CN115842597A - 一种基于多源数据融合的黑广播检测方法及系统 - Google Patents
一种基于多源数据融合的黑广播检测方法及系统 Download PDFInfo
- Publication number
- CN115842597A CN115842597A CN202310088114.5A CN202310088114A CN115842597A CN 115842597 A CN115842597 A CN 115842597A CN 202310088114 A CN202310088114 A CN 202310088114A CN 115842597 A CN115842597 A CN 115842597A
- Authority
- CN
- China
- Prior art keywords
- signal
- broadcast
- black
- network
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多源数据融合的黑广播检测方法及系统,提取广播信号测量数据中的多个特征参数,按不同的信号时间段长度以极大值、极小值和平均值分别对特征参数进行统计和组合得到组合特征向量,将组合特征向量输入到预训练的黑广播检测网络,输出该广播信号的判断结果。本发明选取多重特征,并对每一个特征都再次进行多重统计分析,从而形成丰富的特征向量,在不显著增加提取难度的前提下,既能丰富特征向量,也能更好的反映“黑白”广播的原始本质;提出了基于所选特征的黑广播检测网络,简化了网络处理过程中的记忆过程,简化了网络结构,提升了效率,不采用时序结构但也达成了时序检测的目的;该方法能够自适应应用规模。
Description
技术领域
本发明涉及黑广播检测领域,特别涉及一种基于多源数据融合的黑广播检测方法及系统。
背景技术
黑广播具有显著的社会危害性,打击黑广播十分必要。发现黑广播是打击黑广播的前提条件。目前,检测黑广播的方法有多种,可以分为不同的层级,主要是:
(1)信号级检测:即测量广播信号的频点偏移、场强大小、电平大小、信号调制度大小是否超越正常门限值,来判断是否为黑广播;
(2)音频级检测:即把广播信号转换为音频信号,通过音频比对判断接收到的音频和发射的音频是否一致,来判断是否为黑广播。
(3)内容级检测:即把音频信号又进一步转换为文本语义信息,通过敏感词汇检测,来判断是否为黑广播。
和音频级检测和内容级检测相比,信号级的数据最容易获取,对硬件和外部系统的依赖相对较低,硬件制作和系统集成的成本也相对较低,有助于规模化应用部署。但是,信号级的检测又存在自身的困难,一是信号本身的不稳定性,二是黑广播和正常广播之间的信号差异又不容易显著表现和区分。这两点对信号级黑广播检测带来了困难。
发明内容
针对现有技术中存在的问题,提供了一种基于多源数据融合的黑广播检测方法及系统,定位在信号级检测,通过选取多个信号特征结合信号时长与极值形成组合特征向量,并利用设计的黑广播检测网络实现黑广播的判决。
本发明采用的技术方案如下:一种基于多源数据融合的黑广播检测方法,提取广播信号测量数据中的多个特征参数,按不同的信号时间段长度以极大值、极小值和平均值分别对特征参数进行统计和组合得到组合特征向量,将组合特征向量输入到预训练的黑广播检测网络,输出该广播信号的判断结果。
作为一种优选方案,提取测量数据包括信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比在内的8个特征参数,将测量数据分为短时段、中时段、长时段三个时间段;针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到组合特征向量,包含共72个统计量。
作为一种优选方案,所述黑广播检测网络的结构为依次连接全连接网络和CNN网络;该黑广播检测网络输入的特征向量包括时序特征,且结构中无记忆单元。
作为一种优选方案,所述全连接网络共5层,其中输入层对接组合特征向量的72个统计量;中间3层把各个输入要素充分混合,使在后续的检测中能充分考虑各个要素的影响,最后一层连接到CNN网络。
作为一种优选方案,所述CNN网络共4层,通过局部的卷积运算控制计算的规模,最后连接由全连接网络构建的的输出层,输出层由2个节点构成,分别代表着判断结果是黑广播和不是黑广播。
作为一种优选方案,在广播信号存在多个检测频点的判决结果时,需要进行综合判决,所述综合判决过程为:
本发明还提出了一种基于多源数据融合的黑广播检测系统,包括中心判决节点和N个信号采集节点,N个信号采集节点用于采集对应检测频点信号,并获取信号特征参数发送到中心判决节点中的神经网络进行检测,形成对应节点的检测频点信号的判决结果,对所有信号采集节点获取的判决结果进行综合判决,确定对应广播信号是否为黑广播。
