CN111428561B - 一种宽带电磁干扰源识别方法及系统、储存介质、设备 - Google Patents
一种宽带电磁干扰源识别方法及系统、储存介质、设备 Download PDFInfo
- Publication number
- CN111428561B CN111428561B CN202010111578.XA CN202010111578A CN111428561B CN 111428561 B CN111428561 B CN 111428561B CN 202010111578 A CN202010111578 A CN 202010111578A CN 111428561 B CN111428561 B CN 111428561B
- Authority
- CN
- China
- Prior art keywords
- feature
- interference source
- characteristic
- known broadband
- broadband interference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000001228 spectrum Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 70
- 239000002131 composite material Substances 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 11
- 238000011835 investigation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000005670 electromagnetic radiation Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种宽带电磁干扰源识别方法,对特定环境的多种电磁干扰源进行频谱数据采集,并基于干扰源频率特性,进行人工特征提取,选取包络峰值、频谱能量、变异系数构成识别特征集;使用熵值法衡量特征集的离散度,突出类内特征值集中、类间差异大的特征值点,赋权得到一个双加权的特征模板。计算待识别宽带信号与每种已知宽带干扰源特征模板中心的欧式距离,使用均值方差法进行阈值划分,用模板匹配的方法进行模式识别。此方法性能稳定,且快速高效,对机场周边的宽带电磁干扰源识别率高。
Description
技术领域
本发明涉及电磁干扰识别技术领域,尤其涉及一种宽带电磁干扰源识别方法及系统、储存介质、设备。
背景技术
近些年来,各种电子电气化设备和信息技术设施的快速发展,民航通信导航设备的电磁环境日趋复杂,电磁干扰问题越发频繁。通导设备的电磁干扰从频带特征上可分为两类。第一,窄带干扰。例如“黑广播”或各类交互调等引发的干扰等,由于频谱峰值明显,较容易识别。凭借现有频谱备案数据,结合排查人员的相关经验,可以实现干扰类型判断和快速定位;第二,宽带干扰。如电气化列车弓网电弧、高压线电晕、街灯广告牌、机场监控设备老化、信号干扰器等所产生的辐射发射。目前对于宽带的电磁干扰还未有快捷有效的干扰源识别方案。一旦发生干扰,只能对于大范围复杂电磁环境进行排查研究,通常需要处理海量数据,提取干扰发生的时间和频点等报表信息,监听信号的内容等,以获取有价值的信息,再利用手持式仪器进行现场排查干扰,逐步缩小干扰范围,排查干扰源耗时长,识别效率低。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的宽带电磁干扰源识别方法及系统、储存介质、设备。
一方面,本申请通过本申请的一实施例提供如下技术方案:
一种宽带电磁干扰源识别方法,所述方法包括:
采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别;
其中,所述干扰源特征模板库的建立步骤包括:
采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;
利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;
基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;
基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;
基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;
基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;
基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
可选的,所述利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵,具体包括:
将每种已知宽带干扰源的样本特征集中各特征值进行整合,获得所述N种已知宽带干扰源对应的N个维度为n×m的矩阵A;其中,n为任一种已知宽带干扰源的样本特征集中各特征值的采集次数,m为所述特征值的数量;
利用如下公式对每种已知宽带干扰源所对应矩阵A分别进行归一化处理,获得对应的矩阵B:
其中,aij为矩阵A中的元素,表示矩阵A对应的已知宽带干扰源的第i次采集的第j个特征值,i=1,2,...,n,j=1,2,...,m;xij为矩阵B中的元素,表示归一化后的特征值;
