CN110324098A - 一种宽带频谱序列的干扰信号的识别与统计方法 - Google Patents

一种宽带频谱序列的干扰信号的识别与统计方法 Download PDF

Info

Publication number
CN110324098A
CN110324098A CN201910605352.2A CN201910605352A CN110324098A CN 110324098 A CN110324098 A CN 110324098A CN 201910605352 A CN201910605352 A CN 201910605352A CN 110324098 A CN110324098 A CN 110324098A
Authority
CN
China
Prior art keywords
signal
identification
frequency spectrum
sigd
frequency
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
Application number
CN201910605352.2A
Other languages
English (en)
Other versions
CN110324098B (zh
Inventor
刘奇
刘晔
苏晓明
王洋
刘烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Astronomical Observatory of CAS
Original Assignee
Xinjiang Astronomical Observatory of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinjiang Astronomical Observatory of CAS filed Critical Xinjiang Astronomical Observatory of CAS
Priority to CN201910605352.2A priority Critical patent/CN110324098B/zh
Publication of CN110324098A publication Critical patent/CN110324098A/zh
Application granted granted Critical
Publication of CN110324098B publication Critical patent/CN110324098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明提供一种宽带频谱序列的干扰信号的识别与统计方法，包括：提供第一组宽带频谱作为当前宽带频谱及其频谱特征信息；提供宽带频谱在每个频点处的信噪分离阈值；识别当前宽带频谱中的所有识别信号；依据频谱特征信息，提取所有识别信号的信号特征信息，其包括识别信号的起始频率、终止频率、带宽、幅度向量、方向、极化、时间和来源；将信号特征信息存入一信号模板库；进行多组宽带频谱的信号统计。本发明的宽带频谱序列的干扰信号的识别与统计方法提取识别到的信号特征信息，建立信号模板库，不断学习和更新信号信息，并依据信号模板库信号特征信息，实时统计宽带频谱序列中信号特征，从而更好地识别与统计特征信息不同的各类信号。