作为一种优选方案,所述信号采集节点提取信号中信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比共8个特征参数,并划分为短时段、中时段、长时段三个时间段,针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到由72个统计量组成的组合特征向量,发送到中心判决节点。
作为一种优选方案,所述中心判决节点中包括全连接网络和CNN网络组成的黑广播检测网络,全连接网络共5层,其中输入层对接组合特征向量的72个统计量;中间3层把各个输入要素充分混合,使在后续的检测中能充分考虑各个要素的影响,最后一层连接到CNN网络;CNN网络共4层,通过局部的卷积运算控制计算的规模,最后连接由全连接网络构建的的输出层,输出层由2个节点构成,通过输出1或0表示检测信号为黑广播或不是黑广播。
作为一种优选方案,所述综合判决的具体方法为:
与现有技术相比,采用上述技术方案的有益效果为:
1、本发明选取多重特征,并对每一个特征都再次进行多重统计分析,从而形成丰富的特征向量。在不显著增加提取难度的前提下,既能丰富特征向量,也能更好的反映“黑白”广播的原始本质。
2、提出了基于所选特征的黑广播检测网络,简化了网络处理过程中的记忆过程,简化了网络结构,提升了效率,不采用时序结构但也达成了时序检测的目的。
3、该黑广播检测方法即系统实现了多时长、多空间、多极值的采集,能够适应不同的规模的场景。
附图说明
图1为本发明提出的黑广播检测方法流程图。
图2为本发明一实施例中黑广播检测网络结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
实施例1
由于信号级的检测存在自身的困难,一是信号本身的不稳定性,二是黑广播和正常广播之间的信号差异又不容易显著表现和区分,本实施例提出了一种新的黑广播检测方法具体方案如下:
如图1所示,一种基于多源数据融合的黑广播检测方法,提取广播信号测量数据中的多个特征参数,按不同的信号时间段长度以极大值、极小值和平均值分别对特征参数进行统计和组合得到组合特征向量,将组合特征向量输入到预训练的黑广播检测网络,输出该广播信号的判断结果。
其中,本发明选择多重特征,并对每一个特征都再次进行多重统计分析,从而形成丰富的特征向量,并对个特征进行多个时间长度、多个位置空间、多个极值的统计更加具有全面性,而且是和黑广播检测紧密结合。在不显著增加提取难度的前提下,既能丰富特征向量,也能更好的反映“黑白”广播的原始本质。
本实施例中,提取的测量数据包括信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比在内的8个特征参数。
考虑到信号测量本身具有一定的波动性,因此将测量数据分为短时段、中时段、长时段三个时间段,本实施例中,短时段时间长度为5分钟,中时段时间长度为30分钟,长时段时间长度为60分钟。
针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到组合特征向量f=(f1,f2,f3,...,f72)供后续的网络判决处理,总共8*3*3=72个统计量。
具体的,本实施例提出的统计规则为:
依照上述统计规则,本实施例对测量数据的8个特征的统计过程进行具体说明:
1、信号强度
本实施例将某频点信号强度的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的9个统计值。这9个统计中蕴含了黑广播的信号不稳定性。对于正常发射机发射的广播信号而言,这9个统计值中的3个极大值之间的差异不大,3个极小值之间的差异不大,3个平均值之间的差异也不大。但是对于黑广播而言,由于广播水平的局限性,往往表现出较为明显的波动,即差异。把这9个统计值纳入特征向量f1,f2,...,f9,在后续神经网络中作黑广播判别。
2、频率偏移
本实施例将某频点频率偏移的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的9个统计值。这9个统计中蕴含了黑广播的信号不稳定性。对于正常发射机发射的广播信号而言,这9个统计值中的3个极大值之间的差异不大,3个极小值之间的差异不大,3个平均值之间的差异也不大,并且这9个数值的绝对值均比较小。但是对于黑广播而言,由于广播水平的局限性,往往表现出较为明显的波动差异,并且绝对值不一定小。把这9个统计值纳入特征向量f10,f11,...,f18,在后续神经网络中作黑广播判别。
3、带宽
本实施例将某频点带宽的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的9个统计值。这9个统计中蕴含了黑广播的信号不稳定性。对于正常发射机发射的广播信号而言,这9个统计值中的3个极大值之间的差异不大,3个极小值之间的差异不大,3个平均值之间的差异也不大,并且这9个数值大小适中、稳定。但是对于黑广播而言,由于广播水平的局限性,往往表现出较为明显的波动差异,并且数值可能过大或过小。把这9个统计值纳入特征向量f19,f20,...,f27,在后续神经网络中作黑广播判别。