基于每个矩阵B,利用如下公式计算获得每种已知宽带干扰源的第i次采集的第j个特征值占该特征值的比重:
基于pij,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的熵值:
基于ej,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的特征类内权值:
基于每种已知宽带干扰源的特征类内权值,利用如下公式分别对每个矩阵B中的元素进行加权,获得所述N种已知宽带干扰源对应的初始特征模板矩阵Y;
qkj表示第k种已知宽带干扰源的第j个特征值的特征类内权值,k=1,2,...N,ykj表示第k种已知宽带干扰源的第j个特征值,N为已知宽带干扰源种类数。
可选的,所述基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值,具体包括:
基于所述初始特征模板矩阵,利用如下公式计算获得第j个特征值下第k种已知宽带干扰源的特征值的占比:
基于p′kj,利用如下公式计算获得第j个特征值的熵值:
基于e′j,利用如下公式计算获得第j个特征值的特征类间权值:
其中,q′j表示第j个特征值的特征类间权值。
可选的,所述基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值,具体包括:
利用如下公式获得所述特征复合权值:
其中,Wkj表示第k种宽带干扰源的第j个特征值的特征复合权值。
可选的,基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心,具体包括:
利用如下公式获得所述N种已知宽带干扰源的特征模板中心矩阵:
可选的,所述基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值,具体包括:
利用如下公式确定第k种已知宽带干扰源的模板边界:
S′k=[Zk1Wk1Zk2Wk2...ZkmWkm]
利用如下公式计算第k种已知宽带干扰源的欧氏距离阈值Dk:
可选的,所述基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离,具体包括:
利用如下公式计算获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离:
另一方面,本申请通过本申请的另一实施例提供一种宽带电磁干扰源识别系统,包括:
特征提取模块,用于采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
特征加权模块,用于利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
距离计算模块,用于基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
类型识别模块,用于判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别;
模板库建立模块,用于采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
本发明公开了一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本发明公开了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在本发明的一个或多个实施例中,为了在现场实时对某个特定环境现场存在的宽带干扰源进行快速识别,可以提前对该特定环境可能存在的宽带干扰源建立干扰源特征模板库,作为现场识别的匹配模板,其具体建立步骤为:采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。在该建立模板库的过程中,基于采集的特定环境可能存在的N种频谱数据干扰源频率特性,进行特征提取,选取包络峰值、频谱能量、变异系数构成识别特征集,使用熵值法衡量特征集的离散度,突出类内特征值集中、类间差异大的特征值点,赋权得到一个双加权的包括N个特征模板的模板中心,使得到的干扰源特征模板库中各干扰源特征更明显,保证后续模板匹配的准确度。在具体的识别过程中,首先采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别。整个识别过程,利用提前建立好的干扰源特征模板库进行快速识别。因此,本发明的识别方法可只需要一次建立模板后,在后续的现场准确快速的识别干扰源。与现有技术的逐步排查相比,数据处理量更少,识别更高效。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一种实施例中的宽带电磁干扰源识别方法的流程图;
图2是本发明一种实施例中的干扰源特征模板库的建立步骤的流程图;
图3是本发明一种实施例中的宽带电磁干扰源识别系统的结构图;
图4是本发明一种实施例中作为宽带电磁干扰源的灯泡电磁辐射频谱包络提取图;
图5是本发明一种实施例中作为宽带电磁干扰源的GPS干扰器(a)和灯泡(b)的108-350MHz频段的能量分段提取示意图;
图6是本发明一种实施例中9种待测宽带干扰源的混淆矩阵图。
具体实施方式
本申请实施例通过提供一种宽带电磁干扰源识别方法及系统、储存介质、设备,解决了现有的宽带电磁干扰源识别方法效率低的技术问题。
本申请实施例的技术方案为解决上述技术问题,总体思路如下:
一种宽带电磁干扰源识别方法,包括
