CN112751629A - 基于时频图像处理的宽带特定信号检测方法 - Google Patents
基于时频图像处理的宽带特定信号检测方法 Download PDFInfo
- Publication number
- CN112751629A CN112751629A CN202110054266.4A CN202110054266A CN112751629A CN 112751629 A CN112751629 A CN 112751629A CN 202110054266 A CN202110054266 A CN 202110054266A CN 112751629 A CN112751629 A CN 112751629A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- signal
- broadband
- template
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0602—Systems characterised by the synchronising information used
- H04J3/0605—Special codes used as synchronising signal
- H04J3/0608—Detectors therefor, e.g. correlators, state machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0054—Detection of the synchronisation error by features other than the received signal transition
- H04L7/007—Detection of the synchronisation error by features other than the received signal transition detection of error based on maximum signal power, e.g. peak value, maximizing autocorrelation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/04—Speed or phase control by synchronisation signals
- H04L7/041—Speed or phase control by synchronisation signals using special codes as synchronising signal
- H04L7/042—Detectors therefor, e.g. correlators, state machines
Abstract
本发明属于信号检测领域,特别涉及一种基于时频图像处理的宽带特定信号检测方法,通过构建特定信号的时频图模板;并针对宽带数据时频图,通过时频图模板获取两者相关系数;对相关系数依次通过阈值判决和峰值搜索,通过峰值搜索信号检测来获取宽带数据时频图中特定信号的时频分布。本发明以宽带时频图为研究对象,从图像处理的角度探讨特定信号的检测,可直接在宽带接收数据中进行特定信号的搜索检测,不仅能提高特定信号检测速度,还能节约窄带接收机资源;并进一步通过仿真实验验证,本案方案能够适用于多种典型特定信号的宽带检测,并且具有较强的抗噪性能,能够针对性地检测特定目标信号,过滤无用数据,具有一定的工程应用价值。
Description
技术领域
本发明属于信号检测领域,特别涉及一种基于时频图像处理的宽带特定信号检测方法。
背景技术
随着无线电技术的发展和软硬件设备性能的提升,短波、超短波宽带侦察成为国内外的研究热点。宽带侦察的发展提高了侦察效率,但仍有很大的发展空间。针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法主要分为以人工参与为主的宽带侦察和宽带检测、窄带处理两种。目前,宽带接收机的接收带宽通常为1-30MHz,短波、超短波信号的带宽一般为3-30KHz。以人工参与为主的宽带侦察,要求侦察人员从含有成千上万信号的宽频带中检测目标信号,一方面存在较多的漏检错检,另一方面耗时耗力、效率低下。而宽带检测、窄带处理的模式,先进行宽带的多信号检测,再对中心频率、带宽等调制参数进行估计,而后进行窄带识别。在这种模式下,信号的检测和分类是分离的,整体的性能受限,并且在处理特定信号的检测问题中,不能充分的过滤无用数据,造成窄带处理压力较大。这就必然要求提高宽带侦察的自动化处理能力,而提高自动化处理能力的关键在于从宽带中有效检测出目标信号,这也成为当前的研究热点。