Description

一种宽带频谱序列的干扰信号的识别与统计方法
技术领域
本发明属于射电天文技术及无线电信号处理技术领域，更具体地涉及一种宽带频谱序列的干扰信号的识别与统计方法。
背景技术
大口径射电望远镜具有极高的系统灵敏度，且系统内、系统间及台址内电子设备众多。随着高频电子技术、高速数字处理技术的发展和应用，数字接收机、数字终端、商用设备、电气设备及台址光学观测设备的建设，使得台址电磁环境变得尤为复杂。
对于射电天文领域，在利用射电望远镜进行观测时容易受到干扰的影响。干扰信号指除观测目标信号外其他的无用信号，故地球地面、空间各类射频信号均为干扰信号。射频干扰(radio frequency interference，RFI)的强度和频谱密度会使得射电望远镜的观测结果深受射频干扰的影响以致失去使用价值。其中，利用单天线射电望远镜所进行的观测(连续谱或光谱)最易受到干扰的影响，其原因是：积分时间的增加虽然提高了望远镜对天文信号的灵敏度，但也同等程度地提高了其对射频干扰信号的灵敏度。
射频干扰对天文观测的影响越来越大，根据其来源主要包括以下几个方面：
1、具有极化特征干扰信号，射电望远镜装备的接收机极化器多为线极化双通道输出，通过对天文观测终端的输入功率统计，接收机双通道功率差异性较大，且垂直极化通道功率较强，随着射电望远镜俯仰角度的升高，垂直极化通道功率呈减弱趋势，由此认为来自地面的垂直极化信号进入接收系统，影响天文观测；
2、突发干扰信号，某个时间进入接收系统的干扰信号大幅增加，严重恶化观测数据，大量干扰信号的存在，导致此时间段的观测数据不在有效；
3、固定窄带干扰信号，此类干扰信号大多来自自身电子设备电磁辐射，窄带干扰数量越多，天文数据的有用信息损失越多，如脉冲星观测数据处理时，存在窄带干扰的通道被屏蔽，意味着窄带干扰越多，有用的频谱通道越少。
4、空间无线电业务干扰信号，空间移动通信、飞机导航、雷达测距、卫星通讯等电磁干扰影响射电天文观测业务。
射电天文台站的电波环境测试要求测试系统具有优异的噪声系数，能够测得台站微弱的干扰信号；每次测试覆盖范围为测试天线3dB波束宽度，通过转动测试天线覆盖台站360度天区；其次，通过垂直极化测试和水平极化测试，分析台站极化信号对天文观测的影响；另外，通过相对实时的电波环境测试，分析同一方向干扰信号的变化趋势及工作日及节假日干扰信号的差异性。综上，射电天文台站电波环境测试具有宽带、极化性、重复性、实时性等特点，有效的干扰信号提取方法对研究台站干扰信号特征、干扰源查找、台站无线电管理及消干扰策略提供重要依据。
综上所述，电磁干扰对射电天文观测的影响越大越大，射电天文台址自动化电波环境监测产生大量的宽带频谱序列，针对电波环境监测产生的宽带频谱序列，需要研究宽带频谱中干扰信号特征，实时识别和统计干扰信号的特征，能够及时掌控台址周围电磁环境的变化，为进一步的干扰缓解策略制定及干扰消减提供重要的技术支撑。而目前射电天文领域从事电波环境测试及干扰缓解方面的技术人员并不多，针对电波环境频谱提取干扰信号的研究更是少之又少，同领域相关技术文献并未找到。
发明内容
本发明旨在提出一种宽带频谱序列干扰信号识别与统计方法，以实现宽带频谱序列的干扰信号的识别与统计。
为了实现上述目的，本发明提供一种宽带频谱序列的干扰信号的识别与统计方法，包括：
S1：提供第一组宽带频谱作为当前的宽带频谱Aj，并提供其频谱特征信息Aj_C；
S2：提供当前的宽带频谱Aj在每个频点处的信噪分离阈值SNSi，i＝1，2，3，...n；
S3：识别当前的宽带频谱Aj中的所有识别信号Hjo，o＝1，2，...，e；
