CN115173975B - 干扰信号的检测方法、装置、设备及存储介质 - Google Patents
干扰信号的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115173975B CN115173975B CN202210789515.9A CN202210789515A CN115173975B CN 115173975 B CN115173975 B CN 115173975B CN 202210789515 A CN202210789515 A CN 202210789515A CN 115173975 B CN115173975 B CN 115173975B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- state
- sequence
- average power
- 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 61
- 238000009826 distribution Methods 0.000 claims abstract description 117
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000006854 communication Effects 0.000 description 34
- 238000004891 communication Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005562 fading Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
-
- 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
Abstract
本申请提供一种干扰信号的检测方法、装置、设备及存储介质。通过获取接收信号的平均功率序列，建立信号状态序列与平均功率序列的隐马尔可夫模型，以获取预设迭代次数的接收信号的功率分布参数。基于得到的平均功率序列及功率分布参数，计算与平均功率序列相对应的信号状态序列，其中，信号状态包括信号干扰状态和信号未干扰状态。根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列，根据平均功率干扰序列及功率分布参数，计算干扰检验统计量，并根据干扰检验统计量与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。本申请的方法，对接收信号中是否出现干扰信号的判断更加准确。
Description
技术领域
本申请涉及通信技术，尤其涉及一种干扰信号的检测方法、装置、设备及存储介质。
背景技术
无线通信系统中，由于电磁频谱的开放性和共享性，一些恶意信号极易发动干扰攻击，破坏电磁频谱的使用秩序。因此，对出现的干扰信号进行快速准确的检测，能够极大的提高通信效率。
现有技术中，对干扰信号的检测需要对合法的用户通信数据及通信环境具备一定的先验知识，根据以往统计的出现信号干扰的概率，来估计当前信号中是否出现干扰信号。
但是，在应急通信场景下，由于应急通信环境的突变导致统计的先验知识将不再适用于突变后的通信环境，使得对当前信号中是否出现干扰信号的判断不够准确。
发明内容
本申请提供一种干扰信号的检测方法、装置、设备及存储介质，用以解决现有技术中由于通信环境的突变，对判断出的信号中是否存在干扰信号的结果不够准确的问题。
第一方面，本申请提供一种干扰信号的检测方法，包括：
获取接收信号的平均功率序列；
建立信号状态序列与所述平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数；
根据所述平均功率序列及所述功率分布参数，计算与所述平均功率序列相对应的所述信号状态序列，所述信号状态包括信号干扰状态和信号未干扰状态；
根据所述信号状态序列中的干扰状态的序列，从所述平均功率序列中提取与所述干扰状态对应的平均功率干扰序列；
根据所述平均功率干扰序列及所述功率分布参数，计算干扰检验统计量；
根据所述干干扰检验统计量与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号。
第二方面，本申请提供一种干扰信号的检测装置，包括：
获取模块，用于获取接收信号的平均功率序列；
处理模块，用于建立信号状态序列与所述平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数；
计算模块，用于根据所述平均功率序列及所述功率分布参数，计算与所述平均功率序列相对应的所述信号状态序列，所述信号状态包括信号干扰状态和信号未干扰状态；
提取模块，用于根据所述信号状态序列中的干扰状态的序列，从所述平均功率序列中提取与所述干扰状态对应的平均功率干扰序列；
所述计算模块，还用于根据所述平均功率干扰序列及所述功率分布参数，计算干扰检验统计量；
判断模块，用于根据所述干扰检验统计量与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号。
