谱资源更加宝贵，通过频谱感知技术以使用认知无线电可以提高频谱的使用率，通过干扰分析可以保证卫星通信系统的通信质量。

　　本文首先对频谱感知算法的国内外研究现状进行了调查，针对能量检测法的门限敏感性和循环平稳特征检测法的计算量大的问题，本文提出从图像领域进行频谱中的信号识别。在分析了图像领域常见的处理方法，机器学习发展和深度学习中目标识别网络发展的情况下，分别提出了图像处理加 DBSCAN 聚类的信号识别方法和基于目标识别网络的频谱异常识别方法，并在不同的频谱情况下进行仿真。具体总结如下：

　　1.在第一章本文介绍了卫星通信系统、频谱感知和频谱监测系统的概念和意义，并对本文中使用的聚类方法、图像分类方法和深度学习进行了介绍。

　　2.在第二章中本文对于现有的频谱感知算法研究进行了介绍，分别说明了能量检测法和循环特征检测法的优缺点，并对使用的图像目标识别的研究现状进行了调研。

　　3.第三章中本文使用图像处理和聚类分析的方法进行频谱信号识别。其中数字图像处理的方法进行频谱图特征提取，DBSCAN 聚类算法进行频谱聚类分析，最终对聚类结果进行参数提取可以频谱中信号进行参数估计。 4.第四章介绍了基于深度学习的目标识别网络，并尝试按照目标识别网络的方法进行频谱异常的识别。其中进行了了目标识别网络的原理和选取、数据集选取和制作、数据集标注和划分、神经网络的训练四个部分的工作。 5.第五章中本文介绍了神经网络训练过程中常遇到的问题和网络训练的原理。最后针对问题从原理上提出解决方法，优化了目标识别网络的识别效果。

　　本文使用图像处理加聚类方法和进行频谱信号识别，目标识别网络进行频谱异常识别，从计算机视觉角度进行频谱感知处理。但是由于个人的水平和时间比较有限，对于深度学习网络的了解也不够深入，还有很多的内容需要进一步深入。

　　本文中使用图像处理加 DBSCAN 聚类方法进行频谱信号识别的方法中，聚类的 MinPts和 两个参数还需要根据实际的情况进行调整。使用基于深度学习神经的目标识别网络的方法，在最终的异常类型判断上还存在对于大带宽信号和大起伏信号的类型误判。在最终的识别概率上，准确度和误判率还有进一步提升的空间，这也是接下来需要工作的重点。

参考文献

　　[1] 甘仲民， 张更新。 卫星通信技术的新发展 [J]. 通信学报， 027（008）： 2-9.

　　[2] DERVIN M, BURET I, LOISEL C. Easy-to-deploy emergency communication system based on a

　　transparenttelecommunication satellite; proceedings of the 2009 First International Conference

　　on Advances in Satellite and SpaceCommunications, F, 2009 [C]. IEEE.

　　[3] FRITZ D A, DOSHI B T, OAK A C, et al. Military satellite communications: space-based

　　communications for the globalinformation grid [J]. Johns hopkins APL technical digest, 2006, 27（1）： 32-40.

　　[4] CLARKE A C, STATIONS E-T R C R. Give Worldwide Radio Coverage [J]. Wireless World, 1945, 305-8.

　　[5] WIEDEMAN R A, MONTE P A. Low earth orbit distributed gateway communication system [M]. Google Patents.1999.

　　[6] RADTKE J, KEBSCHULL C, STOLL E. Interactions of the space debris environment with mega

　　constellations-Usingthe example of the OneWeb constellation [J]. Acta Astronautica, 2017, 131（55-68.

　　[7] MCDOWELL J C. The Low Earth Orbit Satellite Population and Impacts of the SpaceX Starlink

　　Constellation [J]. arXivpreprint arXiv:200307446, 2020,

　　[8] 晓曲。 鸿雁星座首颗试验星 [J]. 卫星应用， 2019, 2）： 17.

　　[9] BAJARI P, YEO J. Auction design and tacit collusion in FCC spectrum auctions [J].

　　Information Economics and Policy,2009, 21（2）： 90-100.

　　[10] TANDRA R, SAHAI A, MISHRA S M. What is a Spectrum Hole and What Does it Take to

　　Recognize One? [J].Proceedings of the IEEE, 97（5）： 824-48.

　　[11] MITOLA J, MAGUIRE G Q. Cognitive radio: making software radios more personal [J].

　　IEEE Personal Communications,1999,

　　[12] HAYKIN S. Cognitive radio: brain-empowered wireless communications [J]. IEEE journal on

　　selected areas incommunications, 2005, 23（2）： 201-20.

　　[13] SONG M, XIN C, ZHAO Y, et al. Dynamic spectrum access: from cognitive radio to networ

　　k radio [J]. IEEE WirelessCommunications, 2012, 19（1）： 23-9.

　　[14] DE P, LIANG Y-C. Blind spectrum sensing algorithms for cognitive radio networks [J].

　　IEEE Transactions on VehicularTechnology, 2008, 57（5）： 2834-42.