4、调频调制度
本实施例将某频点调制度的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的9个统计值。这9个统计中蕴含了黑广播的信号不稳定性。对于正常发射机发射的广播信号而言,这9个统计值中的3个极大值之间的差异不大,3个极小值之间的差异不大,3个平均值之间的差异也不大,并且这9个数值大小适中、稳定。但是对于黑广播而言,由于广播水平的局限性,往往表现出较为明显的波动差异,并且数值可能过大或过小。把这9个统计值纳入特征向量f28,f29,...,f36,在后续神经网络中作黑广播判别。
5、左声道电平、右声道电平
本实施例将某频点左声道电平和右声道电平的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的18个统计值。这18个统计中蕴含了黑广播的信号不稳定性。对于正常发射机发射的广播信号而言,这18个统计值中的6个极大值之间的差异不大,6个极小值之间的差异不大,6个平均值之间的差异也不大,并且左声道和右声道对应的统计数值具有稳定性。但是对于黑广播而言,由于广播水平的局限性,往往表现出较为明显的波动差异,并且可能呈现时而只有左声道信号,时而只有右声道信号,时而为立体声信号,即声道不稳定。把这18个统计值纳入特征向量f37,f38,...,f54,在后续神经网络中作黑广播判别。
6、信噪比、载噪比
对应调频广播而言,信噪比和载噪比具有相关性;信噪比和载噪比可反映是否为劣播和停播,对应门限标准又和声道数相关。本实施例将某频点左声道电平和右声道电平的短时段、中时段和长时段统计量按式(1)—(3)进行计算,形成短中长时段的18个统计值。和前述同理,正常广播具有稳定性;而黑广播由于技术水平的局限性,表现出明显的波动。把这18个统计值纳入特征向量f55,f56,...,f72,在后续神经网络中作黑广播判别。
最后,将这8个特征参数按照不同的时间段长度进行极大值、极小值和平均值进行统计和组合。该种方式兼顾了分析数据源头的可获取性,又兼顾了特征的全面性、鲁棒性,还具备了短、中、长时段的时序性。并且,这些特征的选取和组合方法,以及该特征向量和后续的神经网络的有效配合。
为了配合本发明提出的组合特征向量,本实施例提出一种新的黑广播检测网络,通过该网络进行黑广播判断。在宏观上,本实施例提出的黑广播检测网络使用基于全连接+CNN的模式实现简单快速的检测;其次,目前常见的LSTM、GRU等网络结构常用于对时序数据作检测,要求网络具有记忆功能,但本发明和一般的基于LSTM结构的网络不同,直接从输入上考虑了时间记忆性,即输入的组合特征向量中就包含了时序特征,因此黑广播检测网络中就可以省去记忆单元结构。由此,简化了网络处理过程中的记忆过程,简化了网络结构,降低网络结构复杂性,提升了效率,不采用时序结构但也达成了时序检测的目的;再次,本实施例的全连接+CNN具体结构又与前述特征选取与向量结构(组合特征向量)相对应。以上三点相结合,既体现了本发明黑广播检测网络的结构和检测输入的适配性,又体现了网络结构的独特性。
具体的,如图2所示为本实施例提出的黑广播检测网络结构示意图,其前半部分宏观上是一个全连接的网络,该全连接网络有5层,其中输入层对接特征向量的72个统计量;中间3层把各个输入要素充分“搅拌”,其目的是使在后续的检测中能充分考虑各个要素的影响;最后一层连接到一个CNN网络。其次,其后半部分宏观是个卷积神经网络CNN,该CNN网络共有4层,其目的是在前期充分“搅拌”后,后半段通过局部的卷积运算控制计算的规模,最后,接一个由全连接网络构建的的输出层,输出层由2个节点构成,分别代表着判断结果是黑广播和不是黑广播。
图2中,每层结构下方数字表示该层中的节点数量。对于全连接网络而言,每层节点数量确定也就意味着相邻2层的变换方式就确定了;对于CNN网络部分,本专利采用1*3*1结构的卷积核,作SAME卷积;池化操作为1*2的,步长为2的平均值池化,网络各层的激活函数均采用relu函数。
最后,本实施例提出的基于多源数据融合的黑广播检测方法可以应用在分布式检测平台中,依靠分布的节点采集广播信号,即实现多时长、多空间、多极值的采集,即特征向量的获取,再由中心节点进行神经网络学习和判决。这种情况下,分布式的节点所采集的信号各自会得到对应的检测频点信号判决结果,此时,需要进行综合判决来判断该广播信号是否为黑广播信号。
具体的,综合判决的具体方法为:
实施例2
本实施例提出了一种基于多源数据融合的黑广播检测系统,包括中心判决节点和N个信号采集节点,N个信号采集节点用于采集对应检测频点信号,并获取信号特征参数发送到中心判决节点中的神经网络进行检测,形成对应节点的检测频点信号的判决结果,对所有信号采集节点获取的判决结果进行综合判决,确定对应广播信号是否为黑广播。
在本实施例中,信号采集节点提取信号中信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比共8个特征参数,并划分为短时段、中时段、长时段三个时间段,针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到由72个统计量组成的组合特征向量,发送到中心判决节点。
其中,信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比的统计组合方法与实施例1相同,在此不做赘述。
在本实施例中,中心判决节点中包括全连接网络和CNN网络组成的黑广播检测网络,全连接网络共5层,其中输入层对接组合特征向量的72个统计量;中间3层把各个输入要素充分混合,使在后续的检测中能充分考虑各个要素的影响,最后一层连接到CNN网络;CNN网络共4层,通过局部的卷积运算控制计算的规模,最后连接由全连接网络构建的的输出层,输出层由2个节点构成,通过输出1或0表示检测信号为黑广播或不是黑广播。
本实施例中,综合判决的具体方法为:
需要说明的,本实施例提出的黑广播检测系统可以根据需求增加中心判决节点和信号采集节点的数量,特征提取以及判决方法不变,即,当系统应用部署规模发生变化,或者特征向量及其判决结构的数量发生变化时,该黑广播检测系统具有规模适应能力。
需要说明的是,在本发明实施例的描述中,除非另有明确的规定和限定,术语“设置”、“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;可以是直接连接,也可以通过中间媒介间接连接。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;实施例中的附图用以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。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于多源数据融合的黑广播检测方法,其特征在于,提取广播信号测量数据中的多个特征参数,按不同的信号时间段长度以极大值、极小值和平均值分别对特征参数进行统计和组合得到组合特征向量,将组合特征向量输入到预训练的黑广播检测网络,输出该广播信号的判断结果。
2.根据权利要求1所述的基于多源数据融合的黑广播检测方法,其特征在于,提取测量数据包括信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比在内的共8个特征参数,将测量数据分为短时段、中时段、长时段三个时间段;针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到组合特征向量,包含共72个统计量。
3.根据权利要求1或2所述的基于多源数据融合的黑广播检测方法,其特征在于,所述黑广播检测网络的结构为依次连接全连接网络和CNN网络;该黑广播检测网络输入的特征向量包括时序特征,且结构中无记忆单元。
4.根据权利要求3所述的基于多源数据融合的黑广播检测方法,其特征在于,所述全连接网络共5层,其中输入层对接组合特征向量的72个统计量;中间3层把各个输入要素充分混合,使在后续的检测中能充分考虑各个要素的影响,最后一层连接到CNN网络。
5.根据权利要求4所述的基于多源数据融合的黑广播检测方法,其特征在于,所述CNN网络共4层,通过局部的卷积运算控制计算的规模,最后连接由全连接网络构建的的输出层,输出层由2个节点构成,分别代表着判断结果是黑广播和不是黑广播。
7.一种基于多源数据融合的黑广播检测系统,其特征在于,包括中心判决节点和N个信号采集节点,N个信号采集节点用于采集对应检测频点信号,并获取信号特征参数发送到中心判决节点中的神经网络进行检测,形成对应节点的检测频点信号的判决结果,对所有信号采集节点获取的判决结果进行综合判决,确定对应广播信号是否为黑广播。
8.根据权利要求7所述的基于多源数据融合的黑广播检测系统,其特征在于,所述信号采集节点提取信号中信号强度、频率偏移、带宽、调频调制度、左声道电平、右声道电平、信噪比、载噪比共8个特征参数,并划分为短时段、中时段、长时段三个时间段,针对每一时间段,对每个信号特征的测量数据按最大值、最小值和平均值统计和组合得到由72个统计量组成的组合特征向量,发送到中心判决节点。
9.根据权利要求7或8所述的基于多源数据融合的黑广播检测系统,其特征在于,所述中心判决节点中包括全连接网络和CNN网络组成的黑广播检测网络,全连接网络共5层,其中输入层对接组合特征向量的72个统计量;中间3层把各个输入要素充分混合,使在后续的检测中能充分考虑各个要素的影响,最后一层连接到CNN网络;CNN网络共4层,通过局部的卷积运算控制计算的规模,最后连接由全连接网络构建的的输出层,输出层由2个节点构成,通过输出1或0表示检测信号为黑广播或不是黑广播。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310088114.5A CN115842597B (zh) | 2023-02-09 | 2023-02-09 | 一种基于多源数据融合的黑广播检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310088114.5A CN115842597B (zh) | 2023-02-09 | 2023-02-09 | 一种基于多源数据融合的黑广播检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115842597A true CN115842597A (zh) | 2023-03-24 |
CN115842597B CN115842597B (zh) | 2023-05-02 |
Family
ID=85579590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310088114.5A Active CN115842597B (zh) | 2023-02-09 | 2023-02-09 | 一种基于多源数据融合的黑广播检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115842597B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710572A (zh) * | 2012-07-06 | 2012-10-03 | 江苏省邮电规划设计院有限责任公司 | 一种通信信号的特征提取与调制识别方法 |
CN105721090A (zh) * | 2016-02-19 | 2016-06-29 | 成都大公博创信息技术有限公司 | 一种非法调频广播电台的检测和识别方法 |
CN107276707A (zh) * | 2017-06-08 | 2017-10-20 | 国家无线电监测中心 | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 |
CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
CN110321930A (zh) * | 2019-06-05 | 2019-10-11 | 大连理工大学 | 一种基于循环神经网络的非法广播信号分类方法 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111917499A (zh) * | 2020-08-25 | 2020-11-10 | 成都华乾科技有限公司 | 一种黑广播信号采集方法及系统 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN112929103A (zh) * | 2021-01-26 | 2021-06-08 | 赵炳健 | 一种非法广播电台侦测方法和系统 |
CN113572555A (zh) * | 2021-08-17 | 2021-10-29 | 张立嘉 | 一种基于零样本学习的黑广播监测方法 |
CN114760172A (zh) * | 2022-04-13 | 2022-07-15 | 北京博识广联科技有限公司 | 射频基带综合特征信号识别方法与装置 |
-
2023
- 2023-02-09 CN CN202310088114.5A patent/CN115842597B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710572A (zh) * | 2012-07-06 | 2012-10-03 | 江苏省邮电规划设计院有限责任公司 | 一种通信信号的特征提取与调制识别方法 |
CN105721090A (zh) * | 2016-02-19 | 2016-06-29 | 成都大公博创信息技术有限公司 | 一种非法调频广播电台的检测和识别方法 |
CN107276707A (zh) * | 2017-06-08 | 2017-10-20 | 国家无线电监测中心 | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 |
CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
CN110321930A (zh) * | 2019-06-05 | 2019-10-11 | 大连理工大学 | 一种基于循环神经网络的非法广播信号分类方法 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111917499A (zh) * | 2020-08-25 | 2020-11-10 | 成都华乾科技有限公司 | 一种黑广播信号采集方法及系统 |
CN112929103A (zh) * | 2021-01-26 | 2021-06-08 | 赵炳健 | 一种非法广播电台侦测方法和系统 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN113572555A (zh) * | 2021-08-17 | 2021-10-29 | 张立嘉 | 一种基于零样本学习的黑广播监测方法 |
CN114760172A (zh) * | 2022-04-13 | 2022-07-15 | 北京博识广联科技有限公司 | 射频基带综合特征信号识别方法与装置 |
Non-Patent Citations (1)
Title |
---|
梁策;郭英;李红光;: "基于CNN网络的跳频信号个体识别" * |
Also Published As
Publication number | Publication date |
---|---|
CN115842597B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2000341344A (ja) | 光受信装置及び方法並びに光伝送システム | |
CN113098604A (zh) | 可见光通信频谱感知系统及方法 | |
CN100566394C (zh) | 用于处理声音信号的设备及方法 | |
CN114298086A (zh) | 基于深度学习和四阶滞后矩谱的stbc-ofdm信号盲识别方法和装置 | |
Kreidl et al. | On decentralized detection with partial information sharing among sensors | |
CN115842597A (zh) | 一种基于多源数据融合的黑广播检测方法及系统 | |
US20060274872A1 (en) | Waveform shaping method, waveform shaping device, electronic device, waveform shaping program and recording medium | |
US5457711A (en) | Channel selector arrangement | |
US4038605A (en) | Message preamble detector | |
KR101039357B1 (ko) | 무선 인지 시스템의 다이버시티를 이용한 스펙트럼 센싱 장치 및 방법 | |
KR20220038623A (ko) | 검출 방법 및 장치 | |
Kumar et al. | A machine learning approach to modulation detection in wireless communications | |
Pan et al. | Spectrum Sensing Based on CNN-LSTM with Attention for Cognitive Radio Networks | |
CN102281087B (zh) | 通信方法、载波调度方法、基站和终端 | |
CN107645359B (zh) | 一种OvXDM系统的快速译码方法、装置及OvXDM系统 | |
US6345057B1 (en) | Bi-directional channel analysis | |
CN111181669B (zh) | 基于预评估处理的自适应频谱感知方法、系统、介质及终端 | |
CN114285506B (zh) | 一种混合式两级多星协作频谱感知方法 | |
KR101784956B1 (ko) | 무선 수신 신호 처리 방법 및 장치 | |
CN112351252B (zh) | 监控视频编解码装置 | |
US7228274B2 (en) | Recognition of identification patterns | |
WO2013068705A1 (en) | Radio apparatus and method of operating the same | |
Chaudhari et al. | On the BEP walls for soft decision based cooperative sensing in cognitive radios | |
KR102375963B1 (ko) | 검출 방법 및 장치 | |
CN111106888B (zh) | 一种基于多模相关性的分步式频谱感知方法及存储介质 |
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 |