S4：依据所述步骤S1中的频谱特征信息Aj_C，提取步骤S3中的所有识别信号Hjo的信号特征信息，该信号特征信息包括识别信号Hjo的起始频率、终止频率、带宽、幅度向量、方向、极化、时间和来源；
S5：将步骤S4中的所有识别信号Hjo的信号特征信息存入一信号模板库，得到模板库信号；
S6：进行多组宽带频谱的信号统计。
其中，所述步骤S6包括：
S61：提供当前的宽带频谱Aj的下一组宽带频谱Aj+1作为当前的宽带频谱Aj，并提供其频谱特征信息Aj_C，重复步骤S2-S4，得到当前的宽带频谱Aj中的所有识别信号Hjo及其信号特征信息；
S62：根据所述步骤S61中的每个识别信号Hjo的信号特征信息，在信号模板库中通过查询和判断得到相似信号；
S63：对所述相似信号进行相关性判断；
S64：根据步骤S63的判断结果，若判断为相关，则在统计模板库信号的时间和次数，若判断为不相关，则将所述相似信号中的识别信号的信号特征信息存入信号模板库新增模板库信号；
S65：重复上述步骤S61-步骤S64，直到统计完成。
在所述步骤S62中，当所述步骤S61中的识别信号Hjo与所述模板库信号同时满足以下公式时，该识别信号Hjo与模板库信号判断为相似信号：
SigD.D＝SigDM.D；SigD.P＝SigDM.P，
其中，SigD.FR为识别信号Hjo的终止频率，SigD.FL为识别信号Hjo的起始频率，α为信号识别的误差因子；SigDM.FR为模板库信号的终止频率，SigDM.FL为模板库信号的起始频率，SigD.D为识别信号Hjo的方向，SigD.P为识别信号Hjo的极化；SigDM.D为模板库信号的方向，SigDM.P为模板库信号的极化。
在所述步骤S62中，若所述步骤S61中的识别信号Hjo与所有模板库信号均不满足以下公式，则判断为此识别信号Hjo不存在相似信号，将此识别信号Hjo的信号特征信息存入信号模板库，以新增模板库信号：
SigD.D＝SigDM.D；SigD.P＝SigDM.P，
其中，SigD.FR为识别信号Hjo的终止频率，SigD.FL为识别信号Hjo的起始频率，α为信号识别的误差因子；SigDM.FR为模板库信号的终止频率，SigDM.FL为模板库信号的起始频率，SigD.D为识别信号Hjo的方向，SigD.P为识别信号Hjo的极化；SigDM.D为模板库信号的方向，SigDM.P为模板库信号的极化。
于带宽小于1MHz的识别信号Hjo，信号识别的误差因子α取信号带宽的1/3；对于大于等于1MHz的识别信号Hjo，α取信号频点间隔的3倍。
其中，所述步骤S63包括：
步骤S631：计算所述相似信号的皮尔逊系数ρV1，V2；
步骤S632：将皮尔逊系数ρV1，V2与一相关阈值γ比较，以判断所述相似信号是否相关。
所述相似信号的皮尔逊系数为：
其中，V1k为相似信号中的模板库信号的幅度向量在第k个频点处的幅度值；V2k为相似信号中的识别信号的幅度向量在第k个频点处的幅度值，ρV1，V2为相似信号的皮尔逊系数，N为频点个数。
所述相关阈值γ为0.3-0.4。
所述宽带频谱Aj为：
Aj＝(F，P)，
F＝[F1，F2，F3，…，Fn]T，
P＝[P1，P2，P3，…，Pn]T，
其中，矩阵F表示频率信息，矩阵P表示信号幅度信息，n为宽带频谱Aj的频点个数，i表示频点序号，j为宽带频谱的序数；
且所述频谱特征信息Aj_C为：
Aj_C＝[D，P，T]，
其中，D为测量天线指向的方向，P为极化状态，包括水平极化和垂直极化；T为测量时间。
在所述步骤S4中，所述信号特征信息为：
其中，SigD.FL为识别信号的起始频率；SigD.FR为识别信号的终止频率；SigD.B为识别信号的带宽；SigD.V为识别信号的幅度向量；SigD.D为识别信号的方向；SigD.P为识别信号的极化；SigD.T为识别信号的时间；SigD.S为识别信号的来源，依据无线电频率划分及人工经验确定其来源，不确定信号来源的标记为未知，为第o个识别信号Hjo的起始频率，单位为Hz，为第o个识别信号Hjo在起始频率处的幅度值，单位为dBm，为第o个识别信号Hjo的终止频率，单位为Hz，为第o个识别信号Hjo在终止频率处的幅度值，单位为dBm；D为测量天线指向的方向；P为极化状态，包括水平极化和垂直极化；T为测量时间。
本发明的宽带频谱序列的干扰信号的识别与统计方法针对电波环境监测产生的宽带频谱序列，提取识别到的信号特征信息，建立信号模板库，不断学习和更新信号信息，并依据信号模板库信号特征信息，实时统计宽带频谱序列中信号特征，从而更好地识别与统计特征信息不同的各类信号。
附图说明
图1是为根据本发明的一个实施例的宽带频谱序列的干扰信号的识别与统计方法的流程图。
图2是识别信号的信号特征信息的结构框图。
图3是相关阈值γ的取值对信号相关性分析的影响示意图。
图4是如图1所示的宽带频谱序列的干扰信号的识别与统计方法的信号统计步骤的流程图。
具体实施方式
下面结合附图，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
如图1所示，本发明的宽带频谱序列的干扰信号的识别与统计方法，其包括以下步骤：
步骤S1：提供第一组宽带频谱A1作为当前的宽带频谱Aj，并提供其频谱特征信息Aj_C。
宽带频谱Aj包含多个频点的信号幅度信息，宽带频谱Aj为：
Aj＝(F，P)， (1)
F＝[F1，F2，F3，…，Fn]T (2)
P＝[P1，P2，P3，…，Pn]T (3)
其中，矩阵F表示频率信息，矩阵P表示信号幅度信息，n为宽带频谱Aj的频点个数，i表示频点序号，j为宽带频谱的序数。
依据电波环境测量信息，当前的宽带频谱Aj的频谱特征信息Aj_C为1维向量，表示为：
Aj_C＝[D，P，T] (4)
其中，D为测量天线指向的方向，其可以采用一电波环境监测系统的控制云台通过监测其测量天线指向的方向得到，测量天线的覆盖范围为3dB波束宽度，因此该测量方向与测量天线的覆盖范围的夹角通常为60°；P为极化状态，其可以测量天线的极化状态得到，包括两种类型，水平极化(H)和垂直极化(V)；T为测量时间，即获得所述宽带频谱的时间，j为宽带频谱的序数。
在自动化测量过程中，测量天线指向的方向D、极化状态P、测量时间T等均随宽带频谱的序数变化。
由于每组宽带频谱Aj(j＝1，2，3，...，m)中包含多个信号，且每个信号的来源方向、极化信息和时间信息均与宽带频谱的频谱特征信息Aj_C一致，因此宽带频谱的频谱特征信息Aj_C越多，越容易分辨和识别信号；而宽带频谱序列的频谱特征信息Aj_C中的测量时间T可用于统计信号的时间特征。
步骤S2：提供当前的宽带频谱Aj在每个频点i处的信噪分离阈值SNSi，i＝1，2，3，...n，n为当前的宽带频谱Aj的频点个数，i为频点序号，即当前的宽带频谱Aj在每个频点分别对应1个信噪分离阈值SNSi。
在本发明中，可以采用多种现有的信噪分离方法，来提供当前的宽带频谱Aj在每个频点i的信噪分离阈值SNSi，例如申请号为201811510587.5的专利文件所公开的一种基于邻值统计的宽带频谱信噪分离方法，以及申请号为201510542046.0的专利文件所公开的一种基于宽带频谱的干扰信号提取方法等。
步骤S3：识别当前的宽带频谱Aj中的所有识别信号Hjo(o＝1，2，...，e)，并由所有识别信号Hjo的集合组成一信号识别结果Hj；
在本发明中，可以采用现有信号识别方法来识别当前的宽带频谱Aj中的所有识别信号(如申请号为201710773754.4的专利文件所公开的一种宽带频谱的干扰信号识别及提取方法)；若选用上述专利方法，需要进行二值化识别信号。
信号识别结果Hj为：
Hj＝[Hj1，Hj2，…，Hjo，…，Hje] (5)
公式(5)-(6)中，Hj为信号识别结果，Hjo(o＝1，2，...，e)为所有识别信号，e为识别信号的个数，o为识别信号Hjo的序数；Lo表示第o个识别信号Hjo的起始频率在当前的宽带频谱Aj中对应频点的序号，Ro表示第o个识别信号Hjo的终止频率在当前的宽带频谱Aj中对应频点的序号，为第o个识别信号Hjo的起始频率，单位为Hz，为第o个识别信号Hjo在起始频率处的幅度值，单位为dBm，为第o个识别信号Hjo的终止频率，单位为Hz，为第o个识别信号Hjo在终止频率处的幅度值，单位为dBm。
步骤S4：依据所述步骤S1中的当前的宽带频谱Aj的频谱特征信息Aj_C，提取步骤S3中的所有识别信号Hjo的信号特征信息，该信号特征信息包括识别信号Hjo的起始频率SigD.FL、终止频率SigD.FR、带宽SigD.B、幅度向量SigD.V、方向SigD.D、极化SigD.P、时间SigD.T和来源SigD.S，并具体依照公式(7)提取：
式中，SigD.FL为识别信号的起始频率；SigD.FR为识别信号的终止频率；SigD.B为识别信号的带宽；SigD.V为识别信号的幅度向量；SigD.D为识别信号的方向；SigD.P为识别信号的极化；SigD.T为识别信号的时间；SigD.S为识别信号的来源，依据无线电频率划分及人工经验确定其来源，不确定信号来源的标记为未知，为第o个识别信号Hjo的起始频率，单位为Hz，为第o个识别信号Hjo在起始频率处的幅度值，单位为dBm，为第o个识别信号Hjo的终止频率，单位为Hz，为第o个识别信号Hjo在终止频率处的幅度值，单位为dBm；D为测量天线指向的方向；P为极化状态，包括水平极化和垂直极化；T为测量时间。
步骤S5：建立一信号模板库，具体包括：将步骤S4中的所有识别信号Hjo的信号特征信息存入一信号模板库，得到模板库信号。
信号模板库的结构框图如图2所示。其中，信号模板库包含数值表和特征信息表，因此模板库信号包括存储在数值表中的模板库信号的幅度向量SigDM.V，以及存储在特征信息表中的模板库信号的起始频率SigDM.FL、模板库信号的终止频率SigDM.FR、模板库信号的带宽SigDM.B、模板库信号的方向SigDM.D、模板库信号的极化SigDM.P、模板库信号的时间SigDM.T和模板库信号的来源SigDM.S。其中，
式中，SigD.FL为识别信号的起始频率；SigD.FR为识别信号的终止频率；SigD.B为识别信号的带宽；SigD.V为识别信号的幅度向量；SigD.D为识别信号的方向；SigD.P为识别信号的极化；SigD.T为识别信号的时间；SigD.S为识别信号的来源。
步骤S6：如图3所示，进行多组宽带频谱的信号统计，具体包括：
步骤S61：提供当前的宽带频谱Aj的下一组宽带频谱Aj+1作为当前的宽带频谱，并提供其频谱特征信息Aj_C，重复步骤S2-S4，得到当前的宽带频谱Aj中的所有识别信号Hjo(o＝1，2，...，e)及其信号特征信息，依据步骤S4，该信号特征信息包括识别信号Hjo的起始频率SigD.FL、终止频率SigD.FR、带宽SigD.B、幅度向量SigD.V、方向SigD.D、极化SigD.P、时间SigD.T和来源SigD.S。
步骤S62：信号查询与判断。根据所述步骤S61中的每个识别信号Hjo的信号特征信息，具体以识别信号Hjo的起始频率、终止频率、方向、极化为关键字，在信号模板库中通过查询和判断得到相似信号(即彼此相似的识别信号Hjo和模板库信号)。
在步骤S62中，当所述步骤S61中的识别信号Hjo与模板库信号同时满足公式(9)和公式(10)时，该识别信号Hjo与模板库信号判断为相似信号，以进行步骤S63，对这两个相似信号进行相关性判断。
其中，
式(9)中，SigD.FR为所述步骤S61中的识别信号Hjo的终止频率，SigD.FL为所述步骤S61中的识别信号Hjo的起始频率，信号识别的误差因子α为信号识别的误差因子，其为一预设值，该预设值由信号识别误差决定，与识别信号Hjo的带宽相关，对于带宽小于1MHz的识别信号Hjo，α取信号带宽的1/3；对于大于等于1MHz的识别信号Hjo，α取信号频点间隔的3倍，信号频点间隔为宽带频谱中相邻两个频点的差值；SigDM.FR为模板库信号的终止频率，SigDM.FL为模板库信号的起始频率。
SigD.D＝SigDM.D；SigD.P＝SigDM.P (10)
式(10)中，SigD.D为识别信号Hjo的方向，SigD.P为识别信号Hjo的极化；SigDM.D为模板库信号的方向，SigDM.P为模板库信号的极化。
此外，若所述步骤S61中的识别信号Hjo与所有模板库信号均不满足公式(9)或不满足公式(10)，则判断为此识别信号Hjo不存在相似信号，认为此信号为新信号，将此识别信号Hjo的信号特征信息存入信号模板库，以新增模板库信号。
步骤S63：对所述相似信号进行相关性判断。
所述步骤S63包括：
步骤S631：计算所述相似信号的皮尔逊系数ρV1，V2；
所述相似信号的皮尔逊系数为：
式中，V1k为相似信号中的模板库信号的幅度向量在第k个频点处的幅度值；V2k为相似信号中的识别信号的幅度向量在第k个频点处的幅度值。ρV1，V2为相似信号的皮尔逊系数，N为频点个数。
步骤S632：将皮尔逊系数ρV1，V2与一相关阈值γ比较，以判断所述相似信号是否相关。其中，若皮尔逊系数ρV1，V2大于相关阈值γ，则所述相似信号判断为相关，认为所述相似信号为同一信号，反之则判断为不相关，所述相似信号为不同信号。即，
ρV1，V2≥γ (12)
其中，ρV1，V2为相似信号的皮尔逊系数；γ为相关阈值。
其中，由于皮尔逊系数的绝对值|ρV1，V2|∈[0，1]，|ρV1，V2|的值越趋近于1，表明信号V1与信号V2相似程度越高，|ρV1，V2|的值越趋近于0，表明信号V1与信号V2相似度程度越低。我们针对大量的实测数据样本进行分析，图4给出了相关阈值γ的取值与信号相关分析误判率的关系，经对比分析，相关阈值γ可以设置为0.3-0.4，优选为0.4，取值为0.4时准确率较高。
步骤S64：根据步骤S63的判断结果，若判断为相关，则统计模板库信号的时间和次数，若判断为不相关，则将所述相似信号中的识别信号的信号特征信息存入信号模板库以新增模板库信号；其中，统计模板库信号的时间和次数具体包括：对所述相似信号中的模板库信号的次数累加，并将所述相似信号中识别信号的时间存入信号模板库中。
步骤S65：重复上述步骤S61-步骤S64，直到统计完成。
由此，对于第j组宽带频谱，经信号识别提取识别信号及其信号特征信息；依据识别信号的信号特征信息查询信号模板库中是否存在相似信号，若不存在，将此信号特征信息存入信号模板库。若存在相似信号，对两个相似信号的相关性进行分析，若两个相似信号相关，则在信号模板库中统计各模板库信号的时间和次数；若不相关，则将此识别信号的信号特征信息存入信号模板库。随后对于第I+1组频谱，按照上述信号统计流程循环处理，实现频谱序列中干扰信号的实时识别和统计。
以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

Claims (10)

1.一种宽带频谱序列的干扰信号的识别与统计方法，其特征在于，包括：
步骤S1：提供第一组宽带频谱作为当前的宽带频谱Aj，并提供其频谱特征信息Aj_C；
步骤S2：提供当前的宽带频谱Aj在每个频点处的信噪分离阈值SNSi，i＝1，2，3，...n；
步骤S3：识别当前的宽带频谱Aj中的所有识别信号Hjo，o＝1，2，...，e；
步骤S4：依据所述步骤S1中的频谱特征信息Aj_C，提取步骤S3中的所有识别信号Hjo的信号特征信息，该信号特征信息包括识别信号Hjo的起始频率、终止频率、带宽、幅度向量、方向、极化、时间和来源；
步骤S5：将步骤S4中的所有识别信号Hjo的信号特征信息存入一信号模板库，得到模板库信号；
步骤S6：进行多组宽带频谱的信号统计。
2.根据权利要求1所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，所述步骤S6包括：
步骤S61：提供当前的宽带频谱Aj的下一组宽带频谱Aj+1作为当前的宽带频谱Aj，并提供其频谱特征信息Aj_C，重复步骤S2-S4，得到当前的宽带频谱Aj中的所有识别信号Hjo及其信号特征信息；
步骤S62：根据所述步骤S61中的每个识别信号Hjo的信号特征信息，在信号模板库中通过查询和判断得到相似信号；
步骤S63：对所述相似信号进行相关性判断；
步骤S64：根据步骤S63的判断结果，若判断为相关，则在统计模板库信号的时间和次数，若判断为不相关，则将所述相似信号中的识别信号的信号特征信息存入信号模板库新增模板库信号；
步骤S65：重复上述步骤S61-步骤S64，直到统计完成。
3.根据权利要求2所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，在所述步骤S62中，当所述步骤S61中的识别信号Hjo与所述模板库信号同时满足以下公式时，该识别信号Hjo与模板库信号判断为相似信号：
SigD.D＝SigDM.D；SigD.P＝SigDM.P，
其中，SigD.FR为识别信号Hjo的终止频率，SigD.FL为识别信号Hjo的起始频率，α为信号识别的误差因子；SigDM.FR为模板库信号的终止频率，SigDM.FL为模板库信号的起始频率，SigD.D为识别信号Hjo的方向，SigD.P为识别信号Hjo的极化；SigDM.D为模板库信号的方向，SigDM.P为模板库信号的极化。
4.根据权利要求2所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，在所述步骤S62中，若所述步骤S61中的识别信号Hjo与所有模板库信号均不满足以下公式，则判断为此识别信号Hjo不存在相似信号，将此识别信号Hjo的信号特征信息存入信号模板库，以新增模板库信号：
SigD.D＝SigDM.D：SigD.P＝SigDM.P，
其中，SigD.FR为识别信号Hjo的终止频率，SigD.FL为识别信号Hjo的起始频率，α为信号识别的误差因子；SigDM.FR为模板库信号的终止频率，SigDM.FL为模板库信号的起始频率，SigD.D为识别信号Hjo的方向，SigD.P为识别信号Hjo的极化；SigDM.D为模板库信号的方向，SigDM.P为模板库信号的极化。
5.根据权利要求3或4所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，对于带宽小于1MHz的识别信号Hjo，信号识别的误差因子α取信号带宽的1/3；对于大于等于1MHz的识别信号Hjo，α取信号频点间隔的3倍。
6.根据权利要求2所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，所述步骤S63包括：
步骤S631：计算所述相似信号的皮尔逊系数ρV1，V2；
步骤S632：将皮尔逊系数ρV1，V2与一相关阈值γ比较，以判断所述相似信号是否相关。
7.根据权利要求6所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，所述相似信号的皮尔逊系数为：
其中，V1k为相似信号中的模板库信号的幅度向量在第k个频点处的幅度值；V2k为相似信号中的识别信号的幅度向量在第k个频点处的幅度值，ρV1，V2为相似信号的皮尔逊系数，N为频点个数。
8.根据权利要求6所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，所述相关阈值γ为0.3-0.4。
9.根据权利要求1所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，所述宽带频谱Aj为：
Aj＝(F，P)，
F＝[F1，F2，F3，…，Fn]T，
P＝[P1，P2，P3，…，Pn]T，
其中，矩阵F表示频率信息，矩阵P表示信号幅度信息，n为宽带频谱Aj的频点个数，i表示频点序号，j为宽带频谱的序数；
且所述频谱特征信息Aj_C为：
Aj_C＝[D，P，T]，
其中，D为测量天线指向的方向，P为极化状态，包括水平极化和垂直极化；T为测量时间。
10.根据权利要求1所述的宽带频谱序列的干扰信号的识别与统计方法，其特征在于，在所述步骤S4中，所述信号特征信息为：
其中，SigD.FL为识别信号的起始频率；SigD.FR为识别信号的终止频率；SigD.B为识别信号的带宽；SigD.V为识别信号的幅度向量；SigD.D为识别信号的方向；SigD.P为识别信号的极化；SigD.T为识别信号的时间；SigD.S为识别信号的来源，依据无线电频率划分及人工经验确定其来源，不确定信号来源的标记为未知，为第o个识别信号Hjo的起始频率，单位为Hz，为第o个识别信号Hjo在起始频率处的幅度值，单位为dBm，为第o个识别信号Hjo的终止频率，单位为Hz，为第o个识别信号Hjo在终止频率处的幅度值，单位为dBm；D为测量天线指向的方向；P为极化状态，包括水平极化和垂直极化；T为测量时间。
CN201910605352.2A 2019-07-05 2019-07-05 一种宽带频谱序列的干扰信号的识别与统计方法 Active CN110324098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910605352.2A CN110324098B (zh) 2019-07-05 2019-07-05 一种宽带频谱序列的干扰信号的识别与统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910605352.2A CN110324098B (zh) 2019-07-05 2019-07-05 一种宽带频谱序列的干扰信号的识别与统计方法

