CN116094886A - 一种双模模块中载波通信数据处理方法及系统 - Google Patents
一种双模模块中载波通信数据处理方法及系统 Download PDFInfo
- Publication number
- CN116094886A CN116094886A CN202310220790.3A CN202310220790A CN116094886A CN 116094886 A CN116094886 A CN 116094886A CN 202310220790 A CN202310220790 A CN 202310220790A CN 116094886 A CN116094886 A CN 116094886A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature
- modulation signal
- characteristic
- feature set
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 127
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供了一种双模模块中载波通信数据处理方法及系统，涉及数据处理技术领域，接收设备端的通信调制信号，通过信号处理平台对其进行前处理，组建特征指标集，对前处理信号进行特征分析获取信号特征参数集；构建调制信号识别支持向量机，进行信号特征参数集识别处理，获取调制信号类型并发送至设备端，解决了现有技术中对于载波通信处理过程中，对于信号特征的识别与选择方法存在一定的局限性，造成特征的识别效率与精准度较低，造成调制类型判定偏差，影响后续信号的调制准确度的技术问题，通过构建多类功能性模块进行数据分析处理，基于支持向量机进行特征分类，保障数据处理的有序性，提高分析效率与精准度，保障后续的稳定性安全通信。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种双模模块中载波通信数据处理方法及系统。
背景技术
载波通信数据为信道中传输的通信信号，为了保障载波通信数据与端口的契合度，满足用户的不同需求，针对载波通信信号，可基于针对波形的某些特性，基于不同的调制方式对其进行信号波动状态与过程调整，以满足多种信号传输要求。进行信号调制前，需保障载波通信信号与调制类型相符，基于对应的调制方式进行调整处理，否则会导致通信数据偏离，还存在一定的通信安全性风险。现如今，对信号进行特征识别处理过程中，采取方法多维常规的传统性方法，处理模式较为单一且对于分析处理结果的精准度无法保障，有待进一步进行优化提升。
现有技术中，对于载波通信处理过程中，对于信号特征的识别与选择方法存在一定的局限性，造成特征的识别效率与精准度较低，造成调制类型判定偏差，影响后续信号的调制准确度。
发明内容
本申请提供了一种双模模块中载波通信数据处理方法及系统，用于针对解决现有技术中存在的对于载波通信处理过程中，对于信号特征的识别与选择方法存在一定的局限性，造成特征的识别效率与精准度较低，造成调制类型判定偏差，影响后续信号的调制准确度的技术问题。
鉴于上述问题，本申请提供了一种双模模块中载波通信数据处理方法及系统。
第一方面，本申请提供了一种双模模块中载波通信数据处理方法，所述方法包括：
接收设备端的通信调制信号；
通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
其中，所述输出结果包括所述通信调制信号的调制信号类型；
将所述调制信号类型发送至所述设备端。
第二方面，本申请提供了一种双模模块中载波通信数据处理系统，所述系统包括：
信号接收模块，所述信号接收模块用于接收设备端的通信调制信号；
信号前处理模块，所述信号前处理模块用于通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
特征分析模块，所述特征分析模块用于组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
信号分析模块，所述信号分析模块用于构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
结果剖析模块，所述结果剖析模块用于其中，所述输出结果包括所述通信调制信号的调制信号类型；
