CN113259031B - 一种面向卫星频谱态势生成的底噪拟合与消除方法 - Google Patents

Abstract

本发明公开了一种面向卫星频谱态势生成的底噪拟合与消除方法，包括底噪数据拟合、底噪消除、态势预测三个部分，底噪数据拟合是将频谱数据进行排序进行信号阈值设定，频谱数据中高于阈值的认为是信号，低于阈值的认为是底噪，从而分离出底噪数据，对分离出的底噪进行多项式拟合；底噪消除是将原始信号数据减去根据拟合函数得出的底噪数据，实现底噪消除；态势预测是根据离线频谱数据训练完毕的模型对在线频谱数据进行频谱占用状态的预测。本方法可以提升卫星频谱对噪底起伏的适应能力，从而提高频谱态势预测的准确度。

Description

一种面向卫星频谱态势生成的底噪拟合与消除方法

技术领域

本发明涉及认知无线电卫星通信技术领域，具体的说是一种面向卫星频谱态势生成的底噪拟合与消除方法。

背景技术

随着无线智能设备的迅速发展和普及，频谱资源在无线通信中显得尤为珍贵，同时由于频谱分配策略，导致很大一部分频谱在一段时间内未被有效地利用，处于闲置状态。频谱的稀缺性和低利用率促进了相关研究，认知无线电技术是被认为是提高频谱利用率的有效方法之一，通过频谱感知技术，认知用户可以使用已被授权的频谱资源或者在不干扰授权用户的情况下，与之共享同一个频谱资源。

目前，国内外对各类通信系统中的干扰检测和抑制做了深入的研究，但关于卫星频谱数据的底噪消除的内容较少，现有的方法首先使用EMD方法求得各尺度残余分量的斜率信号；其次采用阈值化方法去除斜率信号中的噪声，其中噪声阈值采用中位数绝对离差方法求得。另一种方法就是对每一条频谱数据首先使用傅里叶级数拟合出该条数据的噪声基底以降低其对频谱感知的影响，然后对处理后的频谱进行能量检测，证明了五阶傅里叶级数能够利用部分底噪较为准确的还原出完整的频谱底噪，如公告号为CN109257128公开了一种基于傅里叶级数拟合去噪的频谱信号识别方法及系统，使用去噪方法和能量识别法的结合应用，能够排除信号波形对基线拟合的干扰，可以准确的识别频谱的使用情况。

近年来，卫星通信被广泛的应用到宇宙观测、远距离通信、科研等众多领域，已经在各个研究领域都得到了广泛的应用并取得了显著的成果，但有时候会遭受到一些有意或无意的干扰。抑制干扰的现有技术如CN110149134A公开了一种基于频谱感知的多馈源卫星干扰抑制方法，具体为多馈源卫星接收端M个接收馈源接收到的连续感知数据，经滤波采样后，得到M×L维的基带等效离散时间信号矩阵X；根据得到的基带等效离散时间信号矩阵X使用频谱感知判断干扰信号是否存在；如果干扰信号存在，根据线性约束最小方差准则，使用已知的目标信号角θ0和目标信号自相关矩阵RXX生成波束成形矢量ω；使用该波束成形矢量对基带等效离散时间信号向量X进行处理，通过该方法能够完成自适应的对卫星复杂信号进行抑制。但是目前，信号干扰在频谱资源监测系统中表现为有规律的底噪，而且待检测卫星频谱中的噪声基底往往起伏较大，这提高了频谱信号参数感知的难度。因此对卫星频谱数据进行底噪拟合和消除是可行的、合理的。

发明内容

为了克服现有技术中存在的不足，本发明提供一种面向卫星频谱态势生成的底噪拟合与消除方法，可以提升卫星频谱对噪底起伏的适应能力，从而提高频谱态势预测的准确度。

为实现上述目的，本发明采用的技术方案为：

本发明是一种面向卫星频谱态势生成的底噪拟合与消除方法，包括底噪数据拟合、底噪消除、态势预测三个部分，具体步骤如下：

步骤1，底噪数据拟合：包含原始频谱信号分离出底噪和对底噪进行多项式拟合两个模块，分别为a:每得到一帧频谱数据并得到阈值，设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；b：对保留下的频谱数据进行多项式拟合，得到该条频谱数据完整的底噪信息；

步骤2，底噪消除：用原始频谱信号数据减去拟合得到的底噪数据，即没有噪声的实际频谱信号；

步骤3，态势预测：通过对拟合去噪后的频谱数据的一个频点的数据集进行神经网络训练，来预测未来时间段频点的态势。

本发明的进一步改进在于：步骤1中，底噪数据拟合的过程具体包括如下步骤：

步骤1.1，设定初始值，即迭代周期t＝1，阈值s＝S；

步骤1.2，得到一帧频谱数据，将这组数据从大到小排序，选取第s％的点的值作为判断是否为信号还是底噪的阈值，由此设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；

步骤1.3，M阶多项式拟合：给定第i帧频谱数据，其中第n个数据的实际功率值用y_in表示，则其通过下述式子进行拟合：

其中：w_it(n)表示第i帧数据在经过t次迭代后拟合出的第n个底噪值，

表示第i帧数据在经过t次迭代后的拟合出的第m阶多项式系数，1≤m≤M，1≤i≤I，I为输入的数据帧总数；

所有位置的拟合误差表示为：

其中：E_i(t)表示第i帧数据在经过t次迭代后的偏差平方和，N表示每一帧频谱数据的数据量；

要使得拟合误差E_i(t)最小，即

其中：s表示第t轮的阈值；

优化后的多项式系数可由下式给出：

步骤1.4，判断优化后的拟合误差是否超过设定误差门限E_T，若E>E_T，则s＝s-1,t＝t+1，并返回步骤1.2；否则，停止迭代,此时的阈值能够更好地分离信号和底噪，得到最优的拟合多项式系数。

本发明的进一步改进在于：步骤2中底噪消除具体包括如下步骤：

步骤2.1，将步骤1.4得到的拟合多项式系数带入步骤1.3中的

得到多项式函数，将n(1<n<N)带入函数便可得到对应的拟合噪声；

步骤2.2，用原始频谱信号数据减去拟合出的底噪数据即可得到认为是没有噪声的实际频谱信号。

本发明的进一步改进在于：步骤3中，对拟合去噪后的频谱数据的一个频点的数据量为X的数据集F进行神经网络训练，构建网络模型，通过网络模型学习频点的一个特征映射，具体为：步骤3.1，首先要对数据集F进行归一化：

其中：F^*(x)表示归一化后的功率谱密度值，F(x)表示数据的原始功率谱密度值，1≤x≤X,d可表示为：

c可表示为：

步骤3.2，将归一化后的F^*(x)传入神经网络训练，输出网络模型。

本发明的进一步改进在于：步骤3.2中网络训练模型的性能评估准则为平均绝对误差值，用以评估真实频谱信号与训练模型预测的功率谱密度归一化误差值，其公式为：

其中：MAE表示平均绝对误差值，F(x)是训练集的功率谱密度，

是训练模型预测的中心频点的功率谱密度。

本发明的进一步改进在于：步骤3.2具体为：

步骤3.2.1，设定初始值，初始训练周期r＝1，初始计数器count＝1,初始化flag_MAE为第一次迭代的误差值；

步骤3.2.2，训练周期r＝r+1；

步骤3.2.3，计算误差MAE：若MAE＞flag_MAE，则count＝count+1，进入下一步骤；否则，flag_MAE＝MAE，count＝0，进入下一步骤；

步骤3.2.4，判断count≤patience是否成立：若成立，则进入下一步骤；否则，结束训练；

步骤3.2.5，判断r＞R是否成立：若成立，则结束；否则，返回步骤3.2.2；

其中：patience为正整数，用于监测模型训练的耐心值，1＜r＜R，R为最大训练周期；

训练模型的优化目标为：

其中：j表示超参数的索引，θ_j表示最佳的网络模型参数。

本发明的有益效果是：本发明通过对频谱数据进行相应处理得到信号阈值，频谱数据中高于阈值的认为是信号，低于阈值的认为是底噪，从而分离出底噪数据，对分离出的底噪进行多项式拟合。将原始信号数据减去根据拟合函数得出的底噪数据，便得到认为是没有底噪的频谱信号。通过训练拟合去噪后的离线频谱数据对在线频谱数据进行频谱占用状态的预测，从而提升频谱态势预测的准确度。

附图说明

图1是本发明的实施流程图。

图2是本发明方法的卫星频谱数据拟合去噪前结果示意图。

图3是本发明方法的卫星频谱数据拟合去噪后结果示意图。

图4是本发明方法的不同阶数拟合函数的拟合标准对比图。

图5是本发明方法拟合去噪后的卫星频谱态势预测的平均绝对误差值。

具体实施方式

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明是一种面向卫星频谱态势生成的底噪拟合与消除方法，包括底噪数据拟合、底噪消除、态势预测三个部分，具体步骤如下：

步骤1，底噪数据拟合：包含原始频谱信号分离出底噪和对底噪进行多项式拟合两个模块，分别为a:每得到一帧频谱数据并得到阈值，设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；b：对保留下的频谱数据进行多项式拟合，得到该条频谱数据完整的底噪信息；

底噪数据拟合的过程具体包括如下步骤：

步骤1.1，设定初始值，即迭代周期t＝1，阈值s＝S；

步骤1.2，得到一帧频谱数据，将这组数据从大到小排序，选取第s％的点的值作为判断是否为信号还是底噪的阈值，由此设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；

步骤1.3，根据在真实环境所监测的天通一号卫星频谱数据的分析发现，M阶多项式拟合能够在底噪拟合时取得较好效果，并可有效避免产生过拟合，给定第i帧频谱数据，其中第n个数据的实际功率值用y_in表示，则其通过下述式子进行拟合：

其中：w_it(n)表示第i帧数据在经过t次迭代后拟合出的第n个底噪值，

表示第i帧数据在经过t次迭代后的拟合出的第m阶多项式系数，1≤m≤M，1≤i≤I，I为输入的数据帧总数；

所有位置的拟合误差表示为：

其中：E_i(t)表示第i帧数据在经过t次迭代后的偏差平方和，N表示每一帧频谱数据的数据量；

要使得拟合误差E_i(t)最小，即

其中：s表示第t轮的阈值；

优化后的多项式系数可由下式给出：

步骤1.4，判断优化后的拟合误差是否超过设定误差门限E_T，若E>E_T，则s＝s-1,t＝t+1，并返回步骤1.2；否则，停止迭代,此时的阈值能够更好地分离信号和底噪，得到最优的拟合多项式系数。

步骤2，底噪消除：用原始频谱信号数据减去拟合得到的底噪数据，即没有噪声的实际频谱信号，实现底噪消除；

具体包括如下步骤：

步骤2.1，将步骤1.4得到的拟合多项式系数带入步骤1.3中的

中，得到多项式函数，即将n(1<n<N)带入多项式函数便可得到对应的拟合噪声；

步骤2.2，用原始频谱信号数据减去拟合出的底噪数据即可得到认为是没有噪声的实际频谱信号；

步骤3，态势预测：对拟合去噪后的频谱数据的一个频点的数据量为X的数据集F进行神经网络训练，构建网络模型，通过网络模型学习频点的一个特征映射，具体为：步骤3.1，首先要对数据集F进行归一化：

其中：F^*(x)表示归一化后的功率谱密度值，F(x)表示数据的原始功率谱密度值，1≤x≤X,d可表示为：

c可表示为：

步骤3.2，将归一化后的F^*(x)传入神经网络训练，输出网络模型。

网络训练模型的性能评估准则为平均绝对误差值，用以评估真实频谱信号与训练模型预测的功率谱密度归一化误差值，其公式为：

其中：MAE表示平均绝对误差值，F(x)是训练集的功率谱密度，

是训练模型预测的中心频点的功率谱密度。

步骤3.2具体为：

步骤3.2.1，设定初始值，初始训练周期r＝1，初始计数器count＝1,初始化flag_MAE为第一次迭代的误差值；

步骤3.2.2，训练周期r＝r+1；

步骤3.2.3，计算误差MAE：若MAE＞flag_MAE，则count＝count+1，进入下一步骤；否则，flag_MAE＝MAE，count＝0，进入下一步骤；

步骤3.2.4，判断count≤patience是否成立：若成立，则进入下一步骤；否则，结束训练；

步骤3.2.5，判断r＞R是否成立：若成立，则结束；否则，返回步骤3.2.2；

其中：patience为正整数，用于监测模型训练的耐心值，1＜r＜R，R为最大训练周期；

训练模型的优化目标为：

其中：j表示超参数的索引，θ_j表示最佳的网络模型参数。本发明通过对频谱数据进行相应处理得到信号阈值，频谱数据中高于阈值的认为是信号，低于阈值的认为是底噪，从而分离出底噪数据，对分离出的底噪进行多项式拟合。将原始信号数据减去根据拟合函数得出的底噪数据，便得到认为是没有底噪的频谱信号。通过训练拟合去噪后的离线频谱数据对在线频谱数据进行频谱占用状态的预测，从而提升频谱态势预测的准确度。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种面向卫星频谱态势生成的底噪拟合与消除方法，其特征在于：包括底噪数据拟合、底噪消除、态势预测三个部分，具体步骤如下：

步骤1，底噪数据拟合：包含原始频谱信号分离出底噪和对底噪进行多项式拟合两个模块，分别为a:每得到一帧频谱数据并得到阈值，设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；b：对保留下的频谱数据进行多项式拟合，得到该条频谱数据完整的底噪信息；

步骤2，底噪消除：用原始频谱信号数据减去拟合得到的底噪数据，即没有噪声的实际频谱信号；

步骤3，态势预测：通过对拟合去噪后的频谱数据的一个频点的数据集进行神经网络训练，来预测未来时间段频点的态势；

步骤1中，底噪数据拟合的过程具体包括如下步骤：

步骤1.1，设定初始值，即迭代周期t＝1，阈值s＝S；

步骤1.2，得到一帧频谱数据，将这组数据从大到小排序，选取第s％的点的值作为判断是否为信号还是底噪的阈值，由此设定频谱信号中功率值大于阈值的部分有信号存在，并去除该部分就得到没有信号频段的底噪；

步骤1.3，M阶多项式拟合：给定第i帧频谱数据，其中第n个数据的实际功率值用y_in表示，则其通过下述式子进行拟合：

其中：w_it(n)表示第i帧数据在经过t次迭代后拟合出的第n个底噪值，

表示第i帧数据在经过t次迭代后的拟合出的第m阶多项式系数，1≤m≤M，1≤i≤I，I为输入的数据帧总数；

所有位置的拟合误差表示为：

其中：E_i(t)表示第i帧数据在经过t次迭代后的偏差平方和，N表示每一帧频谱数据的数据量；

要使得拟合误差E_i(t)最小，即

其中：s表示第t轮的阈值；

优化后的多项式系数由下式给出：

步骤1.4，判断优化后的拟合误差是否超过设定误差门限E_T，若E>E_T，则s＝s-1,t＝t+1，并返回步骤1.2；否则，停止迭代,此时的阈值能够更好地分离信号和底噪，得到最优的拟合多项式系数。

2.根据权利要求1所述一种面向卫星频谱态势生成的底噪拟合与消除方法，其特征在于：步骤2中底噪消除具体包括如下步骤：

步骤2.1，将步骤1.4得到的拟合多项式系数代入步骤1.3中的

得到多项式函数，将n(1<n<N)代 入函数便得到对应的拟合噪声；

步骤2.2，用原始频谱信号数据减去拟合出的底噪数据即得到没有噪声的实际频谱信号。

3.根据权利要求2所述一种面向卫星频谱态势生成的底噪拟合与消除方法，其特征在于：所述步骤3中，对拟合去噪后的频谱数据的一个频点的数据量为X的数据集F进行神经网络训练，构建网络模型，通过网络模型学习频点的一个特征映射，具体为：步骤3.1，首先要对数据集F进行归一化：

其中：F^*(x)表示归一化后的功率谱密度值，F(x)表示数据的原始功率谱密度值，1≤x≤X,d表示为：

c表示为：

步骤3.2，将归一化后的F^*(x)传入神经网络训练，输出网络模型。

4.根据权利要求3所述一种面向卫星频谱态势生成的底噪拟合与消除方法，其特征在于：所述步骤3.2中网络训练模型的性能评估准则为平均绝对误差值，用以评估真实频谱信号与训练模型预测的功率谱密度归一化误差值，其公式为：

其中：MAE表示平均绝对误差值，F(x)是训练集的功率谱密度，

是训练模型预测的中心频点的功率谱密度。

5.根据权利要求4所述一种面向卫星频谱态势生成的底噪拟合与消除方法，其特征在于：所述步骤3.2具体为：

步骤3.2.1，设定初始值，初始训练周期r＝1，初始计数器count＝1,初始化flag_MAE为第一次迭代的误差值；

步骤3.2.2，训练周期r＝r+1；

步骤3.2.3，计算误差MAE：若MAE＞flag_MAE，则count＝count+1，进入下一步骤；否则，flag_MAE＝MAE，count＝0，进入下一步骤；

步骤3.2.4，判断count≤patience是否成立：若成立，则进入下一步骤；否则，结束训练；

步骤3.2.5，判断r＞R是否成立：若成立，则结束；否则，返回步骤3.2.2；

其中：patience为正整数，用于监测模型训练的耐心值，1＜r＜R，R为最大训练周期；

训练模型的优化目标为：

其中：j表示超参数的索引，θ_j表示最佳的网络模型参数。

Images