发明内容
为此,本发明提供一种基于时频图像处理的宽带特定信号检测方法,以宽带时频图为研究对象,从图像处理的角度探讨特定信号的检测,可直接在宽带接收数据中进行特定信号的搜索检测,不仅能提高特定信号检测速度,还能节约窄带接收机资源。
按照本发明所提供的设计方案,一种基于时频图像处理的宽带特定信号检测方法,包含:
构建特定信号的时频图模板;
针对宽带数据时频图,通过时频图模板获取两者相关系数;
对相关系数依次通过阈值判决和峰值搜索,通过峰值搜索信号检测来获取宽带数据时频图中特定信号的时频分布。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步的,利用特定信号在传输结构中含有特定帧结构且短时傅里叶变换获取的时频图上具备的视觉特性特点,构建用于时频图模板的标准模板。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,通过预先收集的数据样本来构建用于时频图模板的样本模板。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,针对宽带数据时频图,通过调整时频图模板的时频分辨率参数来进行模板匹配,依据信号统计特性并通过时频图模板逐点滑动来获取宽带数据时频图与时频图模板之间的互相关系数。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,将信号检测问题转化为模板匹配问题,通过提取图像间特征并利用匹配误差或相关度来进行模板匹配。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,利用信号序列互相关函数和互协方差函数来获取宽带数据时频图与时频图模板之间的互相关系数。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,依据互相关系数获取归一化互相关系数矩阵,通过矩阵幅值反映以当前位置为端点区域与时频图模板之间的相关程度,根据信号区域排除多余峰值,并根据时频分辨率获取目标信号所在的时频坐标起止位置。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,依据目标信号必然存在和必然不存在的情形来设定搜索区域上下限;将上下限区间进行等间隔划分,根据等间隔划分的间隔长度及搜索区域下限来设定阈值大小,若自相关系数大于该阈值,则判定当前区域内目标信号存在,否则判定目标信号不存在;逐点滑动并利用信号区域大小匹配峰值区域,通过消除信号重复检测点来获取信号个数。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,阈值大小表示为(L+δ*i),其中,L表示搜索区域下限,δ为等间隔划分的间隔长度,i表示逐点滑动中的当前点。
作为本发明基于时频图像处理的宽带特定信号检测方法,进一步地,依据信号统计特性的稳定性来选取最优阈值;利用最优阈值及区域内最大值点,并根据时频分辨率换算来得到目标信号时频坐标起止位置。
本发明的有益效果:
本发明针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法主要分为以人工参与为主的宽带侦察和宽带检测、窄带处理两种,存在侦察效率低、自动化处理水平不高等问题,通过预先构建特定信号的时频图模板,逐点滑动求时频图模板与宽带数据时频图的相关系数,对相关系数进行阈值判决和峰值搜索,完成特定信号的初步检测。通过仿真实验,该方法适用于多种典型特定信号的宽带检测,并且具有较强的抗噪性能,能够针对性地检测特定目标信号,过滤无用数据,具有一定的工程应用价值。
附图说明:
图1为实施例中基于时频图像处理的宽带特定信号检测流程示意;
图2为实施例中传输报文结构示意;
图3为实施例中Link4a报文结构示意;
图4为实施例中Link4a信号谱图示意;
图5为实施例中宽带特定信号检测算法原理示意;
图6为实施例中特定信号谱图示意;
图7为实施例中信道影响效果示意;
图8为实施例中信噪比对算法性能影响示意;
图9为实施例中不同大小模板类型示意;
图10为实施例中相关系数矩阵三维图像示意之一;
图11为实施例中不同分辨率模板类型示意;
图12为实施例中相关系数矩阵三维图像示意之二;
图13为实施例中模板来源对算法性能影响示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
传统的宽带侦察方式主要依靠人工监视宽带时频图。据初步统计,在合适的分辨率下,通过视觉观察,人眼能够识别超过90%的信号。实际上,人眼识别信号的过程就是一个图像处理和模板匹配的过程,人眼通过观察时频图,形成信号的模板,再次观察信号时,会将观察到的信号与脑海中的信号模板进行匹配,从而识别信号。本发明实施例中,参见图1所示,提供一种基于时频图像处理的宽带特定信号检测方法,以宽带时频图为研究对象,从图像处理的角度探讨特定信号的检测,具体包含:
S101、构建特定信号的时频图模板;
S102、针对宽带数据时频图,通过时频图模板获取两者相关系数;
S103、对相关系数依次通过阈值判决和峰值搜索,通过峰值搜索信号检测来获取宽带数据时频图中特定信号的时频分布。
目前图像处理方法在通信信号处理领域得到了广泛的应用。通过图像处理解决信号检测问题,需要考虑分辨率、相关系数阈值等参数的选取以及模板范围的选择、峰值检测等问题。将信号表示成像素点构成的图像时,分辨率过低时会丧失信号的基本特征,分辨率过高时会使得运算量过大,因此,选取合适的分辨率是一个关键。固定阈值的判决方法鲁棒性差,存在较大的漏检或者虚警,根据相关系数的分布合理选取阈值,减少虚警和漏检也是需要解决的问题。不同信号的视觉特性差异较大,只有合理选取特定信号的模板,才能充分体现信号特征。相关系数并不会出现峰值孤点,而是呈现片状的区域,如何对此进行峰值检测,判断信号有无,也需要有效得解决。本案实施例中,通过预先构建特定信号的时频图模板,逐点滑动求时频图模板与宽带数据时频图的相关系数,对相关系数进行阈值判决和峰值搜索,完成特定信号的初步检测。
随着通信技术的发展,通信信号种类越来越多,不同调制方式、不同规格的信号通过时频谱图呈现出不同的视觉特性。本案中特定信号是指,由于在传输结构中含有特定帧结构(报头帧,如同步头、相位参考和起始码等)而在时频谱图上具备独特视觉特性的信号,如图2所示,其传输报文结构一般由报头帧和数据帧构成。这些报头帧,即特定帧结构,具有一定的规律,一般位于信号头部,起到多普勒校正、符号同步、帧同步、相位参考等作用。在短波、超短波、微波、卫星通信中,这种特定信号非常普遍。
目前时频分析的方法有很多,短时傅里叶变换是常用的时频分析工具。离散时间序列的短时傅里叶变换(Short-time Fourier Transform,STFT)定义为
其中,z(k)为离散时间序列,T为时间采样周期,F为频域采样周期,ω(k)为离散分析窗。
时频谱图(简称谱图)定义为STFT模的平方,即
SPEC(m,n)=|STFT(m,n)|2 (2)
采用谱图对信号进行分析,以此描述信号强度和分布随时间和频率的变化,能直观地呈现出信号的时频特性。对于本案实施例中选取的特定信号,其特定帧结构在时频谱图上具有独特的视觉特性,不同信号具备不同的帧结构,因此也会呈现出不同的视觉特性。下面以Link4a为例来说明其独特的视觉特性。
Link4a信号(又称TADIL-C),主要用于空对空、空对地、地对空的战术通信。其传输报文结构如图3所示。其中同步脉冲串占8个时隙,由高低电平组成。保护性间隔占4个时隙,全部为0电平。起始位占1个时隙,为1电平。数据段为发送或者接收的数据信息,发送信息时占56个时隙,接收信息时占42个时隙。发射非键控位占1个时隙,为0电平。无论是发射控制报文还是应答报文,在传输结构的头部都有同步脉冲串、保护性间隔和起始位三部分。
图4为为Link4a信号的时频谱图。从图中可以看到,信号的头部(即特定帧结构)呈现出不同于后面部分(数据帧结构)的视觉特性,每个Link4a信号都有相同的特定帧结构,而其他信号不具备这一特征。利用这一特定帧结构,再结合模板匹配方法,就能够在宽带时频图像上进行Link4a信号的检测。
在时频分析方法中,Wigner-Ville分布(Wigner-Ville distribution,WVD)变换具有严重的交叉项干扰,而小波变换计算复杂度过高。相对而言,STFT更为常用,尤其是在干扰、混叠等复杂信道情况下,信号的视觉特性也能得到很好地体现。因此,本案实施例中,应用短时傅里叶变换方法呈现特定信号不同的视觉特性,利用时频谱图上的这种视觉特性实现宽带特定信号检测。
作为本发明实施例中基于时频图像处理的宽带特定信号检测方法,进一步的,利用特定信号在传输结构中含有特定帧结构且短时傅里叶变换获取的时频图上具备的视觉特性特点,构建用于时频图模板的标准模板。进一步地,通过预先收集的数据样本来构建用于时频图模板的样本模板。
如图5所示的检测算法原理,首先针对特定信号在时频图上呈现出的特定帧结构,构建标准模板,或者截取数据样本,构建样本模板。然后根据宽带时频图的时频参数,调整模板的时频分辨率参数,使之相匹配。接着将时频图模板逐点滑动与宽带时频谱图进行匹配,得到归一化互相关系数矩阵。最后对归一化互相关系数矩阵进行阈值判决和峰值搜索,得到宽带时频图中特定信号的时频分布。