信息发送模块，所述信息发送模块用于将所述调制信号类型发送至所述设备端。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种双模模块中载波通信数据处理方法，接收设备端的通信调制信号，通过信号处理平台对其进行前处理，获取前处理信号；组建特征指标集，对所述前处理信号进行特征分析，得到信号特征参数集；构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果，包括所述通信调制信号的调制信号类型；将所述调制信号类型发送至所述设备端，解决了现有技术中对于载波通信处理过程中，对于信号特征的识别与选择方法存在一定的局限性，造成特征的识别效率与精准度较低，造成调制类型判定偏差，影响后续信号的调制准确度的技术问题，通过构建多类功能性模块进行数据分析处理，基于支持向量机进行特征分类，保障数据处理的有序性，提高分析效率与精准度，保障后续的稳定性安全通信。
附图说明
图1为本申请提供了一种双模模块中载波通信数据处理方法流程示意图；
图2为本申请提供了一种双模模块中载波通信数据处理方法中特征指标集获取流程示意图；
图3为本申请提供了一种双模模块中载波通信数据处理方法中调制信号识别支持向量机构建流程示意图；
图4为本申请提供了一种双模模块中载波通信数据处理系统结构示意图。
附图标记说明：信号接收模块11，信号前处理模块12，特征分析模块13，信号分析模块14，结果剖析模块15，信息发送模块16。
具体实施方式
本申请通过提供一种双模模块中载波通信数据处理方法及系统，接收设备端的通信调制信号，通过信号处理平台对其进行前处理，组建特征指标集，对前处理信号进行特征分析，得到信号特征参数集；构建调制信号识别支持向量机，进行信号特征参数集的识别处理，得到输出结果，包括所述通信调制信号的调制信号类型；将所述调制信号类型发送至所述设备端，用于解决现有技术中存在的对于载波通信处理过程中，对于信号特征的识别与选择方法存在一定的局限性，造成特征的识别效率与精准度较低，造成调制类型判定偏差，影响后续信号的调制准确度的技术问题。
实施例一
如图1所示，本申请提供了一种双模模块中载波通信数据处理方法，应用于平台端，所述方法包括：
步骤S100：接收设备端的通信调制信号；
具体而言，载波通信数据为信道中传输的通信信号，为了保障载波通信数据与端口的契合度，满足用户的不同需求，针对载波通信信号，可基于针对波形的某些特性，基于不同的调制方式对其进行信号波动状态与过程调整，以满足多种信号传输要求，本申请提供了一种双模模块中载波通信数据处理方法，通过对接收的通信调制信号进行数据接收、数据处理、特征提取与特征匹配，进行信号多级分析确定调制信号类型，并反馈至设备端，所述方法应用于所述平台端，即初始调制端口。识别采集发送的传递信息的调制信号，于测试设备的接收端进行信号接收，作为所述通信调制信号，所述通信调制信号为进行载波通信数据处理的依据，影响着载波通信物理层的安全性。
步骤S200：通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
进一步而言，在所述通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号之前，本申请步骤S200还包括：
步骤S210：构建所述信号处理平台，其中，所述信号处理平台包括第一处理层、第二处理层和第三处理层；
步骤S220：其中，所述第一处理层用于对所述通信调制信号进行降噪处理；
步骤S230：其中，所述第二处理层用于对所述通信调制信号进行变频处理；
步骤S240：其中，所述第三处理层用于对所述通信调制信号进行载频分量去除处理。
具体而言，所述信号处理平台为进行信号处理的操作空间，于所述信号处理平台，对所述通信调制信号进行多层级前期处理，生成所述前处理信号。
具体的，构建所述第一处理层，所述第一处理层用于进行所述通信调制信号的降噪处理，配置降噪处理机制对所述第一处理层进行优化完善，示例性的，基于大数据调研统计多组历史处理信息，提取数据源与对应的降噪处理能效，对两者进行关联对应确定数据识别节点与处理决策节点，对所述第一处理层进行训练验证，以确定所述第一处理层的降噪处理机制；同理，构建所述第二处理层，所述第二处理层用于进行所述通信调制信号的变频处理，并配置变频处理机制；构建所述第三处理层，所述第三处理层用于进行所述通信调制信号的载频分量去除处理，并配置载频分量去除处理机制，其中所述第一处理层、所述第二处理层与所述第三处理层的构建与优化方式类似。对所述第一处理层、所述第二处理层与所述第三处理层依次进行网络层首尾衔接，构成所述信号处理平台，基于所述信号处理平台中进行所述通信调制信号的前处理，可有效提高处理效果的精准度与客观性。
进一步的，将所述通信调制信号传输至所述信号处理平台中，基于网络层的逐层推进，对所述通信调制信号依次进行多层级功能性处理，包括降噪处理、变频处理与载频分量去除处理，确定最终的处理结果进行输出，作为所述前处理信号，去除分析影响因素，在保障覆盖数据完备性的基础上缩减数据量，便于进行后续处理分析。
