CN109752600B - 基于软件定义无线电技术的异常电磁信号分析系统及方法 - Google Patents
基于软件定义无线电技术的异常电磁信号分析系统及方法 Download PDFInfo
- Publication number
- CN109752600B CN109752600B CN201910034075.4A CN201910034075A CN109752600B CN 109752600 B CN109752600 B CN 109752600B CN 201910034075 A CN201910034075 A CN 201910034075A CN 109752600 B CN109752600 B CN 109752600B
- Authority
- CN
- China
- Prior art keywords
- signal
- electromagnetic
- signals
- channel
- electromagnetic signal
- 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
Images
Landscapes
- Locating Faults (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于软件定义无线电技术的异常电磁信号分析系统及方法,属于信号检测、信号识别以及大数据分析等领域,解决对无线信号的监管控制时,依赖于人工对信号进行分析的问题。本发明包括信号捕获模块:在某一区域设置多个电磁信号采集点,采集同一频段范围内的电磁信号;预处理模块:将电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,再转换为矩阵;分析模块:依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;定位模块:若为异常信号,计算异常信号的信号源的坐标信息。本发明还有对应装置的方法。本发明用于监管无线信号。
Description
技术领域
一种基于软件定义无线电技术的异常电磁信号分析系统及方法,用于监管无线信号,属于信号检测、信号识别以及大数据分析等领域。
背景技术
随着移动设备的普及,无线信号已经覆盖到人们工作生活中的各个角落,但因为缺少对无线信号的监管技术,伪基站、伪电台等无线信号的滥用对人们的经济财产,甚至是社会的稳定都造成了很大的影响,软件定义无线电技术的提出就为电磁信号的监管提供了很好的方法。
软件无线电(software radio)的概念最早是从20世纪90年代初开始流行起来,它要求将2MHz-2000MHz的无线信号全部接收下来进行量化,转化为数字信号用软件来处理。软件定义的无线电(SDR)则是基于软件无线电的概念提出的,它并不要求将2MHz-2000MHz的无线信号全部捕获下来,而是根据需要自定义捕获频率及范围。在2001年,软件定义无线电被提名为今后无线通信发展极有可能的方向。
现有方法大多依赖于人工对信号进行分析,这会消耗大量的人工资源,且准确率依赖于分析人员的经验,分析效率也有所不足,对一些恶意信号无法做到及时的反应。
发明内容
针对上述研究的问题,本发明的目的在于提供一种基于软件定义无线电技术的异常电磁信号分析系统及方法,解决现有技术对无线信号的监管控制时,依赖于人工对信号进行分析,消耗大量的人工资源,且准确率依赖于分析人员的经验,分析效率低,对一些恶意信号无法做到及时的反应的问题。
为了达到上述目的,本发明采用如下技术方案:
一种基于软件定义无线电技术的异常信号分析系统,其特征在于,包括:
信号捕获模块:在某一区域设置三个以上的电磁信号采集点,采集同一频段范围内的电磁信号,即多个采集点采集同一范围的电磁信号;
预处理模块:将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信号内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵;
分析模块:依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;
定位模块:若分析模块分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。
进一步,所述预处理模中的矩阵由信号负载和信号持续时间生成,其中信号负载为横轴上按信道进行分段后的功率,信号持续时间为各时间序列。
进一步,所述分析模块的实现方式包括如下步骤:
计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号。
进一步,所述定位模块中的三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法;
四点定位方法通过四个采集点上的单个电磁信号距离衰减比来判断信号源距离的空间定位方法。
一种基于软件定义无线电技术的异常信号分析方法,其特征在于,包括以下步骤:
S1、在某一区域内设置多个信号采集点采集同一频段范围的电磁信号;
S2、将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信号内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵;
S3、依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;
S4、若分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。
进一步,所述步骤S2中,矩阵由信号负载和信号持续时间生成,其中信号负载为横轴上按信道进行分段后的功率,信号持续时间为各时间序列。
进一步,所述步骤S3的具体步骤为:
S3.1、计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
S3.2、若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
S3.3、利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号。
进一步,所述步骤S4中的三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法;
四点定位方法通过四个采集点上的单个电磁信号距离衰减比来判断信号源距离的空间定位方法。
本发明同现有技术相比,其有益效果表现在:
一、本发明对无线信号进行自动化的分析,不需要太多的人为干预,可以极大减少人工成本及因人为疏忽带来的误差;
二、本发明为基于软件定义无线电的分析方法,实现简单,不依赖于硬件平台,且易于部署;
三、本发明利用人工智能的方法进行异常信号检测,特征提取更加灵活,且机器学习这种启发式的算法(如支持向量机)可以分析出一些人为没有注意到的问题,从而获取出更多的内在信息。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
随着大数据技术的发展,软件定义无线电技术又成为了可能,大数据技术为其提供了数据处理的平台。而人工智能技术的发展,也为无线信号的分析提供的很好的分析工具。具体如下:
一种基于软件定义无线电技术的异常信号分析系统,包括:
信号捕获模块:在某一区域设置三个以上的电磁信号采集点,采集同一频段范围内的电磁信号,即多个采集点采集同一范围的电磁信号;
预处理模块:将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信号内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵;矩阵由信号负载和信号持续时间生成,其中信号负载为横轴上按信道进行分段后的功率,信号持续时间为各时间序列。
分析模块:依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;实现方式包括如下步骤:
计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;功率差值变化即通过计算信道在不同采集点处的功率方差,做减法后,算均值。
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号。
定位模块:若分析模块分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法;
四点定位方法通过四个采集点上的单个电磁信号距离衰减比来判断信号源距离的空间定位方法。
一种基于软件定义无线电技术的异常信号分析方法,包括以下步骤:
S1、在某一区域内设置多个信号采集点采集同一频段范围的电磁信号:
S2、将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信号内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵;矩阵由信号负载和信号持续时间生成,其中信号负载为横轴上按信道进行分段后的功率,信号持续时间为备时间序列。
S3、依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;具体步骤为:
S3.1、计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
S3.2、若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
S3.3、利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号。只要是机器学习算法就可用到此步骤。
S4、若分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法。
实施例
针对FM广播频段进行分析测试,抓取80MHz-120MHz全频段的信号数据,并在90.3MHz信道发射一个伪造的广播数据。
第一步、设置了三个信号采集点,记录各采集点坐标信息,采集80MHz-120MHz全频段内三个采集点的电磁信号,即采集信号源发出的电磁信号;
第二步、将采集到的I/Q信号(即电磁信号)进行傅里叶变化得到频域数据,得到频域数据,以100kHz为大小切分信道,即[80-80.1,80.1-80.2,80.2-80.3,…,119.9-120],并以5秒为时间窗大小,将每个信道分为多个时间块。将每段信道(100kHz)内的各时间序列(5秒)转换为矩阵,得到每段信道内的多个矩阵;矩阵由信号负载和信号持续时间生成,其中信号负载为横轴上按信道进行分段后的功率(100kHz),信号持续时间为各时间序列(5秒)。
第三步、计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号,因得到的方差值会远大于白噪声信道,跟阈值一比较,就可判断信道有无电磁信号;
若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量等;
利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号。
进行上述分析后,能够成功将90.3MHz的电磁信号划分到了异常信号组,即可得到90.3MHz的电磁信号为异常信号。
最后,将三个采集点的坐标与90.3MHz处的电磁信号平均强度通过三点定位方法,计算得到90.3MHz的信号源的大致坐标(平面坐标,忽略高度),得到的结果与真实坐标误差较小。若采集点为四点及以上,则可以采用四点定位方法确认更具体的坐标(空间坐标)。
因此通过软件定义无线电来对信号进行分析则可以克服信号分析过于依赖人工的缺点,尤其是在现有软硬件能力较好的情况下,现在软件定义无线能较好的应用。HackRF、USRF等设备的出现对软件定义无线电技术提供了很好的硬件支持,它们支持接收很高频率的信号,最大可以接收到6GHz。而大数据技术以及机器学习的发展则为其提供了很好的软件支撑。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (6)
1.一种基于软件定义无线电技术的异常信号分析系统,其特征在于,包括:
信号捕获模块:在某一区域设置三个以上的电磁信号采集点,采集同一频段范围内的电磁信号,即多个采集点采集同一范围的电磁信号;
预处理模块:将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信道内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵,所述矩阵由信号负载和信号持续时间生成;
分析模块:依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;所述分析模块的实现方式包括如下步骤:
计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号;
定位模块:若分析模块分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。
2.根据权利要求1所述的一种基于软件定义无线电技术的异常信号分析系统,其特征在于,所述预处理模中的信号负载为横轴上按信道进行分段后的功率,信号持续时间为各时间序列。
3.根据权利要求1所述的一种基于软件定义无线电技术的异常信号分析系统,其特征在于,所述定位模块中的三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法;
四点定位方法通过四个采集点上的单个电磁信号距离衰减比来判断信号源距离的空间定位方法。
4.一种基于软件定义无线电技术的异常信号分析方法,其特征在于,包括以下步骤:
S1、在某一区域内设置多个信号采集点采集同一频段范围的电磁信号;
S2、将采集的电磁信号进行傅里叶变换,得到频域数据,再将频域数据按时间轴与信道带宽进行双向切割,即横轴上按信道进行分段后,再在纵轴上按时间序列分块,得到多段信道,每段信道内有对应的多个时间序列,将每段信道内的各时间序列转换为矩阵,得到每段信道内的多个矩阵,矩阵由信号负载和信号持续时间生成;
S3、依次分析各矩阵,判断信道有无电磁信号,若有,提取该电磁信号的特征进行分析,判断该电磁信号是否为异常信号;所述步骤S3的具体步骤为:
S3.1、计算各矩阵的每一行的方差,将方差与给定的阈值进行比较后来度量电磁信号的变化率,判断信道有无电磁信号;
S3.2、若有电磁信号,计算电磁信号在不同采集点的功率差值变化,通过功率差值变化来度量该电磁信号的衰减率大小;
若有电磁信号,对有电磁信号的信道进行特征提取,特征包括信道内电磁信号最长持续时间、电磁信号最大间隔、数据块中有电磁信号的部分占比、电磁信号载荷量和电磁信号衰减量;
S3.3、利用提取的电磁信号特征和衰减率大小,基于时间序列对电磁信号进行分析,即通过衰减率大小,并通过提取的特征分析电磁信号是否属于突发性信号或周期性信号,得到电磁信号为突发性信号或周期性信号后,通过机器学习算法对信号进行分类预测,判断该电磁信号是否属于异常信号;
S4、若分析到某电磁信号为异常信号,采用三点定位方法或四点定位方法来计算异常信号的信号源的坐标信息。
5.根据权利要求4所述的一种基于软件定义无线电技术的异常信号分析方法,其特征在于,所述步骤S2中,信号负载为横轴上按信道进行分段后的功率,信号持续时间为各时间序列。
6.根据权利要求5所述的一种基于软件定义无线电技术的异常信号分析方法,其特征在于,所述步骤S4中的三点定位方法通过三个采集点上的单个电磁信号距离衰减比来判断信号源距离的平面定位方法;四点定位方法通过四个采集点上的单个电磁信号距离衰减比来判断信号源距离的空间定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034075.4A CN109752600B (zh) | 2019-01-14 | 2019-01-14 | 基于软件定义无线电技术的异常电磁信号分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034075.4A CN109752600B (zh) | 2019-01-14 | 2019-01-14 | 基于软件定义无线电技术的异常电磁信号分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752600A CN109752600A (zh) | 2019-05-14 |
CN109752600B true CN109752600B (zh) | 2021-06-08 |
Family
ID=66405719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034075.4A Active CN109752600B (zh) | 2019-01-14 | 2019-01-14 | 基于软件定义无线电技术的异常电磁信号分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752600B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464399B (zh) * | 2020-04-14 | 2021-06-29 | 山东大学 | 一种基于软件定义无线电的专网异常检测方法 |
CN112649675A (zh) * | 2020-12-17 | 2021-04-13 | 深圳供电局有限公司 | 一种基于电磁侧信道的plc异常检测方法 |
CN116318457B (zh) * | 2023-05-17 | 2023-08-01 | 成都中星世通电子科技有限公司 | 一种无线电信号监测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088324A (zh) * | 2011-03-24 | 2011-06-08 | 电子科技大学 | 一种认知无线电系统的频谱检测方法 |
JP2012134649A (ja) * | 2010-12-20 | 2012-07-12 | Nec Saitama Ltd | 通信装置、通信方法及びプログラム |
CN103634060A (zh) * | 2013-11-14 | 2014-03-12 | 云南大学 | 一种实时无线电协同监测、检测与定位方法 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别系统及其方法 |
CN104158611A (zh) * | 2014-08-20 | 2014-11-19 | 西安电子科技大学 | 基于频谱分析的无线信号干扰检测系统及方法 |
CN104301056A (zh) * | 2014-11-03 | 2015-01-21 | 成都中星世通电子科技有限公司 | 一种基于信号特征分析的频谱监测方法 |
CN105491573A (zh) * | 2015-12-31 | 2016-04-13 | 上海物联网有限公司 | 一种认知无线电干扰预测方法及系统 |
CN205812023U (zh) * | 2016-07-22 | 2016-12-14 | 成都国蓉科技有限公司 | 无线电监测台站信号识别系统 |
CN106936517A (zh) * | 2015-12-28 | 2017-07-07 | 镇江高科信息科技有限公司 | 一种异常无线电信号的自动识别系统及其方法 |
CN108055088A (zh) * | 2017-11-20 | 2018-05-18 | 深圳市嵘兴实业发展有限公司 | 异常无线电信号的监测方法、装置及无线电监测设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746750B (zh) * | 2013-08-23 | 2016-06-01 | 西华大学 | 无线电监测电磁态势预测系统 |
US10395032B2 (en) * | 2014-10-03 | 2019-08-27 | Nokomis, Inc. | Detection of malicious software, firmware, IP cores and circuitry via unintended emissions |
-
2019
- 2019-01-14 CN CN201910034075.4A patent/CN109752600B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012134649A (ja) * | 2010-12-20 | 2012-07-12 | Nec Saitama Ltd | 通信装置、通信方法及びプログラム |
CN102088324A (zh) * | 2011-03-24 | 2011-06-08 | 电子科技大学 | 一种认知无线电系统的频谱检测方法 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别系统及其方法 |
CN103634060A (zh) * | 2013-11-14 | 2014-03-12 | 云南大学 | 一种实时无线电协同监测、检测与定位方法 |
CN104158611A (zh) * | 2014-08-20 | 2014-11-19 | 西安电子科技大学 | 基于频谱分析的无线信号干扰检测系统及方法 |
CN104301056A (zh) * | 2014-11-03 | 2015-01-21 | 成都中星世通电子科技有限公司 | 一种基于信号特征分析的频谱监测方法 |
CN106936517A (zh) * | 2015-12-28 | 2017-07-07 | 镇江高科信息科技有限公司 | 一种异常无线电信号的自动识别系统及其方法 |
CN105491573A (zh) * | 2015-12-31 | 2016-04-13 | 上海物联网有限公司 | 一种认知无线电干扰预测方法及系统 |
CN205812023U (zh) * | 2016-07-22 | 2016-12-14 | 成都国蓉科技有限公司 | 无线电监测台站信号识别系统 |
CN108055088A (zh) * | 2017-11-20 | 2018-05-18 | 深圳市嵘兴实业发展有限公司 | 异常无线电信号的监测方法、装置及无线电监测设备 |
Non-Patent Citations (2)
Title |
---|
Machine Learning-Based System Electromagnetic Environment;Zhang Weisha 等;《2018 International Conference on Smart Grid and Electrical Automation》;20181022;第301-314页 * |
一种基于 ICA 方法的网格化无线电监测方案;张竟枢 等;《北京大学学报(自然科学版)》;20180331;第54卷(第2期);第115-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109752600A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109752600B (zh) | 基于软件定义无线电技术的异常电磁信号分析系统及方法 | |
CN107911183B (zh) | 一种基于实时信号特征分析的无人机识别方法及系统 | |
Datla et al. | A spectrum surveying framework for dynamic spectrum access networks | |
CN104853379B (zh) | 一种无线网络质量评估方法及装置 | |
CN104883734B (zh) | 一种基于地理指纹的室内被动定位方法 | |
CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
CN104065431A (zh) | 无线电监测无人值机系统及该系统的监控分析方法 | |
CN103067928B (zh) | 一种网络覆盖质量的分析方法和系统 | |
CN106936517A (zh) | 一种异常无线电信号的自动识别系统及其方法 | |
CN108307427B (zh) | 一种lte网络覆盖分析、预测方法及系统 | |
CN108337645B (zh) | 网格化无线电信号监测系统架构及干扰信号联合检测方法 | |
CN104869630A (zh) | 基于离线指纹库的伪基站快速定位方法与系统 | |
CN106792506B (zh) | 一种WiFi定位方法及服务器 | |
CN111950410B (zh) | 基于无线电指纹识别的在线电磁环境监测装置及其方法 | |
CN105468922A (zh) | 一种现场电磁环境信号实时分析与威胁评估方法 | |
CN109342828A (zh) | 一种基于频域恒虚警的雷电脉冲信号检测方法 | |
CN104993884B (zh) | 手持数字监测测向系统及其监测方法 | |
CN111046025B (zh) | 无人机信号探测方法及装置 | |
RU2668291C2 (ru) | Использование радиоканалов | |
CN113194474A (zh) | 伪基站的定位方法、装置、电子设备及可读存储介质 | |
AU2014227470A1 (en) | Detecting the presence of rogue femtocells in enterprise networks | |
CN113507331A (zh) | 基于信道状态信息的视距与非视距传输识别方法及装置 | |
CN115734264A (zh) | 5g网络覆盖评估方法、装置、计算机可读介质及电子设备 | |
CN114362856B (zh) | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 | |
CN114397230B (zh) | 一种基于卫星遥感的近地面颗粒物组分检测方法和装置 |
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 |