作为本发明实施例中基于时频图像处理的宽带特定信号检测方法,进一步地,利用信号序列互相关函数和互协方差函数来获取宽带数据时频图与时频图模板之间的互相关系数。
信号可以用其统计特性作描述,这些统计特性可以分为一阶、二阶和高阶统计特性。相关函数、协方差函数与功率谱密度是描述平稳随机信号统计特性最常用的二阶统计量。
对于一维序列来说,自相关函数反映了同一序列不同时刻的相关性,互相关函数反映了序列间的相关性,相关系数值越高,说明相关性越高。以此类推,对于二维矩阵而言,二维自相关矩阵反映了同一矩阵不同位置的相关性,二维互相关矩阵反映了矩阵间的相关性,相关系数矩阵取值越高,说明矩阵的相关性越高。
对于离散随机信号序列x(n)、y(n),互相关函数为:
互协方差函数为:
Cx,y(m)=E((x(n)-μx)(y(n+m)-μy)) (4)
其中:μx,μy分别为离散随机信号序列x(n)、y(n)的均值。
利用互协方差函数,可以定义互相关系数为:
对于二维矩阵A、B,
互相关函数矩阵为:
RA,B(m,n)=E(A(i,j)B(i+m,j+n)) (6)
互协方差函数矩阵为:
CA,B(m,n)=E((A(i,j)-μA)(B(i+m,j+n)-μB)) (7)
其中:μA,μB分别为离散随机信号序列矩阵A、B的均值。
利用互协方差函数,可以定义互相关系数矩阵为:
目前,模板匹配方法广泛应用于精确制导、三维重建、视觉导航、数字视频稳像、数据融合、运动估计和变化检测等领域。实际上,模板匹配可通过提取图像间的特征,计算匹配误差或者相关度,体现图像的相似程度,匹配误差越小,相关度越高,代表模板匹配程度越好。
设当前有两个图像,图像矩阵分别用A、B表示,矩阵A大小为M×N,矩阵B大小为m×n,在矩阵A中匹配出与矩阵B相似度高的子矩阵。用Sx,y表示矩阵A中以位置(x,y)为左上角点与矩阵B大小相同的子矩阵,即
Sx,y(i,j)=f(x+i-1,y+j-1)i=1,2,3...m;j=1,2,3...n (9)
Sx,y和B是大小相等的矩阵,求出Sx,y与B的相关系数ρ(x,y):
随着x、y变化,Sx,y取得矩阵A中不同位置固定尺寸的矩阵,ρ(x,y)为不同位置的矩阵与矩阵B的相关系数,ρ=ρ(x,y)x∈(1,…,M-m+1),y∈(1,…,N-n+1),那么ρ即为(M-m+1)×(N-n+1)的归一化相关系数矩阵。
模板匹配能够通过提取图像间的特征,计算匹配误差或者相关度,体现图像的相似程度。本案特定信号在时频图上呈现独特的视觉特性,利用该特性,结合模板匹配方法,将信号检测问题转化成图像模板匹配问题,就能实现特定信号的宽带检测。
作为本发明实施例汇总基于时频图像处理的宽带特定信号检测方法,进一步地,依据互相关系数获取归一化互相关系数矩阵,通过矩阵幅值反映以当前位置为端点区域与时频图模板之间的相关程度,根据信号区域排除多余峰值,并根据时频分辨率获取目标信号所在的时频坐标起止位置。
得到归一化二维互相关系数矩阵后,还需要对该矩阵进一步处理,主要包括阈值选取、区域搜索和位置对应。矩阵的幅值反映了以当前位置为端点的区域与模板的相关程度,在检测到目标信号的时频位置出现峰值。信噪比影响阈值的设置,信噪比低时,整体的相关系数矩阵幅值较小,信噪比高时,整体的相关系数矩阵幅值较大,固定阈值的方法适用性差。由于目标信号存在的时频位置附近会出现一个峰值区域,为避免同一信号重复检测问题,需根据信号区域排除多余峰值。在得到目标信号最大峰值后,根据时频分辨率,计算目标信号所在的时间频率位置。针对这些问题,本案中基于阈值判决进行区域峰值搜索方案,具体实现流程可描述如下:
归一化相关系数矩阵的幅值范围为[0,1],假定当相关系数大于H时,判定目标信号必然存在,相关系数低于L时,则目标信号必然不存在。将区间[L,H]以δ为间隔,分成个区间,分别以(L+δ*i)作为阈值,若归一化相关系数大于该阈值,认为信号存在,否则,信号不存在。由于按点滑动的二维相关具有连续性,信号存在的区域不会呈现峰值孤点,而是连续的峰值区域。在相关系数矩阵中,峰值间距离小于信号区域大小时,认为是同一信号,例如,信号区域大小为3*4,当相关系数矩阵中两峰值点横纵坐标距离都分别小于3和4时,认为这两个峰值点表征同一信号;利用信号区域的大小匹配峰值区域,消除同一信号重复检测的点,从而得到准确的信号个数。通过对阈值判决、区域搜索的结果进行统计,随着(L+δ*i)中i值的增大,峰值个数统计量呈现先下降再达到基本稳定最后趋于零的特点。当统计量达到基本稳定时,选取该阈值作为最优阈值。最后利用区域内的最大值点,根据时频分辨率的换算关系,即可得到目标信号时频坐标准确的起止位置。信号区域范围内多个峰值点中的相关系数的最大值点,说明匹配程度最高。最大值点的坐标,即x,y值分别为时间、频率坐标,x与时间分辨率相乘即为时间,y与频率分辨率相乘即为频率,据此得到信号的出联时间和频点位置。频率分辨率由信号带宽除以FFT点数,时间分辨率由计算时频图时的步进除以采样率得到。
为验证本案方案有效性,下面结合仿真实验数据做进一步解释说明:
针对短波超短波的宽带特定信号检测方法进行仿真实验,选取Link4a、DQpsk、Link11-clew、Ask、Qpsk、110A39Tones等六种典型信号作为目标信号。实验使用Matlab软件,仿真信号的规格参数根据特定信号协议实现,目标信号时频图及模板如图6所示。考虑到短波、超短波信道的复杂性,在宽带时频谱图中随机地(即水平位置和垂直位置随机)产生信号并且增加了随机的信道干扰,添加效果如图7所示。
为了探讨算法在不同信噪比(Es/N0)下的检测性能。在信噪比范围为[-10dB,12dB]的范围内,每隔2dB产生100个特定信号谱图。由图8(a)可以看出,随着信噪比的增加,算法的正确检测率在提升,并且算法对不同信号的检测性能有较大差异。其中,Link11-clew、Qpsk、110A 39Tones信号的检测效果较好,Link4a信号的检测效果较差。以Link11-clew信号为例,Es/N0为-8db时达到100%的检测率。这是由于不同信号头部特定帧结构不同,呈现在时频图上的视觉特性不同,Link11-clew信号具有特定的帧结构,带内能量分布不均匀,多普勒音和同步音幅值相差4倍,呈现在时频谱图上像素点的幅值差距很大,即使信噪比非常低,时频图中帧头部分的单音结构仍然非常明显,使得该信号的检测效果较好。而对于Link4a信号,其模板结构差异性不如其它信号明显,因此检测率低,但其在5dB时仍能达到100%的检测率。由此可见,该算法针对低信噪比条件下的部分特定信号具有较好的检测性能。
为了进一步验证本案方法的抗噪声性能,在同样的实验条件下与主成分分析和独立成分分析两种方法进行对比。两种方法特征提取数为100,以支持向量机为分类器。图8(b)为这三种方法在不同信噪比下对上述几类特定信号的平均检测率对比图。由图中可以看出,本案方法的性能相对其他两种方法有一定的提升。当信噪比大于5dB时,本案方法平均检测率达到100%,当信噪比达到0dB时,平均检测率仍能达到88%。这是因为本案方法隐含地提取了特定信号时频图中特定的帧结构特征,如能量、分布等,在信噪比较低时,信号在时频图上的能量分布并不均匀,部分特征仍然能够清晰可辨,如Link11-clew信号的多普勒音,所以本案方法总体性能相对另外两种方法要好。
模板选取的大小对此算法的有效性影响较大。模板选择过大或过小,都容易造成对特定信号的检测不敏感,增加漏检概率。本实验以Link11-clew信号为例,选取模板时根据信号特定帧结构的分布,设置图9所示三种模板,模板1由目标信号的报头帧和部分数据帧构成,模板2对模板1拓展5个像素点,模板3只由多普勒音和同步音的帧结构部分构成。通过相关系数矩阵三维图像比较三种模板的优劣。其中,Es/N0取0dB。三幅图像的峰值分别为0.6119,0.46,0.636。结合图10三种模板产生的相关系数矩阵三维图像和峰值进行比较,模板3的检测性能最好。模板1增加的数据帧部分,能量相对比较均匀,不能提高检测性能,反而会增加计算量。模板2相对模板1增加了较多的噪声区域,这些区域不具备相关性,因此会降低相关系数的幅值。模板3性能最好,这是因为Link11-clew信号的多普勒音和同步音是其特有的帧结构,所选区域最能体现信号的独特性。在实际工程应用中,应结合目标信号的帧结构特征,选取最显著的结构作为模板。
对信号做STFT进行分析时,通常采用固定尺寸的窗函数截取信号,分区间对信号进行分析,从而形成信号的时频谱图。窗的形状、长短影响信号的时间分辨率和频率分辨率。同时,步进值也会影响时频谱图的细节,步进值越小,时频谱图的视觉细节呈现就越丰富。实现特定信号的检测,需要综合考虑时间分辨率和频率分辨率。
为了使得特定信号样本和宽带待检测数据的时频谱图相匹配,要求二者的时频谱图具有相同的时间分辨率和频率分辨率。本实验以Link11-clew信号为例,选取模板时根据信号特定帧结构的分布情况,分别以图11所示三种分布的区域作为模板,模板1为目标信号的报头帧和部分数据帧,模板2对模板1进行2倍抽取,模板3对模板1进行4倍抽取。通过相关系数矩阵三维图像比较三种模板的优劣。其中,Es/N0取0dB。三幅图像的峰值分别为0.5661,0.4926,0.5703。结合图12的相关系数矩阵三维图像和峰值进行比较,模板1的检测性能最好,模板2的检测性能有一定的下降,但同时也降低了复杂度,模板3无法检测出信号。显而易见,模板分辨率越高,信号特征表示越为精细,检测性能越好,但同时也会增加计算量。在实际工程应用中,算法分辨率的选择需要结合实际信号具体分析,降低分辨率能够减少算法复杂度,但是也会降低正确检测率,反之亦然。
在实际应用场景中,针对新信号的检测往往具有重要的意义,而新信号的协议特征并不能完全掌握,即不能仿真构建信号的模板。但可以通过数据样本获取新信号的语谱图。应用前述基于时频图像处理的特定信号检测方法,能够快速对目标信号进行时频定位,对于新信号的数据采集和进一步分析处理具有重要意义。
本案仿真宽带场景,假设Link11-clew信号为新信号,分别以截取的信号语图和仿真构建的语图作为模板,通过模板匹配对信号进行检测,检测结果如图13所示。图中截取信号模板的方法虽然总体性能有所下降,但还是保持较高的检测识别率。由此说明,截取信号样本构建模板再应用本案方法实现特定信号检测是可行的。
针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法存在检测和分类分离、依赖较多的窄带资源、效率低等问题,基于时频图像处理的宽带特定信号检测方案通过仿真实验,本案方案算法相比其他算法检测性能有一定的提升。作为一种宽带数据预处理方法,本案方法能够节约窄带接收机资源,减轻数据压力。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于时频图像处理的宽带特定信号检测方法,其特征在于,包含如下内容:
构建特定信号的时频图模板;
针对宽带数据时频图,通过时频图模板获取两者相关系数;
对相关系数依次通过阈值判决和峰值搜索,通过峰值搜索信号检测来获取宽带数据时频图中特定信号的时频分布。
2.根据权利要求1所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,利用特定信号在传输结构中含有特定帧结构且短时傅里叶变换获取的时频图上具备的视觉特性特点,构建用于时频图模板的标准模板。
3.根据权利要求1所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,通过预先收集的数据样本来构建用于时频图模板的样本模板。
4.根据权利要求1所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,针对宽带数据时频图,通过调整时频图模板的时频分辨率参数来进行模板匹配,依据信号统计特性并通过时频图模板逐点滑动来获取宽带数据时频图与时频图模板之间的互相关系数。
5.根据权利要求1或4所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,将信号检测问题转化为模板匹配问题,通过提取图像间特征并利用匹配误差或相关度来进行模板匹配。
6.根据权利要求1所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,利用信号序列互相关函数和互协方差函数来获取宽带数据时频图与时频图模板之间的互相关系数。
7.根据权利要求1或6所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,依据互相关系数获取归一化互相关系数矩阵,通过矩阵幅值反映以当前位置为端点区域与时频图模板之间的相关程度,根据信号区域排除多余峰值,并根据时频分辨率获取目标信号所在的时频坐标起止位置。
8.根据权利要求7所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,依据目标信号必然存在和必然不存在的情形来设定搜索区域上下限;将上下限区间进行等间隔划分,根据等间隔划分的间隔长度及搜索区域下限来设定阈值大小,若自相关系数大于该阈值,则判定当前区域内目标信号存在,否则判定目标信号不存在;逐点滑动并利用信号区域大小匹配峰值区域,通过消除信号重复检测点来获取信号个数。
9.根据权利要求8所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,阈值大小表示为(L+δ*i),其中,L表示搜索区域下限,δ为等间隔划分的间隔长度,i表示逐点滑动中的当前点。
10.根据权利要求8所述的基于时频图像处理的宽带特定信号检测方法,其特征在于,依据信号统计特性的稳定性来选取最优阈值;利用最优阈值及区域内最大值点,并根据时频分辨率换算来得到目标信号时频坐标起止位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054266.4A CN112751629A (zh) | 2021-01-15 | 2021-01-15 | 基于时频图像处理的宽带特定信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054266.4A CN112751629A (zh) | 2021-01-15 | 2021-01-15 | 基于时频图像处理的宽带特定信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112751629A true CN112751629A (zh) | 2021-05-04 |
Family
ID=75652106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054266.4A Pending CN112751629A (zh) | 2021-01-15 | 2021-01-15 | 基于时频图像处理的宽带特定信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112751629A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422049A (zh) * | 2022-01-25 | 2022-04-29 | 西安电子科技大学 | 基于深度学习检测的频谱监测大数据清洗方法及系统 |
CN114465631A (zh) * | 2022-04-13 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于引导滤波的信号检测方法及装置 |
CN115941084A (zh) * | 2023-03-09 | 2023-04-07 | 北京理工大学 | 基于时频图模板匹配的水声通信前导信号检测方法及装置 |
CN116015497A (zh) * | 2022-12-27 | 2023-04-25 | 成都爱科特科技发展有限公司 | 一种信号频谱模板匹配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018154830A1 (ja) * | 2017-02-21 | 2018-08-30 | 三菱電機株式会社 | 信号検出装置および信号検出方法 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
WO2019119778A1 (zh) * | 2017-12-22 | 2019-06-27 | 国防科技大学 | 一种无线宽带通信系统抗干扰信号检测与同步方法 |
CN110110683A (zh) * | 2019-05-14 | 2019-08-09 | 南京御通信息技术有限公司 | 一种便携式频谱监测设备及其预处理信号检测方法 |
-
2021
- 2021-01-15 CN CN202110054266.4A patent/CN112751629A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018154830A1 (ja) * | 2017-02-21 | 2018-08-30 | 三菱電機株式会社 | 信号検出装置および信号検出方法 |
WO2019119778A1 (zh) * | 2017-12-22 | 2019-06-27 | 国防科技大学 | 一种无线宽带通信系统抗干扰信号检测与同步方法 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
CN110110683A (zh) * | 2019-05-14 | 2019-08-09 | 南京御通信息技术有限公司 | 一种便携式频谱监测设备及其预处理信号检测方法 |
Non-Patent Citations (2)
Title |
---|
孙伟等: "基于时频图像处理的宽带特定信号检测方法", 《信息工程大学学报》 * |
杨司韩等: "基于谱图和深度卷积网络的超短波特定信号检测和识别方法", 《信息工程大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422049A (zh) * | 2022-01-25 | 2022-04-29 | 西安电子科技大学 | 基于深度学习检测的频谱监测大数据清洗方法及系统 |
CN114422049B (zh) * | 2022-01-25 | 2022-09-23 | 西安电子科技大学 | 基于深度学习检测的频谱监测大数据清洗方法及系统 |
CN114465631A (zh) * | 2022-04-13 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于引导滤波的信号检测方法及装置 |
CN114465631B (zh) * | 2022-04-13 | 2022-06-14 | 中国科学院空天信息创新研究院 | 一种基于引导滤波的信号检测方法及装置 |
CN116015497A (zh) * | 2022-12-27 | 2023-04-25 | 成都爱科特科技发展有限公司 | 一种信号频谱模板匹配方法 |
CN115941084A (zh) * | 2023-03-09 | 2023-04-07 | 北京理工大学 | 基于时频图模板匹配的水声通信前导信号检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112751629A (zh) | 基于时频图像处理的宽带特定信号检测方法 | |
JP3736558B2 (ja) | アンテナ・アレイを用いたofdm信号のパッシブ・レーダ受信機におけるクラッタの排除 | |
KR20040111347A (ko) | 실시간 웨이브릿 디노이징 어플리케이션을 위한 적응성임계 알고리듬 | |
WO2009009715A1 (en) | Method and apparatus for multiple signal identification and finding the basis functions of the received signal | |
JP2006510017A (ja) | 信号分離 | |
CN109587089B (zh) | 一种提升无人机信号识别准确度的方法 | |
CN102546061A (zh) | 基于小波变换的自适应时频空穴检测方法 | |
CN114222202B (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
Li et al. | Blind detection of underwater acoustic communication signals based on deep learning | |
Aïssa-El-Bey et al. | Underdetermined blind audio source separation using modal decomposition | |
CN112929141B (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
US8374229B2 (en) | Method for the detection and generation of a useful signal and associated devices and communications system | |
Topal et al. | Identification of smart jammers: Learning based approaches using wavelet representation | |
CN110233687B (zh) | 一种多路数据信号联合判决检测方法 | |
CN105656511B (zh) | 一种适应于有频偏和低信噪比环境下的差分相关捕获方法 | |
CN110011744B (zh) | 端口检测方法、系统和终端 | |
CN116418364A (zh) | 一种基于扩频序列信号的低虚警率检测方法 | |
CN110808791A (zh) | 基于分数阶傅里叶变换的线性调频信号的检测方法 | |
CN116155319A (zh) | 一种电磁态势监视与分析系统及方法 | |
Al-Badrawi et al. | An EMD-based double threshold detector for spectrum sensing in cognitive radio networks | |
CN105959035B (zh) | 一种直扩信号截获检测方法 | |
CN109617839A (zh) | 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 | |
CN113259027B (zh) | 一种基于Haar变换的敌我识别信号码速率计算方法 | |
CN113824518A (zh) | 基于频谱的非合作信号检测方法 | |
Moawad et al. | A wideband spectrum sensing approach for cognitive radios based on cepstral analysis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210504 |
|
WD01 | Invention patent application deemed withdrawn after publication |