CN111917495A - 一种自适应门限实时生成方法 - Google Patents

Abstract

本发明公开了一种自适应门限实时生成方法，信号搜索是指通过使用频谱监测设备，结合相应的分析算法，对空间电磁环境进行监测测量，针对检测结果进行统计分析后，进而判断信号是否存在。而若进行自动信号搜索，则需要制定相应的搜索门限，通过将采集信号频谱和门限进行比对来判断信号是否存在。采用本发明的技术方案：首先，本发明在实现上并不需要进行人为分段，这就避免了分段带来的问题：如何分段以及若信号正好跨越两个段上造成的门限阶跃现象。其次，检测门限值的确定并不需要操作人员具备专业的技术背景；若在某一频段中同时存在一个大信号和小信号，利用本发明可以有效提高小信号的检测能力，减小漏警的概率。

Description

一种自适应门限实时生成方法

技术领域

本发明涉及频谱监测技术领域，尤其涉及的是，一种将频谱轨迹处理和自适应门限生成进行一体化设计的方法。

背景技术

信号搜索是指通过使用频谱监测设备，结合相应的分析算法，对空间电磁环境进行监测测量，针对检测结果进行统计分析后，进而判断信号是否存在。由于频域检测不仅可以进行信号有无的判定，还可以进行信号的的参数估计，因此信号搜索一般都是在频域进行。频域检测的基本实现思想是通过设定一个可以识别信号和噪声的门限，通过该门限来进行信号检测：如果频谱中的谱线高于该门限，则被认为是信号；谱线低于该门限，则被认为是噪声。因此，频域信号检测的核心就是如何找到一个可以进行信号和噪声区分的门限。目前常规的门限生成方法主要有水平门限、环境门限和自适应门限。在门限的生成方式上，又分为实时产生和非实时产生两种方式。其中，水平门限和环境门限都属于非实时产生方式，在使用之前由用户进行设定，在整个监测过程中门限都是固定不变的。而自适应门限属于实时产生方式，它是根据当前获取的频谱轨迹数据实时地产生当前的检测门限。由于电磁环境检测的复杂性，一般要求根据当前的电磁环境背景自适应生成用于信号检测的门限。这种要求主要体现在下面两个方面：1)电磁频谱的噪底不是平坦的，而是高低起伏且是时变的；2)即使在电磁频谱噪底较为平坦的情况下，监测信号的幅度却是时变的，存在幅度值剧烈抖动的情况。这两种情况都有一个共同的特点，即监测频段内的电磁信号环境是时变的。在这种情况下，非实时性的检测门限都无法胜任时变的信号检测需要。

现有的实现方法是通过分段的方式，即由专业的技术人员根据当前电磁频谱背景数据按照当前的情况，分成若干个段。每个段的计算是根据划分到当前的轨迹数据点来生成的。每段的具体生成方法是：首先将该段内的数据进行排序：无论是升序排列还是降序排列，目的是将信号和噪声分布在数据的两端。然后通过一定的计算因子，分别计算噪声部分和信号部分的估计值，计算出噪声和信号估计值之后，再施以相应的加权因子，通过两者相加从而形成本段的检测门限。每个段都施以上面介绍的处理过程，最后通过拼接从而形成整个监测频段内的检测门限。

现有技术的缺点如下：(1)现有的自适应门限生成方法是通过分段的方式来得到每段的检测电平值。分段的好坏直接决定了检测门限性能的好坏；(2)在计算本段的门限时，虽然考虑了信号和噪声的平均值，并且在进行计算时采用了加权因子，但是这对操作人员的技术水平和经验都提出了较高的要求。并且很多情况下都需要反复调整计算因子和加权因子，才能得到一个比较好的检测门限。在实现步骤上较为繁琐，无法满足实时性的要求；(3)因为这种方法是通过分段的方式来计算，那么若一个信号正好处于两个段的连接处，那么就会出现检测门限呈现阶跃的现象，这在用户视觉上也是不合理的；(4)在计算每段上的检测门限时，若在某一段中同时存在一个大信号和小信号，很可能出现检测门限高于小信号，导致小信号无法被检测到，从而造成漏警的问题。

因此，现有技术存在缺陷需要改进。

发明内容

为解决现有技术存在的问题，本发明提供一种自适应门限实时生成方法，具体包括以下步骤：

步骤1，对当前获取的轨迹数据进行最小值限定；首先设定一个最小值，设这个最小值为MinVal，然后遍历轨迹数据中的所有点，将每个点与这个最小值进行比较，若小于MinVal，则将该点的数值修改为MinVal；否则，保持原点的数值不变；

步骤2，计算当前轨迹的参考基线值；对限定最小值之后的轨迹数据，首先进行自小到大的排序，将信号和噪声分布在轨迹的两端；噪声处于数组的左端，信号处于数组的右端；从最左端的数据开始连续选取20个数据点进行运算，获取这20个数据的平均值和方差，将平均值和方差相加从而得到参考基线值，记为RefVal；

步骤3，进行轨迹正偏移；将步骤1设定的最小值MinVal取反并加1，从而得到正向偏移的偏离值，记为PosiShiftVal；然后通过遍历轨迹数据中的所有点，将每个数据点都加上这个偏离值PosiShiftVal，达到轨迹数据正向偏移的目的；

步骤4，进行对数运算；对于步骤3得到的正向偏移之后的数组的每一个点进行对数操作；是以10为基底的log运算，并且log运算的结果乘以20，使得运算的结果在噪声频段近似模拟噪声的起伏情况；

步骤5，进行轨迹负偏移；将步骤4运算得到的结果进行负偏移；通过遍历对数运算之后的轨迹数据中的所有点，将每个数据点都加上步骤1中设定的最小幅度值MinVal，从而达到轨迹负偏移的目的；

步骤6，进行基线调整；首先按照步骤2的方法获取当前轨迹的基线值，然后将该基线值与步骤2得到的参考基线值作差，得到基线调整值记为BaseShiftVal；然后遍历当前轨迹上的所有点，将每个点的值减去BaseShiftVal，从而完成基线调整；

步骤7，进行膨胀运算；首先构造一个矩形的结构因子，长度为10，将此结构因子作用到步骤6得到的轨迹数据上，得到整个轨迹数组的膨胀结果；经过上述7个步骤操作之后，就实现了根据当前得到的轨迹数据得到最终的自适应门限值。

采用本发明的技术方案：首先，本发明在实现上并不需要进行人为分段，这就避免了分段带来的问题：如何分段以及若信号正好跨越两个段上造成的门限阶跃现象。其次，检测门限值的确定并不需要操作人员具备专业的技术背景；若在某一频段中同时存在一个大信号和小信号，利用本发明可以有效提高小信号的检测能力，减小漏警的概率。

附图说明

图1为本发明方法流程图。

具体实施方式

为了便于理解本发明，下面结合附图和具体实施例，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明的一个实施例是，提出了一种基于对数压缩和形态学算子的自适应门限实时生成方法。信号搜索是指通过使用频谱监测设备，结合相应的分析算法，对空间电磁环境进行监测测量，针对检测结果进行统计分析后，进而判断信号是否存在。而若进行自动信号搜索，则需要制定相应的搜索门限，通过将采集信号频谱和门限进行比对来判断信号是否存在。

基于自适应门限的要求，借鉴数学上对数运算的特点，本发明方法的处理过程包括：最小幅度值限定、参考基线、数据正偏移、对数压缩，数据负偏移、基线调整、形态学运算等，本发明方法运算流程如图1所示，包括以下步骤：

步骤1，对当前获取的轨迹数据进行最小值限定。

首先设定一个最小值(设这个最小值为MinVal)，然后遍历轨迹数据中的所有点，将每个点与这个最小值进行比较，若小于MinVal，则将该点的数值修改为MinVal；否则，保持原点的数值不变。比如当前获取的频谱数据的大致范围在-70dBm～-90dBm范围内，偶尔会出现某一频点上的数值小于-90dBm的情况(比如-98dBm)。此时就可以设定一个最小值MinVal＝-90.0。通过步骤1的操作，剔除极小值对后续运算步骤的影响。步骤2，计算当前轨迹的参考基线值。

对限定最小值之后的轨迹数据，首先进行自小到大的排序，将信号和噪声分布在轨迹的两端。由于现在是按照自小到大的方式排序，则噪声处于数组的左端，信号处于数组的右端。从最左端的数据开始连续选取20个数据点进行运算，获取这20个数据的平均值和方差，将平均值和方差相加从而得到参考基线值(记为RefVal)。

步骤3，进行轨迹正偏移。

因为本方法的核心是通过对数运算得到检测门限，因此为了保证轨迹数据可以进行数学意义上的对数运算，必须进行轨迹的正向偏移。具体操作规则是将步骤1设定的最小值MinVal取反并加1，从而得到正向偏移的偏离值(记为PosiShiftVal)。然后通过遍历轨迹数据中的所有点，将每个数据点都加上这个偏离值PosiShiftVal，达到轨迹数据正向偏移的目的。