第三方面，本申请提供一种电子设备，包括：至少一个处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行第一方面任一项所述的方法。
第四方面，本申请提供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执行指令，当所述计算机执行指令被处理器执行时，实现第一方面任一项所述的方法。
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，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请提供的一种干扰信号的检测方法、装置、设备及存储介质，通过获取接收信号的平均功率序列，建立信号状态序列与平均功率序列的隐马尔可夫模型，以获取预设迭代次数的接收信号的功率分布参数。基于得到的平均功率序列及功率分布参数，计算与平均功率序列相对应的信号状态序列，其中，信号状态包括信号干扰状态和信号未干扰状态。根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列，根据平均功率干扰序列及功率分布参数，计算干扰检验统计量，并根据干扰检验统计量与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。本申请不需要对发射信号和传输信道提前统计先验知识，对接收信号中是否出现干扰信号的判断更加准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例一提供的一种干扰信号的检测方法的流程示意图；
图2为本申请实施例三提供的一种获取接收信号的功率分布参数的方法的流程示意图；
图3为本申请实施例三提供的一种根据平均功率序列及功率分布参数计算信号状态序列的方法的流程示意图；
图4为本申请提供的一种检测效果对比示意图；
图5为本申请实施例四提供的一种干扰信号的检测装置的结构示意图；
图6为本申请实施例五提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
通信技术是指将信息从一个地点传送到另一个地点所采取的方法和措施，本申请应用场景以应急通信为例，应急通信通常是指在发生重大自然灾害或重大事故所在地，由于通信业务受到影响或破坏，为避免影响受灾地区与外界的信息交互，紧急部署的一套应急通信系统。
常见的应急通信系统包括以应急通信车为代表的地面通信平台和以无人机为代表的低空通信平台。其中，无人机由于具有高灵活性和低成本性，与用户建立的视距链路概率更高，通信过程中的衰减更低，覆盖范围更广等的优点，更适用于应急通信系统中。
而在无人机构建的应急通信系统中，由于电磁频谱的开放性和共享性，一些恶意信号极易发动干扰攻击，破坏电磁频谱的使用秩序。例如，常见的攻击形式有恒定攻击、欺骗式攻击、随机攻击和响应式攻击。其中，恒定攻击表现为向频段内持续注入随机信号进行干扰；欺骗式攻击表现为向频段内持续注入模仿合法用户的数据包进行干扰。随机攻击不同于上述两种持续式干扰，表现为攻击者在睡眠状态和攻击状态之间切换，仅在攻击时段向频段内注入信号进行干扰。这三种干扰方式均属于主动式干扰，即是否发动干扰与频段内是否有合法用户传输无关。因此，这三种干扰方式的干扰效率相对较低，且相应地易于被检测出来。但是，响应式干扰则不然，攻击者只有在感知到频段内有信号传输时才会发动攻击，这种攻击能够有针对性地破坏所检测频段的正常通信，迫使发射端进行数据包的重发或提高发射功率，从而降低数据率或造成资源浪费，甚至使得通信网络的再次陷入瘫痪。
现有技术中，本申请干扰信号以响应式干扰信号为例，对干扰信号的检测需要对合法的用户通信数据及通信环境具备一定的先验知识，根据以往统计的出现信号干扰的概率，来估计当前信号中是否出现干扰信号。
但是这种检测方式，在应急场景下很难使用，这是因为受到灾害影响通信环境发生了的突发变化，导致之前获取的先验知识已不适用于当前的环境，使得对当前信号中是否出现干扰信号的判断不够准确。
因此，针对现有技术的上述技术问题，本申请提出一种干扰信号的检测方法、装置、设备及存储介质，通过对接收到的信号进行功率采样，获得平均功率序列，建立信号状态序列与平均功率序列的隐马尔可夫模型，通过模型进行迭代计算，获取接收信号的功率分布参数，进而计算与平均功率序列相对应的信号状态序列。根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列，根据平均功率干扰序列及功率分布参数，计算干扰检验统计量，并根据干扰检验统计量与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。本申请使得对接收信号中是否出现干扰信号的判断更加准确。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例一提供的一种干扰信号的检测方法的流程示意图，该方法的执行主体可以为干扰信号的检测装置或设备，例如可以是具有干扰信号检测能力的计算机或其它智能终端，例如智能手机、平板电脑或便携式可穿戴设备等，可以应用于地面设备也可以搭载在如无人机等空基平台中。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图1所示，该方法具体包括以下步骤：
