CN114614922B - 基于频域的民航甚高频通信中的频谱数据清洗方法 - Google Patents
基于频域的民航甚高频通信中的频谱数据清洗方法 Download PDFInfo
- Publication number
- CN114614922B CN114614922B CN202210261472.7A CN202210261472A CN114614922B CN 114614922 B CN114614922 B CN 114614922B CN 202210261472 A CN202210261472 A CN 202210261472A CN 114614922 B CN114614922 B CN 114614922B
- Authority
- CN
- China
- Prior art keywords
- frequency
- data
- signal
- spectrum
- noise
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004891 communication Methods 0.000 title claims abstract description 36
- 238000004140 cleaning Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- YNPNZTXNASCQKK-UHFFFAOYSA-N phenanthrene Chemical compound C1=CC=C2C3=CC=CC=C3C=CC2=C1 YNPNZTXNASCQKK-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了基于频域的民航甚高频通信中的频谱数据清洗方法，涉及民航无线电信号处理领域，包括S1平滑处理原始频谱信号获得第一频谱信号；S2粗判定所有频点的含噪信号有无信号；S3统计第一频谱数据中每个频点在频域上的最大值位置；S4对应频点的频谱数据进行筛选；S5所有频点数据进行切片、重组并形成张量；对频谱数据进行数据清洗后可获得更高质量的频谱预测数据，保证了后续训练智能频谱预测神经网络模型的频谱数据样本质量，提升了复杂电磁环境下智能频谱预测神经网络的预测能力，最终达到提升智能频谱占用度预测的准确度和可靠性的目的，为提升机场终端区的甚高频话音通信频率利用率以及保障机场终端区的航空运行安全提供了重要技术支撑。
Description
技术领域
本发明涉及民航无线电信号处理领域，尤其涉及一种基于频域的民航甚高频通信中的频谱数据清洗方法。
背景技术
近年来由于信息化社会的不断发展，随之带来的是对通信资源的高度依赖，无线通信是广泛应用的一种便捷通信手段，针对于民用航空领域而言，其无线电通信在民航通信领域具有极其重要的地位，为确保民航领域中无线电通信安全的用频环境，国际民航组织(ICAO)专门为航空无线电通信划分了相应的民航甚高频通信工作频段，即频率范围为118MHz～136.975MHz，信道带宽为25KHz。并且对于国内各个机场所使用的甚高频通信频点均预先固定分配，未经允许，不得变更。但随着机场终端区航班起降流量的与日俱增，机场塔台和飞机之间的用频需求也在不断增大，这将导致飞机与飞机、飞机与地面之间的用频冲突日益凸显，直接制约着民航机场的航班吞吐量。为了进一步提高频谱资源利用率，ICAO已推荐将甚高频话音通信信道带宽由25KHz压缩成8.33KHz。但是用于无线通信的适宜频率资源总是有限的，因此，合理的划分通信信道，通过技术手段提高频谱资源的使用效率是现代信息社会的一项迫切需求。而衡量频点是否有效利用的重要指标是频点占用度。对此如何利用已分配的有限频率资源扩大民航甚高频话音通信容量，以适应机场终端区甚高频通信业务越来越大的用频需求。对此，频谱占用度预测是解决该问题的关键技术之一。
大多数学者对频谱占用度短期的预测技术已有一定的研究，提出预测频谱占用度的变化是灵活使用频谱资源的基础，以基于贝叶斯的预测模型为基础，将其应用在频谱感知中，用来为主副用户切换提供参考和依据，但是因为频谱使用的复杂性，只能做短时间的预测，近几年来，由于深度学习和人工智能技术飞速发展，基于深度学习的智能频谱预测技术相较于传统的基于模型的频谱预测技术而言具有更高的预测准确度。但需要强调的是，无论是基于传统模型的预测技术以及基于深度学习的智能频谱占用度预测技术来说，均涉及一项共性关键支撑技术，即频谱数据清洗技术。采用不同的数据清洗方法会直接影响后期的频谱占用度预测技术的研究质量，并最终影响到智能频谱预测性能。因此，采取合理、有效的频谱数据清洗方法对于研究数据驱动的智能频谱占用度预测技术至关重要。
截至目前，数据清洗方法在信号处理领域的研究日益增多。如，海军航空大学的李洪烈等人提出了一种基于回归模型的采集数据清洗算法，在剔除潜在野值的基础上利用前后两段数据的回归值作为参考值，再结合采集参数变化速率限制给出野值判决。最后利用一段真实的航空采集数据对该方法进行了验证，处理结果表明基于回归模型的数据清洗技术能够对野值进行准确的识别和估计。上海飞机设计研究院的徐春雨等人提出了一种民用飞机飞行载荷谱数据清洗方法。首先将原始载荷谱中的局部峰谷值提取出来,组成峰谷值数据库；其次建立了“四点法”评定规则,对峰谷值数据库数据进行清洗,将小于门槛值的载荷循环截除,得到清洗谱。实例验证结果表明,该方法在保证原始谱载荷次序不变的基础上,能够有效地截除对疲劳损伤影响较小的载荷循环,从而提高数据处理的效率。与此同时，在人工智能领域的数据清洗研究热度也逐步上升。北京工业大学的韩红桂等人针对城市污水处理过程数据存在噪声和缺失的问题，提出一种基于改进型支持向量机的异常数据清洗方法。首先，设计一种基于密度估计的噪声数据检测方法，实现对污水噪声数据甄别与剔除。其次，建立一种基于ISVM的缺失数据补偿模型，对缺失数据进行非线性拟合，获得数据缺失时刻的补偿值。最后，运用粒子群优化算法更新模型参数，提高缺失数据的补偿精度。该方法能够实现对异常数据的剔除以及缺失数据的补偿，提高了数据质量。清华大学的高菲等人通过分析基于约束的顺序依赖方法以及SCREEN方法等也因为约束条件较为单薄而无法对复杂的数据情况进行精确修复。作者基于最小修复原则，进一步提出了多区间速度约束下的时间序列数据修复方法，并采用动态规划方法来求解最优修复路径。具体来说，提出了多个速度区间来对时序数据进行约束，并根据多速度约束对各数据点形成一系列修复候选点，进而基于动态规划方法从中选取最优修复解。从当前的数据清洗研究现状中发现，当前大多数文献的数据清洗都是针对于特定的数据对象，由于处理的数据对象不同，导致数据清洗的解决方案和技术思路互不适用。因此，针对民航无线电话音通信业务的频谱数据清洗技术目前仍然没有一个规范化的处理方法。
发明内容
本发明的目的就在于为了解决上述问题设计了一种基于频域的民航甚高频通信中的频谱数据清洗方法。
本发明通过以下技术方案来实现上述目的：
基于频域的民航甚高频通信中的频谱数据清洗方法，包括：
S1、平滑处理原始频谱信号获得第一频谱信号，第一频谱信号包括含噪信号和纯噪声信号；
S2、对第一频谱信号中所有频点的含噪信号进行有无信号的粗判定；
S3、统计第一频谱数据中每个频点在频域上的最大值位置；
S4、通过每个频点在频域上的最大值位置对对应频点的频谱数据进行筛选；
S5、所有频点数据进行切片、重组并形成张量。
本发明的有益效果在于：通过该方法对频谱数据进行数据清洗后可获得更高质量的频谱预测数据，保证了后续训练智能频谱预测神经网络模型的频谱数据样本质量，提升了复杂电磁环境下智能频谱预测神经网络的预测能力，最终达到提升智能频谱占用度预测的准确度和可靠性的目的，为提升机场终端区的甚高频话音通信频率利用率以及保障机场终端区的航空运行安全提供了重要技术支撑。
附图说明
图1是本发明基于频域的民航甚高频通信中的频谱数据清洗方法的流程示意图；
图2是实测数据滑窗处理前后的二维时域图；
图3是滑窗处理后数据的二维频域图；
图4为频谱数据与真实标签对比图；
图5为民航VHF通信频率120.3MHz、129.2MHz、129.45MHz三个频点当前时段的频谱占用图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，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设备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，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”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；可以是直接连接，也可以通过中间媒介间接连接，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，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
基于频域的民航甚高频通信中的频谱数据清洗方法，包括：
S1、平滑处理原始频谱信号获得第一频谱信号，第一频谱信号包括含噪信号和纯噪声信号；具体包括：
S11、从甚高频通信频段118MHz～136.975MHz中确定实测频点集{120.3MHz,129.2MHz,129.45MHz}，随后从中获取频点为129.45MHz的IQ数据；
S12、设置频点129.45MHz的滑窗宽度值为window_width＝64，依据所设置滑窗宽度值对频谱数据进行平滑降噪处理得到含噪信号s1＝[205，203，...，190]和纯噪信号s2＝[26，18，...，3]，smin＝121为处理后含噪信号的最小值，nmax＝51为处理后纯噪信号的最大值，由于121/51＞1，因此所设置的滑窗宽度值满足要求，统计该频点在不同时段下，频谱数据所满足要求的最小滑窗宽度值，记为{32，16，...，64}，则max{32，16，...，64}＝64，所以Vwin为64；计算出所有频点的滑窗宽度值集为{64,32,64}；
S13、选取滑窗宽度值为window_width＝64作为处理所有原始频谱信号的滑窗宽度，并对所有数据进行滑窗处理获得第一频谱信号。
S2、粗判定第一频谱信号中所有频点的含噪信号有无信号；具体包括：
S21、对滑窗处理后的单个频点的信号数据进行二维时域图绘制，依据smin/nmax＞1的判定标准，粗判定该频点的含噪信号有无信号；
S22、完成所有频点的粗判定，含噪信号为纯噪信号为/>
S3、统计第一频谱数据中每个频点在频域上的最大值位置；具体包括：
S31、对第一频谱信号的所有频点进行离散傅里叶变换，表示为s(1)＝[8282+431i,8006+243i,K,-538+-5609i]，则总样本为
S32、对所得到的样本进行绝对值变换，则总样本为
S33、对绝对值变换后的数据样本进行短时傅里叶变换获得频域上的频谱数据，则总样本为
S34、对频域上的频谱数进行数据归一化处理，最终的总样本数据为
S35、对频域上的频谱数据进行频谱图绘制，并进行幅值最大值位置索引，频点f1的单样本数据最大值位置表示为Vmax与Pmax分别表示单个样本数据的最大值和最大值所在位置所在的位置；单个频点在频域上的频谱数据最大值位置统计结果如下表1；所有频点在频域上的频谱数据最大值位置统计如下表2；
表1
| 频点 | 最大值位置 |
| 120.3MHz | 32775，32769，32772 |
| 129.2MHz | 31497，31495，31490，32768，32772 |
| 129.45MHz | 32905，32904，32898，32904，32897 |
表2
S4、通过每个频点在频域上的最大值位置对应频点的频谱数据的信号类型判定，对频点129.45MHz的所有频谱数据进行数据筛选，索引频点129.45MHz的单样本数据最大值位置，当时，判定该样本为含噪信号样本，并将标签记为1，否则为纯噪信号样本，并将标签记为0，最终完成对该信号数据的类型判定；对频点129.45MHz样本数据的标签集如下表3所示；
| 原始频谱数据 | 数据标签 |
| 152-123i，-112-96i，...，-36-135i | 1 |
| 372-296i，318+217i，...，-210-254i | 1 |
| … | … |
| -162+178i，-73-117i，...，47+113i | 0 |
表3
绘制频谱数据与真实标签对比图，通过滑窗处理后的含噪信号幅值明显超过纯噪信号幅值的判定标准，检测所打标签是否正确。
S5、所有频点数据进行切片、重组并形成张量，具体包括：
S51、设置切片长度为128对每个频点的每个单样本数据进行切片、重组后得到样本矩阵单样本信号数据点数为131072,最终形成单频点的重组数据，表示为/>
S52、对所有频点的样本数据进行切片、重组。重复S51，完成对所有频点频谱数据的切片、重组，并形成[((131072/128)×128)×3×3600]的样本数据集。
图2是实测数据滑窗处理前后的二维时域图，表明了实测的纯噪声信号与含噪信号在幅值上存在可分性，但区分度不明显。频谱数据在进行滑窗处理后，在幅值上的可分性有所提高，可用于对含噪信号与纯噪信号的粗判定，但其判定准确度不高。图3是滑窗处理后数据的二维频域图，通过统计含噪信号的二维频域图中最大值所在位置，以此作为含噪信号与纯噪信号的判别标准，从而实现纯噪信号与含噪信号的分类。图4为频谱数据与真实标签对比图，通过将三个频点实际数据的幅值状态与所打标签进行对比，表明了利用基于频域的频谱数据最大值所在位置可以实现纯噪信号与含噪信号的检测分类。
图5为民航VHF通信频率120.3MHz、129.2MHz、129.45MHz三个频点当前时段的频谱占用图，表明了当前时段的该频点的使用情况，通过分析当前时段的频点占用情况，掌握该频点的利用率，为后续的频谱占用度预测技术研究提供一定的研究基础。
综上所述，本发明通过采用智能频谱传感器对机场终端区的甚高频通信信号进行采集，首先是对所采集的数据进行滑窗处理，随后利用滑窗处理后，纯噪信号与含噪信号在幅值上的区分度来完成对信号的粗判定。其次对粗判定后的频谱数据进行频域最大值位置统计，并将所得到的最大值位置作为含噪信号与纯噪信号的判定标准来完成对所有信号数据样本的判定。接着是对已完成检测分类的频谱数据进行对数据样本的切片、重组。最终生成适合于智能频谱预测神经网络输入的三维张量训练样本。通过该方法对频谱数据进行数据清洗后可获得更高质量的频谱预测数据，保证了后续训练智能频谱预测神经网络模型的频谱数据样本质量，提升了复杂电磁环境下智能频谱预测神经网络的预测能力，最终达到提升智能频谱占用度预测的准确度和可靠性的目的，为提升机场终端区的甚高频话音通信频率利用率以及保障机场终端区的航空运行安全提供了重要技术支撑。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (6)
1.基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，包括：
S1、平滑处理原始频谱信号获得第一频谱信号，第一频谱信号包括含噪信号和纯噪声信号；具体为：
S11、确定原始频谱信号的实测频点集其中nf为频点个数，并获取频点fi的IQ数据，其中fi为第i个频点；
S12、确定频点fi满足要求的最佳滑窗宽度作为频点fi的滑窗宽度值Vwini，所有频点的滑窗宽度值集记为
S13、选取滑窗宽度值集中的最大值作为处理滑窗宽度，并对原始频谱信号进行滑窗处理获得第一频谱信号；
S2、对第一频谱信号中所有频点进行有无含噪信号的粗判定；
S3、统计第一频谱信号中每个频点在频域上的最大值位置；具体为：
S31、对第一频谱信号的所有频点进行离散傅里叶变换，表示为
其中Sm为频点的原始频谱数据，最终单个样本进行离散傅里叶变换后，记为s(m3)＝[s(1),s(2),...,s(k)]，即总样本为[s(1),s(2),...,s(m3)]T，/>为复数单位元，用于将信号从时域转换到频域，即N为序列长度，即为输入频谱数据的点数，k为频率变量，m3为经过离散傅里叶变换后的所有频谱数据样本数；
S32、对所得到的样本进行绝对值变换，表示为[abs(s(1)),abs(s(2)),...,abs(s(m3))]T；
S33、对绝对值变换后的数据样本进行短时傅里叶变换获得频域上的频谱数据，表示为ω(t-τ)为窗函数，用于将时间信号abs(s(m3))分割成短时信号，τ为窗函数内的时间变量，t为指定窗函数在时间轴上的位置，m4为经过短时傅里叶变换后的所有频谱数据样本数；
S34、对频域上的频谱数进行数据归一化处理，表示为完成时频转换的频谱数据记为[s(1),s(2),...,s(m)]T，m为完成时频变换的所有频谱数据样本数；
S35、对频域上的频谱数据进行频谱图绘制，并进行幅值最大值位置索引，表示为[Vmax,Pmax]＝findpeaks(s(m))，Vmax与Pmax分别表示单个样本数据的最大值和最大值所在位置；
S4、通过每个频点在频域上的最大值位置对对应频点的频谱数据进行筛选；
S5、所有频点数据进行切片、重组并形成张量。
2.根据权利要求1所述的基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，在S12中，设置频点fi的滑窗宽度值为window_width＝2h，其中h为正整数，依据所设置滑窗宽度值对频谱数据进行平滑降噪处理，表示为[mean(s1),mean(s2),....,mean(si)]，其中，M为单个样本的数据点数，si为数据长度等于滑窗宽度大小的原始频谱数据，得到滑窗处理后的含噪信号数据与纯噪声数据；smin为处理后含噪信号的最小值，nmax为处理后纯噪声信号的最大值，若smin/nmax＞1，则滑窗宽度设置合理，若smin/nmax≤1，则增大滑窗宽度值直到满足smin/nmax＞1的要求，将满足要求的最小滑窗宽度作为频点的数据处理滑窗宽度值，记为/>统计单个频点在不同时段所满足要求的最小滑窗宽度值，记为/>并将/>作为频点的最佳滑窗宽度。
3.根据权利要求2所述的基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，在S2中包括：
S21、对滑窗处理后的频点fi的信号数据进行二维时域图绘制，依据Smin/nmax>1的判定标准，粗判定频点的含噪信号的有无；
S22、判断是否完成所有频点的粗判定，若完成，将含噪信号记为[s1,s2，...，sm1]T，纯噪信号记为[n1，n2，...，nm2]T，并进入S3，反之则返回S21，Sm1为含噪信号样本，m1为含噪信号的样本数量，nm2为纯噪信号样本，m2为纯噪信号的样本数量。
4.根据权利要求1所述的基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，在S4中，当频点fi的单样本数据最大值位置时，判定样本为含噪信号样本，并将标签记为1，反之为纯噪信号样本，并将标签记为0，其中是所有粗判断为含噪信号的样本数据在频域上的数据最大值位置统计，in是所有粗判断为含噪信号的样本数。
5.根据权利要求1所述的基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，在S4中还包括，绘制频谱数据与真实标签对比图，通过滑窗处理后的含噪信号幅值明显超过纯噪信号幅值的判定标准，检测所打标签是否正确。
6.根据权利要求1所述的基于频域的民航甚高频通信中的频谱数据清洗方法，其特征在于，在S5中包括：
S51、设置切片长度Ls对每个频点的每个单样本数据进行切片、重组后获得样本矩阵记为最终形成单频点的重组数据，表示为/>
S52、对所有频点频谱数据的切片、重组，形成[((N/Ls)×Ls)×nf×D]，其中，D为频谱数据采集天数，其中，m为当前频点一天所采集的含噪信号样本数，n1为当前频点单一样本按Ls长度进行切片后的切片数，nf为频点个数，N为频谱样本数据点数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210261472.7A CN114614922B (zh) | 2022-03-16 | 2022-03-16 | 基于频域的民航甚高频通信中的频谱数据清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210261472.7A CN114614922B (zh) | 2022-03-16 | 2022-03-16 | 基于频域的民航甚高频通信中的频谱数据清洗方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114614922A CN114614922A (zh) | 2022-06-10 |
| CN114614922B true CN114614922B (zh) | 2024-06-14 |
Family
ID=81863176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210261472.7A Active CN114614922B (zh) | 2022-03-16 | 2022-03-16 | 基于频域的民航甚高频通信中的频谱数据清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114614922B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116366169B (zh) * | 2023-06-01 | 2023-10-24 | 浙江大学 | 超声波信道建模方法、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112272066A (zh) * | 2020-09-15 | 2021-01-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8682051B2 (en) * | 2008-11-26 | 2014-03-25 | General Electric Company | Smoothing of dynamic data sets |
| CN102111366B (zh) * | 2009-12-28 | 2014-11-05 | 世意法（北京）半导体研发有限责任公司 | 基于活跃集频音预留的峰均功率比(par)削减 |
| CN112148807A (zh) * | 2020-09-28 | 2020-12-29 | 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） | 一种电磁环境领域数据仓库构建方法 |
| CN113395722B (zh) * | 2021-06-10 | 2022-06-07 | 中国民用航空华北地区空中交通管理局内蒙古分局 | 一种民航无线电台站开场测试和干扰自动检测方法及装置 |
| CN113644997B (zh) * | 2021-10-14 | 2022-01-21 | 中国民用航空总局第二研究所 | 一种电磁环境检测方法、装置和系统 |
-
2022
- 2022-03-16 CN CN202210261472.7A patent/CN114614922B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112272066A (zh) * | 2020-09-15 | 2021-01-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114614922A (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100504846C (zh) | 基于信息融合的电能质量扰动自动识别方法及系统 | |
| CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
| US20210064917A1 (en) | Method for measuring airport flight waveform similarity by spectral clustering based on trend distance | |
| CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
| CN105300844A (zh) | 一种硅橡胶绝缘子憎水性等级判定方法 | |
| Flores | State of the art in the classification of power quality events, an overview | |
| CN103323702A (zh) | 复合电能质量扰动信号识别方法 | |
| CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| CN103106813A (zh) | 一种基于指标体系的交通态势复杂度评估方法 | |
| CN114614922B (zh) | 基于频域的民航甚高频通信中的频谱数据清洗方法 | |
| CN107729916A (zh) | 一种基于isodata的干扰源分类识别算法及装置 | |
| CN105427047A (zh) | 输变电设备多维运维数据融合方法和系统 | |
| Honghao et al. | Spectrum anomalies autonomous detection in cognitive radio using hidden markov models | |
| CN112668612A (zh) | 一种基于网格的局部放电信号聚类分析方法 | |
| CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
| CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
| CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
| CN107274061A (zh) | 一种基于熵权法的智慧城市评价方法 | |
| CN106021452A (zh) | 一种电磁环境测量数据清洗方法 | |
| CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
| CN113128396B (zh) | 一种电能质量复合扰动分类方法 | |
| CN112272066B (zh) | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN110321930B (zh) | 一种基于循环神经网络的非法广播信号分类方法 |
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 |