步骤S300：组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
具体而言，进行调制信号特征分析，将BFSK、BPSK和QPSK作为多种调制类型，进行特征匹配确定对应的特征集，进一步进行特征集筛选，进行特征降维处理，提取其中的有效性特征，进行汇总整合作为所述特征指标集。进一步的，将所述特征指标集作为特征识别分析指向，对所述前处理信号进行特征识别提取，确定所述前处理信号中覆盖的多个特征指标参数，进行信息整合，作为所述信号特征参数集，将所述信号特征参数集作为处理分析方向，为后续进行调制信号类型分析提供了基础判据。
进一步而言，如图2所示，在所述组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集之前，本申请步骤S300还包括：
步骤S310：基于大数据组建调制信号特征集合；
步骤S320：对所述调制信号特征集合进行划分，得到划分结果；
步骤S330：其中，所述划分结果包括BFSK特征集、BPSK特征集和QPSK特征集；
步骤S340：依次对所述BFSK特征集、BPSK特征集和QPSK特征集进行分析筛选，并分别得到目标BFSK特征集、目标BPSK特征集和目标QPSK特征集；
步骤S350：获取所述目标BFSK特征集、所述目标BPSK特征集和所述目标QPSK特征集的并集，记作所述特征指标集。
进一步而言，所述依次对所述BFSK特征集、BPSK特征集和QPSK特征集进行分析筛选，并分别得到目标BFSK特征集、目标BPSK特征集和目标QPSK特征集，本申请步骤S340还包括：
步骤S341：获取智能筛选模块，其中，所述智能筛选模块中嵌有FEAST工具；
步骤S342：通过所述智能筛选模块对所述BFSK特征集进行分析筛选，得到第一筛选结果；
步骤S343：其中，所述第一筛选结果包括第一特征、第二特征；
步骤S344：依次分析所述第一特征、所述第二特征与BFSK的相关性，分别得到第一相关性、第二相关性；
步骤S345：对所述第一相关性、所述第二相关性进行降序排列，得到相关性降序序列；
步骤S346：获取预设筛选比例；
步骤S347：根据所述预设筛选比例对所述相关性降序序列进行筛选，得到所述目标BFSK特征集。
具体而言，通过进行大数据调研，确定所述调制信号的多维特征，例如概率峰度系数、瞬时幅度、信号频率、相位等，进行特征汇总生成所述调制信号特征集合，示例性的，可基于辅助识别工具 SVM分别进行 BFSK、BPSK 和 QPSK 信号的识别，以提取调制信号特征。基于调制信号的特征参数，可确定多种调制类型，主要包括 BFSK、BPSK、QPSK，基于上述调制类型，对所述调制信号特征集进行划分，获取所述划分结果，其中，所述划分结果与调制类型一一对应，将所述调制信号特征集划分为所述BFSK特征集、所述BPSK特征集和所述QPSK特征集。进一步对所述BFSK特征集、所述BPSK特征集和所述QPSK特征集分别进行特征筛选，进行特征降维处理，进一步提高系统性能和响应效率，仅保留最能标识信号调制方式的数据特征，作为所述目标BFSK特征集、所述目标BPSK特征集和所述目标QPSK特征集。
具体的，所述FEAST工具为进行特征识别筛选的辅助性工具，可有效提高识别的准确率，构建所述智能筛选模块，所述智能筛选模块为开辟的进行特征筛选的功能区，将所述FEAST工具嵌入所述智能筛选模块中，以完善模型运行机制，将所述BFSK特征集输入所述智能筛选模块中，基于FEAST工具进行智能筛选，执行一次筛选，获取所述第一筛选结果，其中，所述第一筛选结果包括初步筛选后的多个可选性特征，作为所述第一特征、所述第二特征，特征数量并非限制于此。进一步分别对筛选的所述第一特征、所述第二特征与BFSK信号进行相关性分析，示例性的，可基于特征影响程度进行相关性判定，获取所述第一相关性、所述第二相关性。进一步对所述第一相关性、所述第二相关性进行降序排列，提高数据有序性，便于后续按需截取，生成所述相关性降序序列。配置所述预设筛选比例，即进行特征筛选的需求特征占比临界值，将所述预设筛选比例作为筛选标准，对所述相关性降序序列进行匹配截取，获取相关性首位递推，满足所述预设筛选比例的多个相关性，进行特征反向匹配，确定对应的目标特征，基于相关性进行二次筛选，获取所述目标BFSK特征集，通过进行特征筛选，可有效避免特征过多造成过拟合现象，影响系统的识别性能。
进一步的，所述BFSK特征集、所述BPSK特征集和所述QPSK特征集的筛选方式相同，基于上述方式，分别对所述BPSK特征集与所述QPSK特征集进行筛选，生成所述目标BPSK特征集和所述目标QPSK特征集。对所述目标BFSK特征集、所述目标BPSK特征集和所述目标QPSK特征集求并集，作为所述特征指标集，保障所述特征指标集的有效性与完备性。
