1.一种基于L‑ResNet的直扩信号检测方法，其特征在于，包括以下步骤：步骤1、根据直扩信号的生成方式，构建检测信号的数学模型，通过对检测信号矩阵进行特征值分解运算得到特征值向量；

步骤2、由主特征分析法将特征值向量进行叠加处理，并将叠加后的特征值向量绘制成特征值柱状图；

步骤3、搭建局部二值模式残差网络L‑ResNet模型，通过在残差网络ResNet模型引入局部二值模式LBP提取特征值柱状图的纹理特征，利用LBP计算纹理特征块之间的相似度，约束L‑ResNet模型的损失函数；

所述的L‑ResNet模型结合ResNet和LBP，在损失函数计算中加入了LBP损失，损失函数公式如式(14)所示：Ltotal＝Ls+Llbp(14)

式中,Ltotal为L‑ResNet模型训练过程中的总损失，Ls为交叉熵损失，Llbp为纹理损失；

所述纹理损失Llbp，使用LBP提取残差网络特征图的纹理特征，通过计算纹理特征的三元组损失，作为L‑ResNet模型的纹理损失约束；Llbp的计算公式如式(16)所示：式中，N为训练集中一个批次图像的数目， 为当前计算纹理损失的第i张残差网络特征图， 为相同含有直扩信号或不含直扩信号的第i张残差网络特征图， 为相反含有直扩信号或不含有直扩信号的第i张残差网络特征图，α为介于正负之间的差值常量，flbp(·)为LBP纹理特征提取函数，选取残差网络特征图为 计算公式为式(17)所示：式中，Ωc是目标像素点值(pc,qc)的邻域，邻域半径为1，s(·)为符号函数，d是二进制判决值的位数；

步骤4、构建不同虚警概率以及不同信噪比下的特征值柱状图数据集，将特征值柱状图作为L‑ResNet模型的输入，训练L‑ResNet模型，待L‑ResNet模型损失收敛后，测试L‑ResNet模型的直扩信号检测性能，得到L‑ResNet模型检测直扩信号的概率。

2.根据权利要求1所述的一种基于L‑ResNet的直扩信号检测方法，其特征在于，所述步骤1分为如下两种情况：

1‑1、在没有瑞利衰落时，待检测的含有K个用户直扩信号的异步多用户的数学模型表达式为：其中，T1为采样周期，sk(nT1)为第k个用户的直扩信号分量，τk为第k个用户的信号延时，ρk为第k个用户的信号幅度，bk(nT1)为第k个用户信号的信息序列，ck(nT1)为第k个用户的扩2

频序列，N(nT1)为均值为0，方差为σ的加性高斯白噪声分量；

采用M个观测向量进行直扩信号检测，此时第m个观测向量为：

T

rm＝[r((m‑1)L+1+τk),r((m‑1)L+2+τk),...,r(mL+τk)]，m＝1,2,3,...,M(2)其中，L为伪码周期，根据式(1)和式(2)，定义向量长度为2L的观测信号向量Xm为：Τ Τ Τ

Xm＝[rm ,rm+1 ] ＝Gbm+vm                    (3)式中，G为包含直扩序列调制的混合信号矩阵，bm为用户第m个信息码向量，vm为第m个信息码采样时刻的高斯白噪声向量，其中，G和bm可表示为：G＝[ρ1C1,e,ρ1C1,l,...,ρKCK,e,ρKCK,l]2L×2K               (4)对第k个用户信号的G和bm展开，得到：

式(6)和式(7)中，Ck,e和Ck,l分别为检测信号中第k个用户的两个信道向量，bm,k,e和bm,k,l分别为第k个用户中第m个数据的两个信号向量，每个检测信号对应两个信号子空间，当检测信号不含有直扩信号时，检测信号包含的两个子空间皆为噪声子空间；

计算此时观测向量的协方差矩阵，并对协方差矩进行特征值分解得到：

式中，US和UN的列向量分别对应信号子空间和噪声子空间，DS和DN分别对应信号和噪声的子空间的特征值，O为零矩阵，特征值个数为2L，Ek,e＝||Ck,e||/L和Ek,l＝||Ck,l||/L为伪码序列的能量，||.||为取向量的2范数，μk,e＝Ck,e/||Ck,e||和μk,l＝Ck,l/||Ck,l||为归一化伪码向量，I为单位矩阵；每个用户的信号空间被划分为两个不相关的子空间，信号的样本协方差矩阵由2K个信号子空间和噪声子空间组成，因此第k个用户的特征值表示为：其中，对于第k个用户，λk,e是前部分的特征值，λk,l是最后部分的特征，λN,n是最后噪声子空间的特征值；

1‑2、在有瑞利衰落时，此时待检测的含有K个用户直扩信号的异步多用户的数学模型表达式为：其中hk为第k个用户的瑞利信道衰落增益，服从瑞利分布，根据式(10)的推导结果，对检测信号协方差矩进行特征值分解，其结果为：

3.根据权利要求2所述的一种基于L‑ResNet的直扩信号检测方法，其特征在于，所述步骤2具体包括如下两种情况：

2‑1.在没有瑞利衰落时，根据主特征分析法，选择检测信号的前2K个主特征子空间，其他子空间等效为噪声子空间，构造K个用户的信号特征值的柱状图，将前2K个特征值的叠加结果作为新的第一特征值，而其他特征值保持不变；特征值叠加后，特征值柱状图中每个特征值的数学表达式表示为：其中，对于瑞利衰落信道中的第k个用户，λ1为第一个用户特征值，λk为第k个用户特征值，λN,n则是最后第L‑2K个噪声子空间的特征值；

2‑2.在有瑞利衰落时，当构造K个用户的直扩信号特征值的柱状图时，将协方差矩阵的前2K个特征值的叠加作为新的第一特征值，而其他特征值保持不变；特征值相加后，特征值柱状图中每个特征值的数学表达式表示为：其中，对于瑞利衰落信道中的第k个用户， 为第一个用户特征值， 为第k个用户特征值， 是最后L‑2K噪声子空间的特征值。

4.根据权利要求3所述的一种基于L‑ResNet的直扩信号检测方法，其特征在于，所述交叉熵损失Ls的计算公式如式(15)所示：式中，N为训练集中一个批次图像的数目，n为训练集中特征值柱状图图像的类别数，fi为第i张特征值柱状图图像的特征向量，yi为fi对应的类别， 为fi对应的类别yi的权重矩阵，Wj为权重矩阵W的第j列，bj为偏置项。