步骤4，进行对数运算。

这一步是本发明的核心。对于步骤3得到的正向偏移之后的数组的每一个点进行对数操作。本发明的对数运算是以10为基底的log运算，并且log运算的结果乘以20，使得运算的结果在噪声频段可以近似模拟噪声的起伏情况。

步骤5，进行轨迹负偏移。

将步骤4运算得到的结果进行负偏移。具体操作规则是通过遍历对数运算之后的轨迹数据中的所有点，将每个数据点都加上步骤1中设定的最小幅度值MinVal，从而达到轨迹负偏移的目的。

步骤6，进行基线调整。

经过步骤4的对数运算和步骤5的轨迹负偏移之后，得到的轨迹与原始的轨迹数据可能已经不是相同的基线了，因此需要进行基线调整。操作步骤如下：首先按照步骤2介绍的方法获取当前轨迹的基线值，然后将该基线值与步骤2得到的参考基线值作差，得到基线调整值记为BaseShiftVal；然后遍历当前轨迹上的所有点，将每个点的值减去BaseShiftVal，从而完成基线调整。

步骤7，进行膨胀运算。

由于经过对数运算之后的数据在视觉上通常表现为拱形的形态，并不符合常规意义上检测门限的概念。而形态学中的膨胀运算具备减小功率谱的波谷值，而扩展波峰值的特点，非常适合检测门限的改造。因此，在本步骤中，将形态学中的膨胀算子作用到步骤6得到的轨迹数据上。具体操作如下：首先构造一个矩形的结构因子(长度为10)，将此结构因子作用到步骤6得到的轨迹数据上，得到整个轨迹数组的膨胀结果。也就是说，用形态学中的膨胀运算对对数压缩得到的检测门限的形态进行改造，即可在信号频段使得门限的形态满足常规意义上的检测门限的概念，又可在噪声频段减少虚警现象的发生。

经过上述7个步骤操作之后，就实现了根据当前得到的轨迹数据得到最终的自适应门限值。

采用本发明的技术方案：首先，本发明在实现上并不需要进行人为分段，这就避免了分段带来的问题：如何分段以及若信号正好跨越两个段上造成的门限阶跃现象。其次，检测门限值的确定并不需要操作人员具备专业的技术背景；若在某一频段中同时存在一个大信号和小信号，利用本发明可以有效提高小信号的检测能力，减小漏警的概率。

需要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

1.一种自适应门限实时生成方法，其特征在于，包括以下步骤：

步骤1，对当前获取的轨迹数据进行最小值限定；首先设定一个最小值，设这个最小值为MinVal，然后遍历轨迹数据中的所有点，将每个点与这个最小值进行比较，若小于MinVal，则将该点的数值修改为MinVal；否则，保持原点的数值不变；

步骤2，计算当前轨迹的参考基线值；对限定最小值之后的轨迹数据，首先进行自小到大的排序，将信号和噪声分布在轨迹的两端；噪声处于数组的左端，信号处于数组的右端；从最左端的数据开始连续选取20个数据点进行运算，获取这20个数据的平均值和方差，将平均值和方差相加从而得到参考基线值，记为RefVal；

步骤3，进行轨迹正偏移；将步骤1设定的最小值MinVal取反并加1，从而得到正向偏移的偏离值，记为PosiShiftVal；然后通过遍历轨迹数据中的所有点，将每个数据点都加上这个偏离值PosiShiftVal，达到轨迹数据正向偏移的目的；

步骤4，进行对数运算；对于步骤3得到的正向偏移之后的数组的每一个点进行对数操作；是以10为基底的log运算，并且log运算的结果乘以20，使得运算的结果在噪声频段近似模拟噪声的起伏情况；

步骤5，进行轨迹负偏移；将步骤4运算得到的结果进行负偏移；通过遍历对数运算之后的轨迹数据中的所有点，将每个数据点都加上步骤1中设定的最小幅度值MinVal，从而达到轨迹负偏移的目的；

步骤6，进行基线调整；首先按照步骤2的方法获取当前轨迹的基线值，然后将该基线值与步骤2得到的参考基线值作差，得到基线调整值记为BaseShiftVal；然后遍历当前轨迹上的所有点，将每个点的值减去BaseShiftVal，从而完成基线调整；

步骤7，进行膨胀运算；首先构造一个矩形的结构因子，长度为10，将此结构因子作用到步骤6得到的轨迹数据上，得到整个轨迹数组的膨胀结果；经过上述7个步骤操作之后，就实现了根据当前得到的轨迹数据得到最终的自适应门限值。

Images