Publications (2)

Publication Number Publication Date
CN110324098A true CN110324098A (zh) 2019-10-11
CN110324098B CN110324098B (zh) 2021-09-17

Family

ID=68122838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910605352.2A Active CN110324098B (zh) 2019-07-05 2019-07-05 一种宽带频谱序列的干扰信号的识别与统计方法

Country Status (1)

Country Link
CN (1) CN110324098B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855384A (zh) * 2019-10-23 2020-02-28 中国科学院新疆天文台 一种基于窗口划分的宽带频谱信噪分离方法
CN112737613A (zh) * 2020-12-20 2021-04-30 中国电子科技集团公司第二十研究所 一种宽带信号频率区间范围自动确定方法
CN113285224A (zh) * 2021-03-01 2021-08-20 中国科学院新疆天文台 一种射电望远镜远场区域强电磁干扰规避方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969635A (zh) * 2014-04-30 2014-08-06 上海航天电子通讯设备研究所 低空监视雷达的气象信号处理ip核及其实时数据排序方法
CN104640139A (zh) * 2015-02-12 2015-05-20 成都大公博创信息技术有限公司 一种高铁通信的干扰检测方法
US20150201420A1 (en) * 2014-01-14 2015-07-16 U.S Army Research Laboratory ATTN: RDRL-LOC-I Fast method for wideband spectrum sensing
CN107528646A (zh) * 2017-08-31 2017-12-29 中国科学院新疆天文台 一种基于宽带频谱的干扰信号识别及提取方法
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150201420A1 (en) * 2014-01-14 2015-07-16 U.S Army Research Laboratory ATTN: RDRL-LOC-I Fast method for wideband spectrum sensing
CN103969635A (zh) * 2014-04-30 2014-08-06 上海航天电子通讯设备研究所 低空监视雷达的气象信号处理ip核及其实时数据排序方法
CN104640139A (zh) * 2015-02-12 2015-05-20 成都大公博创信息技术有限公司 一种高铁通信的干扰检测方法
CN107528646A (zh) * 2017-08-31 2017-12-29 中国科学院新疆天文台 一种基于宽带频谱的干扰信号识别及提取方法
CN108830162A (zh) * 2018-05-21 2018-11-16 西华大学 无线电频谱监测数据中的时序模式序列提取方法及存储方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁力等: "现场环境下设备区域电磁干扰检测与识别方法", 《电波科学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855384A (zh) * 2019-10-23 2020-02-28 中国科学院新疆天文台 一种基于窗口划分的宽带频谱信噪分离方法
CN112737613A (zh) * 2020-12-20 2021-04-30 中国电子科技集团公司第二十研究所 一种宽带信号频率区间范围自动确定方法
CN112737613B (zh) * 2020-12-20 2022-04-05 中国电子科技集团公司第二十研究所 一种宽带信号频率区间范围自动确定方法
CN113285224A (zh) * 2021-03-01 2021-08-20 中国科学院新疆天文台 一种射电望远镜远场区域强电磁干扰规避方法

Also Published As

Publication number Publication date
CN110324098B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN108709633B (zh) 基于深度学习的分布式光纤振动传感智能安全监测方法
CN110324098A (zh) 一种宽带频谱序列的干扰信号的识别与统计方法
Ottersten et al. Covariance matching estimation techniques for array signal processing applications
Saragiotis et al. Automatic P phase picking using maximum kurtosis and/spl kappa/-statistics criteria
Tanghe et al. Experimental analysis of dense multipath components in an industrial environment
CN106792808A (zh) 一种基于信道状态信息的室内环境下视距路径识别方法
CN105203839A (zh) 一种基于宽带频谱的干扰信号提取方法
CN108957399A (zh) 一种利用lte信号信道状态信息实现运动检测的方法
CN106597368B (zh) 室内干扰源的定位方法及系统
CN108809450B (zh) 一种分布式频谱监测方法
CN111278040A (zh) 干扰源定位方法、装置、设备及计算机存储介质
CN101808334A (zh) 一种认知无线电中检测授权用户到达角的频谱感知方法
KR20200047086A (ko) 클라우드 데이터 처리 gnss 재밍 감시 방법 및 시스템
CN106656303B (zh) 一种基于星载天线捕获跟踪指向系统的信号检测方法
CN110398722A (zh) 基于随机矩阵有限谱的扩展目标回波检测方法
Moayyed et al. Clustering algorithms and validation indices for mmWave radio multipath propagation
CN109800634A (zh) 一种基于邻值统计的宽带频谱信噪分离方法
Martone et al. Fast technique for wideband spectrum sensing
Pereira et al. Evaluating location fingerprinting methods for underground GSM networks deployed over Leaky Feeder
An et al. Radio frequency interference mitigation
CN108020740A (zh) 一种设备区域电磁干扰检测识别系统及方法
Shin et al. Weak radar signal detection based on variable band selection
CN112770349A (zh) 一种基于5g无线频谱的智能监测分析平台
KhanbashI et al. Measurements and analysis of fingerprinting structures for WLAN localization systems
Wang et al. Base station selection method for UWB indoor positioning based on TDOA fingerprint

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