S101、获取接收信号的平均功率序列。
本实施例中在对接收到的信号的功率进行采样之前，在信号发送端预先在用户信号传输所用频段注入了持续一段时间的干扰信号，以确保接收到的信号中包含着干扰信号。
在对接收到的信号进行采样时，每隔预设时间对接收到的信号功率进行采样，获取功率采样序列。并对接收到的功率采样序列进行平滑预处理，采用固定预设长度的平滑窗，对功率采样序列进行预设步长值的滑动平均，获取接收信号的平均功率序列。
S102、建立信号状态序列与平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数。
隐马尔可夫模型(Hidden Markov Model，HMM)是一个统计模型，用来描述一个含有隐含未知参数的马尔可夫过程，从可观察的参数中确定该过程的隐含参数，然后利用这些参数来做进一步的分析。
在本实施例中，隐马尔可夫模型是通过给定的一个观测序列即平均功率序列，通过进行预设次数的迭代计算，调整模型参数即功率分布参数，从而使得该观测序列出现的概率最大。求出的模型参数越准确，步骤S103中根据功率分布参数确定的信号状态越准确。
S103、根据平均功率序列及功率分布参数，计算与平均功率序列相对应的信号状态序列，信号状态包括信号干扰状态和信号未干扰状态。
S104、根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列。
根据步骤S101-102获得平均功率序列及功率分布参数后，计算出信号状态包括干扰状态和未干扰状态的序列。从平均功率序列中，提取出所有被判断为干扰状态的功率，获取平均功率干扰序列。
S105、根据平均功率干扰序列及功率分布参数，计算干扰检验统计量。
S106、根据干扰检验统计量与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。
在本申请的上述实施例中，通过获取接收信号的平均功率序列，建立信号状态序列与平均功率序列的隐马尔可夫模型，以获取预设迭代次数的接收信号的功率分布参数。基于得到的平均功率序列及功率分布参数，计算与平均功率序列相对应的信号状态序列，其中，信号状态包括信号干扰状态和信号未干扰状态。根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列，根据平均功率干扰序列及功率分布参数，计算干扰信号检测值，并根据干扰信号检测值与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。本实施例不需要对通信目的地提前统计先验知识，对接收信号中是否出现干扰信号的判断更加准确。
需要特别说明的是，在上述实施例中，采样获取的功率服从高斯分布，下面，通过下述模型进行解释说明。示例性的，下述模型以无人机基站作为接收端进行地面干扰信号检测的场景为例。
由于响应式干扰是在检测到频段内存在合法用户信号后发起攻击，因此，向频段内注入持续一段时间的干扰信号，对于接收信号功率可以做出如下述公式(1)所示的二元假设：
其中，Pr(n)表示第n时刻的接收功率，Ps和Pe分别表示合法用户和恶意用户的发射功率，Ls(d,θ)和Le(de,θe)分别表示合法用户以及恶意用户信号到达无人机端的路径损耗，即信号从发射端到接收端损失的功率。
而路径损耗，可通过地面用户向无人机基站发送信号的上行链路中的参数建模计算得到：
对路径损耗Ls进行建模，得到下述关系式(2)：
Ls(d，θ)[dB]＝10c log10(d2D)+X2D+η(θ)[dB]+Xs(θ)[dB] (2)
其中，c为路径损耗指数，d2D代表无人机和地面用户之间的水平距离，X2D代表参考距离(d2D＝1m)下的水平路径损耗，θ表示无人机到用户所在平面的仰角，η(θ)代表额外的空域路径损耗，Xs(θ)代表阴影衰落效应带来的损耗，可被建模为均值为0方差为的高斯随机变量，η(θ)和/>的表达式分别如下述公式(3)和(4)所示：
其中，代表水平阴影衰落方差，即无人机高度为0时的阴影衰落方差；A为空域路径损耗幅值；B为角度幅值；θ0为角度补偿；b为阴影衰落斜率；/>为阴影衰落补偿。而上述参数取值，可根据实际场景确定。
由此可见，建模得到的路径损耗服从高斯分布，因此通过公式(1)，采样获取的功率服从高斯分布。
为了便于理解实施例一中步骤S101的方法，下面，通过实施例二，详细的说明对接收到的功率采样序列进行平滑预处理的具体方法。
在上述步骤S101中对接收到的功率采样序列进行平滑预处理，是为了尽量减少信号快速衰落效应对接收信号统计特性的影响，将信号中的噪声除去，通过对信号进行平滑预处理，得到接收信号的平均功率序列O＝{o1,o2,…,oM}，其中，om表示该序列中的第m个时刻的平均功率值，计算方式如下述公式(5)所示：
其中，Navg表示平滑窗的长度。
在本申请中，对接收到的信号的状态预先进行了定义，zm表示信号状态，zm＝0，表示om为信号未干扰状态下的平均功率，zm＝1，表示om为信号干扰状态下的平均功率。
在上述内容中，已经说明采样获取的功率服从高斯分布，因此，在给定信号状态的情况下，获取的平均功率也服从高斯分布，om服从的分布如公式(6)所示：
其中，μi和分别表示zm＝i时om所服从高斯分布的均值和方差，i∈{0,1}。