　　[15] ZENG Y, LIANG Y-C. Spectrum-sensing algorithms for cognitive radio based on statistical

　　covariances [J]. IEEEtransactions on Vehicular Technology, 2008, 58（4）： 1804-15.

　　[16] CABRIC D, MISHRA S M, BRODERSEN R W. Implementation issues in spectrum sensing for

　　cognitive radios;proceedings of the Conference Record of the Thirty-Eighth Asilomar Conference on

　　Signals, Systems and Computers,2004, F, 2004 [C]. Ieee.

　　[17] YUCEK T, ARSLAN H. A survey of spectrum sensing algorithms for cognitive radio

　　applications [J]. IEEEcommunications surveys & tutorials, 2009, 11（1）： 116-30.

　　[18] 冯笑可。 电磁频谱入侵信号检测技术研究 [D]; 北京邮电大学， 2019.

　　[19] 王磊， 谢树果， 苏东林， et al. 基于时间序列分析的频谱异常自主检测和稳健估计方法 [J]. 电子学报， 2014,42（6）： 1055-60.

　　[20] MACQUEEN J. Some Methods for Classification and Analysis of MultiVariate Observations, F, 1965 [C].

　　[21] FREY B J, DUECK D. Clustering by Passing Messages Between Data Points [J]. Science, 315（5814）： p.972-6.

　　[22] ESTER M, KRIEGEL H P, SANDER J, et al. A Density-Based Algorithm for Discovering Clusters in

　　Large SpatialDatabases with Noise [J].

　　[23] DENG J, DONG W, SOCHER R, et al. ImageNet: a Large-Scale Hierarchical Image Database; proceedings

　　of the 2009IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2009），

　　20-25 June 2009, Miami,Florida, USA, F, 2009 [C].

　　[24] 言有三。 深度学习之图像识别：核心技术与案例实战 [M]. 机械工业出版社， 2019.

　　[25] LECUN Y, BOSER B, DENKER J S, et al. Backpropagation applied to handwritten zip code recognition

　　[J]. Neuralcomputation, 1989, 1（4）： 541-51.

　　[26] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition [J].

　　Proceedings ofthe IEEE, 1998, 86（11）： 2278-324.

　　[27] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet Classification with Deep Convolutional Neural Networks [J].

　　Advances in neural information processing systems, 2012, 25（2）：

　　[28] DAHL G E, SAINATH T N, HINTON G E. Improving deep neural networks for LVCSR using rectified linear

　　units anddropout; proceedings of the Acoustics, Speech and Signal Processing （ICASSP）， 2013 IEEE International

　　Conference on, F,2013 [C].

　　[29] HINTON G E, OSINDERO S, TEH Y-W. A fast learning algorithm for deep belief nets [J]. Neural computation,

　　2006,18（7）： 1527-54.

　　[30] SUN Y, CHEN Y, WANG X, et al. Deep learning face representation by joint identification-verification;

　　proceedings ofthe Advances in neural information processing systems, F, 2014 [C].

　　[31] 王雨辰。 基于深度学习的图像识别与文字推荐系统的设计与实现 [D]; 北京交通大学， 2017.

　　[32] ZHU J, XU Z, WANG F, et al. Double Threshold Energy Detection of Cooperative Spectrum Sensing in

　　Cognitive Radio;proceedings of the Cognitive Radio Oriented Wireless Networks and Communications, 2008 CrownCom 2008 3rdInternational Conference on, F, 2008 [C].

　　[33] 金燕君， 朱琦， 郑宝玉。 认知无线网络中动态双门限协作频谱感知性能的优化方案 [J]. 信号处理， 2015,31（03）： 319-27.

　　[34] 李闯。 一种基于双门限能量检测的协作频谱感知优化算法 [D]; 长春： 吉林大学， 2015.

　　[35] 李敏乐， 毕大平， 韩佳辉。 基于形态学运算的子带频谱检测算法 [J]. 探测与控制学报， 2017, 4）： 49-53.

　　[36] 胡婧， 边东明， 谢智东， et al. 应用形态学滤波的卫星通信窄带干扰检测新方法 [J]. 计算机科学， 2016, 43（10）：120-4.

　　[37] PEREZ L, WANG J. The effectiveness of data augmentation in image classification using deep learning [J].

　　arXivpreprint arXiv:171204621, 2017.

　　[38] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative AdversarialNetworks [J]. Advances in

　　NeuralInformation Processing Systems, 2014, 3（2672-80.

　　[39] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features; proceedings of

　　theProceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition CVPR 2001, F,2001 [C]. IEEE.

　　[40] OJALA T, PIETIK?INEN M, HARWOOD D. A comparative study of texture measures with classification based

　　onfeatured distributions [J]. Pattern recognition, 1996, 29（1）： 51-9.

　　[41] WANG X, HAN T X, YAN S. An HOG-LBP human detector with partial occlusion handling; proceedings

　　of the 2009IEEE 12th International Conference on Computer Vision, F, 2010 [C].

　　[42] LE M H, WOO B S, JO K H. A Comparison of SIFT and Harris Conner Features for Correspondence Points Matching[J].

　　[43] COLLINS M, SCHAPIRE R E, SINGER Y. Logistic Regression, AdaBoost and Bregman Distances [J]. Machine Learning,48（1-3）： 253-85.

　　[44] QIN J, HE Z S. A SVM face recognition method based on Gabor-featured key points, F, 2005 [C].

　　[45] SHARIF RAZAVIAN A, AZIZPOUR H, SULLIVAN J, et al. CNN features off-the-shelf: an astounding baseline

　　forrecognition; proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognitionworkshops, F, 2014 [C].

　　[46] HUBEL D H, WIESEL T N. Receptive fields of single neurones in the cat's striate cortex [J]. The Journal of physiology,1959, 148（3）： 574-91.

　　[47] 李明熹， 林正奎， 曲毅。 计算机视觉下的车辆目标检测算法综述 [J]. 计算机工程与应用， 2019, 24）： 4.

　　[48] ZEILER M D, FERGUS R. Stochastic pooling for regularization of deep convolutional neural networks [J].

　　arXivpreprint arXiv:13013557, 2013,

　　[49] 白晓东， 朱文登， 刘波， et al. 基于底噪拟合的 Ku 频段卫星频谱信号检测方法 [J]. 南京邮电大学学报 （自然科学版）， 2019, 2019 年 03）： 51-7.

　　[50] LIN T-Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection; proceedings of the Proceedings of the IEEEinternational conference on computer vision, F, 2017 [C].

　　[51] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semanticsegmentation; proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognition, F,2014 [C].

　　[52] GIRSHICK R. Fast R-CNN [J]. Computer Science, 2015,[53] 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 & Machine Intelligence, 39（6）： 1137-49.

　　[54] ERHAN D, SZEGEDY C, TOSHEV A, et al. Scalable Object Detection using Deep Neural Networks [J].

　　[55] 郭冠华。 近距离观察 YOLOv3 [M]. 2018.

　　[56] HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition; proceedings of the IEEE Conference onComputer Vision & Pattern Recognition, F, 2016 [C].

　　[57] HOSANG J, BENENSON R, SCHIELE B. A Convnet for Non-maximum Suppression; proceedings of the GermanConference on Pattern Recognition, F, 2016 [C].

　　[58] BOTTOU L. Large-scale machine learning with stochastic gradient descent [M]. Proceedings of COMPSTAT'2010.

　　Springer. 2010: 177-86.

　　[59] KINGMA D P, BA J. Adam: A method for stochastic optimization [J]. arXiv preprint arXiv:14126980, 2014,[60] DUCHI J, HAZAN E, SINGER Y. Adaptive subgradient methods for online learning and stochastic optimization [J].

　　Journal of machine learning research, 2011, 12（Jul）： 2121-59.

　　[61] SOLLICH P, KROGH A. Learning with ensembles: How overfitting can be useful; proceedings of the Advances inneural information processing systems, F, 1996 [C].

　　[62] PRECHELT L. Automatic early stopping using cross validation: quantifying the criteria [J]. Neural Networks, 1998,11（4）： 761-7.

致谢

　　光阴似箭，岁月如梭，转眼间研究生生涯即将落下帷幕。三年的非全日制研究生生活让我在研究学习和社交能力上都有了很大的成长，在这里我要向指导我的老师和帮助我的同学表示感谢。

　　首先要感谢的是南邮卫星研究所的张更新教授。张教授在学术上高屋建瓴，为我们整个卫星研究所科研的方向和课题申请方面做出指导。另一方面张教授在生活和科研中了解学生的难处，让我们科研和就业能力同时提升。张老师不仅在我想要放弃研究生生活的时候提醒我在研究生生活中学会科研的能力，也给与了我科研补助让我能够像一个其他的全日制研究生一样进行科研生活。其次要感谢的是手把手教导我做科研和写论文专利的白晓东老师。刚刚入学的我是一个科研的小白，是白老师从科研的细节上开始指导，后面也是事无巨细的给我讲解如何进行论文和专利的撰写投稿和修改。感谢白老师对我的悉心指导，让我能够进入科研的大门。最后要感谢谢继东教授和卫星研究所的所有老师，感谢谢教授接收我进入卫星通信教研室才能够让我有机会在这里学习，感谢卫星研究所的其他老师对我的教导让我拓宽了学术视野。

　　感谢实验室的同学，能够一起面对科研和就业上面的问题，共同进步共同提高。感谢师兄师姐和师弟师妹们，共同组建了教研室这个温暖的大家庭。感谢 420 宿舍的舍友们，大家以非全日制研究生的身份共同来面对生活和就业的问题，给生活增添了色彩。感谢我家人和朋友们，你们是我在外求学的精神支柱，让我能够没有后顾之忧的去追求自己想要的未来，给我奋斗的动力。

　　最后，谨向于百忙中抽出时间对本论文进行评审和答辩的各位专家学者们表示最诚挚的敬意与感谢。

（如您需要查看本篇毕业设计全文，可点击全文下载进行查看）