CN116260547B - 一种抑制同频干扰的系统及方法 - Google Patents

一种抑制同频干扰的系统及方法 Download PDF

Info

Publication number
CN116260547B
CN116260547B CN202310527578.1A CN202310527578A CN116260547B CN 116260547 B CN116260547 B CN 116260547B CN 202310527578 A CN202310527578 A CN 202310527578A CN 116260547 B CN116260547 B CN 116260547B
Authority
CN
China
Prior art keywords
frequency
target
interference
thermodynamic diagram
time
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
Application number
CN202310527578.1A
Other languages
English (en)
Other versions
CN116260547A (zh
Inventor
常兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province
Original Assignee
Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province filed Critical Wuhan Nengna Intelligent Equipment Technology Co ltd Chengdu Branch Sichuan Province
Priority to CN202310527578.1A priority Critical patent/CN116260547B/zh
Publication of CN116260547A publication Critical patent/CN116260547A/zh
Application granted granted Critical
Publication of CN116260547B publication Critical patent/CN116260547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/40—Jamming having variable characteristics
    • H04K3/42—Jamming having variable characteristics characterized by the control of the jamming frequency or wavelength
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/40—Jamming having variable characteristics
    • H04K3/45—Jamming having variable characteristics characterized by including monitoring of the target or target signal, e.g. in reactive jammers or follower jammers for example by means of an alternation of jamming phases and monitoring phases, called "look-through mode"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/80—Jamming or countermeasure characterized by its function
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Noise Elimination (AREA)

Abstract

本发明涉及通信技术领域，公开了一种抑制同频干扰的系统及方法，该系统包括时频图生成模块、像素聚类模块、干扰目标分割模块和同频干扰抑制模块，本发明将原始信号转换为时频图；对时频图中的像素进行聚类，并根据聚类结果生成热力图；根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；最后利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。本发明通过对时频图进行聚类获得热力图，并利用热力图对深度学习模型进行训练，以此对目标时频图进行干扰量去除，在提高泛化性的同时减少了人工的介入，实现同频干扰的自动识别与抑制。