需要特别说明的是，om还有可能由部分被干扰的信号和部分未被干扰的信号平均得到。在这里，假设此时的om根据平滑窗内干扰信号的占比近似服从上述两种分布，即若参与计算om的信号大部分为未被干扰信号，则假设此时反之，/>由此保证序列O中的任意元素om均具有唯一的状态zm。
在本申请的上述实施例中，通过对采样的功率进行平滑预处理，去除信号中的噪声影响，使得得到的平均功率更加准确，通过定义接收信号的状态，使得获得的不同时刻的平均功率都具有唯一状态。
进一步的，为了便于理解实施例一中步骤S102-106的方法，下面，通过示例性的实施例三，详细的说明判断接收信号中是否存在干扰信号的具体方法。
首先，建立信号状态序列与平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数。
假设接收到的信号状态序列Z＝{z1,z2,…,zM}为马尔可夫序列，则信号状态序列与平均功率序列形成的联合过程(O,Z)可以被建模为隐马尔可夫模型，记为λ＝{π,G,μ,σ2}，其中，模型中四个参数π、G、μ、σ2表示功率分布参数，其对应的解释分别如下：
π＝{π0,π1}为信号初始状态概率向量，πi表示信号初始状态为z1＝i的概率，即πi＝Pr(z1＝i)，i∈{0，1}。
G＝[gij]0≤i,j≤1为信号状态转移概率矩阵，gij表示从信号状态由i转移到状态j的概率，即gij＝Pr(zm+1＝j|zm＝i),
此外，均值μ和方差σ2共同确定了信号观测概率密度bi(om)，它表示平均功率序列O中的第m个平均功率值om在信号状态为i的条件下的概率密度。由于O在给定状态Z的条件下服从高斯分布，因此bi(om)的计算方式如下述公式(7)所示：
在步骤S102中提到，建立隐马尔可夫模型，用于获取预设迭代次数的接收信号的功率分布参数，如图2所示，图2为本申请实施例三提供的一种获取接收信号的功率分布参数的方法的流程示意图，该方法可以包括以下几个步骤：
S201、将信号状态为未干扰状态和干扰状态下的初始功率分布参数作为初次迭代的模型参数，计算初次迭代后的信号状态概率序列。
S202、根据信号状态概率序列，分别计算信号的单一状态概率和双状态联合概率。
S203、根据单一状态概率及双状态联合概率，计算初次迭代后的功率分布参数。
S204、将前一次迭代的功率分布参数作为后一次迭代的初始功率分布参数，进行预设次数的迭代处理，获取信号状态为未干扰状态和干扰状态下的第N次迭代后的功率分布参数，N为预设次数。
示例性的，
随机初始化隐马尔可夫模型参数对模型进行预设次数的迭代计算，其中，具体迭代次数可以根据实际应用或经验确定。假设预设迭代次数为τ，当迭代进行到第τ次的m时刻时，根据前一次即τ-1次迭代得到的功率分布参数/>可以得到第τ次的更新后的参数/>
为了便于后续内容，本申请中定义了前项因子序列和后项因子序列即信号状态概率序列。其中前项和后项以第m时刻区分。
前项因子序列为α＝{α1,α2,…,αM}，其中αm＝{αm(0),αm(1)}，αm(i)表示在当前模型参数λ的条件下，直到m时刻为止，得到的功率序列为{o1,…,om}，且m时刻的状态为i的概率，即αm(i)＝Pr(o1,…,om,zm＝i|λ),i＝0,1。
后项因子序列为β＝{β1,β2,…,βM}，其中βm＝{βm(0),βm(1)}，βm(i)表示在当前模型参数λ以及当前状态为i的条件下，从m+1时刻开始，直到序列末尾，得到的功率序列为{om+1,…,oM}的概率，即βm(i)＝Pr(om+1,…,oM|zm＝i,λ),i＝0,1。
具体的步骤：
Step1：计算前向因子序列的首项计算方式如下述公式(8)所示：
Step2：计算后向因子序列，令其尾项中的两项均为1，即公式(9)所示：
Step3：采用前项递归的方式，通过公式(10)计算前项因子序列中的其余元素：
Step4：采用后项递归的方式，通过公式(11)计算后项因子序列中的其余元素：
综上，通过Step1-Step4，得到第τ-1次中的信号状态概率序列。
Step5：根据得到的第τ-1次迭代中的信号状态概率序列，通过公式(12)计算在第τ-1次估计出的模型参数信号的单一状态概率/>
和，通过公式(13)计算双状态联合概率
Step6：根据第τ-1次信号的单一状态概率和双状态联合概率，通过公式(14)-(17)，获取第τ次迭代后的功率分布参数：
经过上述步骤，根据建立的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数。
进一步的，
在步骤S103中提到，根据平均功率序列及功率分布参数，用于计算信号状态序列，如图3所示，图3为本申请实施例三提供的一种根据平均功率序列及功率分布参数计算信号状态序列的方法的流程示意图，该方法可以包括以下几个步骤：
S301、根据信号状态为未干扰状态和干扰状态下的第N次迭代后的功率分布参数及平均功率序列，计算信号状态为干扰状态下的单一状态概率和信号状态为未干扰状态下的单一状态概率。
S302、若未干扰状态下的单一状态概率大于干扰状态下的单一状态概率，则对应的信号状态为未干扰状态。
S303、若未干扰状态下的单一状态概率小于或等于干扰状态下的单一状态概率，则对应的信号状态为干扰状态。
S304、根据确定出的信号状态，获取与平均功率序列对应的信号状态序列。
示例性的，
假设预设迭代次数为τ，经过上述步骤Step1-Step6已经得到第τ次接收信号的功率分布参数
基于平均功率序列和功率分布参数，根据最大后验准则对信号状态序列Z＝{z1,z2,…,zM}中的每项不同时刻的状态进行估计，具体步骤如下：
对于分别计算未干扰状态下的单一状态概/>和干扰状态下/>并比较二者的大小。
若则判断zm＝0，对应的信号状态为未干扰状态；反之，zm＝1，对应的信号状态为干扰状态。
通过对Z中各项的遍历，可以估计得到完整的信号状态序列Z。
进一步的，
如步骤S104中所示，根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列。
具体的，
根据上一步中估计得到的信号状态序列Z，提取出平均功率序列O中所有被判断为有干扰的元素，组成干扰序列其中N为被判断为有干扰的元素的个数。
更进一步的，
如步骤S105中所示，根据平均功率干扰序列及功率分布参数，通过公式(18)计算干扰检验统计量Ostd。
如步骤S105中所示，根据干扰信号检测值与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。
在判断之前，首先需要确定预设门限值。
根据平均功率干扰序列及功率分布参数，通过公式(19)分别计算信号未干扰情况下干扰信号检测值所服从的第一干扰分布参数c0和信号干扰情况下干扰信号检测值所服从的第二干扰分布参数c1。
根据第一干扰分布参数与第二干扰分布参数的大小关系，确定预设门限值。
具体的，
若c0≤c1，则预设门限为其中，Pfa为预先设定的虚警概率约束。若c0＞c1，则预设门限为/>
若第一干扰分布参数小于或等于第二干扰分布参数，且干扰信号检测值大于或等于预设门限，即c0≤c1且Ostd≥γ，则接收到的信号中存在干扰信号。
或者，若第一干扰分布参数小于或等于第二干扰分布参数，且干扰信号检测值小于预设门限，即c0≤c1且Ostd＜γ，则接收到的信号中不存在干扰信号。
若第一干扰分布参数大于第二干扰分布参数，且干扰信号检测值小于或等于预设门限，即c0＞c1且Ostd≤γ，则接收到的信号中存在干扰信号。
或者，若第一干扰分布参数大于第二干扰分布参数，且干扰信号检测值大于预设门限，即c0＞c1且Ostd＞γ，则接收到的信号中不存在干扰信号。
在本申请的上述实施例中，通过具体的方法说明通过建立的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数，进而计算出与平均功率序列相对应的信号状态序列。根据得到的信号状态序列及平均功率序列计算干扰检验统计量，并根据其与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。本实施例的方法，不需要对发射信号和传输信道提前统计先验知识，更适用于通信环境突变的情况下的对接收信号中是否出现干扰信号的判断，判断结果更加准确。
此外，为了直观的说明本申请方法的有益效果，通过图4进行了示例性说明，图4为本申请提供的一种检测效果对比示意图。
从图4中可以看出，通过本申请的方法从信号中识别出干扰信号的准确率明显高于现有的检测方法，例如现有的能量检测方法。其中，能量检测算法是通过计算接收信号序列的总能量，并将其与预先设定的门限进行比较，判断是否有干扰信号存在，具体的方法请参见相关的技术，本申请不再详述。
图5为本申请实施例四提供的一种干扰信号的检测装置的结构示意图，如图5所示，该装置包括：获取模块501、处理模块502、计算模块503、提取模块504、判断模块505。
获取模块501，用于获取接收信号的平均功率序列。
处理模块502，用于建立信号状态序列与平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数。
计算模块503，用于根据平均功率序列及功率分布参数，计算与平均功率序列相对应的信号状态序列，信号状态包括信号干扰状态和信号未干扰状态。
提取模块504，用于根据信号状态序列中的干扰状态的序列，从平均功率序列中提取与干扰状态对应的平均功率干扰序列。
计算模块503，还用于根据平均功率干扰序列及功率分布参数，计算干扰信号检测值。
判断模块505，用于根据干扰信号检测值与预设门限值的大小关系，判断接收到的信号中是否存在干扰信号。
一种可能的实现方式是，获取模块501具体用于：
每隔预设时间对接收到的信号功率进行采样，获取功率采样序列。
采用固定预设长度的平滑窗，对功率采样序列进行预设步长值的滑动平均，获取接收信号的平均功率序列。
一种可能的实现方式是，处理模块502具体用于：
将信号状态为未干扰状态和干扰状态下的初始功率分布参数作为初次迭代的模型参数，计算初次迭代后的信号状态概率序列。
根据信号状态概率序列，分别计算信号的单一状态概率和双状态联合概率。
根据单一状态概率及双状态联合概率，计算初次迭代后的功率分布参数。
将前一次迭代的功率分布参数作为后一次迭代的初始功率分布参数，进行预设次数的迭代处理，获取信号状态为未干扰状态和干扰状态下的第N次迭代后的功率分布参数，N为预设次数。
一种可能的实现方式是，计算模块503具体用于：
根据信号状态为未干扰状态和干扰状态下的第N次迭代后的功率分布参数及平均功率序列，计算信号状态为干扰状态下的单一状态概率和信号状态为未干扰状态下的单一状态概率。
若未干扰状态下的单一状态概率大于干扰状态下的单一状态概率，则对应的信号状态为未干扰状态。
若未干扰状态下的单一状态概率小于或等于干扰状态下的单一状态概率，则对应的信号状态为干扰状态。
根据确定出的信号状态，获取与平均功率序列对应的信号状态序列。
一种可能的实现方式是，计算模块503具体还用于：
根据平均功率干扰序列及功率分布参数，分别计算信号未干扰情况下干扰检验统计量所服从的第一干扰分布参数和信号干扰情况下干扰信号检测值所服从的第二干扰分布参数。
根据第一干扰分布参数与第二干扰分布参数的大小关系，确定预设门限值。
一种可能的实现方式是，判断模块505具体用于：
若第一干扰分布参数小于或等于第二干扰分布参数，且干扰检验统计量大于或等于预设门限，则接收到的信号中存在干扰信号。
或者，若第一干扰分布参数小于或等于第二干扰分布参数，且干扰检验统计量小于预设门限，则接收到的信号中不存在干扰信号。
一种可能的实现方式是，判断模块505具体还用于：
若第一干扰分布参数大于第二干扰分布参数，且干扰检验统计量小于或等于预设门限，则接收到的信号中存在干扰信号。
或者，若第一干扰分布参数大于第二干扰分布参数，且干扰检验统计量大于预设门限，则接收到的信号中不存在干扰信号。
本实施例提供的装置，用于执行前述实施例执行的方法，其实现原理与技术效果类似，对此不再赘述。
图6为本申请实施例五提供的一种电子设备的结构示意图，如图6所示，该设备可以包括：至少一个处理器601和存储器602。
存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器602可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器601用于执行存储器602存储的计算机执行指令，以实现前述方法实施例所描述的方法。其中，处理器601可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的，该设备还可以包括通信接口603。在具体实现上，如果通信接口603、存储器602和处理器601独立实现，则通信接口603、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry StandardArchitecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果通信接口603、存储器602和处理器601集成在一块芯片上实现，则通信接口603、存储器602和处理器601可以通过内部接口完成通信。
本实施例提供的电子设备，用于执行前述实施例执行的方法，其实现原理与技术效果类似，对此不再赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的干扰信号的检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种干扰信号的检测方法，其特征在于，包括：
获取接收信号的平均功率序列；
建立信号状态序列与所述平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数；
根据所述平均功率序列及所述功率分布参数，计算与所述平均功率序列相对应的所述信号状态序列，所述信号状态包括信号干扰状态和信号未干扰状态；
根据所述信号状态序列中的干扰状态的序列，从所述平均功率序列中提取与所述干扰状态对应的平均功率干扰序列；
根据所述平均功率干扰序列及所述功率分布参数，计算干扰检验统计量；
根据所述干扰检验统计量与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号。
2.根据权利要求1所述的方法，其特征在于，所述获取接收信号的平均功率序列，包括：
每隔预设时间对接收到的信号功率进行采样，获取功率采样序列；
采用固定预设长度的平滑窗，对所述功率采样序列进行预设步长值的滑动平均，获取接收信号的平均功率序列。
3.根据权利要求2所述的方法，其特征在于，所述建立信号状态序列与所述平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数，包括：
将信号状态为未干扰状态和干扰状态下的初始功率分布参数作为初次迭代的模型参数，计算初次迭代后的信号状态概率序列；
根据所述信号状态概率序列，分别计算信号的单一状态概率和双状态联合概率；
根据所述单一状态概率及所述双状态联合概率，计算初次迭代后的所述功率分布参数；
将前一次迭代的所述功率分布参数作为后一次迭代的初始功率分布参数，进行预设次数的迭代处理，获取信号状态为未干扰状态和干扰状态下的第N次迭代后的所述功率分布参数，所述N为预设次数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述平均功率序列及所述功率分布参数，计算与所述平均功率序列相对应的所述信号状态序列，包括：
根据信号状态为未干扰状态和干扰状态下的第N次迭代后的所述功率分布参数及所述平均功率序列，计算信号状态为干扰状态下的所述单一状态概率和信号状态为未干扰状态下的所述单一状态概率；
若所述未干扰状态下的所述单一状态概率大于所述干扰状态下的所述单一状态概率，则对应的信号状态为未干扰状态；
若所述未干扰状态下的所述单一状态概率小于或等于所述干扰状态下的所述单一状态概率，则对应的信号状态为干扰状态；
根据确定出的信号状态，获取与所述平均功率序列对应的信号状态序列。
5.根据权利要求4所述的方法，其特征在于，所述根据所述平均功率干扰序列及所述功率分布参数，计算干扰检验统计量之后，还包括：
根据所述平均功率干扰序列及所述功率分布参数，分别计算信号未干扰情况下所述干扰检验统计量所服从的第一干扰分布参数和信号干扰情况下所述干扰检验统计量所服从的第二干扰分布参数；
根据所述第一干扰分布参数与所述第二干扰分布参数的大小关系，确定预设门限值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述干扰检验统计量与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号，包括：
若所述第一干扰分布参数小于或等于所述第二干扰分布参数，且所述干扰检验统计量大于或等于所述预设门限，则所述接收到的信号中存在干扰信号；
或者，若所述第一干扰分布参数小于或等于所述第二干扰分布参数，且所述干扰检验统计量小于所述预设门限，则所述接收到的信号中不存在干扰信号。
7.根据权利要求5所述的方法，其特征在于，所述根据所述干扰信号检测值与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号，包括：
若所述第一干扰分布参数大于所述第二干扰分布参数，且所述干扰信号检测值小于或等于所述预设门限，则所述接收到的信号中存在干扰信号；
或者，若所述第一干扰分布参数大于所述第二干扰分布参数，且所述干扰信号检测值大于所述预设门限，则所述接收到的信号中不存在干扰信号。
8.一种干扰信号的检测装置，其特征在于，包括：
获取模块，用于获取接收信号的平均功率序列；
处理模块，用于建立信号状态序列与所述平均功率序列的隐马尔可夫模型，获取预设迭代次数的接收信号的功率分布参数；
计算模块，用于根据所述平均功率序列及所述功率分布参数，计算与所述平均功率序列相对应的所述信号状态序列，所述信号状态包括信号干扰状态和信号未干扰状态；
提取模块，用于根据所述信号状态序列中的干扰状态的序列，从所述平均功率序列中提取与所述干扰状态对应的平均功率干扰序列；
所述计算模块，还用于根据所述平均功率干扰序列及所述功率分布参数，计算干扰检验统计量；
判断模块，用于根据所述干扰检验统计量与预设门限值的大小关系，判断所述接收到的信号中是否存在干扰信号。
9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7中任一项所述的干扰信号的检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的干扰信号的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789515.9A CN115173975B (zh) | 2022-07-06 | 2022-07-06 | 干扰信号的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789515.9A CN115173975B (zh) | 2022-07-06 | 2022-07-06 | 干扰信号的检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115173975A CN115173975A (zh) | 2022-10-11 |
| CN115173975B true CN115173975B (zh) | 2024-02-06 |
Family
ID=83491351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210789515.9A Active CN115173975B (zh) | 2022-07-06 | 2022-07-06 | 干扰信号的检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115173975B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111212423A (zh) * | 2020-01-13 | 2020-05-29 | 北京交通大学 | 基于隐马尔科夫模型的可信协作干扰节点选取方法 |
| WO2020183544A1 (ja) * | 2019-03-08 | 2020-09-17 | 三菱電機株式会社 | 受信装置、無線通信システムおよび干渉電力推定方法 |
| CN111934795A (zh) * | 2020-08-18 | 2020-11-13 | 电子科技大学 | 干扰环境中信噪比和干扰功率的估计方法 |
| CN112187382A (zh) * | 2020-08-24 | 2021-01-05 | 宁波大学 | 一种基于粘性隐马尔可夫模型的噪声功率估计方法 |
| CN112948963A (zh) * | 2021-02-01 | 2021-06-11 | 北京航空航天大学 | 飞机刹车干扰因素的观测及识别方法及装置 |
| WO2021147075A1 (zh) * | 2020-01-23 | 2021-07-29 | Oppo广东移动通信有限公司 | 一种干扰消除方法及装置 |
-
2022
- 2022-07-06 CN CN202210789515.9A patent/CN115173975B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020183544A1 (ja) * | 2019-03-08 | 2020-09-17 | 三菱電機株式会社 | 受信装置、無線通信システムおよび干渉電力推定方法 |
| CN111212423A (zh) * | 2020-01-13 | 2020-05-29 | 北京交通大学 | 基于隐马尔科夫模型的可信协作干扰节点选取方法 |
| WO2021147075A1 (zh) * | 2020-01-23 | 2021-07-29 | Oppo广东移动通信有限公司 | 一种干扰消除方法及装置 |
| CN111934795A (zh) * | 2020-08-18 | 2020-11-13 | 电子科技大学 | 干扰环境中信噪比和干扰功率的估计方法 |
| CN112187382A (zh) * | 2020-08-24 | 2021-01-05 | 宁波大学 | 一种基于粘性隐马尔可夫模型的噪声功率估计方法 |
| CN112948963A (zh) * | 2021-02-01 | 2021-06-11 | 北京航空航天大学 | 飞机刹车干扰因素的观测及识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 时变干扰信号功率估计与预测的研究;张敬义;李永贵;朱勇刚;李斌武;;军事通信技术(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115173975A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886997B (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
| CN103530893B (zh) | 相机抖动场景下基于背景差和运动信息的前景检测方法 | |
| CN110263628B (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
| CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
| CN110443275B (zh) | 去除噪声的方法、设备及存储介质 | |
| CN112162244B (zh) | 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法 | |
| CN114520736B (zh) | 一种物联网安全检测方法、装置、设备及存储介质 | |
| CN113447959A (zh) | 一种基于多普勒频率的gnss欺骗干扰检测方法和相关装置 | |
| CN111126257B (zh) | 行为检测方法及装置 | |
| US8416118B1 (en) | Chaff cloud detection and centroid estimation | |
| CN115173975B (zh) | 干扰信号的检测方法、装置、设备及存储介质 | |
| CN113225667A (zh) | 到达时间测量值的非直射径消除方法、装置及终端 | |
| CN109061585B (zh) | 一种雷达数据存储方法和装置 | |
| CN108108395B (zh) | 一种互助导航定位数据可信度评价方法及系统 | |
| CN113052019A (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
| US11206274B2 (en) | Method and apparatus for calibrating a system for recognizing attempts to penetrate a computer network | |
| CN109600361B (zh) | 基于哈希算法的验证码防攻击方法、装置、电子设备及非暂态计算机可读存储介质 | |
| CN110944383A (zh) | 针对克隆攻击的无线传感器网络安全定位方法 | |
| CN112802108B (zh) | 目标对象定位方法、装置、电子设备及可读存储介质 | |
| CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
| CN113064893A (zh) | 数据处理的方法及相关装置 | |
| CN111814689A (zh) | 火灾识别网络模型的训练方法、火灾识别方法及相关设备 | |
| CN114465681A (zh) | 一种用于电力物联网的多节点协作频谱感知方法及装置 | |
| CN111818460A (zh) | 一种基于双阈值序贯检测的位置验证方法和系统 |
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 |