步骤S400：构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
步骤S500：其中，所述输出结果包括所述通信调制信号的调制信号类型；
步骤S600：将所述调制信号类型发送至所述设备端。
具体而言，基于BFSK、BPSK和QPSK三种调制类型，分别提取对应的所述BFSK特征集、所述BPSK特征集和所述QPSK特征集，随机提取两者进行分类器训练，获取第一分类器、第二分类器与第三分类器，进行分类器融合生成所述调制信号识别支持向量机。进一步将所述信号特征参数输入所述调制信号识别支持向量机中，通过进行多层分类器的特征分类判定，确定特征归属结果，并确定适配性信号调整类型，作为所述输出结果进行信息输出。通过构建所述调制信号识别支持向量机，较之传统的分析方法，例如神经网络算法等，其执行效率更快，于有限样本中的训练结果运行机制更优，缩减高样本维度带来的影响，避免造成存储与计算异常，进一步保障最终的分析结果的精准度。进一步将所述调制信号类型发送至所述设备端，以针对所述调制信号类型作针对性调整处理，保障处理结果的预期契合度。
进一步而言，如图3所示，所述构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果之前，本申请步骤S400还包括：
步骤S410：将所述BFSK特征集和所述BPSK特征集作为第一训练集；
步骤S420：基于所述第一训练集构建第一分类器，其中，所述第一分类器用于对BFSK和BPSK进行分类；
步骤S430：将所述BFSK特征集和所述QPSK特征集作为第二训练集；
步骤S440：基于所述第二训练集构建第二分类器，其中，所述第二分类器用于对BFSK和QPSK进行分类；
步骤S450：将所述BPSK特征集和所述QPSK特征集作为第三训练集；
步骤S460：基于所述第三训练集构建第三分类器，其中，所述第三分类器用于对BPSK和QPSK进行分类；
步骤S470：将所述第一分类器、所述第二分类器和所述第三分类器融合得到所述调制信号识别支持向量机。
具体而言，提取所述BFSK特征集和所述BPSK特征集，作为所述第一训练集，其中所述第一训练集带有特征归属标识。配置所述第一分类器的主体架构，即二分类模式，将所述第一训练集作为样本数据，输入所述第一分类器中进行优化训练，获取构建完成的所述第一分类器，所述第一分类器用于进行BFSK和BPSK的分类判定；同理，提取所述BFSK特征集和所述QPSK特征集，作为所述第二训练集，基于分类器的构建机制，根据所述第二训练集进行所述第二分类器的构建，基于所述第二分类器进行BFSK和QPSK的分类判定；提取所述BPSK特征集和所述QPSK特征集，作为所述第三训练集，将其作为样本数据，训练获取构建完成的所述第三分类器。
由于所述第一训练集、所述第二训练集和所述第三训练集，都是大数据采集调取的未经过筛选的特征，因此数据特征量较大，使得最终训练到的分类器更加精准、分类效果更好，存在更高的实际贴合度。其中所述第一分类器、所述第二分类器与所述第三分类器的构建模式相同，只存在构建样本的差异性，用于进行数据二分类，以进行归属判定。对所述第一分类器、所述第二分类器与所述第三分类器进行集成融合，针对三种调制类型，两两之间分别训练一个分类器，最终融合为所述调制信号识别支持向量机，基于所述调制信号识别支持向量机进行调制信号类型判定。
进一步而言，本申请还存在步骤S700，一种双模模块中载波通信数据处理方法，应用于设备端，包括：
步骤S710：获得通信指令，并基于所述通信指令得到通信调制信号；
步骤S720：将所述通信调制信号传输至平台端，并接收所述平台端的调制信号类型；
步骤S730：根据所述调制信号类型对所述通信调制信号进行安全性分析。
进一步而言，所述根据所述调制信号类型对所述通信调制信号进行安全性分析，本申请步骤S730还包括：
步骤S731：获取预设信号类型；
步骤S732：判断所述调制信号类型是否符合所述预设信号类型；
步骤S733：若是符合，对所述通信调制信号进行合法标记，若是不符合，对所述通信调制信号进行不合法标记。
具体而言，获取所述通信指令，即进行通信执行的开始指令，随着所述通信指令的接收，同步获取所述通信调制信号。进一步将所述通信调制信号传输至所述平台端，于所述平台端进行调制信号安全性分析判定，对经由信号分析确定的所述调制信号类型进行同步接收。进行载波通行过程中，存在的物理层安全问题同样不可忽视，需判定所接收的信号是否为合法信号，当为合法信号时，方可执行后续操作，其中，所述调制信号类型为进行信号合法性判定的依据。进一步的，基于所述调制信号类型于所述通信调制信号，进行通信安全分析。
具体的，获取所述预设信号类型，所述预设信号类型为配置的于所述通信调制信号相契合的信号类型。将所述预设信号类型作为判定标准，对所述调制信号类型与所述预设信号类型进行符合度判定，当两者相符合时，表明所述通信调制信号属于合法信号，即此次通信达到物理层面的安全，可执行后续操作，对其进行合法标记，当不符合时，表明所述通信调制信号为非法信号，对其进行不合法标记。后续通过对所述通信调制信号进行标记识别，判定后续通信的可执行性，保障通信安全。
实施例二
基于与前述实施例中一种双模模块中载波通信数据处理方法相同的发明构思，如图4所示，本申请提供了一种双模模块中载波通信数据处理系统，所述系统包括：
信号接收模块11，所述信号接收模块11用于接收设备端的通信调制信号；
信号前处理模块12，所述信号前处理模块12用于通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
特征分析模块13，所述特征分析模块13用于组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
信号分析模块14，所述信号分析模块14用于构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
结果剖析模块15，所述结果剖析模块15用于其中，所述输出结果包括所述通信调制信号的调制信号类型；
信息发送模块16，所述信息发送模块16用于将所述调制信号类型发送至所述设备端。
进一步而言，所述系统还包括：
平台构建模块，所述平台构建模块用于构建所述信号处理平台，其中，所述信号处理平台包括第一处理层、第二处理层和第三处理层；
第一处理层剖析模块，所述第一处理层剖析模块用于其中，所述第一处理层用于对所述通信调制信号进行降噪处理；
第二处理层剖析模块，所述第二处理层剖析模块用于其中，所述第二处理层用于对所述通信调制信号进行变频处理；
第三处理层剖析模块，所述第三处理层剖析模块用于其中，所述第三处理层用于对所述通信调制信号进行载频分量去除处理。
进一步而言，所述系统还包括：
特征集合组建模块，所述特征集合组建模块用于基于大数据组建调制信号特征集合；
特征集合划分模块，所述特征集合划分模块用于对所述调制信号特征集合进行划分，得到划分结果；
结果剖析模块，所述结果剖析模块用于其中，所述划分结果包括BFSK特征集、BPSK特征集和QPSK特征集；
特征集筛选模块，所述特征集筛选模块用于依次对所述BFSK特征集、BPSK特征集和QPSK特征集进行分析筛选，并分别得到目标BFSK特征集、目标BPSK特征集和目标QPSK特征集；
特征指标集确定模块，所述特征指标集确定模块用于获取所述目标BFSK特征集、所述目标BPSK特征集和所述目标QPSK特征集的并集，记作所述特征指标集。
进一步而言，所述系统还包括：
获取模块，所述获取模块用于获取智能筛选模块，其中，所述智能筛选模块中嵌有FEAST工具；
第一筛选结果获取模块，所述第一筛选结果获取模块用于通过所述智能筛选模块对所述BFSK特征集进行分析筛选，得到第一筛选结果；
第一筛选结果剖析模块，所述第一筛选结果剖析模块用于其中，所述第一筛选结果包括第一特征、第二特征；
相关性分析模块，所述相关性分析模块用于依次分析所述第一特征、所述第二特征与BFSK的相关性，分别得到第一相关性、第二相关性；
相关性排序模块，所述相关性排序模块用于对所述第一相关性、所述第二相关性进行降序排列，得到相关性降序序列；
预设参数配置模块，所述预设参数配置模块用于获取预设筛选比例；
序列筛选模块，所述序列筛选模块用于根据所述预设筛选比例对所述相关性降序序列进行筛选，得到所述目标BFSK特征集。
进一步而言，所述系统还包括：
第一训练集获取模块，所述第一训练集获取模块用于将所述BFSK特征集和所述BPSK特征集作为第一训练集；
第一分类器构建模块，所述第一分类器构建模块用于基于所述第一训练集构建第一分类器，其中，所述第一分类器用于对BFSK和BPSK进行分类；
第二训练集获取模块，所述第二训练集获取模块用于将所述BFSK特征集和所述QPSK特征集作为第二训练集；
第二分类器构建模块，所述第二分类器构建模块用于基于所述第二训练集构建第二分类器，其中，所述第二分类器用于对BFSK和QPSK进行分类；
第三训练集获取模块，所述第三训练集获取模块用于将所述BPSK特征集和所述QPSK特征集作为第三训练集；
第三分类器构建模块，所述第三分类器构建模块用于基于所述第三训练集构建第三分类器，其中，所述第三分类器用于对BPSK和QPSK进行分类；
分类器融合模块，所述分类器融合模块用于将所述第一分类器、所述第二分类器和所述第三分类器融合得到所述调制信号识别支持向量机。
进一步而言，所述系统还包括：
信号获取模块，所述信号获取模块用于获得通信指令，并基于所述通信指令得到通信调制信号；
类型接收模块，所述类型接收模块用于将所述通信调制信号传输至平台端，并接收所述平台端的调制信号类型；
信号安全性分析模块，所述信号安全性分析模块用于根据所述调制信号类型对所述通信调制信号进行安全性分析。
进一步而言，所述系统还包括：
预设参数获取模块，所述预设参数获取模块用于获取预设信号类型；
类型判断模块，所述类型判断模块用于判断所述调制信号类型是否符合所述预设信号类型；
信号标记模块，所述信号标记模块用于若是符合，对所述通信调制信号进行合法标记，若是不符合，对所述通信调制信号进行不合法标记。
本说明书通过前述对一种双模模块中载波通信数据处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种双模模块中载波通信数据处理方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种双模模块中载波通信数据处理方法，其特征在于，包括：
接收设备端的通信调制信号；
通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
其中，所述输出结果包括所述通信调制信号的调制信号类型；
将所述调制信号类型发送至所述设备端。
2.根据权利要求1所述的方法，其特征在于，在所述通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号之前，包括：
构建所述信号处理平台，其中，所述信号处理平台包括第一处理层、第二处理层和第三处理层；
其中，所述第一处理层用于对所述通信调制信号进行降噪处理；
其中，所述第二处理层用于对所述通信调制信号进行变频处理；
其中，所述第三处理层用于对所述通信调制信号进行载频分量去除处理。
3.根据权利要求1所述的方法，其特征在于，在所述组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集之前，包括：
基于大数据组建调制信号特征集合；
对所述调制信号特征集合进行划分，得到划分结果；
其中，所述划分结果包括BFSK特征集、BPSK特征集和QPSK特征集；
依次对所述BFSK特征集、BPSK特征集和QPSK特征集进行分析筛选，并分别得到目标BFSK特征集、目标BPSK特征集和目标QPSK特征集；
获取所述目标BFSK特征集、所述目标BPSK特征集和所述目标QPSK特征集的并集，记作所述特征指标集。
4.根据权利要求3所述的方法，其特征在于，所述依次对所述BFSK特征集、BPSK特征集和QPSK特征集进行分析筛选，并分别得到目标BFSK特征集、目标BPSK特征集和目标QPSK特征集，包括：
获取智能筛选模块，其中，所述智能筛选模块中嵌有FEAST工具；
通过所述智能筛选模块对所述BFSK特征集进行分析筛选，得到第一筛选结果；
其中，所述第一筛选结果包括第一特征、第二特征；
依次分析所述第一特征、所述第二特征与BFSK的相关性，分别得到第一相关性、第二相关性；
对所述第一相关性、所述第二相关性进行降序排列，得到相关性降序序列；
获取预设筛选比例；
根据所述预设筛选比例对所述相关性降序序列进行筛选，得到所述目标BFSK特征集。
5.根据权利要求4所述的方法，其特征在于，在所述构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果之前，包括：
将所述BFSK特征集和所述BPSK特征集作为第一训练集；
基于所述第一训练集构建第一分类器，其中，所述第一分类器用于对BFSK和BPSK进行分类；
将所述BFSK特征集和所述QPSK特征集作为第二训练集；
基于所述第二训练集构建第二分类器，其中，所述第二分类器用于对BFSK和QPSK进行分类；
将所述BPSK特征集和所述QPSK特征集作为第三训练集；
基于所述第三训练集构建第三分类器，其中，所述第三分类器用于对BPSK和QPSK进行分类；
将所述第一分类器、所述第二分类器和所述第三分类器融合得到所述调制信号识别支持向量机。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取预设信号类型；
判断所述调制信号类型是否符合所述预设信号类型；
若是符合，对所述通信调制信号进行合法标记，若是不符合，对所述通信调制信号进行不合法标记。
7.一种双模模块中载波通信数据处理系统，其特征在于，包括：
信号接收模块，所述信号接收模块用于接收设备端的通信调制信号；
信号前处理模块，所述信号前处理模块用于通过信号处理平台对所述通信调制信号进行前处理，得到前处理信号；
特征分析模块，所述特征分析模块用于组建特征指标集，并基于所述特征指标集对所述前处理信号进行特征分析，得到信号特征参数集；
信号分析模块，所述信号分析模块用于构建调制信号识别支持向量机，并将所述信号特征参数集输入所述调制信号识别支持向量机，得到输出结果；
结果剖析模块，所述结果剖析模块用于其中，所述输出结果包括所述通信调制信号的调制信号类型；
信息发送模块，所述信息发送模块用于将所述调制信号类型发送至所述设备端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220790.3A CN116094886B (zh) | 2023-03-09 | 2023-03-09 | 一种双模模块中载波通信数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220790.3A CN116094886B (zh) | 2023-03-09 | 2023-03-09 | 一种双模模块中载波通信数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116094886A true CN116094886A (zh) | 2023-05-09 |
| CN116094886B CN116094886B (zh) | 2023-08-25 |
Family
ID=86204648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310220790.3A Active CN116094886B (zh) | 2023-03-09 | 2023-03-09 | 一种双模模块中载波通信数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116094886B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
| EP3133532A1 (en) * | 2015-08-19 | 2017-02-22 | Xiaomi Inc. | Method and device for training classifier and recognizing a type of information |
| CN106503670A (zh) * | 2016-11-03 | 2017-03-15 | 太原理工大学 | 基于相关性分析特征选择的j波检测分类方法 |
| CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
| US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
| EP3968243A1 (en) * | 2019-07-04 | 2022-03-16 | Huawei Technologies Co., Ltd. | Method and apparatus for realizing model training, and computer storage medium |
| CN114943245A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 |
-
2023
- 2023-03-09 CN CN202310220790.3A patent/CN116094886B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
| EP3133532A1 (en) * | 2015-08-19 | 2017-02-22 | Xiaomi Inc. | Method and device for training classifier and recognizing a type of information |
| CN106503670A (zh) * | 2016-11-03 | 2017-03-15 | 太原理工大学 | 基于相关性分析特征选择的j波检测分类方法 |
| US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
| EP3968243A1 (en) * | 2019-07-04 | 2022-03-16 | Huawei Technologies Co., Ltd. | Method and apparatus for realizing model training, and computer storage medium |
| CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
| CN114943245A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| HARITHA K.;JUDY M. V.;PAPAGEORGIOU KONSTANTINOS;GEORGIANNIS VASSILIS C.;PAPAGEORGIOU ELPINIKI: "Distributed Fuzzy Cognitive Maps for Feature Selection in Big Data Classification", ALGORITHMS * |
| 林冲;闫文君;张立民;王玉佳: "通信信号调制识别综述", 中国电子科学研究院学报 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116094886B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102420723A (zh) | 一种面向多类入侵的异常检测方法 | |
| US10936916B1 (en) | System and method for classifying image data | |
| CN112528774A (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
| CN115277189B (zh) | 基于生成式对抗网络的无监督式入侵流量检测识别方法 | |
| CN114880312B (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
| CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
| CN116094886B (zh) | 一种双模模块中载波通信数据处理方法及系统 | |
| KR102400182B1 (ko) | 이기종 시스템 보안이벤트의 중점 모니터링 대상 선별 장치 및 방법 | |
| KR102014234B1 (ko) | 무선 프로토콜 자동 분석 방법 및 그를 위한 장치 | |
| WO2023179014A1 (zh) | 流量识别方法、装置、电子设备及存储介质 | |
| CN111490945A (zh) | 一种基于深度学习方法和dfi的vpn隧道流量识别方法 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
| CN113282686B (zh) | 一种不平衡样本的关联规则确定方法及装置 | |
| CN115118447A (zh) | 工控网络流量的安全判别方法、装置、电子装置和介质 | |
| CN112801783A (zh) | 一种基于数字货币交易特征的实体识别方法及装置 | |
| CN114997207A (zh) | 设备状态检测方法、装置、设备和存储介质 | |
| CN111428580A (zh) | 基于深度学习的个体信号识别算法及系统 | |
| CN117669594B (zh) | 针对异常信息的大数据关系网络分析方法及系统 | |
| CN115471902B (zh) | 基于智慧校园的人脸识别防护方法及系统 | |
| CN115237606B (zh) | 一种边缘计算控制系统 | |
| CN117391458B (zh) | 基于数据分析的安全生产风险检测预警方法及系统 | |
| CN117376022B (zh) | 一种基于深度学习的检测未知网络攻击的异常检测系统 | |
| CN116701962B (zh) | 边缘数据处理方法、装置、计算设备及存储介质 | |
| CN114626043A (zh) | 一种基于网络安全的大数据处理平台 | |
| CN117423071A (zh) | 基于机器学习对非法运营车辆识别 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Carrier Communication Data Processing in Dual Mode Modules Effective date of registration: 20231226 Granted publication date: 20230825 Pledgee: Industrial and Commercial Bank of China Limited Tiantai sub branch Pledgor: ZHEJIANG WELLSUN INTELLIGENT TECHNOLOGY Co.,Ltd. Registration number: Y2023330003116 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |