CN106443590B - 一种基于频域的类梯形信号检测方法及装置 - Google Patents
一种基于频域的类梯形信号检测方法及装置 Download PDFInfo
- Publication number
- CN106443590B CN106443590B CN201610830430.5A CN201610830430A CN106443590B CN 106443590 B CN106443590 B CN 106443590B CN 201610830430 A CN201610830430 A CN 201610830430A CN 106443590 B CN106443590 B CN 106443590B
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- frequency
- filtered output
- window
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
Abstract
本发明提出一种基于频域的类梯形信号检测方法及装置,该方法获取频域信号后,首先通过一个窗口函数判断频域信号的上升沿和下降沿,然后再利用坐标变换算法及直方图统计算法,统计信号值以及频率点位的分布情况,实现信号平稳度的判断,最终实现无人机信号检测。本发明既解决了传统雷达研发难的问题,也客服了时域数据传输量大的缺点,并且能够很好的排除干扰信号的影响。
Description
技术领域
本发明涉及通信领域,特别涉及一种基于频域的类梯形信号检测方法及装置。
背景技术
无人机是现今科技界的大热话题,以无人机为平台的各种应用已经逐步渗透至各个行业,无人机技术被广泛应用于军警空中侦察、公共安全监管、空中安保、抢险救灾、环境检测、专业航拍、科学考察等领域,然后随之而来是低空领域的安全问题,因此有必要进行无人机检测及监管,而无人机的信号发现显得格外重要。目前的无人机信号发现,有基于雷达检测的,雷达检测精度比较高,但成本略高,且研发难度偏高,一般用于军用。有基于时域信号检测的,但需进行信号解调,且不同无人机的信号可能完全不一样,每更新一款无人机,原先的检测算法可能就没办法使用,而且数据传输量大,对软硬件要求比较高,有基于频域判断的,但判断效果不是很好,原因在于无人机信号受信号干扰比较大,如wifi信号、基站信号等等。
在频谱分布图中,形状类似于梯形或矩形,并且上升沿具有较平稳特点的信号,可称之为类梯形信号,无人机信号便是一种较为典型的类梯形信号。图1为无人机信号的频谱分布图,其中的2突变信号组成的类梯形信号便是无人机信号,其他为干扰的信号,干扰信号的特点是分部不规则。
发明内容
为此,本发明提出一种基于频域的高精度类梯形信号检测方法及装置,既解决了传统雷达研发难的问题,也客服了时域数据传输量大的缺点,并且能够很好的排除干扰信号的影响。
具体方案如下:
一种基于频域的类梯形信号检测方法,包括:
获取频域信号序列;
对频域信号序列进行初步处理;
对频域信号序列进行类梯形信号预检测;
判断经预检测后的频域信号序列中是否存在类梯形信号。
具体的,对频域信号序列进行初步处理具体是:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况。
具体的,所述的对频域信号序列进行类梯形信号预检测具体步骤如下:选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;
当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;
当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定为疑似类梯形信号,否则不是类梯形信号。
具体的,所述的判断经预检测后的频域信号序列中是否存在类梯形信号的具体步骤如下:
获取所述的疑似类梯形信号;
设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;
统计修正后信号值对应的频率点H(X);
计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,
其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
计算最大频率点数的信号均值,记为Avemax,其中
若所有信号的信号均值AveN同时满足:
其中Tave为信号均值的阈值,TH为信号平稳性阈值;
则判断该信号序列为类梯形信号,否则不是类梯形信号。
一种基于频域的类梯形信号检测装置,包括:
第一获取模块,用于获取频域信号序列;
初步处理模块,用于对频域信号序列进行初步处理;
预检测模块,用于对频域信号序列进行类梯形信号预检测;
检测模块,用于判断经预检测后的频域信号序列中是否存在类梯形信号。
具体的,所述的初步处理模块具体用于:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况。
具体的,所述的预检测模块包括:
窗口函数选取模块,用于选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;
第一计算模块,用于将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
第一判断模块,用于当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定该信号序列为疑似类梯形信号,否则不是类梯形信号。
具体的,所述的检测模块包括:
第二获取模块,用于获取所述的疑似类梯形信号;
修正模块,用于设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;统计模块,用于统计修正后信号值对应的频率点H(X);
第二计算模块,用于计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
第三计算模块,用于计算最大频率点数的信号均值,记为Avemax,其中
第二判断模块,用于若信号序列的信号均值AveN同时满足:
其中Tave为信号均值的阈值,TH为信号平稳性阈值,则判断该信号序列为类梯形信号,否则不是类梯形信号。
本发明通过频域信号获取信号频率及信号值的分布,判断信号的信号值以及平稳性,通过信号阈值以及平稳性阈值的设定以实现对干扰信号的区分,进而精准的判断出类梯形信号。
附图说明
图1为无人机信号的频谱分布图;
图2为本发明实施例的方法流程图;
图3为本发明装置的结构示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。现结合附图和具体实施方式对本发明进一步说明。
实施例一:本发明实施例为基于频域的无人机信号的检测方法,无人机信号为典型的一种类梯形信号。
图1为该基于频域的无人机信号的检测方法的流程图,其包括以下步骤:
S10、获取频域信号序列;
S20、对频域信号序列进行初步处理:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况;
S30、对频域信号序列进行无人机信号预检测:选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;
将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定为无人机信号,否则不是无人机信号。
S40、判断经预检测后的频域信号序列中是否存在类梯形信号:
获取所述的疑似类梯形信号;
设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;
统计修正后信号值对应的频率点H(X);
计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
计算最大频率点数的信号均值,记为Avemax,其中
若所有信号的信号均值AveN同时满足:
其中Tave为信号均值的阈值,TH为信号平稳性阈值,则判断该信号序列为无人机信号,否则不是无人机信号。
本实施例中,获取到频域信号之后,首先通过一个窗口函数判断频域信号的上升沿和下降沿,然后再利用坐标变换算法及直方图统计算法,统计<信号值,频率点位>的分布情况,实现信号平稳度的判断,最终实现无人机信号检测。
假设信号值记为Sig,频率点位记为Freq,第n点的数据对记为<Freqn,Sign>,如信号点<-71.56355286db,10Mhz>,表示在10MHz位置的信号值是-71.56355286db,那么一组无人机数据可以记为{<Freq1,Sig1>,<Freq2,Sig2>,…,<FreqN,SigN>},总共N对。
无人机信号的预检测步骤中:首先选取一窗口函数,宽度为W,要求该窗口至少能覆盖3个频率点,从第一个位置开始平移,每平移一个位置,计算下窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
对于平稳信号而言,Grad值基本都在0值上下浮动,而一旦遇到数据曲线的变化沿(上升沿或者下降沿),Grad值就会发生跳变,当窗口逐渐进入变化沿区域,其值先由小变大;当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;当窗口离开变化沿区域,Grad值由大变小,因此如果出现无人机,那么Grad值会出现以上的变化过程,否则不是无人机信号。
无人机信号具体判断的步骤:
1)以信号值Sig为x轴,进行坐标变换,根据数据模型选取某一精度因子,记为ACC,表示信号值的灵敏度,例如信号点<-71.56355286db,10Mhz>,如选取0.01为灵敏度,则<-71.56999999db,15Mhz>代表跟<-71.56355286db,10Mhz>属于同一类型的信号,同属无人机信号或同属干扰信号。
2)以灵敏度ACC为最低有效数字,对经度值进行修正,记为大写X,去掉无效数字,然后对信号值进行直方图统计,以H(X)表示经度修正值为X的所有频率点的总数;这里H(X)的大小即为信号修正值为X所对应的频率点数;
3)找出最大的H(X-ACC)+H(X)+H(X+ACC),其X记为Xmax,三者之和记为HH(Xmax),叫做最大频率点数
4)计算最大频率点数的信号均值,记为Avemax,
5)整组信号的信号均值,记为AveN
如果同时满足:
那么则判断该信号为无人机信号,其中Tave为信号均值的阈值,其值越大,抗噪能力越强,TH为信号平稳性阈值,其值越小,抗噪能力越强。实际取值,需根据具体应用场景进行设置,设置原则是:能够区分无人机信号跟干扰信号即可,否则超过一定值,会把所有信号全部判断为无人机或者全部判断为噪声信号。
需要说明的是,本发明方法仅以无人机信号检测作为优选的实施例示出,但任何基于边沿判断及信号平稳性判断类梯形信号的类似应用场景,本发明的方法都是适用的。
基于与本发明实施例一相同的发明构思,本发明实施例二提供了一种基于频域的无人机信号检测装置,该装置如图3所示,包括:
第一获取模块,用于获取频域信号序列;
初步处理模块,用于对频域信号序列进行初步处理;
预检测模块,用于对频域信号序列进行类梯形信号预检测;
检测模块,用于判断经预检测后的频域信号序列中是否存在类梯形信号。
具体的,所述的初步处理模块具体用于:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况。
具体的,所述的预检测模块包括:
窗口函数选取模块,用于选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;
第一计算模块,用于将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
第一判断模块,用于当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定该信号序列为疑似类梯形信号,否则不是类梯形信号。
具体的,所述的检测模块包括:
第二获取模块,用于获取所述的疑似类梯形信号;
修正模块,用于设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;统计模块,用于统计修正后信号值对应的频率点H(X);
第二计算模块,用于计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
第三计算模块,用于计算最大频率点数的信号均值,记为Avemax,其中
第二判断模块,用于若信号序列的信号均值AveN同时满足:
其中Tave为信号均值的阈值,TH为信号平稳性阈值,则判断该信号序列为类梯形信号,否则不是类梯形信号。
同样需说明的是,本发明装置仅以无人机信号检测作为优选的实施例示出,但任何基于边沿判断及信号平稳性判断类梯形信号的类似应用场景,本发明的装置都是适用的。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (2)
1.一种基于频域的类梯形信号检测方法,其特征在于,包括:
获取频域信号序列;
对频域信号序列进行初步处理;
对频域信号序列进行类梯形信号预检测;
判断经预检测后的频域信号序列中是否存在类梯形信号;
其中,对频域信号序列进行初步处理具体是:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况,所述的对频域信号序列进行类梯形信号预检测具体步骤如下:
选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;
将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;
当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;
当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定为疑似类梯形信号,否则不是类梯形信号,所述的判断经预检测后的频域信号序列中是否存在类梯形信号的具体步骤如下:
获取所述的疑似类梯形信号;
设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;
统计修正后信号值对应的频率点H(X);
计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,
其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
计算最大频率点数的信号均值,记为Avemax,其中
若所有信号的信号均值AveN同时满足:
其中Tave为信号均值的阈值,N为一组无人机数据总对数,TH为信号平稳性阈值;
则判断该信号序列为类梯形信号,否则不是类梯形信号。
2.一种基于频域的类梯形信号检测装置,其特征在于,包括:
第一获取模块,用于获取频域信号序列;
初步处理模块,用于对频域信号序列进行初步处理;
预检测模块,用于对频域信号序列进行类梯形信号预检测;
检测模块,用于判断经预检测后的频域信号序列中是否存在类梯形信号;
其中,所述的初步处理模块具体用于:统计出频域信号序列中信号值Sig以及频率点位Freq的分布情况,所述的预检测模块包括:
窗口函数选取模块,用于选取窗口函数,并且该窗口至少能覆盖3个频率点,窗口函数宽度为w;
第一计算模块,用于将窗口函数进行平移,每平移一个频率点的位置,计算窗口所覆盖的频率点对应的信号值梯度Grad,对于第i位置点的窗口所对应的信号梯度Grad,
第一判断模块,用于当Grad值出现如下的变化过程:当窗口逐渐进入变化沿区域,其值先由小变大;当整个窗口全部进入变化沿区域内,Grad取得最大值,并保持一定的平稳性;当窗口离开变化沿区域,Grad值由大变小,上述三种情况均符合,则初步判定该信号序列为疑似类梯形信号,否则不是类梯形信号,所述的检测模块包括:
第二获取模块,用于获取所述的疑似类梯形信号;
修正模块,用于设置信号值灵敏度Acc以对信号值修正,信号修正值记为X;统计模块,用于统计修正后信号值对应的频率点H(X);
第二计算模块,用于计算获取最大频率点数HH(Xmax),Xmax为最大信号修正值,其中HH(X)=H(X-ACC)+H(X)+H(X+ACC);
第三计算模块,用于计算最大频率点数的信号均值,记为Avemax,其中
第二判断模块,用于若信号序列的信号均值AveN同时满足:
其中Tave为信号均值的阈值,N为一组无人机数据总对数,TH为信号平稳性阈值,则判断该信号序列为类梯形信号,否则不是类梯形信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610830430.5A CN106443590B (zh) | 2016-09-19 | 2016-09-19 | 一种基于频域的类梯形信号检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610830430.5A CN106443590B (zh) | 2016-09-19 | 2016-09-19 | 一种基于频域的类梯形信号检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443590A CN106443590A (zh) | 2017-02-22 |
CN106443590B true CN106443590B (zh) | 2019-04-05 |
Family
ID=58168618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610830430.5A Active CN106443590B (zh) | 2016-09-19 | 2016-09-19 | 一种基于频域的类梯形信号检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443590B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403536B (zh) * | 2017-05-24 | 2019-11-22 | 浙江大学 | 一种基于无线信号强度分析的民用无人机入侵预警方法 |
