CN108631893A - 一种gmsk信道干扰检测方法 - Google Patents
一种gmsk信道干扰检测方法 Download PDFInfo
- Publication number
- CN108631893A CN108631893A CN201710159425.0A CN201710159425A CN108631893A CN 108631893 A CN108631893 A CN 108631893A CN 201710159425 A CN201710159425 A CN 201710159425A CN 108631893 A CN108631893 A CN 108631893A
- Authority
- CN
- China
- Prior art keywords
- frequency
- distribution probability
- instantaneous frequency
- snr
- peak
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供了一种GMSK信道干扰检测方法。本发明针对GMSK信道中的同频和邻频干扰检测问题,提出利用GMSK调制特有的瞬时频率直方图分布特征,通过学习和训练获得特征计算区间以及特征阈值,并建立基于特征参数的干扰分类器。在实际工作中,由干扰分类器对信号瞬时频率直方图特征参数和阈值进行分类判定,检测信道是否存在干扰。本发明对GMSK信道中频谱特征和时域幅度特征不明显的干扰有较高的检测概率,还具备计算复杂度和实现代价低的优点。
Description
技术领域
本发明属于无线通信领域,涉及GMSK(高斯最小频移键控,Gaussian MinimumShift Keying)信道统计特征参数定义、统计特征参数的学习、干扰分类器定义和训练、以及干扰检测技术,并且具体涉及使用瞬时频率分布特征检测GMSK信道干扰的方法。
背景技术
随着无线电波发射设备的大量部署,通信信道中出现干扰的概率也越来越高。一般来说,产生无线电干扰的原因主要包括信号间互调产物,信号的高次谐波,临近信道信号功率泄漏,未授权电台,雷电以及电子电器设备产生的电磁辐射等。干扰检测是认知无线电系统中的信道选择,关键通信系统的安全预警,频谱秩序监管和频谱资源分配等应用的基本支撑技术之一。GMSK调制技术广泛应用于GSM(全球移动通信系统),GSM-R(铁路GSM)以及卫星通信领域。进一步提升GMSK信道干扰检测能力,预警信道中潜在的干扰,是通信技术领域面临的挑战。
一般来说,干扰检测方法的衡量指标主要涉及干扰截获能力、计算复杂度以及工程实现代价等几个方面。截获能力体现在干扰检测算法能够截获的干载比(干扰功率与信号功率比值,单位dB)下限。计算复杂度是对执行算法所需要消耗的时间与数据量之间关系的衡量。工程实现代价是对实现算法要求的硬件设施技术指标和数量的衡量。目前为止,干扰检测技术可分类为频域检测、眼图重构、误码率测量和时域相关等4个类型。
1)频域检测技术:频域检测技术是最常用的无线电干扰检测技术。它通过信号频谱特征的异常变化截获干扰。大量频谱分析仪以及频谱监测系统使用这一技术,通过频谱最大保持、频谱均值、频谱瀑布图、数字荧光谱等技术手段来检测干扰。当干扰信号较强导致信号谱发生畸变时,这一技术可感知干扰信号的出现;当干扰弱于信号功率时且落入信号谱内时,即干载比小于或接近0dB时,使用频域检测技术将难以感知到干扰,也无法可信任且自动地发出干扰告警,这是频域检测技术存在的主要缺陷。
2)眼图重构技术:眼图重构也是最常用的无线电干扰检测技术之一。眼图重构技术能够精确测量被传输符号的时间-幅度特征,具备较强的干扰感知能力,但眼图重构需要测量装置具备信号采样率实时转换和精密的时钟恢复能力。信号采样率转换和时钟恢复的计算复杂度较高,这一技术用于少数高端测量系统中。
3)误码率测量技术:首先对信号进行解调并统计误码率,通过误码率检测来感知信道内是否存在干扰。由于GMSK解调方案自身具有一定的抗干扰能力,只有当干扰功率强到引起误码时才能被感知,无法预警信道中存在的尚未引起误码的干扰。另一方面,这一技术的计算复杂度比频域检测技术要高。这一技术在GSM-R信道监测系统中有广泛应用。
4)时域相关技术:在认知无线电通信系统中,除了使用频域干扰检测技术外,时域相关法也是常用的干扰检测技术。时域相关技术通过同一信号的两个样本之间的相关结果来检测干扰,具备最佳的干扰感知能力。两个信号样本的来源有两种途径:一种是两个接收机同时接收一个信号,此时系统的实现代价较高;另一种情况下,通信发射机发射信号的同时,接收空中电波并与发射信号进行相关,这是认知无线电通信系统中的一种特殊情况。
综合上述4种干扰检测技术,干扰检测能力与计算复杂度和实现代价之间存在矛盾。诸如卫星通信和GSM-R等重要应用领域需要干扰检测方法能够以较低计算复杂度和实现代价达到更强的干扰检测能力。
瞬时频率是一种常用的调制信号分析参数,例如调制信号符号率估计和调制类型分类等。调制识别属于类间分类技术,干扰检测属于类内分类技术,两者工作在不同层次上。相对调制类型分类而言,使用瞬时频率特征检测干扰需要更为精细的特征表达模型,以感知整个瞬时频率域内潜在的干扰,而调制类型分类只需要区分不同调制类型的特征即可,属于粗略的分类。
发明内容
本发明的目的就是提供一种干扰检测能力强、计算复杂度和实现代价低的GMSK信道干扰检测方法。
为了方便地描述本发明的内容,首先根据调制原理对GMSK信道瞬时频率的统计特征说明:
1)瞬时频率轨迹:根据GMSK调制原理,一个符号b的瞬时频率轨迹与先驱符号b-1和后继符号b+1的状态相关,即取决于<b-1bb+1>的状态。由此,一个符号的瞬时频率轨迹有8种可能。瞬时频率就是信号载波的频偏;
2)特征瞬时频率:当信号采样率Fs等于符号率Fb时,符号<111>和<000>的瞬时频率为±Fhigh;符号<011>和<100>的瞬时频率为,符号<010>和<101>的瞬时频率为±Flow。由于,所以将视为0不会影响对GMSK瞬时频率分布特征的描述。由此可得,GMSK的瞬时频率落在±Fhigh和±Flow四个频点上。Fhigh=Fb/4也被称为最大频偏;Flow<Fhigh,其取值由GMSK调制带宽符号周期乘积BT参数决定;
3)统计分布概率的性质:当信号采样率Fs大于于符号速率Fb时,GMSK瞬时频率统计分布概率具有如下特征:在高频点Fhigh附近区域有最大分布,称之为高频区;在低频点Flow附近区间有较大分布,称为低频区,在Fhigh和Flow之间的一个中频点Fmid附近区域内有最小分布,称为中频区。将高频区、中频区和低频区称为三个特征分布区。
一种GMSK信道干扰检测方法,其特征在于,包括如下步骤:
a)提取信号瞬时频率统计特征参数。特征参数至少包括:
①高频区、中频区和低频区等三个特征区的分布概率;
②正负半轴分布概率均值对称性误差;
③正负半轴高频区分布概率峰值点瞬时频率间对称性误差;
④正负半轴低频区分布概率峰值点瞬时频率间对称性误差;
⑤正负最大瞬时频率区间外分布概率。
b)干扰分类器的分类方法。以步骤a中提取的特征参数为输入,通过分类决策树将信道分类为未检出信道干扰或检出信道干扰。
c)特征参数计算。计算基带信号瞬时平率直方图H(f),根据步骤a中提取的特征参数类型及定义,计算干扰分类器需要使用的特征参数。
d)特征参数计算区间和阈值学习。使用不同信噪比(SNR)的无干扰GMSK信号,计算瞬时频率直方图,记录不同SNR情况下的直方图数据集。从直方图数据集中通过学习确定对称性误差值阈值和三个分布概率特征区的频率区间。
e)干扰分类器训练。以步骤d通过学习获得的三个分布概率特征区频率区间为起点,使用不同信噪比(SNR)的无干扰GMSK信号作为训练样本,统计分类器不出现错判的最低信噪比值SNRdep。微调三个分布概率特征区的频率区间,重复训练过程,使得SNRdep值最小,同时获得经过训练的三个分布概率特征区的频率区间。信号SNR>SNRdep是分类器可信任工作条件。
f)干扰分类流程。根据步骤c计算瞬时频率分布概率特征参数,根据步骤b的干扰分类器执行信道干扰检测,显示瞬时频率分布概率数据,对检出的信道干扰发出自动告警消息。
进一步的,所述步骤a提取的瞬时频率统计特征参数组至少包括:
1)高频区分布概率Php(正半轴)和Phn(负半轴),
2)中频区分布概率Pmp(正半轴)和Pmn(负半轴),
3)低频区分布概率Plp(正半轴)和Pln(负半轴);
4)半轴分布概率均值Vmp(正半轴)和Vmn(负半轴),
5)高频区分布概率峰值点瞬时频率Vhpp(正半轴)和Vhpn(负半轴),
6)低频区分布概率峰值点瞬时频率Vlpp(正半轴)和Vlpn(负半轴);
7)正负半轴分布概率均值Vmp和Vmn的对称性误差阈值Em;
8)正负半轴高频区分布概率峰值点瞬时频率Vhpp和Vhpn对称性误差阈值Ehp;
9)正负半轴低频区分布峰值频率Vlpp和Vlpn对称性误差阈值Elp;
10)正负最大瞬时频率区间外分布概率Pout极其阈值Eout。
进一步的,所述步骤b干扰分类器分类方法通过分类决策树实现,其分类决策树使用计算机程序伪代码(MATLAB风格)表达为:
if Php>Pmp&&...
Plp>Pmp&&...
Php>Plp&&...
Phn>Pmn&&...
Pln>Pmn&&...
Phn>Pln&&...
abs(Vmp-Vmn)/(Vmp-Vmn)<Em&&...
abs(Vhpp-Vhpn)<Ehp&&...
abs(Vlpp-Vlpn)<Elp&&...
Pout<Eout
未检出信道干扰;
else
检出信道干扰;
End
进一步的,所述步骤c的具体方法为:
c1)瞬时频率直方图的计算:
对接收机收到的正交复信号,使用快速反正切计算信号相位序列,对去缠绕后相位计算其差分序列pd(n),n∈N,N为相位差分序列的节点数。假设直方图使用的柱数为Hc,直方图中瞬时频率分辨率为Fs/Hc。计算归一化瞬时频率直方图数据序列H(k)(其中k∈Hc)的计算机程序伪代码为:
for n=1:N
H(round(pd(n)*Hc/(2π))-Hc/2)=H(round(pd(n)*Hc/(2π))-Hc/2)+1;
end
H=H/N;
直方图柱数Hc正比于GMSK调制BT参数,但不大于360。
c2)瞬时频率直方图的映射:
直方图H(k)中每个柱序号k对应的瞬时频率值为f=k*Fs/(2*Hc)Hz,Fs为信号采样率。在完成直方图数据结构H(k)的计算之后,创建函数H(f)通过瞬时频率参数访问直方图数据结构H(k)。
c3)特征参数的计算:
瞬时频率正半轴高频区分布概率
瞬时频率负半轴高频区分布概率
瞬时频率正半轴中频区分布概率
瞬时频率负半轴中频区分布概率
瞬时频率正半轴低频区分布概率
瞬时频率负半轴低频区分布概率
瞬时频率正半轴分布概率均值
瞬时频率负半轴分布概率均值
正半轴高频区分布概率峰值点瞬时频率
负半轴高频区分布概率峰值点瞬时频率
正半轴低频区分布概率峰值点瞬时频率
负半轴低频区分布峰值点瞬时频率
正负最大瞬时频率区间外分布概率
进一步的,所述步骤d的具体方法为:
d1)由于瞬时频率分布特征是随信号采样率Fs和信号信噪比SNR变化的,三个分布概率特征区的频率区间[Fhh Fhl]、[Fmh Fml]和[Flh Fll],以及判定分布特征对称性的三个误差阈值Em、Ehp、Elp需要通过学习机制获得,以适配特定采样率Fs下的SNR变化区间。
d2)设置复正交信号接收模块采样率Fs;根据GMSK的BT参数确定Flow和Fhigh取值。
d3)以不同信噪比SNR的GMSK信号作为学习样本;学习样本的SNR取值SNR1、SNR2、…SNRk共k个样本。此时SNR区间为[SNR1 SNRk],SNR1的取值应接近GMSK调制的理论下限,不应过低;SNRk的取值应大于实际工作条件下的SNR,SNR步进可设定为1dB或更大。在信道现场学习时,则使用实际接收到的无干扰信号,将载噪比CNR视为SNR。
d4)采集每个SNR取值下的信号数据序列,计算瞬时频率直方图,并记录直方图样本数据集HSNR1、HSNR2、…HSNRk。
d5)计算直方图样本数据集的最大和均值直方图HMAX和HAVG:
HMAX=max(HSNR1,HSNR2,…HSNRk);
HAVG=(HSNR1+HSNR2+…HSNRk)/k。
d6)搜索最大直方图HMAX中的[Flow Fhigh]区间,获得分布概率谷点的瞬时频率FDV;计算Hdiff=HSNRk-HSNR1,以FDV为起点,搜索Hdiff<0的区间,获得未经训练的中频特征区间[Fmh Fml]取值。
d7)从瞬时频率FDV向低频率方向搜索直方图HAVG中的峰值分布点,从而获得低频区的峰值分布瞬时频率FDL;计算Flh=FDL+(FDV-FDL)/2,Fll=FDL-(FDV-FDL)/2,从而获得未经训练的高频特征区间[Flh Fll]取值。
d8)从瞬时频率FDV向高频率方向搜索直方图HAVG中的峰值分布点,从而获得高频区的峰值分布瞬时频率FDH;计算Fhh=FDH+(FDH-FDV)/2,Fhl=FDH-(FDH-FDV)/2,从而获得未经训练的低频特征区间[Fhh Fhl]取值。
d9)分别计算每个直方图的正半轴与负半轴的分布概率均值误差,记录其最大值作为判定分布概率均值对称性的阈值Em。
d10)分别统计正负半轴上高频区间最大分布概率处的瞬时频率Fpeak_hp和Fpeak_hn,记录abs(Fpeak_hp+Fpeak_hn)的最大值作为判定高频区分布概率峰值瞬时频率对称性的阈值Ehp。分别统计正负半轴上低频区间最大分布概率处的瞬时频率Fpeak_lp和Fpeak_ln,记录abs(Fpeak_lp+Fpeak_ln)的最大值作为判定低频区分布概率峰值瞬时频率对称性的阈值Elp。
d11)统计[-Fhigh Fhigh]区间外的分布概率Pout,记录其最大值作为阈值Eout。
进一步的,所述步骤e的具体方法为:
e1)对干扰分类器进行训练的目的有两个。其一,当信号SNR较低时,信道噪声和接收机自身噪声也会引起误码;干扰分类器不应把背景噪声分类为信道干扰,此时需要使用无干扰有噪声信号作为训练源,通过训练获取干扰分类器能够可信任工作的最低SNR取值,将这个取值命名为分类器可信任工作范围SNRdep。其二,通过调整[Fhh Fhl]、[Fmh Fml]和[Flh Fll]参数和阈值参数以降低SNRdep的取值。
e2)训练流程:以未经训练的[Fhh Fhl]、[Fmh Fml]和[Flh Fll]区间参数和Em、Ehp、Elp、Eout阈值参数为起点,执行如下过程:
e2.1)使用SNR自高向低的方式,生成不同信噪比SNR的GMSK信号,采样率为Fs;
e2.2)根据步骤c方法计算信号特征参数,运行干扰分类器,记录当前使用的区间参数和阈值参数以及SNR取值,记录干扰分类器输出结果;纪录导致分类结果出错的特征参数;
e2.3)根据导致分类结果出错的特征参数,微调其计算区间或阈值参数,重复e2.1到e2.3过程。
e3)最后,以SNR取值最低且未检出干扰时的SNR参数作为SNRdep取值;SNRdep就是分类器可信任工作的最低SNR。经过训练的区间参数和阈值参数用于后续干扰检测过程。
进一步的,所述步骤f的具体方法为:
f1)接收机输出复正交信号数据进行低通滤波。
f2)根据步骤c方法计算特征参数。
f3)根据步骤b定义的干扰分类器对信道进行分类。
f4)输出瞬时频率直方图,作为信道特征的直观显示方式。
f5)输出分类结果。
本发明的有益效果为,在干扰功率远弱于信号功率的情况下,本发明仍可检测出存在的干扰,干扰检测性能优于频域检测技术和基于误码率测量的干扰检测技术;本发明计算复杂度和实现代价与频域检测技术相当,优于误码率测量技术。本发明检测干扰的性能虽较眼图重构和时域相关略逊,但计算复杂度和实现代价方面优于这两种技术。本发明适合在频谱分析仪、频谱监测系统以及GMSK通信系统中实现。
附图说明
图1是干扰分类流程。
图2是具体实施例一中的学习过程使用的信号瞬时频率直方图样本集。
图3是具体实施例一中干扰分类器的训练结果,当SNR>7dB时,干扰分类器不会将噪声误判为干扰。
图4是具体实施例一的干扰检测结果与GMSK解码器BER之间的对比分析。
图5是具体实施例二在应用中检出的一个GSM信道干扰出现时的瞬时频率直方图。
图6是具体实施例二在一个GSMK信道干扰出现时的频谱图。
具体实施方式
尽管示例性实施方式能够进行各种修改并采用替代形式,但是其实施方式作为实施例在附图中给出,并将在这里进行详细描述。然而,应当理解的是,不应将示例性实施方式限定为所公开的特定形式,相反,示例性实施方式意在涵盖落入权利要去范围内的所有修改、等同物和替代物。在整个附图的描述中,相同的附图标记表示相同的元素。
下面结合附图和实施例,详细描述本发明的具体实施例一:
具体实施例一通过MATLAB程序实现,用以评估本算法的性能。在具体实施例一中,GMSK高斯滤波器的带宽符号时间乘积BT=0.3,符号率Fb=270.8K,这是GSM和GSM-R系统中的GMSK参数。MATLAB仿真生成的信号采样率Fs设置为437.5KHz,以降低计算开销。每个数据序列1024个采样点。
S1、在采样率Fs为437.5KHz的情况下,使用随机数据调制的无噪声GMSK信号,对其瞬时频率分布进行统计可得Fhigh=67Khz,Flow≈22KHz。
S2、特征参数计算区间和对称性误差阈值学习:
S21、根据GSM信号的SNR-BER(误码率)关系,学习使用的信号SNR范围设定为6~40dB,为了便于显示,将其分为三组,SNR1为6~12dB,SNR2为12~20dB,SNR3为20~40dB。每组SNR循环执行200次。图2是具体实施例一中的学习过程使用的信号瞬时频率直方图样本集。
S22、计算直方图样本数据集的最大和均值直方图HMAX和HAVG;
S23、搜索最大直方图HMAX中的[Flow Fhigh]区间,获得分布概率谷点的瞬时频率FDV=38KHz;计算Hdiff=HSNRk-HSNR1,以FDV为起点,搜索Hdiff<0的区间,获得未经训练的[FmhFml]为[42 35]KHz。
S24、从瞬时频率FDV=38KHz向低频率方向搜索直方图HAVG中的峰值分布点,从而获得低频区的峰值分布瞬时频率FDL=21KHz;计算Flh=FDL+(FDV-FDL)/2=29.5KHz,Fll=FDL-(FDV-FDL)/2=12.5KHz,从而获得未经训练的[Flh Fll]为[29.5 12.5];
S25、从瞬时频率FDV向高频率方向搜索直方图HAVG中的峰值分布点,从而获得高频区的峰值分布瞬时频率FDH=67KHz;计算Fhh=FDH+(FDH-FDV)/2=81.5KHz,Fhl=FDH-(FDH-FDV)/2=52.5KHz,从而获得未经训练的[Fhh Fhl]为[81.5 52.5]。
S26、分别计算每个直方图的正半轴与负半轴的分布均值误差E=abs(Vmp-Vmn)/(Vmp+Vmn),记录其最大值作为判定分布均值对称性的阈值Em=0.079。
S27、分别统计正负半轴上高频区间最大分布概率处的瞬时频率Fpeak_hp和Fpeak_hn,记录abs(Fpeak_hp+Fpeak_hn)的最大值作为判定高频区分布概率峰值瞬时频率对称性的阈值Ehp=0.3KHz。分别统计正负半轴上低频区间最大分布概率处的瞬时频率Fpeak_lp和Fpeak_ln,记录abs(Fpeak_lp+Fpeak_ln)的最大值作为判定低频区分布概率峰值瞬时频率对称性的阈值Elp=1.22KHz。
S3、干扰分类器训练:
S31、以未经训练的[Fhh Fhl]=[81.5 52.5]、[Fmh Fml]=[42 35]KHz和[Flh Fll]=[29.5 12.5]参数和Em=0.0079、Ehp=0.3、Elp=1.22参数为起点,循环执行训练过程,直到SNRdep值最小。训练中记录使得分类器产生误判且SNR值最大的特征参数,并优先调整该参数的计算区间或取值。
S32、以SNR自高向低的方式,生成不同信噪比SNR的GMSK信号;
S33、计算特征参数,运行干扰分类器,记录使得分类器产生误判且SNR值最大的特征参数,记录干扰分类器输出结果。
S34、根据导致分类器产生误判的特征参数,微调其计算区间或阈值,重复S32到S34过程。
S35、最后,获得最低SNRdep=7dB;SNRdep就是分类器可信任工作的最低SNR。获得经过训练后的三个分布概率特征区为[Fhh Fhl]=[70 56]、[Fmh Fml]=[42 35]KHz和[FlhFll]=[35 16],以及对称性误差阈值Em=0.0112、Ehp=0.34、Elp=1.32。图3是具体实施例一中干扰分类器的训练结果,当SNR>7dB时,干扰分类器不会将噪声误判为干扰。
S4、干扰分类流程:
S41、仿真生SNR=12dB的GMSK信号Sm(n)作为主信号。
S42、仿真生成另一个GMSK信号Si(n)模拟落入主信道的互调干扰,其BT=0.3,SNR=-2dB,Fs=270.8K;互调干扰信号相对主信号的干载比ICR区间为[-25 0]dB,互调信号与主信号同频。
S43、假设信道为加性信道,接收信号序列S(n)=Sm(n)+Si(n)。
S44、对接收信号序列S(n)执行低通滤波,带宽200KHz。
S45、使用MATLAB的GMSK解调器统计受干扰信号的误码率BER,并记录BER与干载比ICR之间的关系。
S46、计算受干扰信号的瞬时频率分布特征参数,使用干扰分类器对信号进行分类,并记录分类结果与干载比ICR之间的关系;重复S42到S46之间的步骤。
S47、图4是具体实施例一的干扰分类结果与GMSK解码器BER之间的对比分析,本发明在ICR>-17dB时即可检测出干扰,而GMSK解码器在ICR>-13dB时才会出现误码。当干载比ICR接近或小于0dB时,很难通过频域检测技术感知到干扰出现。具体实施例一的仿真实现结果体现了本发明在技术上的优势。
下面结合附图和实施例,详细描述本发明的具体实施例二:
具体实施例二使用通用频谱监测接收机,用于频谱监测系统中的GSM和GSM-R信道干扰评估。在具体实施例二中,GMSK高斯滤波器的带宽符号时间乘积BT=0.3,符号率Fb=270.8K。每个数据序列1024个采样点。考虑到接收机自身杂散和噪声,设定数据采集的载噪比CNR阈值为6dB,并将CNR视为SNR。在信道采样率Fs为437.5KHz的情况下,使用随机数据调制的无噪声GMSK信号,对其瞬时频率分布进行统计可得Fhigh=67Khz,Flow≈22KHz。
S5、设置接收机采样率Fr=1750KHz,数据长度4096个采样点,此时基带信号带宽1750KHz,可同时采集8个GSM信道的数据;对采集的数据序列执行离散傅立叶(DFT)变换,获得频域谱数据。
S6、从DFT数据中以某个信道频点为中心点,抽取1024个频谱数据,执行逆DFT从而获得采样率437.5KHz长度1024采样点的单信道数据。
S7、对信道数据执行执行低通滤波,带宽200KHz。
S8、特征参数计算区间和对称性误差阈值学习:在尚未学习或需要重新学习时执行此步骤:
S81、在具体实施例二中,使用现场学习模式,即接收实际信道中的无干扰信号,并根据载噪比CNR分类存储,作为学习样本。采集到足够学习样本后(假设为8个样本),开始下面步骤。
S82、计算学习样本信号的直方图样本数据集Hsnrl~Hsnrk。
S83、计算直方图样本数据集的最大和均值直方图HMAX和HAVG。
S84、搜索最大直方图HMAX中的[Flow Fhigh]区间,获得分布概率谷点的瞬时频率FDV=31KHz;计算Hdiff=HSNRk-HSNR1,以FDV为起点,搜索Hdiff<0的区间,获得未经训练的[FmhFml]为[40 25]KHz。
S85、从瞬时频率FDV=31KHz向低频率方向搜索直方图HAVG中的峰值分布点,从而获得低频区的峰值分布瞬时频率FDL=20KHz;计算Flh=FDL+(FDV-FDL)/2=25.5KHz,Fll=FDL-(FDV-FDL)/2=14.5KHz,从而获得未经训练的[Flh Fll]为[25.5 14.5]。
S86、从瞬时频率FDV向高频率方向搜索直方图HAVG中的峰值分布点,从而获得高频区的峰值分布瞬时频率FDH=68KHz;计算Fhh=FDH+(FDH-FDV)/2=86.5KHz,Fhl=FDH-(FDH-FDV)/2=49.5KHz,从而获得未经训练的[Fhh Fhl]为[86.5 49.5]。
S87、分别计算每个直方图的正半轴与负半轴的分布均值误差E=abs(Vmp-Vmn)/(Vmp+Vmn),记录其最大值作为判定分布均值对称性的阈值Em=0.135。在下行广播信道中,由于存在频率校准帧FCCH,通过对直方图中正Fhigh处的分布峰值简单地限幅为-Fhigh处的分布值即可。
S88、分别统计正负半轴上高频区间最大分布概率处的瞬时频率Fpeak_hp和Fpeak_hn,记录abs(Fpeak_hp+Fpeak_hn)的最大值作为判定高频区分布概率峰值瞬时频率对称性的阈值Ehp=2.1KHz。分别统计正负半轴上低频区间最大分布概率处的瞬时频率Fpeak_lp和Fpeak_ln,记录abs(Fpeak_lp+Fpeak_ln)的最大值作为判定低频区分布概率峰值瞬时频率对称性的阈值Elp=2.32KHz。
S9、干扰分类器训练:在尚未训练或需要重新训练时执行此步骤:
S91、以未经训练的[Fhh Fhl]=[86.5 49.5]、[Fmh Fml]=[40 25]KHz和[Flh Fll]=[25.5 14.5]参数和Em=0.135、Ehp=2.1、Elp=2.32参数为起点,循环执行训练过程,直到SNRdep值最小。训练中记录使得分类器产生误判且SNR值最大的特征参数,并优先调整该参数的计算区间或取值。
S92、使用记录的样本信号作为训练源。
S93、计算特征参数,运行干扰分类器,记录使得分类器产生误判且SNR值最大的特征参数,记录干扰分类器输出结果。
S94、根据导致分类器产生误判的特征参数,微调其计算区间或阈值,重复S32到S34过程。
S95、最后,获得最低SNRdep=8dB;SNRdep就是分类器可信任工作的最低SNR。获得经过训练后的三个分布概率特征区为[Fhh Fhl]=[71 59]、[Fmh Fml]=[46 25]KHz和[FlhFll]=[24 10],以及对称性误差阈值Em=0.135、Ehp=2.1、Elp=2.32。
S10、干扰分类流程:
S101、接收机实时接收指定信道GSM数据,并对其执行低通滤波。
S102、计算信号瞬时频率分布特征参数,使用干扰分类器对信号进行分类,并记录分类结果。
S103、实时输出显示瞬时频率直方图;检出干扰时,记录干扰时刻的数据并发出告警。
S11、切换信道频率,重复S6到S10之间的步骤;当8个信道检测完毕后,再次从S5开始执行。
S12、图5是具体实施例二在应用中检出的一个GSM信道干扰出现时的瞬时频率直方图,图6是具体实施例二在一个GSMK信道干扰出现时的频谱图。从频谱图中无法分辨出是否存在干扰,但从瞬时频率直方图可见干扰已经破坏了直方图特征,干扰分类器成功感知到干扰出现。具体实施例二的干扰检出案例体现了本发明在技术上的优势。
Claims (7)
1.一种GMSK信道干扰检测方法,其特征在于,包括如下步骤:
a)提取信号瞬时频率统计特征参数,特征参数至少包括:
①高频区、中频区和低频区等三个特征区的分布概率;
②正负半轴分布概率均值对称性误差;
③正负半轴高频区分布概率峰值点瞬时频率间对称性误差;
④正负半轴低频区分布概率峰值点瞬时频率间对称性误差;
⑤正负最大瞬时频率区间外分布概率;
b)干扰分类器的分类方法:以步骤a中提取的特征参数为输入,通过分类决策树将信道分类为未检出信道干扰或检出信道干扰;
c)特征参数计算方法:计算基带信号瞬时平率直方图H(f),根据步骤a中提取的特征参数类型及定义,计算干扰分类器需要使用的特征参数;
d)特征参数计算区间和阈值学习:使用不同信噪比(SNR)的无干扰GMSK信号,计算瞬时频率直方图,记录不同SNR情况下的直方图数据集;从直方图数据集中通过学习确定对称性误差值阈值和三个分布概率特征区的频率区间;
e)干扰分类器训练:以步骤d通过学习获得的三个分布概率特征区频率区间为起点,使用不同信噪比(SNR)的无干扰GMSK信号作为训练样本,统计分类器不出现错判的最低信噪比值SNRdep;微调三个分布概率特征区的频率区间,重复训练过程,使得SNRdep值最小,同时获得经过训练的三个分布概率特征区的瞬时频率区间;信号SNR>SNRdep是分类器可信任工作条件;
f)干扰分类流程:根据步骤c计算瞬时频率分布概率特征参数,根据步骤b定义的干扰分类器执行信道干扰检测,显示瞬时频率分布概率数据,对检出的信道干扰发出自动告警消息。
2.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤a中提取的信号瞬时频率统计特征参数至少包括:
1)高频区分布概率Php(正半轴)和Phn(负半轴),
2)中频区分布概率Pmp(正半轴)和Pmn(负半轴),
3)低频区分布概率Plp(正半轴)和Pln(负半轴);
4)半轴分布概率均值Vmp(正半轴)和Vmn(负半轴),
5)高频区分布概率峰值点瞬时频率Vhpp(正半轴)和Vhpn(负半轴),
6)低频区分布概率峰值点瞬时频率Vlpp(正半轴)和Vlpn(负半轴);
7)正负半轴分布概率均值Vmp和Vmn的对称性误差阈值Em;
8)正负半轴高频区分布概率峰值点瞬时频率Vhpp和Vhpn对称性误差阈值Ehp;
9)正负半轴低频区分布峰值频率Vlpp和Vlpn对称性误差阈值Elp;
10)正负最大瞬时频率区间外分布概率Pout极其阈值Eout。
3.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤b干扰分类器分类方法通过分类决策树实现,其分类决策树使用计算机程序伪代码表达为:
if Php>Pmp&&...
Plp>Pmp&&...
Php>Plp&&...
Phn>Pmn&&...
Pln>Pmn&&...
Phn>Pln&&...
abs(Vmp-Vmn)/(Vmp-Vmn)<Em&&...
abs(Vhpp-Vhpn)<Ehp&&...
abs(Vlpp-Vlpn)<Elp&&...
Pout<Eout
未检出信道干扰;
else
检出信道干扰;
End
决策树程序伪代码为MATLAB风格。
4.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤c中特征参数计算方法为:
瞬时频率正半轴高频区分布概率
瞬时频率负半轴高频区分布概率
瞬时频率正半轴中频区分布概率
瞬时频率负半轴中频区分布概率
瞬时频率正半轴低频区分布概率
瞬时频率负半轴低频区分布概率
瞬时频率正半轴分布概率均值
瞬时频率负半轴分布概率均值
正半轴高频区分布概率峰值点瞬时频率
负半轴高频区分布概率峰值点瞬时频率
正半轴低频区分布概率峰值点瞬时频率
负半轴低频区分布峰值点瞬时频率
正负最大瞬时频率区间外分布概率
5.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤d的具体方法为:
d1)由于瞬时频率分布特征是随信号采样率Fs和信号信噪比SNR变化的,三个分布概率特征区的频率区间[Fhh Fhl]、[Fmh Fml]和[Flh Fll],以及判定分布特征对称性的三个误差阈值Em、Ehp、Elp需要通过学习机制获得,以适配特定采样率Fs下的SNR变化区间;
d2)设置复正交信号接收模块采样率Fs;根据GMSK的BT参数确定Flow和Fhigh取值;
d3)以不同信噪比SNR的GMSK信号作为学习样本;学习样本的SNR取值SNR1、SNR2、…SNRk共k个样本;此时SNR区间为[SNR1 SNRk],SNR1的取值应接近GMSK调制的理论下限,不应过低;SNRk的取值应大于实际工作条件下的SNR,SNR步进可设定为1dB或更大;在信道现场学习时,则使用实际接收到的无干扰信号,将载噪比CNR视为SNR;
d4)采集每个SNR取值下的信号数据序列,计算瞬时频率直方图,并记录直方图样本数据集HSNR1、HSNR2、…HSNRk;
d5)计算直方图样本数据集的最大和均值直方图HMAX和HAVG:
HMAX=max(HSNR1,HSNR2,…HSNRk);
HAVG=(HSNR1+HSNR2+…HSNRk)/k;
d6)搜索最大直方图HMAX中的[Flow Fhigh]区间,获得分布概率谷点的瞬时频率FDV;计算Hdiff=HSNRk-HSNR1,以FDV为起点,搜索Hdiff<0的区间,获得未经训练的中频特征区间[FmhFml]取值;
d7)从瞬时频率FDV向低频率方向搜索直方图HAVG中的峰值分布点,从而获得低频区的峰值分布瞬时频率FDL;计算Flh=FDL+(FDV-FDL)/2,Fll=FDL-(FDV-FDL)/2,从而获得未经训练的高频特征区间[Flh Fll]取值;
d8)从瞬时频率FDV向高频率方向搜索直方图HAVG中的峰值分布点,从而获得高频区的峰值分布瞬时频率FDH;计算Fhh=FDH+(FDH-FDV)/2,Fhl=FDH-(FDH-FDV)/2,从而获得未经训练的低频特征区间[Fhh Fhl]取值;
d9)分别计算每个直方图的正半轴与负半轴的分布概率均值误差,记录其最大值作为判定分布概率均值对称性的阈值Em;
d10)分别统计正负半轴上高频区间最大分布概率处的瞬时频率Fpeak_hp和Fpeak_hn,记录abs(Fpeak_hp+Fpeak_hn)的最大值作为判定高频区分布概率峰值瞬时频率对称性的阈值Ehp;分别统计正负半轴上低频区间最大分布概率处的瞬时频率Fpeak_lp和Fpeak_ln,记录abs(Fpeak_lp+Fpeak_ln)的最大值作为判定低频区分布概率峰值瞬时频率对称性的阈值Elp;
d11)统计[-Fhigh Fhigh]区间外的分布概率Pout,记录其最大值作为阈值Eout。
6.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤e的具体方法为:
e1)对干扰分类器进行训练的目的有两个:其一,当信号SNR较低时,信道噪声和接收机自身噪声也会引起误码;干扰分类器不应把背景噪声分类为信道干扰,此时需要使用无干扰有噪声信号作为训练源,通过训练获取干扰分类器能够可信任工作的最低SNR取值,将这个取值命名为分类器可信任工作范围SNRdep;其二,通过调整[Fhh Fhl]、[Fmh Fml]和[FlhFll]参数和阈值参数以降低SNRdep的取值;
e2)训练流程:以未经训练的[Fhh Fhl]、[Fmh Fml]和[Flh Fll]区间参数和Em、Ehp、Elp、Eout阈值参数为起点,执行如下过程:
e2.1)使用SNR自高向低的方式,生成不同信噪比SNR的GMSK信号,采样率为Fs;
e2.2)根据步骤c方法计算信号特征参数,运行干扰分类器,记录当前使用的区间参数和阈值参数以及SNR取值,记录干扰分类器输出结果;纪录导致分类结果出错的特征参数;
e2.3)根据导致分类结果出错的特征参数,微调其计算区间或阈值参数,重复e2.1到e2.3过程;
e3)最后,以SNR取值最低且未检出干扰时的SNR参数作为SNRdep取值;SNRdep就是分类器可信任工作的最低SNR;经过训练的区间参数和阈值参数用于后续干扰检测过程。
7.根据权利要求1所述的一种GMSK信道干扰检测方法,其特征在于,所述步骤f的具体方法为:
f1)接收机输出复正交信号数据进行低通滤波;
f2)根据步骤c方法计算特征参数;
f3)根据步骤b定义的干扰分类器对信道进行分类;
f4)输出瞬时频率直方图,作为信道特征的直观显示方式;
f5)输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710159425.0A CN108631893B (zh) | 2017-03-17 | 2017-03-17 | 一种gmsk信道干扰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710159425.0A CN108631893B (zh) | 2017-03-17 | 2017-03-17 | 一种gmsk信道干扰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108631893A true CN108631893A (zh) | 2018-10-09 |
CN108631893B CN108631893B (zh) | 2020-12-29 |
Family
ID=63687889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710159425.0A Expired - Fee Related CN108631893B (zh) | 2017-03-17 | 2017-03-17 | 一种gmsk信道干扰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108631893B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163099A (zh) * | 2019-04-17 | 2019-08-23 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110649980A (zh) * | 2019-09-04 | 2020-01-03 | 北京百分点信息科技有限公司 | 一种故障诊断方法、装置和电子设备 |
CN111181580A (zh) * | 2018-11-13 | 2020-05-19 | 联发科技股份有限公司 | 通信接收装置及其信号处理方法 |
CN112838909A (zh) * | 2020-12-30 | 2021-05-25 | 西安电子科技大学 | 基于高斯眼图纹理熵特征的通信干扰检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080192876A1 (en) * | 2007-02-12 | 2008-08-14 | Texas Instruments Incorporated | Variable delay oscillator buffer |
CN102882819A (zh) * | 2012-09-04 | 2013-01-16 | 西安电子科技大学 | 非高斯噪声下数字调制信号识别方法 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
-
2017
- 2017-03-17 CN CN201710159425.0A patent/CN108631893B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080192876A1 (en) * | 2007-02-12 | 2008-08-14 | Texas Instruments Incorporated | Variable delay oscillator buffer |
CN102882819A (zh) * | 2012-09-04 | 2013-01-16 | 西安电子科技大学 | 非高斯噪声下数字调制信号识别方法 |
CN106330385A (zh) * | 2016-08-29 | 2017-01-11 | 电子科技大学 | 一种干扰类型识别方法 |
Non-Patent Citations (2)
Title |
---|
HONG DU等: "A High-Efficiency Resource Allocation Scheme under the Interference Constraints in Cognitive Radio", 《IEEE》 * |
闫云斌: "GMSK跳频通信干扰样式的自动识别", 《海军工程大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181580A (zh) * | 2018-11-13 | 2020-05-19 | 联发科技股份有限公司 | 通信接收装置及其信号处理方法 |
CN110163099A (zh) * | 2019-04-17 | 2019-08-23 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110163099B (zh) * | 2019-04-17 | 2022-04-01 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110649980A (zh) * | 2019-09-04 | 2020-01-03 | 北京百分点信息科技有限公司 | 一种故障诊断方法、装置和电子设备 |
CN110649980B (zh) * | 2019-09-04 | 2021-09-28 | 北京百分点科技集团股份有限公司 | 一种故障诊断方法、装置和电子设备 |
CN112838909A (zh) * | 2020-12-30 | 2021-05-25 | 西安电子科技大学 | 基于高斯眼图纹理熵特征的通信干扰检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108631893B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108631893A (zh) | 一种gmsk信道干扰检测方法 | |
US9524628B1 (en) | Detecting signal modulation for motion detection | |
CN103414527B (zh) | 一种基于能量检测的信号检测方法 | |
Kim et al. | Sensitive white space detection with spectral covariance sensing | |
Tekbiyik et al. | Multi–dimensional wireless signal identification based on support vector machines | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN105207965A (zh) | 一种vhf/uhf频段的调制自动识别方法 | |
CN107911183A (zh) | 一种基于实时信号特征分析的无人机识别方法及系统 | |
CN103336285B (zh) | 检测虚假卫星导航信号的电路、方法及卫星导航接收设备 | |
CN104301056A (zh) | 一种基于信号特征分析的频谱监测方法 | |
CN100521670C (zh) | 一种多进制频移键控信号的检测和分析方法 | |
CN102571230A (zh) | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 | |
CN105187152A (zh) | 基于频谱感知与调制识别的联合干扰方法与系统 | |
Popoola et al. | Application of neural network for sensing primary radio signals in a cognitive radio environment | |
CN105785324A (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
CN103684524A (zh) | 一种基于uwb通信信号的目标识别方法 | |
CN107579802A (zh) | 一种无线射频信号检测及数据分析处理系统 | |
Satheesh et al. | Spectrum sensing techniques A comparison between energy detector and cyclostationarity detector | |
Kaplan et al. | Measurement based FHSS–type drone controller detection at 2.4 GHz: An STFT approach | |
CN104202101A (zh) | 一种短波/超短波即时动态频谱检测系统及方法 | |
CN110289926A (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
CN102255833A (zh) | 一种上行链路宽带干扰的分析方法和装置 | |
CN104734793A (zh) | 基于p次方的无线协作频谱感知的能量检测方法 | |
Hegarty et al. | Deep learning for spectrum awareness and covert communications via unintended rf emanations | |
CN112272406A (zh) | 一种基于多普勒频移提取的船舶驾驶人员巡逻检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |