CN114760172B - 射频基带综合特征信号识别方法与装置 - Google Patents
射频基带综合特征信号识别方法与装置 Download PDFInfo
- Publication number
- CN114760172B CN114760172B CN202210386328.6A CN202210386328A CN114760172B CN 114760172 B CN114760172 B CN 114760172B CN 202210386328 A CN202210386328 A CN 202210386328A CN 114760172 B CN114760172 B CN 114760172B
- Authority
- CN
- China
- Prior art keywords
- signal
- identified
- warehouse
- spectrum
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001228 spectrum Methods 0.000 claims abstract description 120
- 238000007781 pre-processing Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012952 Resampling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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 Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本申请实施例提供一种射频基带综合特征信号识别方法与装置,方法包括:信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库;本申请能够实现信号识别模型自主迭代优化的机制,不断提高信号识别能力以及信号识别准确率和效率。
Description
技术领域
本申请涉及无线电监测领域,具体涉及一种射频基带综合特征信号识别方法与装置。
背景技术
随着信息与通信技术的快速发展,新的无线通信技术和设备不断出现,更高频段的频谱得到开发利用,一些旧的无线业务频段被收回重新指配,在非授权的工科医频段多种无线通信系统共用争抢频谱。随着人类社会的信息传输的接入侧全面进入无线时代,电磁频谱监测和管理事业面临更复杂的环境和更严峻的挑战,传统的监测、比对、分析方法很难适应新形势的要求。同时,大数据、云计算和人工智能等新一代信息技术不断成熟,利用数据挖掘和模式识别手段解决了很多传统行业难以解决的问题,也为无线电监测工作提供了新的思路。
传统的无线电监测,对于异常信号的发现,主要依靠人工监测甄别或模板特征判别等手段。以黑广播监测为例,监测人员或软件首先对感兴趣频段进行监测,然后根据将监测所得的数据与已知经验数据做比对,并分析异常信号,与台站数据库比对得到准异常信号,最后通过人耳听广播解调后的语音内容甄别是否为黑广播。结合全国各地打击查处黑广播案例,绝大部分的黑广播都是根据群众举报或投诉发起的,而非监测系统主动监测发现并呈现。显然,这种主要依靠人工条件或简单模板触发并按照既定流程的方法进行非法无线电信号查找的手段,相对被动,效率底下,且效果无法通过所采集信号量的积累进一步提升。
现有的无线电监测与管理偏重频谱监测,在业务分析方面有所不足,虽然积累了大量的频谱监测数据,但是数据分析挖掘能力不足,无法挖掘数据价值,对频谱监测和管理工作提供更有利支撑;现有的无线电监测和分析软件基于特定的信号分析算法和模型进行开发,不具有优化升级能力,信号分析能力受限,不适应不断变化的复杂无线环境的监测与分析需求。
现有的无线电信号识别技术中,较为普遍应用的是基于频谱模板的信号识别技术,通过对所采集的信号频谱波形与预先存储的各种信号类型的标准频谱做相关度分析,以相关度最大的类型作对待识别信号进行分类。这种方法由于纯粹基于频谱波形做分类,在实际的空口环境中很容易受到噪声和环境电磁信号的干扰,使其频谱波形形态产生变化,从而影响识别的准确度。为了提高信号识别的准确度,学术界研究了各种方法,包括使用CNN、LSTM等各种机器学习和深度学习模型对基带IQ信号进行训练和识别,这些方法具有较好的抗干扰能力,但是一方面这种方法适用于数字调制信号,对模拟调制信号的识别能力不佳,另一方面训练的模型只适用于训练时所涉及的信号类型,不能对训练类型之外的信号进行识别,不具有可升级能力。
发明内容
针对现有技术中的问题,本申请提供一种射频基带综合特征信号识别方法与装置,能够提高信号识别准确率和效率。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种射频基带综合特征信号识别方法,包括:
对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
进一步地,所述对输入的待识别的信号进行预处理,包括:
针对输入信号为基带IQ的信号进行傅里叶变化,得到信号的频谱;
针对输入信号为射频的信号采用均值法进行降噪处理。
进一步地,所述对输入的待识别的信号进行预处理,还包括:
基于特定信号侦测算法对频谱数据中心是否存在信号进行侦测,对有信号存在的数据样本进行时域和频域的分析,对信号存在的时间、频率、带宽等参数进行估计;
根据时频域估计的结果,通过时域的数据截取和频域的滤波等方法实现信号数据的截取,并对截取的信号幅度进行规整。
进一步地,还包括:
按照一定的时间间隔或新信号样本增加量对未知信号库中的信号进行聚类;
当未知信号仓库中的信号被用户添加标签时,将新标记的信号类型下的样本集迁移到已知信号仓库,在已知信号仓库中形成新增信号;
根据数据仓库新类型的增加或特定的时间间隔,将已知信号仓库中的样本进行提取,组织成训练样本集、验证样本集和测试样本集,重新训练生成新的深度学习模型,替换旧的模型;
对已知信号仓库中的信号类型数量和信号模板库中的信号模板类型数量进行比较,当发现已知信号仓库中新增信号类型时,自动提取若干新增信号类的样本,生成信号模板,写入信号模板库。
第二方面,本申请提供一种射频基带综合特征信号识别装置,包括:
信号预处理模块,用于对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
匹配分类模块,用于对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
深度学习模块,用于基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
存储模块,用于存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的射频基带综合特征信号识别方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的射频基带综合特征信号识别方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的射频基带综合特征信号识别方法的步骤。
由上述技术方案可知,本申请提供一种射频基带综合特征信号识别方法与装置,通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的射频基带综合特征信号识别方法的流程示意图之一;
图2为本申请实施例中的射频基带综合特征信号识别方法的流程示意图之二;
图3为本申请实施例中的射频基带综合特征信号识别方法的流程示意图之三;
图4为本申请实施例中的射频基带综合特征信号识别方法的流程示意图之四;
图5为本申请实施例中的射频基带综合特征信号识别装置的结构图之一;
图6为本申请一具体实施例中的射频基带综合特征信号识别方法的示意图;
图7为本申请一具体实施例中的信号预处理方法示意图;
图8为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中存在的问题,本申请提供一种射频基带综合特征信号识别方法与装置,通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
为了能够提高信号识别准确率和效率,本申请提供一种射频基带综合特征信号识别方法的实施例,参见图1,所述射频基带综合特征信号识别方法具体包含有如下内容:
步骤S101:对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
步骤S102:对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
步骤S103:基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
步骤S104:存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
可选的,本发明主要信号识别流程为:
(1)信号预处理:若输入为射频数据,即格式符合L=[l1,l2,...,ln],则经过信号预处理后,输出频谱信号集合到图1中的1-2路,进行步骤(2);若输入为基带数据,即格式符合/>则经过信号预处理后,输出频谱信号集合到图1中的1-2路,进行步骤(2),并输出基带信号集合/>到图1中的1-3路和1-5路,进行步骤(3)和步骤(4);
(2)信号模板匹配分析:从信号集合中逐一选取信号/>与信号模板库中的标准信号模板集G={G1,G2,...,GX}中的信号模板逐一作相关运算,取峰值/>取最大的/>对应的j为/>信号的分类结果,即
其中,
(3)特征提取:根据信号预处理后的基带信号集,对每一个信号段信号进行时域、频域、调制域、变换域的特征构建,这些特征可以为归一化幅度方差、绝对值幅度平方方差、瞬时频率标准偏、中心化绝对值瞬时频率标准偏、高阶峰数、高阶累积量、小波分解特征等。
(4)决策分类网络:根据所构建的特征集预先训练好的决策树模型,根据特征提取模块对信号数据的特征值计算,进行信号分类,生成结果
其中,
(5)深度学习网络:根据已知信号仓库中的信号样本集预先训练好的用于信号识别的模型,基于该模型对信号预处理后的基带信号输入该深度学习网络,得到信号分类的概率分布结果,
其中,取值为0~1。
综合分类判决:若待识别信号为射频信号,则和/>为空,直接根据/>判决分类结果;若待识别信号为基带信号,则对3个模型数据进行综合判决,综合判决方法为对3个模型的结果向量加权相加,加权系数相同为1/3,加权相加后,取结果向量中的最大值对应的类别作为分类结果。若该信号频率位置与频谱分配数据库中对应频率分配一直,则把信号样本存入已知信号仓库,若不一致,则存入未知信号仓库。
可选的,本发明方法信号预处理过程如下:
(1)对输入的信号数据格式进行判别,若为基带IQ数据,其格式为则进行(2);若为射频数据,其格式为L=[l1,l2,...,ln],则进行(3);
(2)STFFT:对基带信号加特定的时间窗T,进行短时傅里叶变换,得到L;
(3)降噪:对多帧信号使用均值法进行降噪,其中N为一帧频谱数据的长度;
(4)信号侦测:通过噪声电平估计生成信号触发阈值,将数据中数值超过阈值的数据段记录为信号段,并记录信号段数量M,若M>0,则进行(5),否则,提示数据中心不存在信号,结束流程;
(5)时频域估计:对存在信号的数据记性峰值搜索,得到各信号频率fi与峰值功率li,并对其带宽bi进行估计,得到如下所示信号信息列表,其中ti1为该信号出现的时间,ti2为该信号消失的时间。
(6)信号截取:根据时频域估计得到的信号列表,根据各信号频率fi、带宽bi和存在时间ti1~ti2数据,对各信号段频谱进行截取,得到频谱信号集合Lk={L1,L2,...,LK};若输入的为基带信号,则同时根据信号列表对IQ信号进行时间上的截取和频率上的滤波,实现信号截取,得到各基带信号集合Ak={A1,A2,...,AK};
(7)重采样:根据后续信号识别需要的数据点数量,截取的各段信号进行重采样,使输出的数据点数量符合后续环节数据处理要求;
幅度规整:对信号数据进行归一化处理。其中/>
从上述描述可知,本申请实施例提供的射频基带综合特征信号识别方法,能够通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
在本申请的射频基带综合特征信号识别方法的一实施例中,参见图2,还可以具体包含如下内容:
步骤S201:针对输入信号为基带IQ的信号进行傅里叶变化,得到信号的频谱;
步骤S202:针对输入信号为射频的信号采用均值法进行降噪处理。
在本申请的射频基带综合特征信号识别方法的一实施例中,参见图3,还可以具体包含如下内容:
步骤S301:基于特定信号侦测算法对频谱数据中心是否存在信号进行侦测,对有信号存在的数据样本进行时域和频域的分析,对信号存在的时间、频率、带宽等参数进行估计;
步骤S302:根据时频域估计的结果,通过时域的数据截取和频域的滤波等方法实现信号数据的截取,并对截取的信号幅度进行规整。
在本申请的射频基带综合特征信号识别方法的一实施例中,参见图4,还可以具体包含如下内容:
步骤S401:按照一定的时间间隔或新信号样本增加量对未知信号库中的信号进行聚类;
步骤S402:当未知信号仓库中的信号被用户添加标签时,将新标记的信号类型下的样本集迁移到已知信号仓库,在已知信号仓库中形成新增信号;
步骤S403:根据数据仓库新类型的增加或特定的时间间隔,将已知信号仓库中的样本进行提取,组织成训练样本集、验证样本集和测试样本集,重新训练生成新的深度学习模型,替换旧的模型;
步骤S404:对已知信号仓库中的信号类型数量和信号模板库中的信号模板类型数量进行比较,当发现已知信号仓库中新增信号类型时,自动提取若干新增信号类的样本,生成信号模板,写入信号模板库。
在本申请的其他实施例中,还包括相关功能模块:
(1)已知信号仓库:将数值仿真、仪表生成、实际环境中采集的已知调制信息的无线信号加标记,构建规范数据格式后,输入到已知信号仓库进行存储,已知信号样本是用来训练深度学习网络的重要数据基础。
(2)信号模板库:通过信号模板制作模块调取已知信号仓库中符合要求的信号样本,编制标准信号模板存入信号模板库;
(3)模型训练:从已知信号样本库中存储的各类型信号中选取信号样本,构建训练集、验证集和测试集,训练获得面向信号识别的深度学习网络模型;
为了能够提高信号识别准确率和效率,本申请提供一种用于实现所述射频基带综合特征信号识别方法的全部或部分内容的射频基带综合特征信号识别装置的实施例,参见图5,所述射频基带综合特征信号识别装置具体包含有如下内容:
信号预处理模块10,用于对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
匹配分类模块20,用于对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
深度学习模块30,用于基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
存储模块40,用于存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
在本申请的一些实施例中,本发明方法的模型具有自动迭代优化能力,其实现方法和过程如下:
(1)系统按照一定的规律,对未知信号库中的信号进行聚类,该规律可以为一定的时间间隔,或根据新信号样本增加量,或人为启动;
(2)当未知信号仓库中的信号被用户添加标签,即该类信号被标注为已知信号,则将某类新标记的信号样本迁移到已知信号仓库,在已知信号仓库中形成新增信号;
(3)系统按照一定的规律,将已知信号仓库中的样本进行提取,组织成训练样本集、验证样本集和测试样本集,重新训练生成新的深度学习模型,替换旧的模型;该自动触发模型训练的规律,可以为数据仓库新类型的增加,或新类型的增加加上特定的时间间隔,或人为启动;
(4)信号模板生成:系统按照一定的规律,对已知信号仓库中的信号类型数量和信号模板库中的信号模板类型数量进行比较,当发现已知信号仓库中新增信号类型时,自动提取若干新增信号类的样本,生成信号模板,写入信号模板库;
从上述描述可知,本申请实施例提供的射频基带综合特征信号识别装置,能够通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
为了更进一步说明本方案,本申请还提供一种应用上述射频基带综合特征信号识别装置实现射频基带综合特征信号识别方法的具体应用实例,参见图6,具体包含有如下内容:
(1)信号预处理:对输入的待识别的信号进行预处理,预处理过程可包括:STFFT、降噪、信号侦测、时频域估计、信号截取、重采样和幅度规整等操作,使信号数据满足后续识别的要求;
(2)信号模板匹配分析:将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板做相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
(3)特征提取:对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,用于后续的决策分类;
(4)决策分类网络:基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
(5)深度学习网络:基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别;
(6)模型训练:基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型;
(7)信号模板生成:基于已知信号仓库中的信号进行规整编制标准信号模板;
(8)信号模板库:存储用于信号频谱波形匹配分析的标准信号模板;
(9)频谱分配数据库:根据国家无线电频谱分配数据建设;
(10)已知信号仓库:存储已识别的各类型信号样本;
(11)未知信号仓库:存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本;
上述各模块中,系统支持的待识别信号可以为基于数值仿真生成的信号、经信号发生器等仪表生成的信号,也可以是通过监测接收机等设备从现实环境中采集的真实无线通信信号,信号类型可以为射频频谱信号,也可以为基带IQ信号。
信号预处理模块的实施过程如图7所示,可包括FFT变换、降噪、信号侦测、信号截取、重采样、幅度规整,各步骤作用如下:
(1)STFFT变换:针对输入信号为基带IQ信号的处理,对信号进行傅里叶变化,得到信号的频谱。该变换过程为加窗的短时傅里叶变换,从而得到若干帧频谱数据。
(2)降噪:降低信号携带的随机噪声,提高信号信噪比,增大后续信号侦测可靠性。
(3)信号侦测:基于特定信号侦测算法对频谱数据中心是否存在信号进行侦测。
(4)时频域估计:对有信号存在的数据样本进行时域和频域的分析,对信号存在的时间、频率、带宽等参数进行估计。
(5)信号截取:根据时频域估计的结果,通过时域的数据截取和频域的滤波等方法实现信号数据的截取。
(6)重采样:对信号进行重采样以满足后续信号识别与处理模块的要求。
(7)幅度规整:对截取的信号幅度进行规整以满足后续信号识别与处理模块的要求。
从硬件层面来说,为了能够提高信号识别准确率和效率,本申请提供一种用于实现所述射频基带综合特征信号识别方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现射频基带综合特征信号识别装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的射频基带综合特征信号识别方法的实施例,以及射频基带综合特征信号识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,射频基带综合特征信号识别方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图8是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,射频基带综合特征信号识别方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
步骤S102:对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
步骤S103:基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
步骤S104:存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
从上述描述可知,本申请实施例提供的电子设备,通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
在另一个实施方式中,射频基带综合特征信号识别装置可以与中央处理器9100分开配置,例如可以将射频基带综合特征信号识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现射频基带综合特征信号识别方法功能。
如图8所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图8中所示的所有部件;此外,电子设备9600还可以包括图8中没有示出的部件,可以参考现有技术。
如图8所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的射频基带综合特征信号识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的射频基带综合特征信号识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
步骤S102:对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
步骤S103:基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
步骤S104:存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的射频基带综合特征信号识别方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的射频基带综合特征信号识别方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
步骤S102:对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
步骤S103:基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
步骤S104:存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
从上述描述可知,本申请实施例提供的计算机程序产品,通过信号预处理、信号模板匹配分析、特征提取、决策分类网络、深度学习网络、综合分类判决、模型训练、信号模板生成、信号模板库、频谱分配数据库、已知信号仓库、未知信号仓库,能够提高信号识别准确率和效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种射频基带综合特征信号识别方法,其特征在于,所述方法包括:
对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
若待识别信号为射频信号,则采用待识别信号经过预处理后得到的判决分类结果;
若待识别信号为基带信号,则将预处理、匹配分类和深度学习的三种判决分类结果进行综合判决,将三种判决分类结果的结果向量进行加权相加,取相加结果向量中最大值对应的类别作为分类结果;
若待识别信号频率位置与频谱分配数据库中对应频率分配一致,则把信号样本存入已知信号仓库,若不一致,则存入未知信号仓库;
存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本。
2.根据权利要求1所述的射频基带综合特征信号识别方法,其特征在于,所述对输入的待识别的信号进行预处理,包括:
针对输入信号为基带IQ的信号进行傅里叶变化,得到信号的频谱;
针对输入信号为射频的信号采用均值法进行降噪处理。
3.根据权利要求1所述的射频基带综合特征信号识别方法,其特征在于,所述对输入的待识别的信号进行预处理,还包括:
基于特定信号侦测算法对频谱数据中心是否存在信号进行侦测,对有信号存在的数据样本进行时域和频域的分析,对信号存在的时间、频率、带宽参数进行估计;
根据时频域估计的结果,通过时域的数据截取和频域的滤波方法实现信号数据的截取,并对截取的信号幅度进行规整。
4.根据权利要求1所述的射频基带综合特征信号识别方法,其特征在于,还包括:
按照一定的时间间隔或新信号样本增加量对未知信号库中的信号进行聚类;
当未知信号仓库中的信号被用户添加标签时,将新标记的信号类型下的样本集迁移到已知信号仓库,在已知信号仓库中形成新增信号;
根据数据仓库新类型的增加或特定的时间间隔,将已知信号仓库中的样本进行提取,组织成训练样本集、验证样本集和测试样本集,重新训练生成新的深度学习模型,替换旧的模型;
对已知信号仓库中的信号类型数量和信号模板库中的信号模板类型数量进行比较,当发现已知信号仓库中新增信号类型时,自动提取若干新增信号类的样本,生成信号模板,写入信号模板库。
5.一种射频基带综合特征信号识别装置,其特征在于,包括:
信号预处理模块,用于对输入的待识别的信号进行预处理,将经过预处理的信号频谱曲线与信号模板库中预存储的各信号类型频谱模板进行相关度分析,进行基于频谱模板的信号分类,并根据频谱分配数据库中的频谱分配规则,对信号的合法性进行判定;
匹配分类模块,用于对经过预处理的信号基带数据进行分析,提取其时域、频域、调制域以及变换域特征,基于提前训练好的针对特定信号特征集进行分类的决策树模型,对特征提取模块输出的待识别信号特征进行分类;
深度学习模块,用于基于预先训练好的面向信号识别分类的深度学习模型对待识别信号进行识别,基于已知信号仓库信号样本集训练面向信号识别的深度学习网络模型,基于已知信号仓库中的信号进行规整编制标准信号模板;
存储模块,用于存储用于信号频谱波形匹配分析的标准信号模板、存储已识别的各类型信号样本、存储未能识别信号类型或已识别信号类型但其频谱使用与频谱分配数据库不符的各类型信号样本;
若待识别信号为射频信号,则采用待识别信号经过信号预处理模块处理后得到的判决分类结果;
若待识别信号为基带信号,则将信号预处理模块、匹配分类模块和深度学习模块的三种判决分类结果进行综合判决,将三种判决分类结果的结果向量进行加权相加,取相加结果向量中最大值对应的类别作为分类结果;
若待识别信号频率位置与存储模块的频谱分配数据库中对应频率分配一致,则把信号样本存入已知信号仓库,若不一致,则存入未知信号仓库。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的射频基带综合特征信号识别方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的射频基带综合特征信号识别方法的步骤。
8.一种射频基带综合特征信号识别系统,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求 1至4任一项所述的射频基带综合特征信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386328.6A CN114760172B (zh) | 2022-04-13 | 2022-04-13 | 射频基带综合特征信号识别方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386328.6A CN114760172B (zh) | 2022-04-13 | 2022-04-13 | 射频基带综合特征信号识别方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114760172A CN114760172A (zh) | 2022-07-15 |
CN114760172B true CN114760172B (zh) | 2024-04-19 |
Family
ID=82330591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210386328.6A Active CN114760172B (zh) | 2022-04-13 | 2022-04-13 | 射频基带综合特征信号识别方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114760172B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115842597B (zh) * | 2023-02-09 | 2023-05-02 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及系统 |
CN117155746B (zh) * | 2023-10-31 | 2024-02-23 | 中孚安全技术有限公司 | 电磁信号的合并处理方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024160A (zh) * | 2009-09-14 | 2011-04-20 | 西门子公司 | 一种在射频识别系统中满足频谱模板的方法及其装置 |
CN108134753A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 宽带信号调制方式的识别方法 |
CN108234346A (zh) * | 2017-12-26 | 2018-06-29 | 广东欧珀移动通信有限公司 | 承载重置方法及相关设备 |
CN110084094A (zh) * | 2019-03-06 | 2019-08-02 | 中国电子科技集团公司第三十八研究所 | 一种基于深度学习的无人机目标识别分类方法 |
CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
CN110430591A (zh) * | 2019-08-30 | 2019-11-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基带资源池智能部署与重构方法 |
CN110426703A (zh) * | 2019-07-01 | 2019-11-08 | 东南大学 | 一种基于高频率雷达的手持式无线搜救系统及搜救方法 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011120226A1 (zh) * | 2010-03-31 | 2011-10-06 | 海能达通信股份有限公司 | 信号带宽自适应识别方法和系统 |
US20210334705A1 (en) * | 2020-04-24 | 2021-10-28 | Shared Spectrum Company | Persisted machine learning-based sensing of rf environments |
-
2022
- 2022-04-13 CN CN202210386328.6A patent/CN114760172B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024160A (zh) * | 2009-09-14 | 2011-04-20 | 西门子公司 | 一种在射频识别系统中满足频谱模板的方法及其装置 |
CN108134753A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 宽带信号调制方式的识别方法 |
CN108234346A (zh) * | 2017-12-26 | 2018-06-29 | 广东欧珀移动通信有限公司 | 承载重置方法及相关设备 |
CN110084094A (zh) * | 2019-03-06 | 2019-08-02 | 中国电子科技集团公司第三十八研究所 | 一种基于深度学习的无人机目标识别分类方法 |
CN110414554A (zh) * | 2019-06-18 | 2019-11-05 | 浙江大学 | 一种基于多模型改进的Stacking集成学习鱼类识别方法 |
CN110426703A (zh) * | 2019-07-01 | 2019-11-08 | 东南大学 | 一种基于高频率雷达的手持式无线搜救系统及搜救方法 |
CN110430591A (zh) * | 2019-08-30 | 2019-11-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基带资源池智能部署与重构方法 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114760172A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114760172B (zh) | 射频基带综合特征信号识别方法与装置 | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN108009521A (zh) | 人脸图像匹配方法、装置、终端及存储介质 | |
CN111339443B (zh) | 用户标签确定方法、装置、计算机设备及存储介质 | |
CN105740707A (zh) | 恶意文件的识别方法和装置 | |
CN109800304A (zh) | 案件笔录的处理方法、装置、设备及介质 | |
CN104683984A (zh) | 无线通信信号实时监测处理方法和系统 | |
CN111177367B (zh) | 案件分类方法、分类模型训练方法及相关产品 | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN111291071A (zh) | 数据处理方法、装置及电子设备 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN107515852A (zh) | 特定类型信息识别方法及装置 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN111405475A (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
CN116933252A (zh) | 一种安全监测方法、装置、设备及介质 | |
CN113282433B (zh) | 集群异常检测方法、装置和相关设备 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN116204871A (zh) | 异常行为识别方法及装置、电子设备、存储介质 | |
CN113886821A (zh) | 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质 | |
CN109064464A (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN112380169A (zh) | 存储装置、数据处理方法、装置、设备、介质和系统 | |
CN111931186A (zh) | 软件风险识别方法及装置 | |
CN109946538B (zh) | 一种基于磁感应信号的移动设备监控方法及系统 | |
CN112035334A (zh) | 异常设备检测方法、装置、存储介质与电子设备 |
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 |