CN114580482A - 基于边缘计算节点与数据中心的无线电信号特征采集方法 - Google Patents
基于边缘计算节点与数据中心的无线电信号特征采集方法 Download PDFInfo
- Publication number
- CN114580482A CN114580482A CN202210248523.2A CN202210248523A CN114580482A CN 114580482 A CN114580482 A CN 114580482A CN 202210248523 A CN202210248523 A CN 202210248523A CN 114580482 A CN114580482 A CN 114580482A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic spectrum
- characteristic information
- edge computing
- computing node
- radiation source
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于边缘计算节点与数据中心的无线电信号特征采集方法,属于电磁频谱特征提取技术领域,包括顺次连接的电磁频谱采集设备、边缘计算节点和数据中心。本发明通过引入边缘计算节点对辐射源类型(身份)进行识别,大大提高了电磁频谱目标特征数据的提取速度,能够满足电磁频谱数据高时效指挥决策与挖掘分析的需求;同时,上传至数据中心的电磁频谱信号为未知类型的辐射源发射的数据,大大降低了数据中心的存储压力、数据传输压力和计算压力;进一步地,通过引入迁移学习法对未知信号进行识别,能够提升系统的信号识别能力。
Description
技术领域
本发明涉及电磁频谱特征提取技术领域,尤其涉及基于边缘计算节点与数据中心的无线电信号特征采集方法。
背景技术
随着全球化信息技术的发展,各种用途的电磁设备飞速更迭,电磁辐射源监测装备力量不断扩展,电子采集技术不断取得突破,电磁信息内涵不断挖掘,电磁监测技术也在不断演进与发展。在复杂的电磁环境下,存在目标电磁信号复杂多变,持续时间短,信噪比低等特点,从海量数据中提取电磁频谱目标特征信息的难度很大,难以实现目标的准确定位和跟踪等。
目前目标定位、跟踪等方法一般包括以下步骤:(1)建立数据中心和存储中心,并部署多个频谱采集设备(传感器)采集频谱数据;(2)传感器实时采集频谱数据并上传到数据中心;(3)数据中心利用大数据技术对实时采集的频谱数据进行清洗、存储,通过机器学习识别电磁频谱目标特征信息;(4)对特征信息进行存储展示;(5)根据目标特征信息遥控监测设备做进一步数据采集,如定位、跟踪等。而上述目标定位、跟踪等方法存在以下缺陷:
(1)从数据采集到特征识别需要花费大量时间,时效性太差;针对非常发信号、移动信号等失去了识别意义;(2)在频谱采集设备端无法对电磁信号进行分析和判断,造成前置人员没法快速响应的问题,易错失目标频谱数据采集机会并造成资源浪费;(3)实时数据全部传输到数据中心,当传感器节点多,频谱数据采集范围大时,造成网络传输压力大,传输速度慢,数据中心无法及时收取数据和下发信息;(4)针对未知信号目标的特征识别率低,特别在信号样本少的情况下,无法准确识别;(5)目前频谱采集设备端是被动执行指令,无法自主控制设备进行数据的采集,且无法进一步协同同一区域内的频谱采集设备对同一目标进行采集跟踪。
进一步地,目前电磁空间数据需要支持指挥决策、态势生成和行动控制等应用需求,对处理速度提出了很高要求,根据装备和指挥系统处理层次的不同,处理速度从毫秒、秒到分钟等多个量级,特别是对抗装备和态势生成需要在毫秒和秒量级完成处理,现有技术无法满足高时效挖掘分析的需求。
发明内容
本发明的目的在于克服现有技术中电磁频谱目标特征数据提取速度慢,无法满足高时效指挥决策需求的问题,提供了基于边缘计算节点与数据中心的无线电信号特征采集方法。
本发明的目的是通过以下技术方案来实现的:基于边缘计算节点与数据中心的无线电信号特征采集系统,所述系统具体包括电磁频谱采集设备和数据中心,系统还包括边缘计算节点,电磁频谱采集设备、边缘计算节点和数据中心顺次连接;
所述电磁频谱采集设备用于采集电磁频谱信号;边缘计算节点用于提取电磁频谱信号的第一特征信息,并基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;若无法识别发射电磁频谱信号的第一辐射源的类型,将第一辐射源对应的电磁频谱信号及其第一特征信息传输至数据中心;数据中心提取电磁频谱信号的第二特征信息,基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理,进而实现第一辐射源的类型识别。
在一示例中,所述系统还包括主边缘计算节点,多个边缘计算节点均连接至主边缘计算节点,主边缘计算节点与数据中心连接,且边缘计算节点与电磁频谱采集设备一一对应连接。
本发明还包括基于边缘计算节点与数据中心的无线电信号特征采集方法,所述方法基于上述电磁频谱目标特征数据快速提取系统进行应用,包括以下步骤:
采集电磁频谱信号;
提取电磁频谱信号的第一特征信息,并基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;
若无法识别发射电磁频谱信号的第一辐射源的类型,提取电磁频谱信号的第二特征信息,基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理进而实现第一辐射源的类型识别。
在一示例中,所述提取电磁频谱信号的第一特征信息前还包括数据预处理步骤,包括:
基于滑窗能量积累检测法对采集的电磁频谱信号进行筛选得到第一预处理信号;
对第一预处理信号进行盲源分离得到辐射源发射的有效电磁频谱信号。
在一示例中,所述方法还包括协同处理步骤:
协同临近的边缘计算节点获取电磁频谱信号的多维数据;和/或,
协同临近的边缘计算节点对指定频点进行定位跟踪分析。
在一示例中,所述基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别具体包括:
将第一特征信息与已知类型辐射源发射的电磁频谱信号的基准第一特征信息进行比较,基于两者之间的相似度实现辐射源类型的确定。
在一示例中,所述提取电磁频谱信号的第二特征信息具体包括:
提取电磁频谱信号的图谱特征信息;和/或,
提取电磁频谱信号的多维特征信息。
在一示例中,所述提取电磁频谱信号的图谱特征信息具体包括:
获取电磁频谱信号的时序图像;
基于均值漂移法提取时序图像中的图谱特征信息。
在一示例中,所述提取电磁频谱信号的多维特征信息还包括:
基于熵值分析法判断多维特征中各维度特征的重要程度,进而提取有效多维特征信息。
在一示例中,所述基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理具体包括:
将第二特征信息与已知类型辐射源发射的电磁频谱信号的基准特征信息进行比较,得到两者的交叠特征信息;
基于交叠特征信息进行初步识别处理得到辐射源的相关类型;
基于第二特征信息中的特有特征,结合具备标签的辅助训练样本对分类模型进行训练;
基于完成训练的分类模型对第二特征信息进行分类处理,进而确定发射具备第二特征信息的电磁频谱信号对应的辐射源类型。
需要进一步说明的是,上述各示例对应的技术特征可以相互组合或替换构成新的技术方案。
本发明还包括一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一示例或多个示例组成形成的所述基于边缘计算节点与数据中心的无线电信号特征采集方法的步骤。
本发明还包括一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行任一示例或多个示例组成形成的所述基于边缘计算节点与数据中心的无线电信号特征采集方法的步骤。
与现有技术相比,本发明有益效果是:
1.在一示例中,通过引入边缘计算节点对辐射源类型(身份)进行识别,大大提高了电磁频谱目标特征数据的提取速度,能够满足电磁频谱数据高时效指挥决策与挖掘分析的需求;同时,上传至数据中心的电磁频谱信号为未知类型的辐射源发射的数据,大大降低了数据中心的存储压力、数据传输压力和计算压力;进一步地,通过引入迁移学习法对未知信号进行识别,能够提升系统的信号识别能力。
2.在一示例中,通过主边缘计算节点进一步对多个边缘计算节点以及电磁频谱设备进行协同控制,能够保证多设备间的协同效率,进而对突发信号目标实时跟踪分析。
3.在一示例中,数据预处理能够有效分离环境噪声和辐射源的电磁频谱信号,进而提升后续特征提取、识别过程的准确性和可靠性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明一示例中的系统框图;
图2为本发明另一示例中的系统框图;
图3为本发明一示例中的流程图;
图4为本发明优选示例的流程图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在一示例中,基于边缘计算节点与数据中心的无线电信号特征采集系统,如图1所示,所述系统包括顺次双向连接的电磁频谱采集设备、边缘计算节点和数据中心。
其中,电磁频谱采集设备用于实时采集电磁频谱信号并传输至边缘计算节点;作为一选项,电磁频谱采集设备为雷达,工作于全波段扫描模式,进而实现电磁频谱信号的有效采集。当然,可通过预先扫描任务使雷达进行定向的扫描,如仅采集特定时段或者特定频率的电磁频谱信号。
进一步地,边缘计算节点用于对发射电磁频谱信号的辐射源的类型进行识别;具体地,边缘计算节点的数据处理模块中集成有模型库以及数据库。模型库中包括多种分类模型,数据库中包括电磁频谱信息(电磁频谱信号)及其特征信息,以及各电磁频谱信息对应的发射源类型等;分类模型基于AI算法、在线学习算法、迁移学习算法等进行特征提取及分类处理;数据库中存储有已知类型辐射源发射的电磁频谱信号的基准特征信息,数据库基于真实历史数据进行建立。更为具体地,边缘计算节点的数据过程如下:
S21’:提取电磁频谱信号的第一特征信息;其中,该第一特征信息即电磁频谱目标(辐射源)特征数据,包括电磁频谱信号的IQ(正交调制)信息、音频信息、脉内特征参数信息、PDW即脉冲描述字参数信息等。
S22’:基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;其中,对辐射源的类型识别即身份识别,以确定该辐射源是否具有威胁,若具有威胁,需要进一步对该辐射源发射的电磁频谱信号进行跟踪和反制处理。本示例中,通过引入边缘计算节点对辐射源类型(身份)进行识别,大大提高了电磁频谱目标特征数据的提取速度,能够满足电磁频谱数据高时效指挥决策与挖掘分析的需求。作为一选项,针对成功识别的辐射源,可以进一步采集该辐射源发射的电磁频谱信息的新特征信息,该新特征信息数据库未存储,以此完善数据库。
S23’:若无法识别发射电磁频谱信号的第一辐射源的类型,将第一辐射源对应的电磁频谱信号及其第一特征信息传输至数据中心,即上传至数据中心的电磁频谱信号为未知类型的辐射源发射的数据,大大降低了数据中心的存储压力、数据传输压力和计算压力;其中,此处第一辐射源对应的边缘计算节点无法进行类型识别的辐射源。
进一步地,数据中心作为系统的管理中心,对频谱采集设备以及边缘计算节点进行控制与管理,且数据中心同样存储有模型库以及数据库,优选数据中心的模型库及数据库与边缘计算节点进行共享。本示例中,数据中心用于第一辐射源的类型进行进一步识别,即先提取电磁频谱信号的第二特征信息,并基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理,进而实现第一辐射源的类型识别。现有技术中由于不能预先知道辐射源的信号特征,分类模型中分类器设计复杂、识别率较低;另一个难点是对于新型电磁目标,难以获得足够多的训练样本,进而无法训练出分类精度高的分类模型,也不能从其他相关数据集中获得经验知识提高对新型电磁目标的识别效果。本示例中,利用迁移学习的泛化能力解决该技术问题,即利用相关领域(类型)已有的电磁频谱数据学习未知领域的电磁频谱信号特征,能够进一步提升对未知信号(第一辐射源发射的电磁频谱信号)辐射源类型识别成功率,以此提升系统的信号识别能力;同时,在实现对未知信号进行识别的基础上,能够进一步拓展数据库,将拓展后数据库传输至边缘计算中心后,后续在边缘计算节点即可实现对第一辐射源的分类识别,保证整个系统的特征提取以及识别速率。
在一示例中,系统还包括主边缘计算节点,多个边缘计算节点均连接至主边缘计算节点,主边缘计算节点与数据中心连接,且边缘计算节点与电磁频谱采集设备一一对应连接。具体地,如图2所示,在区域A内设置一主边缘计算节点,用于对所有边缘计算节点进行管理,同时主边缘计算节点能够实现对与边缘计算节点连接的电磁频谱设备的控制;当出现突发信号时,主边缘计算节点能够协同电磁频谱设备采、边缘计算节点对该突发信号进行定位、跟踪分析处理等。作为一优选,可以令某一边缘计算节点作为主边缘计算节点,此时每一个边缘计算节点均与区域A内其他边缘计算节点双向连接,在主边缘计算节点突发故障无法工作时,可指定任一边缘计算节点作为主边缘计算节点。
本发明还包括基于边缘计算节点与数据中心的无线电信号特征采集方法,与上述电磁频谱目标特征数据快速提取系统具有相同的发明构思,如图3所示,具体包括以下步骤:
S1:采集电磁频谱信号;
S2:提取电磁频谱信号的第一特征信息,并基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;
S3:若无法识别发射电磁频谱信号的第一辐射源的类型,提取电磁频谱信号的第二特征信息,并基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理进而实现第一辐射源的类型识别。
本示例中,步骤S2、S3通过分类模型完成,分类模型即现有机器学习模型,包括特征提取单元以及分类单元,特征提取单元用于取电磁频谱信号的特征信息,包括第一特征信息和第二特征信息;分类单元用于对发射电磁频谱信号的辐射源的类型进行识别,相当于对第一辐射源的身份进行识别,进而确定该辐射源是否具有威胁,进而确定是否需要对该辐射源发射的信号进行跟踪或者反制等。
在一示例中,提取电磁频谱信号的第一特征信息前还包括数据预处理步骤:
S01:基于滑窗能量积累检测法对实时采集的电磁频谱信号进行筛选得到第一预处理信号;具体地,实时采集的电磁频谱信号中混入了环境信号等杂波信号,为有效获取辐射源发射的有效电磁频谱信号,需要对信号进行检测和分选,步骤S01中用于对电磁频谱信号进行初步筛选。
S02:对第一预处理信号进行盲源分离得到辐射源发射的有效电磁频谱信号。具体地,本示例中通过现有FastICA算法(固定点算法)对第一预处理信号进行分离处理,该算法具有较快的收敛速度,能够达到3次收敛,大大提升了信号的分离效率。其中,有效电磁频谱信号即滤除杂波信号后电磁频谱信号。本示例中数据预处理能够有效分离环境噪声和辐射源的电磁频谱信号,进而提升后续特征提取、识别过程的准确性和可靠性。作为一优选,将预处理后的电磁频谱信号传输至边缘计算节点进行后续处理与计算。
在一示例中,预处理步骤还包括信号测向步骤,用于获取发射该电磁频谱信号的辐射源的位置。优选在主边缘计算节点控制频谱采集设备对具备威胁的信号进行定位后执行,即主边缘计算节点经边缘计算节点向频谱采集设备发送对应的采集指令,频谱采集设备接收到该指令后进一步采集定位信号。
在一示例中,所述方法还包括协同处理步骤:
S41:协同临近的边缘计算节点获取电磁频谱信号的多维数据;具体地,主边缘计算节点向邻近的边缘计算节点发动对应的采集多维数据的指令,边缘计算节点根据该指令控制其对应的电磁频谱采集设备采集电磁频谱信号的多维数据。
S42:协同临近的边缘计算节点对指定频点进行定位跟踪分析。具体地,主边缘计算节点向邻近的边缘计算节点发动对应的定位跟踪分析指令,边缘计算节点根据该指令控制其对应的电磁频谱采集设备持续采集该指定频点的数据信息,电磁频谱设备将采集的指定频点的数据信息传输至对应的边缘计算节点,边缘计算节点对该指定频点的数据信息进行分析计算处理。
具体地,本示例中的邻近的边缘计算节点即以某边缘计算节点作为中心(圆心)边缘计算节点,以一定距离作为半径,该范围内的所有边缘计算节点作为该中心边缘计算节点的邻近的边缘计算节点。当然,邻近的边缘节点也可以通过其他划分标准进行定义。多维数据包括电磁频谱信号的时域、空域、频域、能量、调制等方面的特征,如在时域和频域上电磁频谱信号的工作频率、带宽、电平、信噪比、调制样式、符号速率、成型方式、持续时间等。
进一步地,上述步骤S41、步骤S42能够调换顺序执行,或者仅执行其中一个步骤,具体根据主边缘计算节点的控制策略实施。
在一示例中,所述基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别具体包括:
将第一特征信息(采集的电磁频谱信号的第一特征信息)与已知类型辐射源发射的基准电磁频谱信号的基准特征信息进行比较,基于两者之间的相似度实现辐射源类型的确定,即先确定与当前电磁频谱信号相似度最高的基准电磁频谱信号,该基准电磁频谱信号的辐射源类型即为发射该电磁频谱信号的辐射源的类型。其中,基准特征信息、基准电磁频谱信号为存储于数据库中信息。
在一示例中,提取电磁频谱信号的第二特征信息具体包括:
S31:提取电磁频谱信号的图谱特征信息;其中,图谱特征信息包括电磁频谱信号的频率、幅度、相位等,通过采集电磁频谱信号的图谱特征信息,能够更加精准对该信号进行描述,便于实现信号的精准分类。
S32:提取电磁频谱信号的多维特征信息。其中,多维特征信息即多维数据,包括电磁频谱信号的时域、空域、频域、能量、调制等方面的特征,如在时域和频域上电磁频谱信号的工作频率、带宽、电平、信噪比、调制样式、符号速率、成型方式、持续时间等。
在一示例中,提取电磁频谱信号的图谱特征信息具体包括:
S311:获取电磁频谱信号的时序图像;其中,时序图像即按时间先后顺序得到的图像序列,该时序图像用于描述电磁频谱信号的波形图,包括幅度、相位、周期等特征。
S312:基于均值漂移法提取时序图像中的图谱特征信息。其中,均值漂移算法是一种基于密度梯度上升的非参数方法,通过迭代运算找到特征位置,进而对特征进行跟踪计算,具有计算量小、简单易实现等特点。本示例中,基于均值漂移法提取时序图像中的图谱特征信息具体包括以下步骤:
a)设定迭代容许误差ε以及修正阈值δ;
b)读入时序图像,选择跟踪的特征目标,在第k帧图像初始搜索窗,并记录当前窗口的搜索窗的中心坐标y0;
c)将k帧图像的特征目标与第k+1帧图像的特征目标进行匹配,记录k+1帧图像的图谱特征目标的特征点集中心坐标x1;
d)计算均值漂移向量y1,若||y1-y0||>ε,且||y1-x1||<δ,则y0=y1,重复步骤d);若||y1-y0||>ε,而||y1-x1||>δ,则y0=(x1+y1)/2,重复步骤d);若||y1-y0||<ε,记录y1的值,进入步骤e);
e)以y1为中心,在第k+1帧图像确定搜索窗,k=k+1,重复步骤c)至步骤d),进而提取时序图像中的图谱特征信息。
在一示例中,提取电磁频谱信号的多维特征信息还包括:
基于熵值分析法判断多维特征中各维度特征的重要程度,进而提取有效多维特征信息。具体地,通过熵值判断某个维度特征(指标)的离散程度,特征的离散程度越大,该特征对综合评价的影响越大;通过分析电磁频谱信号样本集中各个特征信息的不确定性判断属性的重要程度,从而选择有效维度特征。
更为具体地,熵值分析法具体包括以下步骤:
a1)指标正向化处理;具体地,正向化处理的计算公式如下:
x0≤xj≤maxxi
上式中,xi’表示正向化处理结果;i表示研究对象序号,本示例中研究对象即不同的电磁频谱信号;j表示指标项数;maxxi表示前i个研究对象最大项;xi表示第i个研究对象;xj表示第j项指标;x0表示第一项指标。
b1)指标标准化处理;指标正向化处理之后,还存在各个指标的单位不统一的问题,为便于研究,进一步对指标进行标准化处理,即将各指标统一为无量纲单位,具体公式如下:
c1)计算第j项指标的比重Pij;
其中,m表示i的上界。
d1)计算第j项指标的熵值ej;
e1)计算第j项指标的差异系数gj,差异系数越大,表示该指标对于研究对象所起的作用越大,该指标性能较好。
gj=1-ej
f1)给指标赋权,定义权数aj;
其中,n表示j的上界。
g1)通过权数计算样本(电磁频谱信号)评价值,第i个研究对象下第j项指标的评价值Fij为:
Fij=ajx′ij
则第i个研究对象的总体评价值Fij’为:
具体地,基于上述总体评价值Fij’即可实现多个研究对象(辐射源发射的电磁频谱信号)的评价,进而获取重要程度高的维度特征。
在一示例中,在分类模型设计阶段,需将数据集划分为两部分:即源领域数据集(对应数据库中的数据集)和目标领域数据集(对应采集的电磁频谱信息的数据集)其中目标领域数据集又划分为训练集和测试集这里所有的电磁目标数据均处于同一特征空间,即所有的x都可由特征空间中的特征来描述。面对未知电磁目标时,Dt-train一般难以获得,而且少量Dt-train的数据不足以选择出较优的特征子集或训练出一个好的分类模型。迁移学习的目标就是从现有的先验样本数据Ds中迁移知识,将从一个环境(辐射源类型)中学到的知识用来帮助新环境中的学习任务。本示例中,基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理具体包括:
S33:将第二特征信息与已知类型辐射源发射的电磁频谱信号的基准特征信息进行比较,得到两者的交叠特征信息;
S34:基于交叠特征信息进行初步识别处理得到辐射源的相关类型;其中,相关类型表示与该待识别辐射源类型近似的已知辐射源类型,两者具备较多的特征信息。
S35:基于第二特征信息中的特有特征,结合具备标签的辅助训练样本对分类模型进行训练;其中,特有特征表示数据库中未存储的特征信息,即电磁频谱信号中除交叠特征信息外的特征信息;具备标签的辅助训练样本即已知辐射源类型发射的电磁频谱信号,优选为与待识别辐射源类型相似的已知类型辐射源发射的电磁频谱信号。
S36:基于完成训练的分类模型对第二特征信息进行分类处理,进而确定发射具备第二特征信息的电磁频谱信号对应的辐射源类型。
在一示例中,将上述完成训练后的分类模型进行存储,并发送至边缘计算中心,实现边缘计算中心的模型更新处理,以进一步对边缘计算中心的信号识别结果进行完善,形成对复杂环境下的电磁频谱信息的智能特征提取与识别。
将上述电磁频谱目标特征数据快速提取方法对应的多个示例进行组合,得到本申请优选示例如图4所示,具体包括以下步骤:
S1’:电磁采集设备采集电磁频谱信息;
S2’:边缘计算节点判断是否需要更新模型;具体地,若接收到数据中心发出的新模型信息,则更新模型信息;反之,不更新;
S3’:边缘计算节点对采集的电磁频谱信息(电磁频谱数据)进行预处理,并判断是否完成滑窗能量积累检测及盲源分离过程,若是,得到有效的电磁频谱信号;若否,继续对电磁频谱数据进行预处理;
S4’:边缘计算节点提取电磁频谱信号的第一特征信息,并基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;进一步地,主边缘计算节点协同临近的边缘计算节点获取电磁频谱信号的多维数据,进而完善数据库中辐射源(目标)的数据信息;和/或,主边缘计算节点协同临近的边缘计算节点对指定频点进行定位跟踪分析。
S5’:边缘计算节点采集类型识别成功的辐射源发射的电磁频谱信号的新特征信息,并传输至数据中心;
S6’:数据中心对电磁频谱信号的特征信息进行二次提取;
S7’:数据中心基于二次提取的特征信息训练模型;
S8’:比较训练完成的模型与模型库的模型是否相同,若不同,更新模型库;
S9’:判断是否接收到新的在线学习算法以及辐射源的新特征信息,若接收,进入步骤S6’;反之,结束。
本发明通过在频谱采集设备侧添加边缘计算处理节点,增强近频谱采集设备层的实时处理能力,增强电磁频谱数据的实时处理能力;同时,在数据中心和边缘计算节点之间添加协同机制,边缘计算节点负责数据预处理,新类型辐射源的电磁频谱信号的初步提取等,边缘计算节点使用数据中心同步而来的特征提取模型、数据库等;在同一区域内的边缘计算节点之间添加主边缘节点,负责区域内节点协同控制,方便多节点协同采集指定内容数据;在数据中心充分利用迁移学习和在线学习等机器学习方法的优势,快速形成特征识别模型,自主更新模型等,并主动更新模型到各个边缘计算节点;数据中心对边缘计算节点的识别结果进行进一步优化完善,形成更精确的特征数据。
本实施例提供了一种存储介质,与上述任一示例或多个示例组合形成的基于边缘计算节点与数据中心的无线电信号特征采集方法具有相同的发明构思,其上存储有计算机指令,所述计算机指令运行时执行上述任一示例或多个示例组合形成的所述基于边缘计算节点与数据中心的无线电信号特征采集方法的步骤。
基于这样的理解,本实施例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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例还提供一种终端,与上述任一示例或多个示例组合形成的基于边缘计算节点与数据中心的无线电信号特征采集方法具有相同的发明构思,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一示例或多个示例组合形成的所述基于边缘计算节点与数据中心的无线电信号特征采集方法的步骤。处理器可以是单核或者多核中央处理单元或者特定的集成电路,或者配置成实施本发明的一个或者多个集成电路。
在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上具体实施方式是对本发明的详细说明,不能认定本发明的具体实施方式只局限于这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替代,都应当视为属于本发明的保护范围。
Claims (4)
1.基于边缘计算节点与数据中心的无线电信号特征采集方法,其特征在于:所述方法基于采集系统进行应用,采集系统包括顺次连接的电磁频谱采集设备、边缘计算节点和数据中心;还包括主边缘计算节点,多个边缘计算节点均连接至主边缘计算节点,主边缘计算节点与数据中心连接,且边缘计算节点与电磁频谱采集设备一一对应连接;
令一边缘计算节点作为主边缘计算节点,每一个边缘计算节点均与其他边缘计算节点双向连接,在主边缘计算节点突发故障无法工作时,可指定任一边缘计算节点作为主边缘计算节点;
方法包括以下步骤:
电磁频谱采集设备采集电磁频谱信号;
边缘计算节点提取电磁频谱信号的第一特征信息,并基于第一特征信息对发射电磁频谱信号的辐射源的类型进行识别;若无法识别发射电磁频谱信号的第一辐射源的类型,将第一辐射源对应的电磁频谱信号及其第一特征信息传输至数据中心;
数据中心提取电磁频谱信号的第二特征信息,基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理进而实现第一辐射源的类型识别;
所述提取电磁频谱信号的第一特征信息前还包括数据预处理步骤,包括:
基于滑窗能量积累检测法对采集的电磁频谱信号进行筛选得到第一预处理信号;
对第一预处理信号进行盲源分离得到辐射源发射的有效电磁频谱信号。
2.根据权利要求1所述的基于边缘计算节点与数据中心的无线电信号特征采集方法,其特征在于:所述提取电磁频谱信号的第二特征信息具体包括:
提取电磁频谱信号的图谱特征信息;和/或,
提取电磁频谱信号的多维特征信息;
所述提取电磁频谱信号的图谱特征信息包括:
提取电磁频谱信号的图谱特征信息;
基于均值漂移法提取时序图像中的图谱特征信息;
所述基于均值漂移法提取时序图像中的图谱特征信息具体包括:
a)设定迭代容许误差ε以及修正阈值δ;
b)读入时序图像,选择跟踪的特征目标,在第k帧图像初始搜索窗,并记录当前窗口的搜索窗的中心坐标y0;
c)将k帧图像的特征目标与第k+1帧图像的特征目标进行匹配,记录k+1帧图像的图谱特征目标的特征点集中心坐标x1;
d)计算均值漂移向量y1,若||y1-y0||>ε,且||y1-x1||<δ,则y0=y1,重复步骤d);若||y1-y0||>ε,而||y1-x1||>δ,则y0=(x1+y1)/2,重复步骤d);若||y1-y0||<ε,记录y1的值,进入步骤e);
e)以y1为中心,在第k+1帧图像确定搜索窗,k=k+1,重复步骤c)至步骤d),进而提取时序图像中的图谱特征信息。
3.根据权利要求2所述的基于边缘计算节点与数据中心的无线电信号特征采集方法,其特征在于:所述提取电磁频谱信号的多维特征信息还包括:
基于熵值分析法判断多维特征中各维度特征的重要程度,进而提取有效多维特征信息,具体包括:
a1)指标正向化处理,计算公式如下:
x0≤xj≤maxxi
上式中,xi’表示正向化处理结果;i表示研究对象序号,研究对象即不同的电磁频谱信号;j表示指标项数;maxxi表示前i个研究对象最大项;xi表示第i个研究对象;xj表示第j项指标;x0表示第一项指标;
b1)指标标准化处理,具体公式如下:
c1)计算第j项指标的比重Pij;
其中,m表示i的上界;
d1)计算第j项指标的熵值ej,计算公式为:
e1)计算第j项指标的差异系数gj,计算公式为:
gj=1-ej
f1)给指标赋权,定义权数aj:
其中,n表示j的上界;
g1)通过权数计算电磁频谱信号评价值,第i个研究对象下第j项指标的评价值Fij为:
Fij=ajx′ij
则第i个研究对象的总体评价值Fij’为:
具体地,基于上述总体评价值Fij’即可实现多个研究对象的评价,进而获取重要程度高的维度特征。
4.根据权利要求1所述的基于边缘计算节点与数据中心的无线电信号特征采集方法,其特征在于:
所述基于迁移学习对电磁频谱信号的第二特征信息进行分类识别处理具体包括:
将第二特征信息与已知类型辐射源发射的电磁频谱信号的基准特征信息进行比较,得到两者的交叠特征信息;
基于交叠特征信息进行初步识别处理得到辐射源的相关类型;
基于第二特征信息中的特有特征,结合具备标签的辅助训练样本对分类模型进行训练;
基于完成训练的分类模型对第二特征信息进行分类处理,进而确定发射具备第二特征信息的电磁频谱信号对应的辐射源类型;
将完成训练的分类模型进行存储,并发送至边缘计算中心,实现边缘计算中心的模型更新处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248523.2A CN114580482A (zh) | 2021-12-08 | 2021-12-08 | 基于边缘计算节点与数据中心的无线电信号特征采集方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248523.2A CN114580482A (zh) | 2021-12-08 | 2021-12-08 | 基于边缘计算节点与数据中心的无线电信号特征采集方法 |
CN202111490271.6A CN113899948B (zh) | 2021-12-08 | 2021-12-08 | 一种电磁频谱目标特征数据快速提取系统及方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111490271.6A Division CN113899948B (zh) | 2021-12-08 | 2021-12-08 | 一种电磁频谱目标特征数据快速提取系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580482A true CN114580482A (zh) | 2022-06-03 |
Family
ID=79025690
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210248523.2A Pending CN114580482A (zh) | 2021-12-08 | 2021-12-08 | 基于边缘计算节点与数据中心的无线电信号特征采集方法 |
CN202111490271.6A Active CN113899948B (zh) | 2021-12-08 | 2021-12-08 | 一种电磁频谱目标特征数据快速提取系统及方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111490271.6A Active CN113899948B (zh) | 2021-12-08 | 2021-12-08 | 一种电磁频谱目标特征数据快速提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114580482A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184088B (zh) * | 2023-03-06 | 2024-04-12 | 北京航空航天大学 | 一种基于电磁频谱特征的电磁辐射发射系统故障检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2212352B (en) * | 1986-09-02 | 1990-08-15 | Ferranti Plc | Deinterleaving of radiated signals |
CN103267905B (zh) * | 2013-04-25 | 2015-11-18 | 北京航空航天大学 | 一种基于分层-聚类算法的电磁背景噪声提取方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
DE102017123265B4 (de) * | 2017-10-06 | 2023-05-11 | OSRAM Opto Semiconductors Gesellschaft mit beschränkter Haftung | Leuchtstoff und Konversions-LED |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN108134639B (zh) * | 2017-12-12 | 2021-01-29 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于频谱监测数据的定频信号整编方法 |
CN108508411B (zh) * | 2018-03-22 | 2022-04-08 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN109818694B (zh) * | 2019-03-01 | 2021-07-06 | 成都中星世通电子科技有限公司 | 一种基于无线自组网的电磁频谱监测系统 |
CN110851429B (zh) * | 2019-11-21 | 2022-03-29 | 嘉兴学院 | 一种基于影响力自适应聚合的边缘计算可信协同服务方法 |
CN112104751B (zh) * | 2020-11-10 | 2021-02-12 | 中国电力科学研究院有限公司 | 调控云数据处理方法、装置及系统 |
CN112688822B (zh) * | 2021-02-07 | 2022-07-19 | 浙江御安信息技术有限公司 | 基于多点协同的边缘计算故障或安全威胁监测系统与方法 |
CN113591537B (zh) * | 2021-05-19 | 2024-03-22 | 西安电子科技大学 | 一种双迭代非正交联合块对角化卷积盲源分离方法 |
CN113590368B (zh) * | 2021-06-25 | 2024-05-28 | 中国电力科学研究院有限公司 | 一种基于边边协同的异常设备诊断方法及系统 |
CN113484837B (zh) * | 2021-06-29 | 2023-07-28 | 中国人民解放军63892部队 | 一种面向电磁大数据的未知雷达辐射源智能识别方法 |
-
2021
- 2021-12-08 CN CN202210248523.2A patent/CN114580482A/zh active Pending
- 2021-12-08 CN CN202111490271.6A patent/CN113899948B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113899948A (zh) | 2022-01-07 |
CN113899948B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418117A (zh) | 一种基于无人机图像的小目标检测方法 | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
CN106355604A (zh) | 图像目标跟踪方法与系统 | |
CN112188532A (zh) | 网络异常检测模型的训练方法、网络检测方法及装置 | |
CN111144522B (zh) | 一种基于硬件本征差异的电网nfc设备指纹认证方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
Cao et al. | Correlation-based tracking of multiple targets with hierarchical layered structure | |
CN109543615A (zh) | 一种基于多级特征的双学习模型目标跟踪方法 | |
EP4010998A1 (en) | System and method for event recognition | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
Netzer et al. | Intelligent anomaly detection of machine tools based on mean shift clustering | |
CN113899948B (zh) | 一种电磁频谱目标特征数据快速提取系统及方法 | |
CN118151119A (zh) | 一种面向检索任务的毫米波雷达开集步态识别方法 | |
CN104809455A (zh) | 基于可判别性二叉树投票的动作识别方法 | |
CN117828527A (zh) | 多源数据融合与态势生成方法及系统 | |
CN108153519A (zh) | 一种目标智能跟踪方法通用设计框架 | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN113316080B (zh) | 基于Wi-Fi与图像融合指纹的室内定位方法 | |
Liu et al. | Peaks fusion assisted early-stopping strategy for overhead imagery segmentation with noisy labels | |
CN114943344B (zh) | 联合svm和hmm的导航场景感知通用模型构建方法 | |
CN117746266B (zh) | 一种基于半监督交互学习的树冠检测方法、装置及介质 | |
CN118089743B (zh) | 一种换流站专用无人机智能导航与摄像系统 | |
CN117826771B (zh) | 基于ai分析的冷轧机控制系统异常检测方法及系统 | |
CN112543428B (zh) | 基于ELM-AdaBoost分类学习的室内定位方法 |
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 |