1.一种基于深度学习的宽带信号检测方法，对接收到的宽带信号x(t)，假设并行信道数为m，每一路的采样数为N，其特征在于，所述方法包括以下步骤：S1、建立一个二元假设检验问题：其中，H0表示信号不存在，H1表示信号存在；

对接收信号通过m路MWC并行信道，在每路通道中与周期为Tp的伪随机序列进行混频，随后将每一路的混频信号经过截止频率为1/2Ts的低通滤波器，再通过fs＝1/Ts的ADC得到m路T

压缩采样序列yi(n)，构成一个m×N维矩阵Y＝[y1,y2,...,ym] ，同样的可以得到m×N维原始T T

信号序列X＝[x1,x2,...,xm]和噪声序列η＝[η1,η2,...,ηm]；

S2、计算MWC采样序列的协方差矩阵T

其中， 为原始信号序列X＝[x1,x2,...,xm] 的协方差矩阵， 为噪声序列η＝[η1,T

η2,...,ηm]的协方差矩阵；

S3、计算协方差矩阵 的特征值并进行归一化处理：其中Λ为m个特征值组成的一维向量。通过归一化处理后进行从大到小的排序得到1＝σ1≥σ2≥…≥σm＝0，绘画特征值分布情况图；

S4、在H0情况下， H1情况下， 因此，当信号存在时，随着信噪比的增大，协方差矩阵 的特征值分布的离散程度增大，将H0和H1情况下协方差矩阵 的特征值分布情况图作为深度学习的输入特征集；

S5、对每个信噪比点下的H0特征值分布图和H1特征值分布图进行保存，根据H0和H1情况出现的先验概率满足Pr(H0)＝Pr(H1)＝1/2来构建深度学习训练集和验证集，训练集占

70％，验证集占30％。

S6、搭建深度残差网络模型(ResNet34)，将由特征值分布情况图构成的训练集和验证集输入到残差网络模型进行训练评估。

S7、取训练过程中识别正确率最高的网络模型，然后进行宽带信号检测的测试，得到预测的信号类型和信号类型的概率大小。