CN116707675B - 无线电信号的检测、无线电信号的异常检测方法及装置 - Google Patents
无线电信号的检测、无线电信号的异常检测方法及装置 Download PDFInfo
- Publication number
- CN116707675B CN116707675B CN202310968933.9A CN202310968933A CN116707675B CN 116707675 B CN116707675 B CN 116707675B CN 202310968933 A CN202310968933 A CN 202310968933A CN 116707675 B CN116707675 B CN 116707675B
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- detection
- radio
- preset
- 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 69
- 230000005856 abnormality Effects 0.000 title abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 163
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种无线电信号的检测、无线电信号的异常检测方法及装置,所述方法包括:在待检测的带宽范围内采集多个无线电信号后,确定每个所述无线电信号的功率谱密度集合;将每个所述功率谱密度集合转换成检测序列,并组合多个所述检测序列得到二维的信号矩阵;从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,所述检测结果包括:信号数量、信号集合和信号宽度。本发明在利用软件无线电采集无线电信号后,确定无线电信号的功率谱密度集合,将功率谱密度集合转换成检测序列,然后组合多个检测序列得到二维的信号矩阵后,对信号矩阵进行聚合分类得到检测结果,以消除噪声的影响,提升检测的精度。
Description
技术领域
本发明涉及无线电信号处理的技术领域,尤其涉及一种无线电信号的检测、无线电信号的异常检测方法及装置。
背景技术
现有无线电监测设备的无线电频谱可以作为无线电信息传播的载体,在多个领域起着不可替代的重要作用。随着无线通信设备数量成指数形势的增加,无线电信号的数量也快速增加。在建立通信前会对带宽范围内各个无线的无线电信号进行监测和识别,避免连接非法广播站和伪基站。
在带宽范围内检测各个未知的无线设备的无线电信号,目前常用的方法是能量检测方法,通过检测特定区域内的信号能量变化确定能量的数量,再根据能量的数量确定区域内信号的数量,以及基于能量的大小确定信号的带宽等。
现有的技术有如下技术问题:在实际应用环境中,受环境影响后可能出现各种不同的噪声,在检测时误判噪声为信号的能量,进而导致检测的能量数量与实际有偏差,检测的信号带宽也有偏差,检测的精度较低。
发明内容
本发明提出一种无线电信号的检测、无线电信号的异常检测方法及装置,所述方法在利用软件无线电采集无线电信号后,确定无线电信号的功率谱密度集合并转换成检测序列,组合多个检测序列得到二维的信号矩阵后,对信号矩阵进行聚合分类得到区域内无线电信号的数量,消除噪声的影响,提升检测的精度。
本发明实施例的第一方面提供了一种无线电信号的检测方法,所述方法包括:
在待检测的带宽范围内采集多个无线电信号后,确定每个所述无线电信号的功率谱密度集合;
将每个所述功率谱密度集合转换成检测序列,并组合多个所述检测序列得到二维的信号矩阵;
从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,所述检测结果包括:信号数量、信号集合和信号宽度。
在第一方面的一种可能的实现方式中,确定所述功率谱密度集合的操作包括:
利用信号加窗方法对所述无线电信号进行加窗处理,得到采样信号数组;
对所述采样信号数组进行傅里叶变换得到变换信号,并对所述变换信号进行归一化处理得到处理信号;
将所述处理信号转换为预设位数的字节并进行移位调整得到功率谱密度集合。
在第一方面的一种可能的实现方式中,所述将每个所述功率谱密度集合转换成检测序列,包括:
利用所述功率谱密度集合计算检测门限值,所述检测门限值是根据所述功率谱密度集合对应的噪声方差值计算得到;
根据所述功率谱密度集合的频率能量值与所述检测门限值的比较结果,将所述功率谱密度集合的每个信号点转换成对应的序列值并排列,得到检测序列。
在第一方面的一种可能的实现方式中,计算所述噪声方差值,包括:
获取所述功率谱密度集合的矢量数组并进行均值滤波,得到滤波数组;
利用预设的滑动窗口显示所述滤波数组后,在所述预设的滑动窗口内筛选多个极大值点并组成集合得到峰值点集合,其中,所述多个极值点相邻之间的值点之差的绝对值大于预设阈值;
根据所述峰值点集合的峰值点在所述预设的滑动窗口进行遍历,筛选得到多个大于预设功率值的信号点,并将所述多个大于预设功率值的信号点组成带宽集合,所述带宽集合是每个信号的峰值组成集合;
利用所述带宽集合计算所述无线电信号的噪声方差值。
在第一方面的一种可能的实现方式中,在所述利用所述带宽集合计算所述无线电信号的噪声方差值的步骤后,所述方法还包括:
利用所述噪声方差值计算信噪比估计值;
根据所述信噪比估计值确定所述无线电信号的信号强度。
在第一方面的一种可能的实现方式中,在所述将每个所述功率谱密度集合转换成检测序列的步骤后,所述方法还包括:
利用所述检测门限值和预设的虚警率计算检测概率,所述预设的虚警率是利用预设的二元假设模型计算每个所述变换信号的频点的功率值后,利用所述功率值与所述检测门限值计算得到,其中,所述频点的功率值是遵循高斯分布的检测统计量,所述二元假设模型是基于功率谱密度集合建立的子频段二元假设模型;
根据所述检测概率确定所述无线电信号内噪声的数量。
在第一方面的一种可能的实现方式中,所述从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,包括:
对所述信号矩阵的数据进行预处理,在完成预处理后筛选所述信号矩阵内满足预设数值的矩阵元素值,提取所述矩阵元素值在所述信号矩阵内的列索引值和行索引值并组合,得到索引集合;
从所述无线电信号中筛选信号距离在预设的距离阈值内,并且相互间的信号距离小于预设的距离阈值的距离信号点,将多个所述距离信号点连接形成聚类簇集合;
从所述索引集合中筛选满足预设的索引顺序,并且信号距离在预设的距离阈值内的索引信号,将多个所述索引信号集合成与所述聚类簇集合一一对应的分类标签集合;
统计所述分类标签集合和所述聚类簇集合的信号簇数,利用所述信号簇数确定检测结果。
本发明实施例的第二方面提供了一种无线电信号的异常检测方法,所述方法包括:
在基于如上所述的无线信号数量的检测方法获取信号集合后,计算所述信号集合内每个信号节点到预设的预测结果的结果距离;
采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值;
采用所述计算权重值计算异常预测值,当所述异常预测值大于预设预测值时,确定信号异常。
在第二方面的一种可能的实现方式中,所述采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值的步骤后,所述方法还包括:
利用非线性函数对所述计算权重值进行权重映射,得到映射权重值;
采用所述映射权重值计算总权重值,并计算所述映射权重值与所述总权重值的比值,得到权重比值;
若所述权重比值大于所述计算权重值对应的权重阈值,采用所述权重比值与预设的权重系数相乘,以相乘的乘积赋值给所述映射权重值并计算权重比值,直到赋值后的映射权重值对应的权重比值小于所述计算权重值对应的权重阈值,则将所述映射权重值赋值给所述计算权重值。
本发明实施例的第三方面提供了一种无线信号的处理装置,所述装置包括:可视化分析与协同感知系统以及多个信号接收设备,所述可视化分析与协同感知系统分别适用于如上所述的无线电信号的检测方法或者如上所述的无线电信号的异常检测方法;
所述可视化分析与协同感知系统分别与每个所述信号接收设备连接,并接收所述信号接收设备采集的无线电信号,对所述无线电信号进行检测。
相比于现有技术,本发明实施例提供的一种无线电信号的检测、无线电信号的异常检测方法及装置,其有益效果在于:本发明在利用软件无线电采集无线电信号后,确定无线电信号的功率谱密度集合,将功率谱密度集合转换成检测序列,然后组合多个检测序列得到二维的信号矩阵后,对信号矩阵进行聚合分类得到检测结果,以消除噪声的影响,提升检测的精度。
附图说明
图1是本发明一实施例提供的一种无线电信号的检测方法的流程示意图;
图2是本发明一实施例提供的功率谱密度集合的示意图;
图3是本发明一实施例提供的检测序列和信号矩阵的示意图;
图4是本发明一实施例提供的滑动窗口的示意图;
图5是本发明一实施例提供的索引集合的示意图;
图6是本发明一实施例提供的聚类前信号点的示意图;
图7是本发明一实施例提供的聚类后信号点的示意图;
图8是本发明一实施例提供的一种无线电信号的异常检测方法的流程示意图;
图9是本发明一实施例提供的一种协同感知系统的结构示意图;
图10是本发明一实施例提供的一种无线电信号的检测装置的结构示意图;
图11是本发明一实施例提供的一种无线电信号的异常检测装置的结构示意图;
图12是本发明一实施例提供的一种无线信号的处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了解决上述问题,下面将通过以下具体的实施例对本申请实施例提供的一种无线电信号的检测方法进行详细介绍和说明。
参照图1,示出了本发明一实施例提供的一种无线电信号的检测方法的流程示意图。
在一实施例中,所述方法适用于软件无线电(Software Defined Radio, SDR)架构的硬件设备,该软件无线电SDR架构设计思想突破了无线通信系统以专用硬件为核心的传统设计模式。这个硬件设备可以搭载一个检测系统,可以通过检测系统的算法进行信号检测,同时硬件设备可以与多个不同信号接收设备、pc终端或其他智能终端通信连接,实现信号传输。
在传统无线电设备及系统中,许多射频处理任务及算法(如:射频部分、上/下变频、滤波及基带处理全部采用模拟方式)通过专用硬件(电子电路)实现,而软件无线电SDR中,低频部分采用数字电路,虽然其射频部分和中频部分仍离不开模拟电路,但是将数字化处理宽带模数变换(A/D)及数模变换(D/A)移到了中频,并尽可能靠近射频部分(也就是天线),以尽早获得模拟信号转换成数字信号。
此外,基于软件无线电SDR的设计思想,使系统硬件结构与功能相对独立,即可以采用一个相对通用、标准、模块化的硬件作为平台,通过软件编程来实现不同的通信功能,并对工作频率、系统带宽、调制方式、信源编码等进行编程控制。基于软件无线电SDR的无线通信设备架构灵活、开放、软硬件结合、体积小巧、价格低廉且兼具多层次协同特性,解决了传统设备价格昂贵、笨重、不灵活等局限性。
在本实施例中,无线及通信功能主要是通过软件实现的,这种方法允许设备更加灵活地处理各种不同的无线通信协议和标准,包括但不限于AM、FM、GSM、LTE、Wi-Fi等。此处,本发明可以说通过SDR实现的无线及通信都是常见的,并且有很多成熟的算法和方法可供选择。
在一实施例中,本发明的无线电框架能够有效兼容USRP、Hack RF、RTL-SDR、SDRPlay、BladeRF等多种SDR硬件设备,能够通过的信号进行FFT变换、滑动平均和窗函数等一系列操作。
具体地,综合SDR硬件计算能力、低成本、可扩展和通用性等多方面因素,本发明可以基于开源无线电软件框架GNU Radio为基础进行构建一个平台。GNU Radio能够同时支持Universal Software Radio Peripheral (USRP) 、USRP、HackRF、RTL-SDR、SDR Play、BladeRF等多种制式软件无线电SDR设备作为信号接收设备,并使用不同制式的全向天线进行信号发射、接收器对信号进行采样和处理,以获取完整的信号信息。同时,GNURadio支持高度可定制开发。在利用该平台执行所述无线电信号的检测方法。
其中,作为示例的,所述无线电信号的检测方法,可以包括:
S11、在待检测的带宽范围内采集多个无线电信号后,确定每个所述无线电信号的功率谱密度集合。
在一实施例中,可以利用上述软件无线电设备采集无线电信号,这个无线电信号可以是用户预先设定的带宽范围内的无线电信号。通过设置特定的带宽范围,可以有针对性地进行信号检测处理。
在获取无线电信号后,可以计算该无线电信号的功率谱密度集合。
其中,作为示例的,步骤S11可以包括以下子步骤:
S111、利用信号加窗方法对所述无线电信号进行加窗处理,得到采样信号数组。
在一实现方式中,可以从软件无线电(Software Defined Radio, SDR)架构的硬件设备中采用获取原始信号m(t)的I\Q正交调制的时域信号数据,得到无线电信号。
在一实施例中,每一次时间间隔采样点数Nsample通常取512,1024,2048,4096,8192。
由S(t)进行一次采样得到离散采样信号S[Nsample]。具体如下式所示:
;
;
;
上式中,S(t)表示信号,a(t)表示信号的幅度,F0表示信号的频率,φ(t)表示信号的相位;I(t)和Q(t)代表两路相位相差90°的信号。
由于无法对无限长的信号进行采样和运算,通常截取有限上的时间片段进行采样。
为防止频谱泄露,减少旁瓣干扰,采用加汉明窗(Hanmming)方法对信号进行处理,得到加窗后的采样信号数组S[Nsample]。
在一实施例中,加汉明窗(Hanmming)方法的公式如下式所示:
;
;
其中:。
S112、对所述采样信号数组进行傅里叶变换得到变换信号,并对所述变换信号进行归一化处理得到处理信号。
对采样信号数组S[Nsample]进行快速傅里叶变换(Fast FourierTransform, FFT)得到变换信号,通过快速傅里叶变换可以将时域I/Q正交调制数据转变为频域数据。
其中,NFFT=Nsample,即一次FFT的点数NFFT与时域采样一包数据采样点数相同。
归一化处理:可以将一次FFT变换后的样本值除以采样率Fs与一次采样NFFT的乘积,实现归一化处理,得到处理信号。
S113、将所述处理信号转换为预设位数的字节并进行移位调整得到功率谱密度集合。
具体地,可以将处理信号转换为dB。该操作具体可以是对数据进行数据变换,转化为以dB的功率数据。
移位调整可以是进行FFT移位调整。具体地,可以将负频率至零频带FFT分量移位至采样中心频点左侧,得到离散的功率谱密度集合,其中:/>。功率谱密度集合由多个功率谱密度组成。
具体可参照图2,示出了本发明一实施例提供的功率谱密度集合的示意图。
完成上述处理后,得到功率谱密度集合的PSD数组可以如图2所示。
需要说明的是,为了减少误差提升数据处理的精度,本发明在待检测的带宽范围内对无线电信号进行多次采样,再分别对每次采样的无线电信号进行处理。
S12、将每个所述功率谱密度集合转换成检测序列,并组合多个所述检测序列得到二维的信号矩阵。
在一实施例中,在确定每个无线电信号对应的功率谱密度集合转换成检测序列,该序列可以是“01010…”形式的序列。将每个无线电信号对应的功率谱密度集合转换成检测序列后,可以将多个序列组合起来,形成一个二维的矩阵,得到信号矩阵。
在一实施例中,可以通过FDED算法将每个功率谱密度集合转换成检测序列。
参照图3,示出了本发明一实施例提供的检测序列和信号矩阵的示意图。
在一实施例中,检测序列和信号矩阵可以如图3所示。
得到检测序列如下:[0,0,0,…,1,1,…,0],组合多个检测序列后得到其二维的信号矩阵FED。
具体地,二维的信号矩阵可以如下式所示:
。
其中,信号矩阵FED的行代表一次采样;信号矩阵FED的一列代表采样信号FFT转换后得到的频域某一频点。
其中,作为示例的,步骤S12可以包括以下子步骤:
S121、利用所述功率谱密度集合计算检测门限值,所述检测门限值是根据所述功率谱密度集合对应的噪声方差值计算得到。
S122、根据所述功率谱密度集合的频率能量值与所述检测门限值的比较结果,将所述功率谱密度集合的每个信号点转换成对应的序列值并排列,得到检测序列。
具体地,可以先计算功率谱密度集合,进而计算得到频域计算门限值,然后判断功率谱密度集合内每个信号点的频率能量值是否大于检测门限值。
如果信号点的频率能量值大于检测门限值,对应的该信号点的序列值为1;反之,如果信号点的频率能量值小于检测门限值,对应的该信号点的序列值为0。
对应地,信号点的频率能量值也可以是其功率值。
根据频域能量检测FDED算法,检测子频带是否存在信号的计算公式可以如下:
;
L1k为序列值,如果大于检测门限值,则为1,小于检测门限值,则为0。
将功率谱密度集合内每个信号点的频率能量值与检测门限值进行比较后,可以得到一系列的序列值,然后将这一系列的序列值按照顺序排序,得到检测序列,具体如图2所示。
其中,检测门限值是根据功率谱密度集合对应的噪声方差值计算得到。
在一实施例中,计算所述噪声方差值的操作可以包括以下子步骤:
S21、获取所述功率谱密度集合的矢量数组并进行均值滤波,得到滤波数组。
S22、利用预设的滑动窗口显示所述滤波数组后,在所述预设的滑动窗口内筛选多个极大值点并组成集合得到峰值点集合,其中,所述多个极值点相邻之间的值点之差的绝对值大于预设阈值。
S23、根据所述峰值点集合的峰值点在所述预设的滑动窗口进行遍历,筛选得到多个大于预设功率值的信号点,并将所述多个大于预设功率值的信号点组成带宽集合,所述带宽集合是每个信号的峰值组成集合。
S24、利用所述带宽集合计算所述无线电信号的噪声方差值。
具体地,获取功率谱密度集合的矢量数组,然后对功率谱密度集合/>的矢量数组进行均值滤波,接着可以设置一个滑动窗口(SlidingWindow)。
参照图4,示出了本发明一实施例提供的滑动窗口的示意图。
如图4所示,可以在滑动窗口处显示均值滤波后的矢量数组,然后依次计算出中滑动窗口内的极大值点,得到给定带宽范围内的各个极大值点的集合。
在所得到的极大值点集合中,当相邻两个极大值点之差的绝对值小于设置的阈值(如:默认阈值取3dB),可以将两个极大值点进行合并,完成上述操作后,将剩余的极大值点组成集合,得到峰值点集合。
在一实施例中,峰值点集合可以如下式所示:
。
根据峰值点集合,在滑动窗口处分别向左侧和右侧遍历,计算得到功率差大于预设功率值(例如大于3dB)的最近一个点,得到每个信号峰值对应的带宽集合。
在一实施例中,带宽集合可以如下式所示:
。
在一具体的实现方式中,用户可以预先设置的带宽滑动窗口(例如,大于1MHz带宽),通过该带宽实现对窗口内信号功率谱密度均值计算,数据存入至峰值点集合和带宽集合/>中。
具体操作如下:
第一步,可以先设置宽带滑动窗口(至少大于1MHz,如/>)并进行宽带信号数组/>初始化:已知/>数组大小为/>和窄带信号峰值对应的带宽集合/>,计算宽带信号时,首先排除窄带信号的影响,将/>数组中所在/>范围内数值进行标记,为-999,得到。
第二步,计算出,当宽带滑动窗口/>中存在数值为-999的节点时,该节点数值和长度不计入至/>均值计算中,即充分过滤宽带信号中叠加窄带信号的情况。
第三步,从进行循环遍历:判断/>且,即第/>个宽带滑动窗口与第/>个平均功率谱密度均值的绝对值是否小于一个设定的阈值/>(如默认设置为2dB)。如果小于阈值/>记录初始值位置存入至/>(默认),依次执行循环;
第四步,当并且/>时,记录宽带信号结尾点坐标;同时将该宽带范围计入至/>集合中,重置/>;
第五步,依次迭代,直到终止循环,最后得到峰值点集合和带宽集合。
在一实施例中,可以按照功率谱密度集合内功率谱密度确定无线电信号在待检测的带宽范围内的各个峰值点并组成集合,在确定各个峰值点在无线电信号包含的各个信号点中筛选可以满足预设信号功率的信号点,最后再组合各个信号点形成带宽集合。然后再利用带宽集合计算无线电信号的噪声方差值。
在一实施例中,可以利用所述带宽集合计算无线电信号在整个频段上的噪声方差估计值。
先计算得到峰值点集合;之后,根据峰值点集合计算出带宽集合/>,该带宽集合/>存储了峰值的带宽范围。
然后可以根据带宽集合,在PSD上取集合的补集来估计整个频段上的噪声。此处,带宽集合/>记录了整个带宽上信号的范围,其补集W为整个带宽上的噪声范围。信噪比SNR(也成为S/N),S即为峰值点集合/>计算得到的信号功率,N为根据W(带宽集合的补集)计算得到的噪声功率。
具体地,由于带宽集合是信号功率点的集合且为功率谱密度集合/>区间的真子集。得到噪声点集合W为功率谱密度集合/>的真子集,且为带宽集合/>的补集,因此,存在以下关系表达式:
;
其中, n=0,1,2,..
计算得到噪声方差值为:
;
需要说明的是,由于无线通信环境的变化性和不确定性,对噪声估计的值并不是常数,需要根据采集周期自适应的调整。
在一可选的实施例中,在计算噪声方差值的步骤后,所述方法还包括:
S31、利用所述噪声方差值计算信噪比估计值。
S32、根据所述信噪比估计值确定所述无线电信号的信号强度。
具体地,在确定噪声方差值后,可以利用噪声方差值计算信噪比估计值,确定无线电信号在每个频段处的信噪比,通过信噪比估计值能够估计计算出给定监测范围内多个窄带和宽带信号,并定期进行自适应SNR估计更新,也可以通过信噪比估计值评估信号强度。
在一实施例中,可以将计算信噪比估计值的算法嵌入到GNURadio流中以实现在SDR-GNU Radio框架下实时自适应对信噪比进行估计,计算信噪比估计值的算法能够对窄带和宽带信号进行有效检测和估计,并定时更新保障信噪比的及时性和准确性。
在一实现方式中,可以利用噪声方差值计算每个频段处的信噪比估计值。
具体地,信噪比估计值如下式所示:
。
通过信噪比估计值能够有效检测出所处环境信号强弱,能够有效判断检测信号是否为弱信号,对于微弱信号检测非常用帮助。例如,若信号的信噪比估计值大于预设值,说明信号是强信号,反之,则说明信号是弱信号。
在本实施例中,在计算得到噪声方差值后,可以利用噪声方差值计算检测门限值。
其中,检测门限值的操作可以如下:
首先,可以预先建立功率谱密度的子频段二元假设模型,在一实施例中,子频段二元假设模型可以如下式所示:
;
;
;
;
。
其中:0≤i≤M-1,代表针对特定频段的M次采样;1≤k≤N,N为一次快速傅里叶变换FFT的大小,k为代表FFT变换的第k个子信道;Xi(k)代表第k个信号子频点;PSDi(k)为第i次采样FFT变换后得到功率谱密度中第k个频点的功率值。
计算每个变换信号(FFT)频点的功率值,以此作为检测统计量,计算可以如下式所示:
;
其中:T`(k)为每一路采样信号的检测统计量。
由于本发明采集多个无线电信号,根据中心极限定理,当信号采集获得大量样本时,频域能量检测中的检测统计量可被假定为遵循高斯分布。因此,可以得到以下表述:
;
其中:H0(k)为第k个频点信号不存在的假设,H1(k)为第k个频点信号存在假设。
计算每个子信道的虚警率,以第/>个频点的虚警率为例,虚警率/>公式如下:
;
;
;
再用虚警率和噪声方差值计算检测门限值,检测门限值可以如下式所示:
;
需要说明的是,上式中,M为采集的信号数量。一般来说,M的取值存在越大,检测性能越好,计算结果出现偏差的概率越低。反之,若M的取值存在越小,检测性能越差,计算结果出现偏差的概率越高。
在又一可选的实施例中,在步骤S12后,所述方法还包括以下步骤:
S41、利用所述检测门限值和预设的虚警率计算检测概率,所述预设的虚警率是利用预设的二元假设模型计算每个所述变换信号的频点的功率值后,利用所述功率值与所述检测门限值计算得到,其中,所述频点的功率值是遵循高斯分布的检测统计量,所述二元假设模型是基于功率谱密度集合建立的子频段二元假设模型。
具体地,检测门限值和虚警率可以参数上述实施例的公式计算得到。
其中,可以计算每个子信道的检测概率,以第/>个频点的检测概率/>为例,检测概率的计算如下式所示:
;
;
。
S42、根据所述检测概率确定所述无线电信号内噪声的数量。
在计算检测概率后,可以根据检测概率确定无线电信号内噪声的数量。
参照图2,例如,该检测概率对应第一个检测序列“000000010011…000”,假设位数有500个,数值为1的数量为50个,该检测概率对应等于50/500=0.1。
同理,在知道检测概率后,可以统计检测序列的位数或数量,假设检测概率为0.5。对应的检测序列的数量为1000,则噪声数量为1000*0.5=500。
S13、从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,所述检测结果包括:信号数量、信号集合和信号宽度。
在一实施例中,提取的索引集合可以是信号矩阵内对应数值的位置索引,通过统计索引,可以确定符合要求的信号,从而能将其聚类在一起。
在本实施例中,本发明通过FFT将时域I\Q正交调制的时域信号数据转化为频域,得到功率谱密度集合,将监测带宽上的功率谱密度集合/>划分为多个子频段进行检测,从而形成每个子信道的变化情况。
在此基础上,再通过算法进行聚类,计算判断出信道上存在多少个未知信号源及是否为宽带信号。与匹配滤波算法、能量检测算法、循环平稳特征检测算法相比,本发明可以实现如下功能:计算检测带宽范围内信号个数;计算频带占用率,并判断信号是否为宽带信号;能够判断是否存在信号,以及是否存在多个异常信号。
可选地,可以通过DBSCAN算法对二维的信号矩阵FED进行聚类,计算判断出信道上存在多少个未知信号源及是否为宽带信号。
在其中一种的实施例中,步骤S13可以包括以下子步骤:
S131、对所述信号矩阵的数据进行预处理,在完成预处理后筛选所述信号矩阵内满足预设数值的矩阵元素值,提取所述矩阵元素值在所述信号矩阵内的列索引值和行索引值并组合,得到索引集合。
S132、从所述无线电信号中筛选信号距离在预设的距离阈值内,并且相互间的信号距离小于预设的距离阈值的距离信号点,将多个所述距离信号点连接形成聚类簇集合。
S133、从所述索引集合中筛选满足预设的索引顺序,并且信号距离在预设的距离阈值内的索引信号,将多个所述索引信号集合成与所述聚类簇集合一一对应的分类标签集合。
S134、统计所述分类标签集合和所述聚类簇集合的信号簇数,利用所述信号簇数确定检测结果。
为了方便说明,假设检测序列[0,0,0,…,1,1,…,0],将多个检测序列组合成将二维的信号矩阵FED。
具体地,二维的信号矩阵可以如下式所示:
。
参照图5,示出了本发明一实施例提供的索引集合的示意图。
具体地,先对二维的信号矩阵FED的数据进行预处理,依次遍历二维的信号矩阵FED,如果其元素值为1时,记录该元素在矩阵中的列索引j和行索引k的值,并存至集合X(j,k)中。
例如,如果进行M次采样,每次采样后进行FFT变换、加窗等操作后得到M组PSD数组,经过PSD数组应得到M组[0,0,…,1,1,…,0,0]检测序列,信号矩阵可以表示为:
此时,只获取矩阵FED中元素值为1的列号和行号,将其集合在一起,得到索引集合,如下式所示:
接着对完成预处理的数据进行初始化,初始化具体可以是先设置距离阈值和最小样本数/>;
然后对于每个无线电信号的样本,计算无线电信号中信号点在eps距离范围内的样本数,如果大于或等于,则将该无线电信号样本标记为核心对象;
接着将所有核心对象连接起来,形成聚类簇,再将各个聚类簇集合在一起,形成聚类簇集合X。
如果两个核心对象之间的距离小于eps,则认为它们是密度可达的,属于同一个簇;如果存在样本序列,其中:/>,并且/>在/>为核心对象,半径eps范围内,则样本/>密度可达于样本/>;最终得到与聚类簇集合X元素一一对应的分类标签集合/>,其中,分类标签-1为噪声标签,信号的分类标签为从0至n。
再接着,将未被任何簇包含的样本标记为噪声点,即Labels中标签为-1的元素;
最后可以得到聚类簇集合X和分类标签集合Labels。
参照图6-7,分别示出了本发明一实施例提供的聚类前信号点的示意图和本发明一实施例提供的聚类后信号点的示意图。
在完成聚类后,各个信号点可以聚成一条线,具体可以得到如图6和7所示的线条。
参照图6-7,在一实施例中,聚类后的线共15条,分别对应为不同频段和不同带宽的信号点聚类的线。
其中,以图7为例,图7信号采集中心FFT点数为2048,频率分辨率为7.812KHz,从左至右信号中心频点和带宽如下表所示:
在完成聚类后,可以再评估信号个数、宽度和集合等。
在一实施例中,估计信号个数:通过根据集合X和集合Labels,统计聚类结果中的簇数,即可估计在给定频域范围内存在的信号个数Nsample、信号集合Si及其信号宽度Bi。
具体地,信号个数Nsample的计算公式如下:
。
信号集合Si的计算公式如下:
;
宽度Bi的计算公式如下:
;
上式中,函数对集合进行去重,去除集合中重复元素;/>;/>的检测信号频域分辨率。
在本实施例中,本发明实施例提供了一种无线电信号的检测方法,其有益效果在于:本发明在利用软件无线电采集无线电信号后,确定无线电信号的功率谱密度集合,将功率谱密度集合转换成检测序列,然后组合多个检测序列得到二维的信号矩阵后,对信号矩阵进行聚合分类得到检测结果,以消除噪声的影响,提升检测的精度。
参照图8,示出了本发明一实施例提供的一种无线电信号的异常检测方法的流程示意图。
在一实施例中,为了进一步处理多个信号,可以构建一个协同感知系统,参照图9,示出了本发明一实施例提供的一种协同感知系统的结构示意图。
协同感知系统可以同时与多个上述实施例的SDR-GNU Radio软硬件平台通信连接。具体地,协同感知系统可以通过ZeroMQ和WebSocket两种技术方式与多个以SDR-GNURadio软硬件开发平台建立连接。
在连接后,可以获取上述实施例的SDR-GNURadio软硬件平台采集的信号以及其检测结果,再根据其检测结果进行相应的决策分析。
在一实施例汇总,可以基于反距离加权(Inverse distance weighting, IDW)的改进算法对不同设备的检测结果进行融合,作出最终决策分析。可选地,该分析可以是信号异常分析。
需要说明的是,反距离加权IDW算法是一种在已知算法的离散数据点的情况下进行多源插值的确定性算法。判断结果(未知点的值)是受已知观测点的值和距离影响,距离最近的观测点对判断结果影响最大,同时权重随着与已知观测点的距离增加而减小。在此基础上,对所有已知观测点的值进行加权平均计算得出最终预测结果。
在一实施例中,所述无线电信号的异常检测方法,所述方法包括:
S81、在基于如上述实施例所述的无线信号数量的检测方法获取信号集合后,计算所述信号集合内每个信号节点到预设的预测结果的结果距离。
在一实施例中,根据上述实施例所述的无线信号数量的检测方法获取信号集合Si及其信号宽度Bi,综合多个检测设备进行协同感知。
假设:信号集合Si的检测结果集合,其中/>
对于信号检测设备观测点为/>,其组成的观测点集合为/>,则有如下公式:
;
;
其中:预测结果受相邻的检测节点/>的影响,/>;/>表示第/>个信号/>的第/>个观测点/>的检测值。
表示第/>个信号预测结果/>与第/>个观测点/>的距离/>;
表示第/>个信号预测结果/>与第/>个观测点/>影响的权重。/>
本发明充分考虑通信系统中检测系统设备受频率和环境的影响,产生多径快衰落和慢衰落阴影效应对距离非常敏感。在多检测设备协同感知时,预测结果应充分考虑主设备与多检测设备间距离等因素。
同时,当单一节点的/>权重值过大直接决定了预测这种情况,容易造成较大误差,需要同时考虑多设备协同分析决策。算法通过sigmoid函数对权重进行[0,1]之间映射并进行归一化,同时兼顾多设备协同感知决策影响,具有较好的预测结果和准确率。
计算每个信号节点到预测结果/>的距离/>,具体的计算公式如下:
;
S82、采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值。
使用反距离加权(Inverse Distance Weighting, IDW)算法计算相应节点的计算权重值/>,具体的计算公式如下:
。
S83、采用所述计算权重值计算异常预测值,当所述异常预测值大于预设预测值时,确定信号异常。
具体地,异常预测值的计算公式如下:
。
在一可选的实施例中,当时判定第i个异常信号/>不存在;当Xi>0.5判定第i个异常信号存在
由于距离和手动参数设置可能会出现单一节点的计算权重值/>过大,直接决定了预测结果;为此,需要综合考虑一下其他节点的影响因素,使预测结果不仅仅受单一/>节点的计算权重值/>的影响。其中,在一实施例中,在步骤S32后,所述方法还可以包括:
S91、利用非线性函数对所述计算权重值进行权重映射,得到映射权重值。
S92、采用所述映射权重值计算总权重值,并计算所述映射权重值与所述总权重值的比值,得到权重比值。
S93、若所述权重比值大于所述计算权重值对应的权重阈值,采用所述权重比值与预设的权重系数相乘,以相乘的乘积赋值给所述映射权重值并计算权重比值,直到赋值后的映射权重值对应的权重比值小于所述计算权重值对应的权重阈值,则将所述映射权重值赋值给所述计算权重值。
具体地,可以利用外部影响因子和Sigmoid函数进行映射。
例如,可以设置外部环境影响因子,根据实际外部情况,可以手动对每个节点设置一个外部影响因子,得到相应节点/>的映射权重值/>。默认情况下:/>,即外部无影响。在此基础之上,使用非线性函数(如Sigmoid函数)对权重进行调整。Sigmoid函数可以将权重映射到(0, 1)区间,调整权重分布。
其中,映射权重值可以如下式所示:
;
接着,可以初始化计算权重值的阈值/>,例如设置
采用所述映射权重值计算总权重值,总权重值/>的计算可以如下式所示:
;
再接着可以计算映射权重值与总权重值的比值,得到权重比值。
其中,权重比值可以是对总权重值进行归一化处理得到。
权重比值的计算可以如下式所示:
;
如果存在情况时,采用权重比值与预设的权重系数相乘,以相乘的乘积赋值给映射权重值并计算权重比值。
例如,;
其中:为迭代步长,默认情况下/>。
对于其余j-1个节点,将其赋值为:
;
再利用非线性函数对赋值后的计算权重值进行权重映射,得到新的映射权重值。采用新的映射权重值计算新的总权重值,并计算新的映射权重值与新的总权重值的比值,得到新的权重比值。再将新的权重比值与大对应的权重阈值进行比较,如此重复,直到时跳出循环;
得到归一化节点的计算权重值。以实现权重值调整。
在本实施例中,本发明实施例提供了一种无线电信号的检测方法,其有益效果在于:本发明采集多个信号后,对多个信号进行异常分析处理,能有效提高对特定区域范围内未知信号源的感知与检测的精度。
需要说明的是,本发明的软件无线电SDR设备和GNU Radio软件平台提出了一种自适应信噪比谱估计与FDED-DBSCAN算法,并把算法软件部署安装在SDR-GNU Radio和高精度北斗的无线信号监测装置上,构建对未知信号智能感知系统。在此基础上,又提出了一种协同检测感知算法并搭建协同感知系统,已以实现对特定区域网格化检测,已提供更高准确率的未知信号检测与识别能力。
本发明实施例还提供了一种无线电信号的检测装置,参见图10,示出了本发明一实施例提供的一种无线电信号的检测装置的结构示意图。
其中,作为示例的,所述无线电信号的检测装置可以包括:
确定功率谱密度模块501,用于在待检测的带宽范围内采集多个无线电信号后,确定每个所述无线电信号的功率谱密度集合;
构建信号矩阵模块502,用于将每个所述功率谱密度集合转换成检测序列,并组合多个所述检测序列得到二维的信号矩阵;
信号检测模块503,用于从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,所述检测结果包括:信号数量、信号集合和信号宽度。
可选地,所述确定功率谱密度模块,还用于:
利用信号加窗方法对所述无线电信号进行加窗处理,得到采样信号数组;
对所述采样信号数组进行傅里叶变换得到变换信号,并对所述变换信号进行归一化处理得到处理信号;
将所述处理信号转换为预设位数的字节并进行移位调整得到功率谱密度集合。
可选地,所述建信号矩阵模块,用于:
利用所述功率谱密度集合计算检测门限值,所述检测门限值是根据所述功率谱密度集合对应的噪声方差值计算得到;
根据所述功率谱密度集合的频率能量值与所述检测门限值的比较结果,将所述功率谱密度集合的每个信号点转换成对应的序列值并排列,得到检测序列。
可选地,计算所述噪声方差值,包括:
获取所述功率谱密度集合的矢量数组并进行均值滤波,得到滤波数组;
利用预设的滑动窗口显示所述滤波数组后,在所述预设的滑动窗口内筛选多个极大值点并组成集合得到峰值点集合,其中,所述多个极值点相邻之间的值点之差的绝对值大于预设阈值;
根据所述峰值点集合的峰值点在所述预设的滑动窗口进行遍历,筛选得到多个大于预设功率值的信号点,并将所述多个大于预设功率值的信号点组成带宽集合,所述带宽集合是每个信号的峰值组成集合;
利用所述带宽集合计算所述无线电信号的噪声方差值。
可选地,所述装置还包括:
计算信噪比估计值模块,用于利用所述噪声方差值计算信噪比估计值;
评估信号强度模块,用于根据所述信噪比估计值确定所述无线电信号的信号强度。
可选地,所述装置还包括:
计算检测概率模块,用于利用所述检测门限值和预设的虚警率计算检测概率,所述预设的虚警率是利用预设的二元假设模型计算每个所述变换信号的频点的功率值后,利用所述功率值与所述检测门限值计算得到,其中,所述频点的功率值是遵循高斯分布的检测统计量,所述二元假设模型是基于功率谱密度集合建立的子频段二元假设模型;
确定噪声数量模块,用于根据所述检测概率确定所述无线电信号内噪声的数量。
可选地,所述信号检测模块,还用于:
对所述信号矩阵的数据进行预处理,在完成预处理后筛选所述信号矩阵内满足预设数值的矩阵元素值,提取所述矩阵元素值在所述信号矩阵内的列索引值和行索引值并组合,得到索引集合;
从所述无线电信号中筛选信号距离在预设的距离阈值内,并且相互间的信号距离小于预设的距离阈值的距离信号点,将多个所述距离信号点连接形成聚类簇集合;
从所述索引集合中筛选满足预设的索引顺序,并且信号距离在预设的距离阈值内的索引信号,将多个所述索引信号集合成与所述聚类簇集合一一对应的分类标签集合;
统计所述分类标签集合和所述聚类簇集合的信号簇数,利用所述信号簇数确定检测结果。
本发明实施例还提供了一种无线电信号的异常检测装置,参见图11,示出了本发明一实施例提供的一种无线电信号的异常检测装置的结构示意图。
其中,作为示例的,所述无线电信号的异常检测装置可以包括:
获取与计算模块601,用于在基于如上述实施例所述的无线信号数量的检测方法获取信号集合后,计算所述信号集合内每个信号节点到预设的预测结果的结果距离;
计算权重值模块602,用于采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值;
信号异常模块603,用于采用所述计算权重值计算异常预测值,当所述异常预测值大于预设预测值时,确定信号异常。
可选地,所述装置还包括:
计算映射权重值模块,用于利用非线性函数对所述计算权重值进行权重映射,得到映射权重值;
计算权重比值模块,用于采用所述映射权重值计算总权重值,并计算所述映射权重值与所述总权重值的比值,得到权重比值;
权重赋值模块,用于若所述权重比值大于所述计算权重值对应的权重阈值,采用所述权重比值与预设的权重系数相乘,以相乘的乘积赋值给所述映射权重值并计算权重比值,直到赋值后的映射权重值对应的权重比值小于所述计算权重值对应的权重阈值,则将所述映射权重值赋值给所述计算权重值。
本发明实施例还提供了一种无线信号的处理装置,参见图12,示出了本发明一实施例提供的一种无线信号的处理装置的结构示意图。
其中,作为示例的,所述无线信号的处理装置可以包括:
可视化分析与协同感知系统以及多个信号接收设备,所述可视化分析与协同感知系统分别适用于如上述实施例所述的无线电信号的检测方法或者如上述实施例所述的无线电信号的异常检测方法;
所述可视化分析与协同感知系统分别与每个所述信号接收设备连接,并接收所述信号接收设备采集的无线电信号,对所述无线电信号进行检测。
所属技术领域的技术人员可以清楚地了解到,为方便的描述和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
进一步的,本申请实施例还提供了一种电子设备,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如上述实施例所述的无线电信号的检测方法或者如上述实施例所述的无线电信号的异常检测方法。
进一步的,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行如上述实施例所述的无线电信号的检测方法或者如上述实施例所述的无线电信号的异常检测方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种无线电信号的检测方法,其特征在于,所述方法包括:
在待检测的带宽范围内采集多个无线电信号后,确定每个所述无线电信号的功率谱密度集合;
将每个所述功率谱密度集合转换成检测序列,并组合多个所述检测序列得到二维的信号矩阵;
从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,所述检测结果包括:信号数量、信号集合和信号宽度;
所述将每个所述功率谱密度集合转换成检测序列,包括:
利用所述功率谱密度集合计算检测门限值,所述检测门限值是根据所述功率谱密度集合对应的噪声方差值计算得到;
根据所述功率谱密度集合的频率能量值与所述检测门限值的比较结果,将所述功率谱密度集合的每个信号点转换成对应的序列值并排列,得到检测序列;
所述从所述信号矩阵提取索引集合并对所述索引集合进行聚合分类,得到检测结果,包括:
对所述信号矩阵的数据进行预处理,在完成预处理后筛选所述信号矩阵内满足预设数值的矩阵元素值,提取所述矩阵元素值在所述信号矩阵内的列索引值和行索引值并组合,得到索引集合;
从所述无线电信号中筛选信号距离在预设的距离阈值内,并且相互间的信号距离小于预设的距离阈值的距离信号点,将多个所述距离信号点连接形成聚类簇集合;
从所述索引集合中筛选满足预设的索引顺序,并且信号距离在预设的距离阈值内的索引信号,将多个所述索引信号集合成与所述聚类簇集合一一对应的分类标签集合;
统计所述分类标签集合和所述聚类簇集合的信号簇数,利用所述信号簇数确定检测结果。
2.根据权利要求1所述的无线电信号的检测方法,其特征在于,确定所述功率谱密度集合的操作包括:
利用信号加窗方法对所述无线电信号进行加窗处理,得到采样信号数组;
对所述采样信号数组进行傅里叶变换得到变换信号,并对所述变换信号进行归一化处理得到处理信号;
将所述处理信号转换为预设位数的字节并进行移位调整得到功率谱密度集合。
3.根据权利要求1所述的无线电信号的检测方法,其特征在于,计算所述噪声方差值,包括:
获取所述功率谱密度集合的矢量数组并进行均值滤波,得到滤波数组;
利用预设的滑动窗口显示所述滤波数组后,在所述预设的滑动窗口内筛选多个极大值点并组成集合得到峰值点集合,其中,所述多个极大值点相邻之间的值点之差的绝对值大于预设阈值;
根据所述峰值点集合的峰值点在所述预设的滑动窗口进行遍历,筛选得到多个大于预设功率值的信号点,并将所述多个大于预设功率值的信号点组成带宽集合,所述带宽集合是每个信号的峰值组成集合;
利用所述带宽集合计算所述无线电信号的噪声方差值。
4.根据权利要求3所述的无线电信号的检测方法,其特征在于,在所述利用所述带宽集合计算所述无线电信号的噪声方差值的步骤后,所述方法还包括:
利用所述噪声方差值计算信噪比估计值;
根据所述信噪比估计值确定所述无线电信号的信号强度。
5.根据权利要求2所述的无线电信号的检测方法,其特征在于,在所述将每个所述功率谱密度集合转换成检测序列的步骤后,所述方法还包括:
利用所述检测门限值和预设的虚警率计算检测概率,所述预设的虚警率是利用预设的二元假设模型计算每个所述变换信号的频点的功率值后,利用所述功率值与所述检测门限值计算得到,其中,所述频点的功率值是遵循高斯分布的检测统计量,所述二元假设模型是基于功率谱密度集合建立的子频段二元假设模型;
根据所述检测概率确定所述无线电信号内噪声的数量。
6.一种无线电信号的异常检测方法,其特征在于,所述方法包括:
在基于如权利要求1-5任意一项所述的无线电信号的检测方法获取信号集合后,计算所述信号集合内每个信号节点到预设的预测结果的距离,得到结果距离;
采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值;
采用所述计算权重值计算异常预测值,当所述异常预测值大于预设预测值时,确定信号异常。
7.根据权利要求6所述的无线电信号的异常检测方法,其特征在于,所述采用反距离加权算法和所述结果距离计算每个信号节点的计算权重值的步骤后,所述方法还包括:
利用非线性函数对所述计算权重值进行权重映射,得到映射权重值;
采用所述映射权重值计算总权重值,并计算所述映射权重值与所述总权重值的比值,得到权重比值;
若所述权重比值大于所述计算权重值对应的权重阈值,采用所述权重比值与预设的权重系数相乘,以相乘的乘积赋值给所述映射权重值并计算权重比值,直到赋值后的映射权重值对应的权重比值小于所述计算权重值对应的权重阈值,则将所述映射权重值赋值给所述计算权重值。
8.一种无线信号的处理装置,其特征在于,所述装置包括:可视化分析与协同感知系统以及多个信号接收设备,所述可视化分析与协同感知系统分别适用于如权利要求1-5任意一项所述的无线电信号的检测方法或者如权利要求6-7任意一项所述的无线电信号的异常检测方法;
所述可视化分析与协同感知系统分别与每个所述信号接收设备连接,并接收所述信号接收设备采集的无线电信号,对所述无线电信号进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968933.9A CN116707675B (zh) | 2023-08-03 | 2023-08-03 | 无线电信号的检测、无线电信号的异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968933.9A CN116707675B (zh) | 2023-08-03 | 2023-08-03 | 无线电信号的检测、无线电信号的异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707675A CN116707675A (zh) | 2023-09-05 |
CN116707675B true CN116707675B (zh) | 2023-11-03 |
Family
ID=87839540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968933.9A Active CN116707675B (zh) | 2023-08-03 | 2023-08-03 | 无线电信号的检测、无线电信号的异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763621B (zh) * | 2024-02-22 | 2024-06-04 | 国网河南省电力公司经济技术研究院 | 一种基于联邦学习的能源大数据安全保护方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330361A (zh) * | 2016-11-07 | 2017-01-11 | 桂林电子科技大学 | 基于图连通性分析的弱信号检测方法 |
CN110288025A (zh) * | 2019-06-25 | 2019-09-27 | 广东工业大学 | 基于信息几何与谱聚类的频谱感知方法、装置及设备 |
CN114374450A (zh) * | 2021-12-24 | 2022-04-19 | 宁波大学 | 一种基于过采样的最大特征值检测器 |
CN115902391A (zh) * | 2022-10-21 | 2023-04-04 | 湖南艾科诺维科技有限公司 | 基于形态学滤波和特征值分解的动态门限信号检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023080852A (ja) * | 2021-11-30 | 2023-06-09 | 日本電気株式会社 | 学習データ生成システム、学習システム、学習データ生成方法、学習方法、及びプログラム |
-
2023
- 2023-08-03 CN CN202310968933.9A patent/CN116707675B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330361A (zh) * | 2016-11-07 | 2017-01-11 | 桂林电子科技大学 | 基于图连通性分析的弱信号检测方法 |
CN110288025A (zh) * | 2019-06-25 | 2019-09-27 | 广东工业大学 | 基于信息几何与谱聚类的频谱感知方法、装置及设备 |
CN114374450A (zh) * | 2021-12-24 | 2022-04-19 | 宁波大学 | 一种基于过采样的最大特征值检测器 |
CN115902391A (zh) * | 2022-10-21 | 2023-04-04 | 湖南艾科诺维科技有限公司 | 基于形态学滤波和特征值分解的动态门限信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116707675A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101262288B (zh) | 确定认知无线电(cr)系统的多分辨率频谱感知(mrss)技术的感知阈值的系统与方法 | |
De Vito | A review of wideband spectrum sensing methods for cognitive radios | |
CN109564280A (zh) | 检测运动检测所用的信号调制 | |
CN116707675B (zh) | 无线电信号的检测、无线电信号的异常检测方法及装置 | |
Lehtomäki | Analysis of energy based signal detection | |
US9967117B2 (en) | Cooperative spectrum sensing system using sub-nyquist sampling and method thereof | |
Hamid et al. | Blind spectrum sensing for cognitive radios using discriminant analysis: A novel approach | |
Hamid et al. | Spectrum sensing through spectrum discriminator and maximum minimum eigenvalue detector: A comparative study | |
Nafkha et al. | Cyclostationarity-based versus eigenvalues-based algorithms for spectrum sensing in cognitive radio systems: Experimental evaluation using GNU radio and USRP | |
Aubry et al. | Two-dimensional spectrum sensing for cognitive radar | |
Ming et al. | Intrapulse modulation recognition of radar signals based on statistical tests of the time-frequency curve | |
Ichikawa et al. | Radio environment map construction using Hidden Markov Model in multiple primary user environment | |
Bhatti et al. | Spectrum sensing using principal component analysis | |
CN106250853A (zh) | 基于聚类与粒子群重构星座图的信号识别方法与系统 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
Youssef et al. | Efficient cooperative spectrum detection in cognitive radio systems using wavelet fusion | |
Iwata et al. | Time and frequency varying noise floor estimation for spectrum usage measurement | |
US8532207B2 (en) | Methods and systems for distinguishing a signal of interest from interference signals | |
Zanuz et al. | Identification of IEEE 802.11 g and IEEE 802.15. 4 signals using energy and cyclostationarity detection approach | |
Coulson | Spectrum sensing using hidden Markov modeling | |
Bruno et al. | An edge detection approach to wideband temporal spectrum sensing | |
Datta et al. | Detection Performance Analysis for Wideband Cognitive Radio Network: A Compressive Sensing Approach | |
Coulson | Blind spectrum sensing using Bayesian sequential testing with dynamic update | |
Khalaf | An optimal sinsing algorithm for multiband cognitive radio network | |
CN110830130A (zh) | 一种认知无线电中的统计频谱检测方法 |
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 |