采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明,本文中出现的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
近些年来,各种电子电气化设备和信息技术设施的快速发展,民航通信导航设备的电磁环境日趋复杂,电磁干扰问题越发频繁。通导设备的电磁干扰从频带特征上可分为两类。第一,窄带干扰。例如“黑广播”或各类交互调等引发的干扰等,由于频谱峰值明显,较容易识别,干扰源排查总体上有章可循,利用现有的无线电监测体系,凭借现有频谱备案数据,结合排查人员的相关经验,都能实现干扰类型判断和快速定位;第二,宽带干扰。如电气化列车弓网电弧、高压线电晕、街灯广告牌、机场监控设备老化、信号干扰器等所产生的辐射发射,多为新型干扰源。由于此类干扰源特征不易把握,且干扰数据难以系统的采集,目前还未有切实有效的干扰源识别方案。一旦发生干扰,对于大范围复杂电磁环境的排查研究,通常需要处理海量数据,提取干扰发生的时间和频点等报表信息,监听信号的内容等,以获取有价值的信息,再利用手持式仪器进行现场排查干扰,逐步缩小干扰范围,排查干扰源耗时长,效率低。
基于上述现有技术的缺陷,若能快速判断干扰源类型,就能极大地缩小排查范围,从而快速解决电磁干扰问题,保障机场通导设备的安全服役。为此,本申请的一个或多个实施例提供了一种宽带电磁干扰源的快速识别方法。
实施例一
参见图1,本申请的一个实施例提供一种宽带电磁干扰源识别方法,具体包括以下步骤:
S200、采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
S400、利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
S600、基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
S800、判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别。
需要说明的是,本实施例的识别方法适用于特定环境的宽带电磁干扰源识别,例如对电磁干扰要求较为严格的机场。但本实施例的识别方法并不限于机场周围的宽带电磁干扰源的识别,在所有需要进行宽带电磁干扰源识别的特定环境都可以采用本实施例的识别方法。
可以理解的是,为了提高识别的效率,作为一种优选的实施方式,可以提前建立干扰源特征模板库。
具体的,参见图2,干扰源特征模板库的建立步骤包括:
S101、采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;
S102、利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;
S103、基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;
S104、基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;
S105、基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;
S106、基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;
S107、基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
下面就以机场宽带电磁干扰源为例,对本实施例的方法各步骤进行详细的解释和说明。
需要说明的是,本实施例的方法为了对机场现场存在的宽带干扰源进行快速识别,首先利用S101-S107对机场周围可能存在的宽带干扰源建立模板,用于后续的模板匹配识别。
因此,首先,执行S101,采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数。
需要说明的是,在具体实施过程中,需要首先对机场周围可能存在的干扰源信息进行获取,具体可以通过各机场历史宽带干扰源检测记录、文献记载等。在获取了干扰源信息后,为了提高效率,则可以通过实验室模拟产生的方式,采集到机场周围可能存在的宽带干扰源的信号。举例来说,在本实施例中,可以根据GB-6364对航空无线电导航台的干扰源分类,结合实际发生的干扰源类型,本实施例选定宽带电磁干扰源类型为2种民用灯泡、6种机场照明灯泡、10个机场跑道灯泡、GPS干扰器、手机信号干扰器、列车电分相电弧放电、高压线电晕放电。具体的,干扰源对空间辐射电磁能量,使用天线将空间电磁波场强信号转变为电压信号,接入频谱仪进行数据采集。
另需说明的是,不同的干扰源在不同的频段频谱特征差异大,如果直接设置扫宽包含整个频段,会造成扫描时间过长,且无法突出干扰源的窄频段细节特征,因此需将宽频段与窄频段采集相结合。示例性的,最终选择采集频段及次数设置如表1所示。
表1测试频段及次数
频率段/MHz | 分辨率带宽/kHz | 测量次数 | 极化方式 |
108-350 | 120 | 20 | 垂直/水平 |
960-2000 | 120 | 20 | 垂直 |
108-148 | 120 | 20 | 垂直/水平 |
310-350 | 120 | 20 | 水平 |
1010-1050 | 120 | 20 | 垂直 |
1070-1110 | 120 | 20 | 垂直 |
本实施例的方法采用频域数据采集,而非时域数据的主要原因包括:(1)机场通导设备的频率跨度较宽,从几兆到几千兆赫兹不等,如果对时域信号直接进行采集,精度不高,数据量大,且采样率常常难以达到;即使对信号下变频采集,也只能接收较窄带宽的信号。(2)频谱仪是窄带接收机,示波器等时域信号采集设备为宽带接收机,频谱仪灵敏度远高于示波器,对于一些宽带电磁干扰源即使使用时域数据进行傅里叶变换得到的频谱也是失真的。(3)在EMC标准,如IEC、CISPR、GB、GJB等中关于干扰发射的限制都在频域中规定,干扰发生通常也都为同频率的干扰,使用频率特征更容易判定干扰源。因此,使用频谱仪对机场多种干扰源电磁辐射频谱进行扫频测试,采集了频谱基础数据。
在采集到频谱数据后,为了方便进行特征提取,本实施例首先进行了干扰源的特征分析,示例性的,具体分析结果如表2所示。
表2宽带干扰源特征分析
干扰源 | 频带类别 | 发生时间 | 干扰程度 | 稳定性 |
列车电弧 | 宽带 | 瞬时 | 强 | 随机 |
民用灯 | 宽带 | 持续 | 弱/强 | 稳定 |
机场灯 | 宽带 | 持续 | 无/弱/强 | 稳定/随机 |
信号干扰器 | 宽带 | 持续 | 强 | 稳定 |
高压线电晕 | 宽带 | 持续 | 弱/无 | 随机 |
根据表2中的特征分析结果,构建原始特征集,主要提取类内差距小,类间差距大的鉴别性的信息。分析物理特性,在分段划分的基础上,选用人工特征为频域包络的峰值特征A1、各个频率段上的能量分布特征A2、反映离散程度的变异系数特征A3。线性排列构建特征集A=[A1 A2 A3]。
下面具体说明各特征数据的提取方法。
包络峰值特征数据。由于频谱数据本身的波动性,直接提取峰值不稳定,先对频谱数据进行包络提取,再提取包络峰值特征。相对于单点的峰值特征,它的电磁辐射频谱包络峰值基本稳定不变。示例性的,图4为一种对外有辐射的灯泡其20次的电磁辐射频谱包络提取图。峰值中心点在120MHz和175MHz附近,幅值约为32dBμV和24dBμV。对整个频段分段,特征提取为依据频率段排列峰值特征。相同干扰源的峰值点可能有微小频偏,使用频率分段提取,适用性更强,峰值点关注出现的频率段及相对峰值即可。
能量分布特征数据。频谱仪采集数据通常有两种方式:一种采集一段时间的时域信号,进行FFT变换;另一种为超外差频谱分析仪,是将本地产生的振荡波与输入信号混频,将输入信号频率变换为待测试的频率,然后输入检波器,不同检波方式对应不同的检波器充电时间,直接进行功率采集,数据显示为电压,其平方和功率成正比。在Parseval定理中,对于非周期信号的能量,可以在时域求得,也能从频域计算。
信号的总能量为:
可以推导得:
因此采集频谱数值和空间电磁波的物理能量是对应关系的,频谱描述信号能量随频率ω分布的特征。先对原始数据进行包络提取,再对频段能量进行分段提取。示例性的,参见图5所示,分别为GPS干扰器(a)和一种灯泡(b)的108-350MHz频段的能量分段提取示意图。提取的特征为依据频率段排列的能量积分。
变异系数特征数据。频谱数据虽具有一定的随机性,但是对于一个确定的信号,总体的离散程度却是趋于稳定的。为了准确度量一组数据的离散程度,使用变异系数进行衡量。变异系数是概率分布离散程度的一个归一化量度,定义为标准差和平均值的比值。
提取的特征为依据频率段排列的归一化变异系数特征。
接下来,执行S102,利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵。
需要说明的是,每种频谱数据都进行多次采样,且频谱数据的包络峰值特征数据、能量分布特征数据和变异系数特征数据都包含多个特征值。在具体实施过程中,对于同类干扰源,各个特征值稳定性不一。为了提高识别的准确性,对于稳定的特征点,应给予相应的高权值。运用熵值法,衡量特征点的离散程度,判断稳定性。因此,S102具体的实施步骤包括:
将每种已知宽带干扰源的样本特征集中各特征值进行整合,获得所述N种已知宽带干扰源对应的N个维度为n×m的矩阵A;其中,n为任一种已知宽带干扰源的样本特征集中各特征值的采集次数,m为所述特征值的数量;
利用如下公式对每种已知宽带干扰源所对应矩阵A分别进行归一化处理,获得对应的矩阵B:
其中,aij为矩阵A中的元素,表示矩阵A对应的已知宽带干扰源的第i次采集的第j个特征值,i=1,2,...,n,j=1,2,...,m;xij为矩阵B中的元素,表示归一化后的特征值;
基于每个矩阵B,利用如下公式计算获得每种已知宽带干扰源的第i次采集的第j个特征值占该特征值的比重:
基于pij,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的熵值:
基于ej,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的特征类内权值:
基于每种已知宽带干扰源的特征类内权值,利用如下公式分别对每个矩阵B中的元素进行加权,获得所述N种已知宽带干扰源对应的初始特征模板矩阵Y;
qkj表示第k种已知宽带干扰源的第j个特征值的特征类内权值,k=1,2,...N,ykj表示第k种已知宽带干扰源的第j个特征值,N为已知宽带干扰源种类数。
接下来,执行S103,基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值。
需要说明的是,由于每个特征值对已知宽带干扰源识别的贡献是不等的,需要赋予不同的权值。在得到初始特征模板矩阵的基础上,进行类间权值判定,并选择差异大的特征值作为识别点,因此需要计算所述N种已知宽带干扰源的特征类间权值。S103具体的实施方法包括以下步骤:
基于所述初始特征模板矩阵,利用如下公式计算获得第j个特征值下第k种已知宽带干扰源的特征值的占比:
基于p′kj,利用如下公式计算获得第j个特征值的熵值:
基于e′j,利用如下公式计算获得第j个特征值的特征类间权值:
其中,q′j表示第j个特征值的特征类间权值。
接下来,执行S104,基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值。
为了后续对特征值直接进行加权,本实施中基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值。
示例性的,具体步骤包括:
利用如下公式获得所述特征复合权值:
其中,Wkj表示第k种宽带干扰源的第j个特征值的特征复合权值。
接下来,执行S105,基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心。
需要说明的是,由于每个特征值对宽带干扰源识别的贡献是不等的,需要赋予不同的权值。因此,S105具体的实施方法包括以下步骤:
利用如下公式获得所述N种已知宽带干扰源的特征模板中心矩阵:
需要说明的是的,虽然权值给定时只在同特征值对应的特征点上进行考量,未进行数据的多特征点横向对比,特征之间的相关性会忽略。但是由于最终用于识别时,各个特征指标之间相互独立,不需要在指标间横向比较,因此选用只需要对单个指标的稳定性衡量的熵值赋权法适用,且针对性强。
接下来,执行S106,基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值。
在具体实施过程中,确定每种已知宽带干扰源的欧氏距离阈值,可以将所述模板中心对应的矩阵映射到高维空间,获得与所述N种已知宽带干扰源对应的N个模板点。即将S映射到高维空间,获得与S1、S2、...SN对应的N个模板点。在具体实施过程中,由于模板中心矩阵中每一行对应高维空间的一个点,因此,将所述模板中心矩阵映射到特征点对应的高维空间中,获得与所述N种宽带干扰源对应的N个模板点。模板点与一定距离围成的区域,反映该区域的例数占总例数的百分比。
接下来,在具体实施过程中,直接采用均值和均方差,来限定阈值。
示例性的,确定每种已知宽带干扰源的欧氏距离阈值的步骤,包括:
利用如下公式确定第k种已知宽带干扰源的模板边界:
S′k=[Zk1Wk1Zk2Wk2...ZkmWkm]
利用如下公式计算第k种已知宽带干扰源的欧氏距离阈值Dk:
需要说明的是,对输入数据进行匹配识别,干扰源的准确识别与判定,与对应模板的欧氏距离阈值的选择紧密相关,欧氏距离阈值过大会造成误报,过小会发生漏报。因此,在实际操作过程中,首先根据第k种已知宽带干扰源第j个特征值(k=1,2,…,N,j=1,2,…,m)的样本均值及其方差确定对应宽带干扰源的模板边界S′k,然后将模板边界S′k与特征模板中心Sk的距离作为欧氏距离阈值Dk。
接下来,执行S107,基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
具体的,干扰源特征模板库就包括每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值。
在获得干扰源特征模板库后,接下来具体说明如何利用干扰源特征模板库进行干扰源识别。
首先,执行S200,采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合。
需要说明的是,对待识别宽带信号采集步骤与S101类似,这里不再赘述。且为了实现后续模板匹配,其采集的特征值数量也与干扰源特征模板库中的一致。即α=(α1,α2,...αm),表示所述待识别宽带信号的特征集合。
接下来,执行S400,利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β。
在具体实施过程中,直接利用干扰源特征模板库中特征复合权值进行加权,获得的矩阵β:
其中,Wkj表示第k种宽带干扰源的第j个特征值的特征复合权值。
接下来,执行S600,基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离。
示例性的,所述基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离,具体包括:
利用如下公式计算获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离:
其中,dist(β,Sk)表示β与Sk的欧式距离,k=1,2,...N。
接下来,执行S800,判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源所的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别。
在具体实施过程中,若目标宽带干扰源的频谱数据与第k种已知宽带干扰源模板中心的距离小于阈值Dk所表示的高维空间区域半径,则将目标宽带干扰源判定为第k种已知宽带干扰源。
示例性的,判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源所对应的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别,具体包括:
判断dist(β,Sk)是否小于欧氏距离阈值Dk;
若是,则将所述目标宽带干扰源识别为第k种已知宽带干扰源类型。
在明了本发明的原理的基础上,为了验证本实施例方法的识别效果,下面以一个具体的实施例来进一步对本发明进行说明。
在本实施例中,利用上述实施例一的识别方法,对9种待测宽带干扰源进行了识别,模板1-9,分别对应两种民用灯(1,2)、两种机场照明灯(3,4)、两个机场跑道灯(5,6)、GPS信号干扰器(7)、手机信号干扰器(8)、列车电分相的弓网电弧(9)。使用混淆矩阵衡量识别方法的精度,其结果如图6所示。其中,(类1,类1)表示类1准确识别,(类4,类9)表示类4被误识别为类9。具体操作时,对待测干扰源的数据进行分类识别,每种宽带干扰源测试数据20组,结果如图6所示,对大多数干扰源(1,2,3,6,7,8,9)都获得了100%的识别效果,个别干扰源(4,5)也有90%以上的准确率,性能良好。
进一步分析准确率不足100%的原因,由于干扰源9每次数据波动大,峰值、能量特征不够稳定,因此对应的模板阈值很宽,与其它干扰源的模板空间产生重合,造成误识别。可进一步优化处理,如手动赋权值,对峰值特征和能量特征给予相应惩罚。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本实施例的方法,为了在现场实时对某个特定环境现场存在的宽带干扰源进行快速识别,可以提前对该特定环境可能存在的宽带干扰源建立干扰源特征模板库,作为现场识别的匹配模板,其具体建立步骤为:采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。在该建立模板库的过程中,基于采集的特定环境可能存在的N种频谱数据干扰源频率特性,进行特征提取,选取包络峰值、频谱能量、变异系数构成识别特征集,使用熵值法衡量特征集的离散度,突出类内特征值集中、类间差异大的特征值点,赋权得到一个双加权的包括N个特征模板的模板中心,使得到的干扰源特征模板库中各干扰源特征更明显,保证后续模板匹配的准确度。在具体的识别过程中,首先采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别。整个识别过程,利用提前建立好的干扰源特征模板库进行快速识别。因此,本发明的识别方法可只需要一次建立模板后,在后续的现场准确快速的识别干扰源。与现有技术的逐步排查相比,数据处理量更少,识别更高效。
实施例二
本实施例提供一种宽带电磁干扰源识别系统,参见图3,所述系统包括:
特征提取模块,用于采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
特征加权模块,用于利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
距离计算模块,用于基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
类型识别模块,用于判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别;
模板库建立模块,用于采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
由于本实施例所介绍的宽带电磁干扰源识别系统为实施本申请实施例一种宽带电磁干扰源识别方法所采用的系统,故而基于本申请实施例中所介绍的宽带电磁干扰源识别的方法,本领域所属技术人员能够了解本实施例的系统的具体实施方式以及其各种变化形式,所以在此对于该系统如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中宽带电磁干扰源识别方法所采用的系统,都属于本申请所欲保护的范围。
基于与前述实施例中同样的发明构思,本发明实施例还提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思,本发明实施例还提供一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前文任一所述方法的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种宽带电磁干扰源识别方法,其特征在于,所述方法包括:
采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别;
其中,所述干扰源特征模板库的建立步骤包括:
采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;
利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;
基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;
基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;
基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;
基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;
基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
2.如权利要求1所述的方法,其特征在于,所述利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵,具体包括:
将每种已知宽带干扰源的样本特征集中各特征值进行整合,获得所述N种已知宽带干扰源对应的N个维度为n×m的矩阵A;其中,n为任一种已知宽带干扰源的样本特征集中各特征值的采集次数,m为所述特征值的数量;
利用如下公式对每种已知宽带干扰源所对应矩阵A分别进行归一化处理,获得对应的矩阵B:
其中,aij为矩阵A中的元素,表示矩阵A对应的已知宽带干扰源的第i次采集的第j个特征值,i=1,2,...,n,j=1,2,...,m;xij为矩阵B中的元素,表示归一化后的特征值;
基于每个矩阵B,利用如下公式计算获得每种已知宽带干扰源的第i次采集的第j个特征值占该特征值的比重:
基于pij,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的熵值:
基于ej,利用如下公式计算获得每种已知宽带干扰源的第j个特征值的特征类内权值:
基于每种已知宽带干扰源的特征类内权值,利用如下公式分别对每个矩阵B中的元素进行加权,获得所述N种已知宽带干扰源对应的初始特征模板矩阵Y;
qkj表示第k种已知宽带干扰源的第j个特征值的特征类内权值,k=1,2,...N,ykj表示第k种已知宽带干扰源的第j个特征值,N为已知宽带干扰源种类数。
8.一种宽带电磁干扰源识别系统,其特征在于,包括:
特征提取模块,用于采集目标环境中待识别宽带信号的频谱数据,并提取所述频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述待识别宽带信号的特征集合;
特征加权模块,用于利用已建立的干扰源特征模板库中的特征复合权值对所述特征集合进行加权,获得矩阵β;
距离计算模块,用于基于β和所述干扰源特征模板库,获得所述待识别宽带信号与每种已知宽带干扰源的欧氏距离;
类型识别模块,用于判断所述待识别宽带信号与每种已知宽带干扰源的欧式距离是否小于每种已知宽带干扰源的欧氏距离阈值,以识别所述待识别宽带信号对应的干扰源类别;
模板库建立模块,用于采集所述目标环境中N种已知宽带干扰源的样本频谱数据,并提取所述样本频谱数据的包络峰值特征、能量分布特征和变异系数特征,获得所述N种已知宽带干扰源对应的样本特征集合,N为正整数;利用熵值法计算每种已知宽带干扰源的样本特征集中各特征值的特征类内权值,并基于所述特征类内权值对所述每种已知宽带干扰源的样本特征集进行加权,获得所述N种已知宽带干扰源的初始特征模板矩阵;基于所述初始特征模板矩阵,利用熵值法计算所述N种已知宽带干扰源的特征类间权值;基于所述特征类内权值和所述特征类间权值,获得所述特征复合权值;基于所述特征复合权值,对所述N种已知宽带干扰源的样本特征集合进行加权,获得所述N种已知宽带干扰源的特征模板中心;基于所述特征模板中心和特征复合权值,确定每种已知宽带干扰源的欧氏距离阈值;基于每种已知宽带干扰源的特征模板中心、特征复合权值和欧氏距离阈值,获得所述干扰源特征模板库。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111578.XA CN111428561B (zh) | 2020-02-24 | 2020-02-24 | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111578.XA CN111428561B (zh) | 2020-02-24 | 2020-02-24 | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428561A CN111428561A (zh) | 2020-07-17 |
CN111428561B true CN111428561B (zh) | 2022-06-07 |
Family
ID=71547099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111578.XA Active CN111428561B (zh) | 2020-02-24 | 2020-02-24 | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428561B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596034A (zh) * | 2020-10-30 | 2021-04-02 | 南京微毫科技有限公司 | 一种基于通用雷达的电子对抗电磁频谱控制系统及其控制方法 |
CN112363021B (zh) * | 2020-11-13 | 2022-05-17 | 重庆大学 | 一种分布式线路故障检测与定位系统及方法 |
CN112532339B (zh) * | 2020-12-16 | 2022-10-28 | 西南交通大学 | 一种主动式抑制弓网电弧电磁干扰的方法及装置 |
CN112818596A (zh) * | 2021-01-29 | 2021-05-18 | 广东振子电子科技有限公司 | 一种智能干扰识别定位方法及其系统 |
CN113219273A (zh) * | 2021-04-07 | 2021-08-06 | 一汽奔腾轿车有限公司 | 一种基于故障矩阵的电动车电磁干扰定位方法 |
CN113189415A (zh) * | 2021-04-07 | 2021-07-30 | 一汽奔腾轿车有限公司 | 一种基于故障矩阵的燃油车电磁干扰定位方法 |
CN116699254B (zh) * | 2023-04-18 | 2023-12-26 | 山东金宇信息科技集团有限公司 | 一种用于机房设备的防电磁干扰方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022041A (zh) * | 2015-06-08 | 2015-11-04 | 西安电子科技大学 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
-
2020
- 2020-02-24 CN CN202010111578.XA patent/CN111428561B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022041A (zh) * | 2015-06-08 | 2015-11-04 | 西安电子科技大学 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
CN105119862A (zh) * | 2015-07-22 | 2015-12-02 | 中国电子科技集团公司第三十六研究所 | 一种信号调制类型识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于粒子群聚类的干扰信号分选方法;高毓泽 等;《无线电工程》;20190505;第49卷(第5期);全文 * |
辐射源个体识别中的目标匹配和分类识别算法研究;陈沛铂;《中国优秀博硕士学位论文全文数据库(硕士)》;20180415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428561A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428561B (zh) | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 | |
CN111585671B (zh) | 电力lte无线专网电磁干扰监测及识别方法 | |
Haddad et al. | New measurements of lightning electric fields in Florida: Waveform characteristics, interaction with the ionosphere, and peak current estimates | |
CN101105446B (zh) | 差分吸收光谱空气质量检测系统 | |
US9689909B2 (en) | System for analyzing and locating partial discharges | |
CN109490730A (zh) | 电缆放电检测方法、装置、存储介质及处理器 | |
CN1831516A (zh) | 用可见光和近红外光谱技术无损鉴别卷烟品种及真假的方法 | |
CN1831515A (zh) | 用可见光和近红外光谱技术无损鉴别作物种子品种的方法 | |
CN103959426B (zh) | 用于通过质谱术识别微生物的方法 | |
CN106443183B (zh) | 一种从电磁频谱中提取频率源数量及基频值的方法 | |
Zhou et al. | A detailed investigation of low latitude tweek atmospherics observed by the WHU ELF/VLF receiver: I. Automatic detection and analysis method | |
CN111157864B (zh) | 一种局部放电超声波信号及图谱识别系统及其方法 | |
CN105300954A (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
Gong et al. | Comparison of simultaneous signals obtained from a dual-field-of-view lidar and its application to noise reduction based on empirical mode decomposition | |
CN110324098B (zh) | 一种宽带频谱序列的干扰信号的识别与统计方法 | |
CN104198834B (zh) | 车辆电磁兼容性能评估方法 | |
CN112505499A (zh) | 一种电缆附件绝缘异常的区间划分方法 | |
CN105745550B (zh) | 模拟至信息转换器 | |
CN110443301B (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
Mehranzamir et al. | Hardware installation of lightning locating system using time difference of arrival method | |
Acharya et al. | Detection of RF devices based on their unintended electromagnetic emissions using Principal Components Analysis | |
CN106932655B (zh) | 一种有源sar天线工作状态测试系统及测试方法 | |
RU2723155C1 (ru) | Способ обнаружения и классификации электрического разряда на электрооборудовании | |
Wu et al. | High‐Accuracy Classification of Radiation Waveforms of Lightning Return Strokes | |
CN112666636B (zh) | 微波辐射计频谱细分接收机的通道耦合性能测试方法 |
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 |