Description

一种抑制同频干扰的系统及方法
技术领域
本发明涉及人通信技术领域，尤其涉及到一种抑制同频干扰的系统及方法。
背景技术
不同类别的信号所使用的频段都是不同的，如5G NR为450MHz-6000MHz和24250MHz-52600MHz。信号侦收设备对信号进行监测的过程中，由于频段数量有限，两个或多个通信系统可能会在同一频段上发送数据，目标信号常被同频段杂波干扰，这种干扰可能对通信系统的可靠性、数据传输率和数据完整性产生严重影响，从而导致通信失败、数据丢失等问题。这些问题会影响下游任务（如卫星定位、信号分类）效果。因此，在进行信号接收的过程中需要对同频段的杂波进行抑制。
现有抑制算法主要包括括自适应波束形成算法、时域处理算法、极化滤波算法和正交投影算法。虽然自适应频率选择技术可根据信号带宽实时换频从而主动避免同频干扰，但却难以找到足够带宽的干净频段。极化滤波类方法主要基于信号的垂直极化特征，并引入辅助天线估计同频干扰分量从而抑制同频干扰。这些方法都比较依赖人工介入，鲜见实时自动识别与抑制射频干扰的研究。
因此，如何实现射频干扰的自动识别与抑制，是一个亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种抑制同频干扰的系统及方法，旨在解决目前同频干扰的识别与抑制依赖人工且相关算法局限性较大、同频干扰抑制自动化程度不高的技术问题。
为实现上述目的，本发明提供一种抑制同频干扰的系统，所述抑制同频干扰的系统包括：
时频图生成模块，用于将原始信号转换为时频图；
像素聚类模块，用于对时频图中的像素进行聚类，并根据聚类结果生成热力图；
干扰目标分割模块，用于根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；
同频干扰抑制模块，用于利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。
可选的，将原始信号转换为时频图采用短时傅里叶变换，所述短时傅里叶变换的表达式，具体为：
；其中，/>为输入信号，为输出信号，/>为复变函数，/>为无理数，/>为复变量，/>为信号频率，为窗口函数，/>和/>为时间变量，窗口函数的表达式，具体为：
；其中，/>为常量，N为窗口长度。
可选的，对时频图中的像素进行聚类采用可能性C均值聚类法，所述可能性C均值聚类法的目标函数，具体为：
；；其中，/>为第/>个样本，/>为第/>聚类中心，/>为聚类组数，为样本个数，存在约束/>，即聚类组数不能大于样本个数且不能小于两类，否则没有意义，/>为第/>个样本到第/>聚类中心的距离，/>为权重，/>为隶属度矩阵中第/>个样本点对第/>类的隶属度函数。
可选的，确定各聚类中心和隶属度矩阵时，具体包括：
获取聚类组数，权重/>、最大迭代次数/>和收敛阈值/>，随机选取聚类中心，初始迭代次数为0；
利用模糊C均值聚类法初始化隶属矩阵，并迭代确定新的隶属度矩阵和各类聚类中心；
判断两次迭代的聚类中心距离是否小于收敛阈值或迭代次数是否大于/>；若是，停止迭代，确定各聚类中心和隶属度矩阵；若否，继续迭代。
可选的，迭代确定新的隶属度矩阵和各聚类中心时，新的隶属度矩阵的表达式，具体为：
；其中，/>为第/>个样本到第/>聚类中心的距离；
各聚类中心的表达式，具体为：
；其中，/>为第/>个样本，/>为隶属度矩阵中第/>个样本点对第/>类的隶属度函数。
可选的，所述抑制同频干扰的系统还包括标注模块，用于对样本热力图进行掩码信息标注。
可选的，根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，具体为：
利用目标分割模型基于样本热力图进行训练，获得热力图干扰量识别模型；
利用热力图干扰量识别模型对目标热力图进行干扰量识别，获得目标热力图的掩码信息。
可选的，所述目标分割模型采用基于深度学习的实例分割模型。
可选的，所述实例分割模型为MASK-RCNN模型。
可选的，利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除，具体包括：
基于目标热力图的掩码信息对目标热力图对应的目标时频图进行掩码遮盖，获得时频遮盖图；
利用目标时频图减去时频遮盖图，得到去除干扰量的时频图。
此外，为了实现上述目的，本发明还提供了一种抑制同频干扰的方法，所述抑制同频干扰的方法，包括如下步骤：
S1：将原始信号转换为时频图；
S2：对时频图中的像素进行聚类，并根据聚类结果生成热力图；
S3：根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；
S4：利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。
本发明实施例提出的一种抑制同频干扰的系统及方法，该系统包括时频图生成模块、像素聚类模块、干扰目标分割模块和同频干扰抑制模块，本发明将原始信号转换为时频图；对时频图中的像素进行聚类，并根据聚类结果生成热力图；根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；最后利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。本发明通过对时频图进行聚类获得热力图，并利用热力图对深度学习模型进行训练，以此对目标时频图进行干扰量去除，在提高泛化性的同时减少了人工的介入，实现同频干扰的自动识别与抑制，解决了目前同频干扰的识别与抑制依赖人工且相关算法局限性较大、同频干扰抑制自动化程度不高的技术问题。
附图说明
图1为本发明实施例中一种抑制同频干扰的系统实施例的示意图；
图2为本发明实施例中同频干扰抑制的原理示意图；
图3为本发明实施例中一种抑制同频干扰的方法实施例的示意图。
附图标记：
10-时频图生成模块；20-像素聚类模块；30-干扰目标分割模块；40-同频干扰抑制模块。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了一种抑制同频干扰的系统，参照图1，图1为本发明抑制同频干扰的系统实施例的示意图。
本发明实施例提出的一种抑制同频干扰的系统，该抑制同频干扰的系统包括时频图生成模块、像素聚类模块、干扰目标分割模块和同频干扰抑制模块。
本实施例一种抑制同频干扰的系统将同频信号干扰划分为同频干扰识别和同频干扰抑制两个部分。
对于同频干扰识别，现有技术中，无线电领域对于干扰信号的检测有很多方法。较为传统的是基于信号统计与估计和判决理论的方法，如：通过分析多载波混合信号的高阶累积量、倍频和频谱特性，利用其与单频分复用信号的特性差异识别单载波干扰和多载波干扰；或是利用独立成分分析算法处理监测信号，将无线基站信号进行分离，同时检测异常信号的干扰。此类方法对于人员的理论知识要求十分高，且算法较为复杂，泛化性较差。
对此，本申请提出了包括时频图生成模块、像素聚类模块和干扰目标分割模块共同构成的同频干扰识别方案。
其中，时频图生成模块用于将原始信号转换为时频图；像素聚类模块用于对时频图中的像素进行聚类，并根据聚类结果生成热力图；干扰目标分割模块用于根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；同频干扰抑制模块用于利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。
对于时频图生成模块，具体而言，时频图生成模块将原始信号转换为时频图可以通过短时傅里叶变换生成，短时傅里叶变换的表达式，具体为：
（1）
其中，为输入信号，/>为输出信号，/>为复变函数，/>为无理数，为复变量，/>为信号频率，/>为窗口函数，/>和/>为时间变量。
本实施例选用长度为256的Hamming窗作为窗口函数，Hamming 窗表示为：
（2）
其中，为常量，一般取其值为0.5，N为窗口长度。
需要说明的是，在实际应用中，还可根据需求选取其他任意长度窗口的其他任意窗口函数，本实施例在此不再限制。
需要说明的是，通过短时傅里叶变换对原始信号进行处理，可以得到原始信号的时频图，时频图描述了信号各频率成分如何随时间变化的热力分布。相比于频谱图，时频图能够更为直观的显示出各频率成分与时间变化的关系，由此，利用时频图来显示原始信号的特征，在此之后对原始信号的特征进行突出和分割，以实现同频干扰抑制。
对于像素聚类模块，具体而言，像素聚类模块将时频图生成模块所生成的时频图进行像素聚类。
本实施例中，聚类采用可能性C均值聚类法，可能性C均值聚类法的目标函数为：
（3）
其中，，/>为第/>个样本，/>为第/>聚类中心（j=1，2，…，c），/>为聚类组数，/>为样本个数，存在约束/>，即聚类组数不能大于样本个数且不能小于两类，否则没有意义，/>为第/>个样本到第/>聚类中心的距离，/>为权重，/>为隶属度矩阵中第/>个样本点对第/>类的隶属度函数。
在优选的实施例中，确定各聚类中心和隶属度矩阵时，利用模糊C均值聚类法初始化隶属矩阵，并迭代确定新的隶属度矩阵和各类聚类中心；判断两次迭代的聚类中心距离是否小于收敛阈值或迭代次数是否大于t；若是，停止迭代，确定各聚类中心和隶属度矩阵；若否，继续迭代。
在实际应用中，确定各聚类中心和隶属度矩阵采用如下具体步骤：
Step1：确定聚类组数，权重/>，最大的迭代次数/>。
Step2：随机选取聚类中心，初始迭代次数为0，获取收敛阈值。
Step3：第一次迭代时利用模糊C均值聚类的方法初始化隶属矩阵U，确定新的隶属度矩阵：
（4）
其中，为第/>个样本到第/>聚类中心的距离。
Step4：求取各类的聚类中心：
（5）
其中，为第/>个样本，/>为隶属度矩阵中第/>个样本点对第/>类的隶属度函数。
Step5：如果两次迭代之间的聚类中心距离小于设定值或达到最大的迭代次数，则停止，否则跳回Step3。
需要说明的是，本实施例提供的一种抑制同频干扰的系统，还包括标注模块，在利用热力图进行热力图干扰量识别模型训练时，需要先通过人工标注的方式对样本热力图上的干扰量进行掩码标注。具体而言，利用目标分割模型基于样本热力图进行训练，获得热力图干扰量识别模型；利用热力图干扰量识别模型对目标热力图进行干扰量识别，获得目标热力图的掩码信息。
容易理解，本实施例使用聚类算法对时频图进行聚类，生成新的热力图，简化了图像分割的难度。
本实施例中，对时频图进行像素聚类后，即可获得信号特征与背景特征分离的热力图，在对热力图进行人工标注后，利用该热力图作为干扰目标分割模块的输入，训练获得热力图干扰量识别模型，利用该热力图干扰量识别模型即可实现对原始信号中干扰量的识别。
需要说明的是，本实施例中，目标分割模型采用基于深度学习的实例分割模型。
在优选的实施例中，基于深度学习的实例分割模型采用能够在有效检测目标的同时输出高质量的实例分割掩码的MASK-RCNN模型。需要说明的是，MASK-RCNN模型是负责物体检测的Faster R-CNN模型与负责确定目标轮廓的FCN模型结合的实例分割算法模型。
在实际应用中，还可根据需求选取其他任意能够实现实例分割的深度学习模型来完成热力图干扰量的训练，以获得热力图干扰量识别模型，本实施例在此不再限制。
对于干扰目标分割模块，根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息。
具体而言，在对时频图进行像素聚类后，获得样本原始信号对应的样本热力图和目标原始信号对应的目标热力图。样本热力图用于对目标分割模型进行训练，在满足收敛条件后，获得热力图干扰量识别模型；目标热力图输入热力图干扰量识别模型后，对目标热力图进行干扰量识别，通过干扰目标分割模块对热力图的分割可以从热力图中识别干扰量，识别结果包含掩码G-mask。
需要说明的是，本实施例通过深度学习模型对图像分割的方式对同频干扰量进行抑制，在提高了泛化性的同时减少了人工的介入，系统能自动识别干扰量进行抑制。
对于同频干扰抑制模块，具体而言，同频干扰抑制模块对干扰目标分割模块识别的干扰量进行去除。
本发明实施例提供了一种抑制同频干扰的系统，参照图2，图2为本发明抑制同频干扰的原理示意图。
如图2所示，对于本发明抑制同频干扰的第二部分：同频干扰抑制。本发明实施例提出的一种抑制同频干扰的系统，在获得通过干扰目标分割模块利用标注有掩码信息的热力图进行训练的热力图干扰量识别模型，以及获得目标原始信号对应的目标时频图后，即可利用热力图干扰量识别模型对目标视频图进行干扰量识别。
本实施例中，去除干扰量具体通过基于目标热力图的掩码信息对目标热力图对应的目标时频图进行掩码遮盖，获得时频遮盖图；利用目标时频图减去时频遮盖图，得到去除干扰量的时频图。
具体而言，同频干扰抑制模块对时频图生成模块、像素聚类模块和干扰目标分割模块共同构成的同频干扰识别输出的目标时频图中的干扰量进行去除，通过干扰目标分割模块得到的掩码对时频图生成模块生成的时频图进行干扰量去除，即用掩码对时频图进行遮盖，用原始时频图减去遮盖部分，得到无干扰时频图。
本实施例提供一种抑制同频干扰的系统，该系统通过对时频图进行聚类获得热力图，并利用热力图对深度学习模型进行训练，以此对目标时频图进行干扰量去除，在提高泛化性的同时减少了人工的介入，实现同频干扰的自动识别与抑制。
参照图3，图3为本发明抑制同频干扰的方法实施例的示意图。
如图3所示，本发明实施例提出的抑制同频干扰的方法基于上述任意实施例提供的抑制同频干扰的系统，该抑制同频干扰的方法，包括如下步骤：
S1：将原始信号转换为时频图；
S2：对时频图中的像素进行聚类，并根据聚类结果生成热力图；
S3：根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；
S4：利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除。
本实施例提出一种抑制同频干扰的方法，该方法首先将原始信号转换为时频图，然后将时频图中的像素按照像素相似度进行聚合以突出信号特征，最后对同频干扰部分进行识别并生成掩码，以根据该掩码对时频图中的干扰量进行去除，得到无干扰时频图，解决了现有同频干扰抑制技术大部分都较为依赖人工介入且相关算法局限性较大，同频干扰抑制自动化程度不高的技术问题。
本发明抑制同频干扰的方法的其他实施例或具体实现方式可参照上述各系统实施例，此处不再赘述。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种抑制同频干扰的系统，其特征在于，所述抑制同频干扰的系统包括：
时频图生成模块，用于将原始信号转换为时频图；
像素聚类模块，用于对时频图中的像素进行聚类，并根据聚类结果生成热力图；
干扰目标分割模块，用于根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；
同频干扰抑制模块，用于利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除；
对时频图中的像素进行聚类采用可能性C均值聚类法，所述可能性C均值聚类法的目标函数，具体为：
其中，xi为第i个样本，vj为第j聚类中心，c为聚类组数，n为样本个数，存在约束2≤c≤n-1，即聚类组数不能大于样本个数且不能小于两类，否则没有意义，d2(xi，yj)为第i个样本到第j聚类中心的距离，m为权重，uij为隶属度矩阵中第i个样本点对第j类的隶属度函数；
其中初始聚类中心随机选取。
2.如权利要求1所述的抑制同频干扰的系统，其特征在于，将原始信号转换为时频图采用短时傅里叶变换，所述短时傅里叶变换的表达式，具体为：
其中，X(m)为输入信号，Xn(ejw)为输出信号，e-jwm为复变函数，e为无理数，j为复变量，w为信号频率，w(n-m)为窗口函数，n和m为时间变量，窗口函数的表达式，具体为：
其中，a0为常量，N为窗口长度。
3.如权利要求2所述的抑制同频干扰的系统，其特征在于，确定各聚类中心和隶属度矩阵时，具体包括：
获取聚类组数c，权重m、最大迭代次数t和收敛阈值ε，随机选取聚类中心，初始迭代次数为0；
利用模糊C均值聚类法初始化隶属矩阵，并迭代确定新的隶属度矩阵和各类聚类中心；
判断两次迭代的聚类中心距离是否小于收敛阈值ε或迭代次数是否大于t；若是，停止迭代，确定各聚类中心和隶属度矩阵；若否，继续迭代。
4.如权利要求3所述的抑制同频干扰的系统，其特征在于，迭代确定新的隶属度矩阵和各聚类中心时，新的隶属度矩阵的表达式，具体为：
其中，d2(xi，yj)为第i个样本到第j聚类中心的距离；
各聚类中心的表达式，具体为：
其中，xk为第k个样本，ujk为隶属度矩阵中第k个样本点对第j类的隶属度函数。
5.如权利要求1所述的抑制同频干扰的系统，其特征在于，所述抑制同频干扰的系统还包括标注模块，用于对样本热力图进行掩码信息标注。
6.如权利要求1所述的抑制同频干扰的系统，其特征在于，根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，具体为：
利用目标分割模型基于样本热力图进行训练，获得热力图干扰量识别模型；
利用热力图干扰量识别模型对目标热力图进行干扰量识别，获得目标热力图的掩码信息。
7.如权利要求6所述的抑制同频干扰的系统，其特征在于，所述目标分割模型采用基于深度学习的实例分割模型。
8.如权利要求1所述的抑制同频干扰的系统，其特征在于，利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除，具体包括：
基于目标热力图的掩码信息对目标热力图对应的目标时频图进行掩码遮盖，获得时频遮盖图；
利用目标时频图减去时频遮盖图，得到去除干扰量的时频图。
9.一种抑制同频干扰的方法，其特征在于，所述抑制同频干扰的方法，包括如下步骤：
S1：将原始信号转换为时频图；
S2：对时频图中的像素进行聚类，并根据聚类结果生成热力图；
S3：根据标注有掩码信息的样本热力图进行训练，并对未标注有掩码信息的目标热力图进行干扰量识别，获得目标热力图的掩码信息；
S4：利用目标热力图的掩码信息对目标热力图对应的目标时频图进行干扰量去除；
对时频图中的像素进行聚类采用可能性C均值聚类法，所述可能性C均值聚类法的目标函数，具体为：
其中，xi为第i个样本，vj为第j聚类中心，c为聚类组数，n为样本个数，存在约束2≤c≤n-1，即聚类组数不能大于样本个数且不能小于两类，否则没有意义，d2(xi，yj)为第i个样本到第j聚类中心的距离，m为权重，uij为隶属度矩阵中第i个样本点对第j类的隶属度函数；
其中初始聚类中心随机选取。
CN202310527578.1A 2023-05-11 2023-05-11 一种抑制同频干扰的系统及方法 Active CN116260547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310527578.1A CN116260547B (zh) 2023-05-11 2023-05-11 一种抑制同频干扰的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310527578.1A CN116260547B (zh) 2023-05-11 2023-05-11 一种抑制同频干扰的系统及方法

Publications (2)

Publication Number Publication Date
CN116260547A CN116260547A (zh) 2023-06-13
CN116260547B true CN116260547B (zh) 2023-09-22

Family

ID=86688294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310527578.1A Active CN116260547B (zh) 2023-05-11 2023-05-11 一种抑制同频干扰的系统及方法

Country Status (1)

Country Link
CN (1) CN116260547B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015184967A1 (zh) * 2014-06-04 2015-12-10 华为技术有限公司 抑制同频干扰的方法和装置
CN105319537A (zh) * 2015-10-16 2016-02-10 哈尔滨工程大学 基于空间相关性的航海雷达同频干扰抑制方法
CN111175708A (zh) * 2019-12-18 2020-05-19 南京理工大学 有源相扫地面侦察雷达的自动增益控制系统及方法
CN111884967A (zh) * 2020-07-29 2020-11-03 黑龙江大学 基于时频分析和卷积神经网络的qpsk信号解调方法
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN112507621A (zh) * 2020-12-16 2021-03-16 电子科技大学 一种基于标签传播的雷达干扰半监督识别方法
CN112801949A (zh) * 2021-01-15 2021-05-14 国网江苏省电力有限公司电力科学研究院 一种紫外成像检测技术中放电区域的确定方法及装置
CN114239855A (zh) * 2021-12-20 2022-03-25 北京瑞莱智慧科技有限公司 分析异常诊断信息的方法、装置、介质和计算设备
CN115267713A (zh) * 2022-07-01 2022-11-01 西安电子科技大学 一种基于语义分割的间歇采样干扰识别和抑制方法
CN115580340A (zh) * 2022-10-13 2023-01-06 杭州国芯科技股份有限公司 基于神经网络的数字卫星抑制同频干扰的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080063122A1 (en) * 2006-09-07 2008-03-13 Gwo-Jia Jong Method for suppressing co-channel interference from different frequency

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015184967A1 (zh) * 2014-06-04 2015-12-10 华为技术有限公司 抑制同频干扰的方法和装置
CN105319537A (zh) * 2015-10-16 2016-02-10 哈尔滨工程大学 基于空间相关性的航海雷达同频干扰抑制方法
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN111175708A (zh) * 2019-12-18 2020-05-19 南京理工大学 有源相扫地面侦察雷达的自动增益控制系统及方法
CN111884967A (zh) * 2020-07-29 2020-11-03 黑龙江大学 基于时频分析和卷积神经网络的qpsk信号解调方法
CN112507621A (zh) * 2020-12-16 2021-03-16 电子科技大学 一种基于标签传播的雷达干扰半监督识别方法
CN112801949A (zh) * 2021-01-15 2021-05-14 国网江苏省电力有限公司电力科学研究院 一种紫外成像检测技术中放电区域的确定方法及装置
CN114239855A (zh) * 2021-12-20 2022-03-25 北京瑞莱智慧科技有限公司 分析异常诊断信息的方法、装置、介质和计算设备
CN115267713A (zh) * 2022-07-01 2022-11-01 西安电子科技大学 一种基于语义分割的间歇采样干扰识别和抑制方法
CN115580340A (zh) * 2022-10-13 2023-01-06 杭州国芯科技股份有限公司 基于神经网络的数字卫星抑制同频干扰的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Co-frequency Interference Suppression for Aerostat Passive Bistatic Radar;WANG Feng;WEI Shuang;JIANG Defu;;Chinese Journal of Electronics(03);全文 *
利用短时傅里叶变换（STFT）对信号进行时频谱分析和去噪声;哦豁灬;《CSDN》;全文 *
基于二阶统计量盲源分离算法的无源雷达同频干扰抑制研究;吕晓德;孙正豪;刘忠胜;张汉良;刘平羽;;电子与信息学报(05);全文 *
基于短时傅里叶变换的局部放电窄带干扰抑制;周涛等;《四川电力技术》;第45卷(第4期);全文 *
改进的快速模糊C均值聚类的图像分割方法;李明;李云松;;兰州理工大学学报(03);全文 *
高强度电磁噪声环境下的射频指纹识别方法设计与实现;杜钊楠;《中国优秀硕士学位论文全文数据库》(第01期);全文 *

Also Published As

Publication number Publication date
CN116260547A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN110334591B (zh) 一种基于聚类分析的无人机跳频信号检测及识别方法
US20200097775A1 (en) Systems and methods for detecting and classifying anomalous features in one-dimensional data
US10887009B2 (en) G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks
Jeong et al. Spectrogram-based automatic modulation recognition using convolutional neural network
CN108957399A (zh) 一种利用lte信号信道状态信息实现运动检测的方法
CN113259029B (zh) 一种适用于无人机信号的实时自动检测识别方法
CN113259031B (zh) 一种面向卫星频谱态势生成的底噪拟合与消除方法
CN110705387A (zh) 一种基于云模型的通信信号特征提取方法及信号识别方法
Anil Kumar et al. Optimized design and analysis approach of user detection by non cooperative detection computing methods in CR networks
Yar et al. A complete framework of radar pulse detection and modulation classification for cognitive EW
Kayraklik et al. Application of object detection approaches on the wideband sensing problem
CN113191224A (zh) 一种无人机信号提取和识别方法、系统
CN116260547B (zh) 一种抑制同频干扰的系统及方法
CN108830135A (zh) 计算机电磁泄漏信号识别方法、装置及存储介质
CN111753803A (zh) 基于模糊聚类和高阶累积量的无人机图传信号识别方法
Cantzos et al. Identifying long-memory trends in pre-seismic MHz Disturbances through Support Vector Machines
Haque et al. Aeronautical ICI analysis and Doppler estimation
CN114519372B (zh) 基于支持向量机的一维距离像目标识别方法
CN107395540B (zh) 基于lmd近似熵、高积累积量和svm的调制信号识别方法
Sobolewski et al. Automatic modulation recognition techniques based on cyclostationary and multifractal features for distinguishing LFM, PWM and PPM waveforms used in radar systems as example of artificial intelligence implementation in test
US9722830B1 (en) Detection of low level communication signals in high level noise
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
CN114580476A (zh) 一种无人机信号的识别模型构建方法及相应识别方法和系统
CN111461007A (zh) 一种基于模糊逻辑的自动调制信号识别方法及装置
CN116582195B (zh) 一种基于人工智能的无人机信号频谱识别方法

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