CN103267905B - 一种基于分层-聚类算法的电磁背景噪声提取方法 - Google Patents

Abstract

本发明公开了一种基于分层-聚类算法的电磁背景噪声提取方法，涉及无线电管理技术领域。所述提取方法首先构建频谱监测扫描获取的频谱-场强数据集；然后对所述频谱-场强数据集进行数据子集划分和场强分层，获取各聚类簇的中心场强值；对所述聚类簇的中心场强值进行排序，得到电磁背景噪声样本值；最后形成电磁背景噪声样本序列，获取单位时间内电磁背景噪声电平。本发明提升了电磁背景噪声测量的科学性和自动化程度；有效弥补ITU-RP.372方法给出的噪声曲线未考虑实际无线电系统发射因素，因而易导致估计噪声值较真实值偏低的不足；克服了ITU-R？SM.1753方法依靠人工选择空闲频点场强作为噪声样本值的方式，提高电磁背景噪声计算的准确性。

Description

一种基于分层-聚类算法的电磁背景噪声提取方法

技术领域

本发明涉及无线电管理技术领域，具体涉及一种基于分层-聚类算法的电磁背景噪声提取方法，可应用于无线电监测中电磁背景噪声测量、频谱占用度统计和电磁环境分析与评估等。

背景技术

电磁背景噪声测量是无线电管理部门日常无线电监测中的重要测试内容，也是确定频谱占用度统计门限的主要参考。目前我国大多数无线电监测站对电磁背景噪声值的测量主要以监测接收机显示出的频谱曲线或者经验值来确定。而在频谱占用度统计中，按照国家无线电管理局下发的《关于下发<无线电频谱监测统计报告暂行规定>的通知》，要求统计上报各固定监测站的各频段占用度时，将信号门限电平值定为背景噪声值+5dB。这种依靠人工（或经验）读取底噪值的做法使得占用度统计结果受人为因素影响较大，不便于对电磁环境状况进行准确定量分析和评估。

在ITU-RP.372建议书《无线电噪声》中，将无线电噪声定义为一种在射频范围内具有明显不传送信息的分量的时变电磁现象，这些分量可叠加在有用信号上，或和有用信号相组合。无线电噪声是来自于多个发射源的无线电发射总和，并且这些发射不是来自无线电通信发射机。在给定测量地点，如果没有单一的噪声源占主导，那么无线电噪声在幅值上服从正态分布，此时无线电噪声可以看做高斯白噪声。该建议书根据美国上世纪70年的测量数据，采用线性插值的方法表示300KHz-250MHz频率范围内的噪声值与多种环境之间的关系。如以噪声系数F_am表示的估算公式为：

F_am＝c-dlogf(1)

其中f为噪声频率，c和d为环境类型常数且取值如表1所示：

表1常用c和d的取值

环境类型	c	d
			城市	76.8	27.7
住宅	72.5	27.7
			农村	67.2	27.7
宁静乡村	53.6	28.6
			银河噪声	52.0	23.0

2006/2007年在欧洲开展的测量工作通常证实了上述噪声数值。对于理想接地平面上的短（h≤λ）垂直单极天线而言，噪声场强的垂直部分可表示为：

E_n＝F_am+20logf_MHz+B-95.5dB(μV/m)(2)

其中E_n表示接收带宽范围内的噪声场强值，f_MHz表示中心频率，B表示接收系统噪声功率带宽（Hz），h为天线高度，λ为电波波长。

ITU-RP.372建议书将无线电噪声规定为各种来源的非欲收辐射的总和，且专门排除了来自单一的可识别源头的发射，这种情况并不适用于实际环境特别是城市和居民区中噪声发射设备的密度高的情况。在采用了新的（产生无线电噪声的）电气和电子设备以及无线电通信系统（例如超宽带（UWB）、电力线通信（PLC）和计算机）后，ITU-RP.372建议书中规定的无线电噪声电平可能会提高，因此，ITU-RSM.1573建议书给出了一种实际无线电应用中测量和评估无线电噪声的方法。该ITU-RSM.1573建议书将无线电噪声分为高斯白噪声、脉冲噪声和单载波噪声三种分量，用均方根值来表征高斯白噪声分量。

对于高斯白噪声的测量通常采用“20%方法”。首先对所研究的频段进行扫描，选取某一不存在发射的频点（可使用某一不存在指配的频率或服从以高斯幅值分布的背景噪声为主的一段频率），记录测量周期内（一般为24小时以上）的电平值，只采用电平最低的20%的样本而舍弃另外80%的样本，而后使用剩余20%样本的均值或中值估计噪声电平。

ITU-RSM.1573建议书提供的方法一般需要人工参与或数据库支持选择空闲频率，而且在样本剔除的过程中也可能消除一些含有噪声的样本，往往导致得到过低的噪声电平，需要对结果加以修正或验证截止值。

发明内容

为了克服现有电磁背景噪声测量方法存在噪声电平较低、智能化程度不高等不足，本发明提供了一种基于分层-聚类算法的电磁背景噪声提取方法。所述提取方法将无线电监测中频谱场强分布点划分为若干聚类簇，通过提取最底层场强分布聚类簇及其中心场强值，实现背景噪声场强值与信号场强值的自动分离；本发明综合考虑昼夜、人为用频行为等因素导致的在电磁背景噪声时变特性波动，客观反映电磁背景噪声实时变化规律，所述提取方法具体包括如下步骤：

第一步，构建频谱监测扫描获取的频谱-场强数据集；

第二步，基于无线电业务对所述频谱-场强数据集进行数据子集划分和场强分层；

第三步，基于分层-聚类算法确定聚类簇中心场强值；

第四步，对所述聚类簇的中心场强值进行排序，取最小值得到电磁背景噪声样本值；

第五步，重复第一步～第四步，形成电磁背景噪声样本序列；

第六步，确定单位时间内电磁背景噪声电平。

本发明优点在于：

1.将以往凭人工或凭经验方式读取电磁背景噪声的定性方法，转变为基于严格数学模型的定量求解方法，提升了电磁背景噪声测量的科学性和自动化程度；

2.有效弥补ITU-RP.372方法给出的噪声曲线不考虑实际无线电系统发射因素，因而易导致估计噪声值较真实值偏低的不足；

3.通过分层-聚类算法自动选择满足簇类分布特性的电磁背景噪声样本值，克服了ITU-RSM.1753方法依靠人工选择空闲频点场强作为噪声样本值的方式，提高电磁背景噪声计算的准确性。

附图说明

图1A为88-108MHz（FM广播）频段某次扫描获取的监测频谱图；

图1B为88-108MHz（FM广播）基于分层-聚类算法得到的频谱-场强数据集分簇结果；

图1C为88-108MHz（FM广播）连续8天电磁背景噪声变化曲线；

图2A为403-470MHz频段某次扫描获取的监测频谱图；

图2B为403-470MHz频段基于分层-聚类算法得到的频谱-场强数据集分簇结果；

图2C为403-470MHz频段连续8天电磁背景噪声变化曲线；

图3A为890-915MHz频段某次扫描获取的监测频谱图；

图3B为890-915MHz频段基于分层-聚类算法得到的频谱-场强数据集分簇结果；

图3C为890-915MHz频段连续8天电磁背景噪声变化曲线；

图4A为88-108MHz频段扫描中最底层频点数量变化；

图4B为88-108MHz频段分层-聚类算法与其它方法结果比较。

具体实施方式

下面结合附图对本发明进一步说明。

本发明提供一种基于分层-聚类算法的电磁背景噪声提取方法，所述提取方法具体包括如下步骤：

第一步，构建频谱-场强数据集。

由于空间电磁频谱具有时域、空域和频域等多维分布属性，决定了频谱监测数据必然构成具有上述多维特征的数据集，称为频谱-场强数据集。同时由于监测信号频谱的量值与监测设备的参数设置密切关系，故频谱-场强数据集必然含有反映监测设备设置的参数。监测扫描过程中随时间累积形成的频谱-场强数据用矩阵元素集M表示，频谱-场强数据可用式（3）和式（4）表示如下：

$\left\{\begin{array}{c}M=\left[M_{s_k}(f_i,t_j)\right](i=\mathrm{1,2},...,N_f;j=\mathrm{1,2},...,N_t;k=\mathrm{1,2},...,N_k)\\ M_{s_k}(f_i,t_j)=\frac{1}{B_d{T}_d}\&times;\underset{t_j-\frac{T_d}{2}}{\overset{t_j-\frac{T_d}{2}}{\&Integral;}}\underset{f_i-\frac{B_d}{2}}{\overset{f_i+\frac{B_d}{2}}{\&Integral;}}P(f_i,t_j)\mathrm{dfdt}\end{array}\right.---\left(3\right)$

其中，

$\left\{\begin{array}{c}{F}_{\mathrm{start}}\&le;f_i<F_{\mathrm{stop}}\\ T_{\mathrm{start}}\&le;t_j<T_{\mathrm{stop}}\\ f_i=F_{\mathrm{start}}+(i-1)\&times;B_r\\ T_j=T_{\mathrm{start}}+(j-1)\&times;T_r\\ T_s=N_f{T}_d+T_a,T_s\&Proportional;T_r\\ N_f=\frac{B_s}{B_r},N_t=\frac{T}{T_r},\\ T=T_{\mathrm{stop}}-T_{\mathrm{start}}\end{array}\right.---\left(4\right)$

各参数的含义如下：

M：频谱监测数据的矩阵元素集；

频谱监测数据矩阵元素，s_k表示频谱监测位置；

P(f,t)：频谱监测设备测量信号功率密度；

F_start，T_start：频谱监测设备扫描起始频率和时间；

F_stop，T_stop：频谱监测设备扫描终止频率和时间；

f_i，t_j：频谱监测设备设定频率值和时间段；

B_r，T_r：频谱监测设备扫描频率分辨率和时间分辨率；

B_s，T：频谱监测设备测量频率宽度和测量时间；

B_d，T_d：频谱监测设备视频带宽及其扫描时间；

T_s，T_a：频谱监测设备扫描时间段和驻留时间段；

N_f,N_t,N_k：信道、采样时刻和监测点的数量；

第二步，对频谱-场强数据集进行数据子集与场强层次划分。

将频谱-场强数据集按照无线电业务所在的频段划分为n个数据子集，根据监测频谱的频谱-场强分布，每个数据子集又分为k个场强层次（C₁,C₂,…,C_k），可视为初始聚类簇，在每个场强层次中随机选取一个场强值作为各聚类簇的初始中心场强值。k的值由监测频谱的动态范围决定（k≥1），即：

$k=\mathrm{ROUND}\left(\frac{\max \left(M_{s_k}(f_i,t_j)\right)-\min \left(M_{s_k}(f_i,t_j)\right)}{d}\right)(i=\mathrm{1,2},...,N_f;j=\mathrm{1,2},...,N_t;)---\left(5\right)$

其中d为确定场强层次个数的信号场强电平间隔值，一般取5dB；max表示取最大值，min表示取最小值，ROUND表示做四舍五入取整运算。

第三步，基于分层-聚类算法确定聚类簇中心场强值。

在场强层次的个数k确定的情况下，采用k-means聚类算法寻找各聚类簇的中心场强值，具体为：

（1）按照距离最近原则，将每个数据子集内除初始中心场强值外的剩余场强分布点分别指派给最近的初始中心场强值，形成一个聚类簇；

（2）计算每个聚类簇的中心场强值。

（3）将重新计算得到的中心场强值再作为初始中心场强值，返回步骤（1），直到数据子集内的距离平方函数达到最小值。所述距离平方函数定义如下：

$D=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{p\&Element;C_i}{\mathrm{\&Sigma;}}{|p-m_i|}^2---\left(6\right)$

式中，D表示数据子集内所有场强分布点到其各自聚类簇中心的距离平方和，C_i表示第i个聚类簇，p表示聚类簇C_i所包含的场强分布点，m_i表示聚类簇C_i的中心场强值，k表示聚类簇个数。

在k-means聚类算法迭代过程中，可能出现在初始设置的聚类簇的中心场强值外没有场强分布点的情况，这时k-means聚类算法输出该聚类簇的元素为0，且将初始设置的中心场强值作为该聚类簇的中心场强值。

第四步，选取底层数据簇并确定电磁背景噪声样本值。

通过前三步计算，将频谱-场强数据集中的每个数据子集分为以各聚类簇中心场强值为层中心的k个场强层次，通过将k个场强层次的中心场强值做排序处理，选取最小值（代表最底层中心电平值）为t时刻电磁背景噪声样本值n_t。

n_t＝min{m₁,m₂,...,m_k}(7)

其中，m_i表示聚类簇C_i的中心场强值。

第五步，基于频谱监测扫描数据重复第一步～第四步，可形成测量时间T内的电磁背景噪声样本序列N。

N＝{n₁,n₂,...,n_t,...,n_T}(8)。

第六步，确定单位时间内电磁背景噪声。

为得到指定单位时间（典型为小时）内的电磁背景噪声电平，按照“20%方法”原理，将单位时间内电磁背景噪声样本序列按照取值大小排序，剔除较大的80%样本值，取较小的20%样本均值作为该时间内的电磁背景噪声估计值。该估计值通常可作为频谱占用度统计时确定门限值的依据。

实施例

应用本发明提供的方法，对88-108MHz（FM广播）进行电磁背景噪声测量，测量数据来自对某地区连续9天（2011年10月13日2:30至2011年10月21日16:31）的实地频谱监测，监测天线架设在某楼顶(东经39°54′15″，北纬116°24′27″，距地面高约40米)。监测设备包括Agilent9340B频谱分析仪、数据记录和存储计算机以及CS-AOS30-3000V有源全向天线。监测频段设置为30-3000MHz，频率扫描分辨率为100kHz，每次扫描采样的频率点数为29800个，在频谱监测时间内连续测量得到1815个时间点的“频谱-场强”数据样本。88-108MHz（FM广播）电磁背景噪声提取可分为以下步骤：

第一步，从监测数据中抽取88-108MHz（FM广播）监测数据集其中s_k(k＝1)表示本实验监测位置，即东经39°54′15″，北纬116°24′27″，离地高度40米，f_i∈[88,108]MHz，t_j∈[1,1815]。数据集时域分布原始频谱图如图1A所示。

第二步，对第一步中得到的频谱-场强数据集进行数据子集和场强层次划分，分层间隔值d取5dB，根据（5）式场强分层方法得到7个场强层次；

第三步，k-means聚类算法寻找7个聚类簇的中心场强值，并根据式（6）确定每个聚类簇的样本值，得到88-108MHz频谱场强分层-聚类分布如图1B所示。

第四步，将第三步中得到的7个聚类簇中心场强值按从大到小顺序排列，如图1C所示，依据（7）式取最小值作为背景噪声样本序列；

第五步，对1815个频谱扫描数据样本重复按照第一步到第四步的方法进行处理，从而得到88-108MHz（FM广播）频段持续8天的背景噪声样本序列；对背景噪声样本序列中所包含的样本个数以天为单位求均值，可得到处于噪声簇类频点的数量变化情况，如图4A所示；

第六步，按照“20%方法”原理，将每小时内监测扫描的电磁背景噪声样本序列按照取值大小排序，剔除较大的80%样本值，取较小的20%样本均值作为该时段内电磁背景噪声估计值。首先求取每天24小时对应的电磁背景噪声估计值，再求取连续8天电磁背景噪声估计值以天为单位的均值，即可得到本次测量24小时内电磁背景噪声变化曲线，如图4B所示。

采用上述同样处理方法，可以得到403-470MHz频段和890-915MHz（GSM上行业务）的电磁背景噪声的分层聚类计算结果和电磁背景噪声变化曲线。分别如图2A～图2C和图3A～图3C所示。

为便于分析比较，图4B中同时给出了ITU-P.372中给出了相同频段背景噪声曲线，以及基于相同测试数据和ITU-SM.1573方法得到的电磁背景噪声曲线。由图4B可以看出，采用本发明提出的方法，能够克服ITU-RP.372建议对电磁背景噪声估计过于理想以及ITU-RSM.1753建议对电磁背景噪声估计过低的缺陷。

Claims (4)

1.一种基于分层-聚类算法的电磁背景噪声提取方法，其特征在于：所述提取方法包括如下步骤：

第一步，构建频谱监测扫描获取的频谱-场强数据集；

第二步，基于无线电业务对所述频谱-场强数据集进行数据子集划分和场强分层；

第三步，基于分层-聚类算法确定聚类簇中心场强值；

第四步，对所述聚类簇的中心场强值进行排序，得到电磁背景噪声样本值n_t：

n_t＝min{m₁,m₂,...,m_k}(7)

其中，m_i表示聚类簇C_i的中心场强值,k表示聚类簇个数；

第五步，重复第一步～第四步，形成电磁背景噪声样本序列N，N＝{n₁,n₂,...,n_t,...,n_T}；其中T为频谱监测扫描时长；

第六步，确定单位时间内电磁背景噪声电平。

2.根据权利要求1所述的一种基于分层-聚类算法的电磁背景噪声提取方法，其特征在于：所述的场强分层是指将每个数据子集又分为k个场强层次，表示为C₁,C₂,…,C_k，作为初始聚类簇，在每个场强层次中随机选取一个场强值作为各聚类簇的初始中心场强值；所述k的值由监测频谱的动态范围决定，k≥1，即：

$k=\mathrm{ROUND}\left(\frac{\max \left(M_{s_k}(f_i,t_j)\right)-\min \left(M_{s_k}(f_i,t_j)\right)}{d}\right)$

其中，i＝1,2,…,N_f；j＝1,2,…,N_t，d为确定场强层次个数的信号场强电平间隔值，取5dB；ROUND表示做四舍五入取整运算,N_f,N_t表示信道、采样时刻的数量,为频谱监测数据矩阵元素，s_k表示频谱监测位置。

3.根据权利要求1所述的一种基于分层-聚类算法的电磁背景噪声提取方法，其特征在于：所述的第三步具体为：

(1)按照距离最近原则，将每个数据子集内除初始中心场强值外的剩余场强分布点分别指派给最近的初始中心场强值，形成一个聚类簇；

(2)计算每个聚类簇的中心场强值；

(3)将重新计算得到的中心场强值再作为初始中心场强值，返回步骤(1)，直到数据子集内的距离平方函数达到最小值；所述距离平方函数定义如下：

$D=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{p\&Element;C_i}{\mathrm{\&Sigma;}}{|p-m_i|}^2$

式中，D表示数据子集内所有场强分布点到其各自聚类簇中心的距离平方和，C_i表示第i个聚类簇，p表示聚类簇C_i所包含的场强分布点，m_i表示聚类簇C_i的中心场强值，k表示聚类簇个数。

4.根据权利要求1所述的一种基于分层-聚类算法的电磁背景噪声提取方法，其特征在于：所述的第六步具体为：按照“20％方法”原理，将单位时间内电磁背景噪声样本序列按照取值大小排序，剔除较大的80％样本值，取较小的20％样本均值作为该时间内的电磁背景噪声估计值。