CN108154083B (zh) * | 2017-12-04 | 2020-06-30 | 厦门市美亚柏科信息股份有限公司 | 一种基于svm的信号识别方法及终端 |
WO2019165277A1 (en) * | 2018-02-23 | 2019-08-29 | Boston Scientific Scimed, Inc. | Methods for assessing a vessel with sequential physiological measurements |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645636A (zh) * | 2013-11-25 | 2014-03-19 | 南京航空航天大学 | 一种pid控制器参数优化方法 |
CN103853156A (zh) * | 2014-02-07 | 2014-06-11 | 中山大学 | 一种基于机载传感器的小型四旋翼飞行器控制系统及方法 |
CN103884593A (zh) * | 2014-04-11 | 2014-06-25 | 中山大学 | 基于少量静态测量数据的结构损伤定位与程度识别方法 |
CN105099585A (zh) * | 2015-08-03 | 2015-11-25 | 陈昊 | 无人机信号处理装置及信号处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7292501B2 (en) * | 2004-08-24 | 2007-11-06 | Bbn Technologies Corp. | Compact shooter localization system and method |
-
2016
- 2016-09-19 CN CN201610830430.5A patent/CN106443590B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645636A (zh) * | 2013-11-25 | 2014-03-19 | 南京航空航天大学 | 一种pid控制器参数优化方法 |
CN103853156A (zh) * | 2014-02-07 | 2014-06-11 | 中山大学 | 一种基于机载传感器的小型四旋翼飞行器控制系统及方法 |
CN103884593A (zh) * | 2014-04-11 | 2014-06-25 | 中山大学 | 基于少量静态测量数据的结构损伤定位与程度识别方法 |
CN105099585A (zh) * | 2015-08-03 | 2015-11-25 | 陈昊 | 无人机信号处理装置及信号处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106443590A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407981B (zh) | 一种车牌识别方法、装置及系统 | |
Al-Kharusi et al. | Intelligent parking management system based on image processing | |
CN106443590B (zh) | 一种基于频域的类梯形信号检测方法及装置 | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN102521592B (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
CN107274401A (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN106650660A (zh) | 一种车型识别方法及终端 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN105069774A (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN106373128A (zh) | 一种嘴唇精确定位的方法和系统 | |
CN103714540B (zh) | 数字抠像处理中的基于svm的透明度估计方法 | |
CN105809092A (zh) | 人群目标检测方法及其装置 | |
CN103927765B (zh) | 用于定位图像中条码区域的方法和装置 | |
CN110837136B (zh) | 台风影响范围评估方法、装置、终端设备及存储介质 | |
CN109034088A (zh) | 一种无人机信号探测方法及装置 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及系统 | |
CN108346313B (zh) | 一种空车位检测方法及系统 | |
CN104462826B (zh) | 基于矩阵奇异值分解的多传感器证据冲突检测与度量方法 | |
CN106778001A (zh) | 基于改进时频单源区的欠定混合矩阵盲估计方法 | |
CN111079744A (zh) | 适用于复杂光照环境的车辆车牌智能识别方法及装置 | |
CN116415652A (zh) | 一种数据生成方法、装置、可读存储介质及终端设备 | |
CN103268586B (zh) | 一种基于热扩散理论的窗融合方法 | |
CN110222704A (zh) | 一种弱监督目标检测方法及装置 | |
CN105225232A (zh) | 一种基于视觉注意机制的彩色着舰合作目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |