CN117335912B - 一种频谱智能感知方法及系统 - Google Patents
一种频谱智能感知方法及系统 Download PDFInfo
- Publication number
- CN117335912B CN117335912B CN202311274940.5A CN202311274940A CN117335912B CN 117335912 B CN117335912 B CN 117335912B CN 202311274940 A CN202311274940 A CN 202311274940A CN 117335912 B CN117335912 B CN 117335912B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- distribution
- characteristic
- traversing
- coordinate
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000013210 evaluation model Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/21—Monitoring; Testing of receivers for calibration; for correcting measurements
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种频谱智能感知方法及系统，涉及频谱感知领域，包括：遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；遍历多个数字孪生传输路径，对发射振幅特征和发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；根据振幅特征变量和相位特征变量，对多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；对多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；遍历多个频谱组合方案，基于分布异常分析算法进行处理，生成的最小值频谱特征对应的接收信号，设为频谱感知结果。解决现有技术频谱信号的分选处理过程较为冗杂，存在处理效率较低的技术问题。
Description
技术领域
本发明涉及频谱感知技术领域，具体涉及一种频谱智能感知方法及系统。
背景技术
频谱感知技术指的是对通信信号进行识别的过程，是保证接收信息准确性的较为重要的步骤。通信基站通过频谱的准确识别，可以更加稳定的实现远程通信。
针对频谱感知技术进行的研究较多，在这之中，结合协同频谱感知和聚类算法的频谱识别方法表现较为突出。但是缺点在于频谱信号的前置预处理较为繁琐，复杂度较高，导致频谱感知效率有待提升。
综上所述，现有技术由于对于频谱信号的分选处理过程较为冗杂，导致计算复杂度高，存在处理效率较低的技术问题。
发明内容
本申请提供了一种频谱智能感知方法及系统，用于针对解决现有技术由于对于频谱信号的分选处理过程较为冗杂，导致计算复杂度高，存在处理效率较低的技术问题。
鉴于上述问题，本申请提供了一种频谱智能感知方法及系统。
本申请的第一个方面，提供了一种频谱智能感知方法，遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；遍历所述多个数字孪生传输路径，对所述发射振幅特征和所述发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数；提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
本申请的第二个方面，提供了一种频谱智能感知系统，和多个频谱感知设备通信连接，任意两个频谱感知设备之间具有预设距离，包括：第一路径构建单元，用于遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；第一数据处理单元，用于遍历所述多个数字孪生传输路径，对所述发射振幅特征和所述发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；第二数据处理单元，用于根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；第三数据处理单元，用于对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；第四数据处理单元，用于遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数；第一执行单元，用于提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
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：
本申请通过数字孪生技术对通讯信号的传输路径进行建模，基于传输路径的环境数据对发射信号的振幅和相位进行变量分析，得到振幅特征变量和相位特征变量；基于振幅和相位对多个频谱感知设备的接收信号进行补偿；再从补偿结果提取出分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。利用频谱损失量拟合接收信号，结合分布异常分析算法提取出分布最优的频谱特征，从而达到了快速分选出理想的频谱信号，为基站进行通信信号的稳定中转提供了保障的技术效果。
附图说明
图1为本申请提供的一种频谱智能感知方法流程示意图；
图2为本申请提供的一种频谱智能感知方法中获取数字孪生传输路径的流程示意图；
图3为本申请提供的一种频谱智能感知系统的结构示意图。
附图标记说明：第一信号获取单元11，第一数据处理单元12，第二数据处理单元13，第三数据处理单元14，第四数据处理单元15，第五数据处理单元16，第一执行单元17。
具体实施方式
本申请通过提供了一种频谱智能感知方法及系统，用于针对解决现有技术由于对于频谱信号的分选处理过程较为冗杂，导致计算复杂度高，存在处理效率较低的技术问题。
实施例一
如图1所示，本申请提供了一种频谱智能感知方法，应用于一频谱智能感知系统，所述系统和多个频谱感知设备通信连接，任意两个频谱感知设备之间具有预设距离，包括步骤：
在一个优选的是实施例中，多个频谱感知设备是基站用于感知频谱信号的设备，任意两个频谱感知设备之间具有预设距离，可以保证两个频谱感知设备的感知数据互相之间具有可参考性，避免具有高度的一致性。
S100：遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；
进一步的，如图2所示，遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径，包括：
遍历所述多个频谱感知设备，获取多个频谱感知位置信息；
基于所述发射端位置信息，遍历所述多个频谱感知位置信息，获取多个直线传输路径；
遍历所述多个直线传输路径，采集障碍物分布特征、电力设施分布特征和气象监测特征；
进一步的，遍历所述多个直线传输路径，采集障碍物分布特征、电力设施分布特征和气象监测特征，包括：
所述障碍物分布特征包括障碍物类型、障碍物高度、障碍物厚度和障碍物宽度；
所述电力设施分布特征包括电力设施类型、电力设施规模和电力设施距离；
所述气象监测特征包括降雨等级、雷电预警等级、温度特征和湿度特征。
基于所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，在所述多个直线传输路径进行仿真，构建所述多个数字孪生传输路径。
在一个优选的实施例中，多个频谱感知位置信息指的是每个频谱感知设备的定位信息，优选的定位信息为GPS定位信息，或北斗定位信息；发射端位置信息指的是根据信息传输服务器所确定的在基站附近预设距离内的任意一个请求通信的发射源的定位信息，其中，信息传输服务器示例地如通信运营商等。将发射端位置信息视为起点传输位置，依次将多个频谱感知位置信息视为终点传输位置，假设通信信号直线传播，得到多个直线传输路径。
进一步，依次对多个直线传输路径的障碍物类型、障碍物高度、障碍物厚度、障碍物宽度和障碍物分布位置进行统计，设为障碍物分布特征；依次对多个直线传输路径的电力设施类型、电力设施规模和电力设施距离进行统计，设为电力设施分布特征；依次对多个直线传输路径的天气预报中的监测的降雨等级、雷电预警等级、温度特征和湿度特征进行统计，设为气象监测特征。其中，障碍物类型主要指的是山峦、森林等；电力设施主要指的是发电站、电视塔等具有较强电磁干扰的电力设备。
基于所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，在所述多个直线传输路径进行仿真，构建所述多个数字孪生传输路径，将障碍物分布特征、所述电力设施分布特征和所述气象监测特征，依据在多个直线传输路径进行仿真分布，得到多个数字孪生传输路径。
数字孪生技术可通过量化现实中的实体，用以对实体各种状态进行动态分析，从而为实际的研究提供可靠的参考数据。此处通过数字孪生技术，结合多个直线传输路径对所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征进行仿真，为后步准确的信号传输变量分析奠定技术基础。
S200：遍历所述多个数字孪生传输路径，对发射振幅特征和发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；
进一步的，遍历所述多个数字孪生传输路径，对所述发射振幅特征和所述发射相位特征进行变量分析，生成振幅特征变量和相位特征变量，包括：
基于所述发射振幅特征，遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入振幅衰减评估模型，获取所述振幅特征变量；
基于所述发射相位特征遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入相位变异评估模型，获取所述相位特征变量；
其中，所述振幅衰减评估模型和所述相位变异评估模型为长短时记忆神经网络模型。
在一个优选的实施例中，在频谱信号传输过程，频率和波长较为稳定，容易受到影响的主要是振幅特征和相位特征，因此仅对振幅特征和相位特征进行变量分析。振幅特征变量指的是不同的传输路径会对频谱信号振幅造成的影响程度量化数据；相位特征变量不同的传输路径会对频谱信号相位造成的影响程度量化数据。
具体的，变量分析算法优选的如下：
采集多组：发射振幅记录值，障碍物分布特征记录值、电力设施分布特征记录值、气象监测特征记录值、接收振幅记录值；根据发射振幅记录值和接收振幅记录值进行变量标识，得到振幅变量标识；以障碍物分布特征记录值、电力设施分布特征记录值、气象监测特征记录值为输入数据，以振幅变量标识为输出标识，基于长短时记忆神经网络模型进行有监督训练，得到振幅衰减评估模型。
采集多组：发射相位记录值，障碍物分布特征记录值、电力设施分布特征记录值、气象监测特征记录值、接收相位记录值；根据发射相位记录值和接收相位记录值进行相位变量标识，得到相位变量标识；以障碍物分布特征记录值、电力设施分布特征记录值、气象监测特征记录值为输入数据，以相位变量标识为输出标识，基于长短时记忆神经网络模型进行有监督训练，得到相位变异评估模型。
优选的，记录值均为历史的频谱信息监测记录数据，振幅变量指的是发射和接收的振幅变化向量，向量的方向表征正负号，大小表征变化量；相位变量指的是发射和接收的相位变化向量，向量的方向表征正负号，大小表征变化量。
优选的，振幅衰减评估模型或相位变异评估模型的训练过程中，以输出标识验证长短时记忆神经网络模型的输出准确性，即以输出标识和长短时记忆神经网络模型的输出计算偏差，偏差越大，则准确性越低。当连续设定次数的训练的输出偏差均小于或等于输出偏差阈值，则视为得到振幅衰减评估模型或相位变异评估模型。
进一步，依次提取每个数字孪生传输路径的障碍物分布特征、电力设施分布特征和气象监测特征，输入振幅衰减评估模型，输出振幅特征变量；依次提取每个数字孪生传输路径的障碍物分布特征、电力设施分布特征和气象监测特征，输入相位变异评估模型，输出相位特征变量。
由于振幅和相位变化是具有时序特性的，通过长短时记忆神经网络模型的短时记忆特点，可以很好的拟合基于时序变化的动态量，保证了变量分析的准确性。
S300：根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；
在一个优选的实施例中，由于振幅特征变量和相位特征变量即为变化向量，已知变化的方向和大小，改变振幅特征变量和相位特征变量的向量方向，再与多个频谱感知设备的多组接收信号频谱特征加和，即可得到多组频谱特征补偿结果。多组接收信号频谱特征指的是多个频谱感知设备第一时区接收的多组频谱特征，任意一个频谱特征都至少具有振幅、波长、频率、相位特征。补偿后的频谱特征都假设为发射端的发射频谱特征。
S400：对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；
在一个优选的实施例中，每组频谱特征补偿结果具有多个频谱特征。频谱组合时，每次从每组频谱特征补偿结果中随机提取一个频谱特征进行组合，得到一个频谱组合方案。
假设共有a组，a组中最少的频谱特征数量为b，则最少的组合方案数量为b的a次方，当超过b的a次方后，随机组合连续得到重复频谱组合方案的次数满足设定次数时，则视为枚举完成，将已组合的频谱组合方案添加进多个频谱组合方案。为后步进行频谱特征分选提供基础。
S500：遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数；
S600：提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
在一个优选的实施例中，若频谱特征属于发射端，则对多个接收信号拟合传输变量后，应当趋于一致性，则分布应较为集中，根据此思想对多个频谱组合方案进行分析，确定分布集中程度最大的频谱组合方案；然后再计算分布集中程度最大的频谱组合方案中的每个频谱特征的多个分布异常系数，将分布异常系数最小值频谱特征对应的接收信号，设为频谱感知结果。
结合长短时记忆神经网络评估任意一个发射端较为准确的振幅和相位变化向量，然后对接收信号进行拟合，确定频谱特征补偿数据，再利用分布异常分析算法，提取出分布异常系数最小值频谱特征对应的接收信号，设为频谱感知结果，处理效率较高，且计算冗杂度较低。
进一步的，遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数，包括：
遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，计算多个频谱组合方案分布密度均值；
优选的，遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，计算多个频谱组合方案分布密度均值，包括：
以振幅特征为横坐标轴，以相位为纵坐标轴，构建频谱信号分布坐标系；
将所述多个频谱组合方案的第一频谱组合方案，在所述频谱信号分布坐标系中进行分布，获取特征点分布坐标；
遍历所述特征点分布坐标，基于分布异常分析算法进行处理，获取多个第一方案特征点分布密度；
进一步的，遍历所述特征点分布坐标，基于分布异常分析算法进行处理，获取多个第一方案特征点分布密度，包括：
获取所述特征点分布坐标的第一特征点坐标，自近而远筛选K邻域特征点，生成第一邻域坐标集，其中，所述第一邻域坐标集为K个；
获取第一反向邻域坐标集，其中，所述第一特征点坐标为所述第一反向邻域坐标集的任意一个坐标的所述K邻域特征点；
构建第一分布密度计算函数：
其中，ρ1表征第一分布密度，d1j表征第一特征点坐标和第一邻域坐标集的第j个坐标的欧氏距离，d1l表征第一特征点坐标和第一反向邻域坐标集的第l个坐标的欧氏距离，M表征第一反向邻域坐标集的坐标数量；
将所述第一分布密度添加进所述多个第一方案特征点分布密度。
对所述多个第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值。
从所述多个频谱组合方案分布密度均值的最大值的频谱组合方案中，提取多个特征点分布密度；
基于分布密度均值最大值，遍历所述多个特征点分布密度求比，生成所述多个分布异常系数。
在一个优选的实施例中，多个频谱组合方案分布密度均值指的是表征频谱组合方案内部频谱特征分布集中程度的参数。从多个频谱组合方案分布密度均值的最大值的频谱组合方案中，提取多个特征点分布密度；进一步，使用多个特征点分布密度对应的分布密度均值，即前述的分布密度均值最大值，依次比上多个特征点分布密度，设为多个分布异常系数。通过分布异常系数可以表征频谱组合方案中的每个特征点的分布离散程度。分布异常系数越大，则分布离散程度越大，则和期望识别的频谱特征越远。
基于分布异常分析算法对多个频谱组合方案进行处理，确定多个频谱组合方案分布密度均值的过程如下：
以所述多个频谱组合方案的第一频谱组合方案做示例性地说明：以振幅特征为横坐标轴，以相位为纵坐标轴，构建对频谱特征进行定位的频谱信号分布坐标系。将所述多个频谱组合方案的第一频谱组合方案，在所述频谱信号分布坐标系中进行分布，获取第一频谱组合方案的多个频谱特征的特征点分布坐标；遍历所述特征点分布坐标，基于分布异常分析算法进行计算，得到表征每个频谱特征分布密度的多个第一方案特征点分布密度；对所述多个第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值。
遍历所述特征点分布坐标，基于分布异常分析算法进行计算，得到表征每个频谱特征分布密度的多个第一方案特征点分布密度的具体过程如下：
获取特征点分布坐标的第一特征点坐标，自近而远筛选K邻域特征点，生成第一邻域坐标集，其中，第一邻域坐标集为K个，K为用户自定义的参数。获取第一反向邻域坐标集，其中，所述第一特征点坐标为所述第一反向邻域坐标集的任意一个坐标的所述K邻域特征点。构建第一分布密度计算函数：其中，ρ1表征第一分布密度，d1j表征第一特征点坐标和第一邻域坐标集的第j个坐标的欧氏距离，d1l表征第一特征点坐标和第一反向邻域坐标集的第l个坐标的欧氏距离，M表征第一反向邻域坐标集的坐标数量；将所述第一分布密度添加进所述多个第一方案特征点分布密度；使用相同方式计算其他特征点分布密度，然后对频谱组合方案中的全部的第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值。
综上所述，本申请实施例至少具有如下技术效果：
1、本申请通过数字孪生技术对通讯信号的传输路径进行建模，基于传输路径的环境数据对发射信号的振幅和相位进行变量分析，得到振幅特征变量和相位特征变量；基于振幅和相位对多个频谱感知设备的接收信号进行补偿；再从补偿结果提取出分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。利用频谱损失量拟合接收信号，结合分布异常分析算法提取出分布最优的频谱特征，从而达到了快速分选出理想的频谱信号，为基站进行通信信号的稳定中转提供了保障的技术效果。
2、结合长短时记忆神经网络评估任意一个发射端较为准确的振幅和相位变化向量，然后对接收信号进行拟合，确定频谱特征补偿数据，再利用分布异常分析算法，提取出分布异常系数最小值频谱特征对应的接收信号，设为频谱感知结果，处理效率较高，且计算冗杂度较低。
实施例二
基于与前述实施例中一种频谱智能感知方法相同的发明构思，如图3所示，本申请提供了一种频谱智能感知系统，和多个频谱感知设备通信连接，任意两个频谱感知设备之间具有预设距离，包括：
第一路径构建单元11，用于遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；
第一数据处理单元12，用于遍历所述多个数字孪生传输路径，对所述发射振幅特征和所述发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；
第二数据处理单元13，用于根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；
第三数据处理单元14，用于对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；
第四数据处理单元15，用于遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数；
第一执行单元16，用于提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
进一步的，所述第一路径构建单元11执行步骤包括：
遍历所述多个频谱感知设备，获取多个频谱感知位置信息；
基于所述发射端位置信息，遍历所述多个频谱感知位置信息，获取多个直线传输路径；
遍历所述多个直线传输路径，采集障碍物分布特征、电力设施分布特征和气象监测特征；
基于所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，在所述多个直线传输路径进行仿真，构建所述多个数字孪生传输路径。
进一步的，所述第一路径构建单元11执行步骤包括：
所述障碍物分布特征包括障碍物类型、障碍物高度、障碍物厚度和障碍物宽度；
所述电力设施分布特征包括电力设施类型、电力设施规模和电力设施距离；
所述气象监测特征包括降雨等级、雷电预警等级、温度特征和湿度特征。
进一步的，第一数据处理单元12执行步骤包括：
基于所述发射振幅特征，遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入振幅衰减评估模型，获取所述振幅特征变量；
基于所述发射相位特征遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入相位变异评估模型，获取所述相位特征变量；
其中，所述振幅衰减评估模型和所述相位变异评估模型为长短时记忆神经网络模型。
进一步的，所述第四数据处理单元15执行步骤包括：
遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，计算多个频谱组合方案分布密度均值；
从所述多个频谱组合方案分布密度均值的最大值的频谱组合方案中，提取多个特征点分布密度；
基于分布密度均值最大值，遍历所述多个特征点分布密度求比，生成所述多个分布异常系数。
进一步的，所述第四数据处理单元15执行步骤包括：
以振幅特征为横坐标轴，以相位为纵坐标轴，构建频谱信号分布坐标系；
将所述多个频谱组合方案的第一频谱组合方案，在所述频谱信号分布坐标系中进行分布，获取特征点分布坐标；
遍历所述特征点分布坐标，基于分布异常分析算法进行处理，获取多个第一方案特征点分布密度；
对所述多个第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值。
进一步的，所述第四数据处理单元15执行步骤包括：
获取所述特征点分布坐标的第一特征点坐标，自近而远筛选K邻域特征点，生成第一邻域坐标集，其中，所述第一邻域坐标集为K个；
获取第一反向邻域坐标集，其中，所述第一特征点坐标为所述第一反向邻域坐标集的任意一个坐标的所述K邻域特征点；
构建第一分布密度计算函数：
其中，ρ1表征第一分布密度，d1j表征第一特征点坐标和第一邻域坐标集的第j个坐标的欧氏距离，d1l表征第一特征点坐标和第一反向邻域坐标集的第l个坐标的欧氏距离，M表征第一反向邻域坐标集的坐标数量；
将所述第一分布密度添加进所述多个第一方案特征点分布密度。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种频谱智能感知方法，其特征在于，应用于一频谱智能感知系统，所述系统和多个频谱感知设备通信连接，任意两个频谱感知设备之间具有预设距离，包括：
遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；
遍历所述多个数字孪生传输路径，对发射振幅特征和发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；
根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；
对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；
遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数，包括：
遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，计算多个频谱组合方案分布密度均值，包括：
以振幅特征为横坐标轴，以相位特征为纵坐标轴，构建频谱信号分布坐标系；
将所述多个频谱组合方案的第一频谱组合方案，在所述频谱信号分布坐标系中进行分布，获取特征点分布坐标；
遍历所述特征点分布坐标，基于分布异常分析算法进行处理，获取多个第一方案特征点分布密度，包括：
获取所述特征点分布坐标的第一特征点坐标，自近而远筛选邻域特征点，生成第一邻域坐标集，其中，所述第一邻域坐标集为K个；
获取第一反向邻域坐标集，其中，所述第一特征点坐标为所述第一反向邻域坐标集的任意一个坐标的所述邻域特征点；
构建第一分布密度计算函数：
其中，ρ1表征第一分布密度，d1j表征第一特征点坐标和第一邻域坐标集的第j个坐标的欧氏距离，d1l表征第一特征点坐标和第一反向邻域坐标集的第l个坐标的欧氏距离，M表征第一反向邻域坐标集的坐标数量；
将所述第一分布密度添加进所述多个第一方案特征点分布密度；
对所述多个第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值；
从所述多个频谱组合方案分布密度均值的最大值的频谱组合方案中，提取多个特征点分布密度；
基于分布密度均值最大值，遍历所述多个特征点分布密度求比，生成所述多个分布异常系数；
提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
2.如权利要求1所述的方法，其特征在于，遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径，包括：
遍历所述多个频谱感知设备，获取多个频谱感知位置信息；
基于所述发射端位置信息，遍历所述多个频谱感知位置信息，获取多个直线传输路径；
遍历所述多个直线传输路径，采集障碍物分布特征、电力设施分布特征和气象监测特征；
基于所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，在所述多个直线传输路径进行仿真，构建所述多个数字孪生传输路径。
3.如权利要求2所述的方法，其特征在于，遍历所述多个直线传输路径，采集障碍物分布特征、电力设施分布特征和气象监测特征，包括：
所述障碍物分布特征包括障碍物类型、障碍物高度、障碍物厚度和障碍物宽度；
所述电力设施分布特征包括电力设施类型、电力设施规模和电力设施距离；
所述气象监测特征包括降雨等级、雷电预警等级、温度特征和湿度特征。
4.如权利要求2所述的方法，其特征在于，遍历所述多个数字孪生传输路径，对所述发射振幅特征和所述发射相位特征进行变量分析，生成振幅特征变量和相位特征变量，包括：
基于所述发射振幅特征，遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入振幅衰减评估模型，获取所述振幅特征变量；
基于所述发射相位特征遍历所述多个数字孪生传输路径，依次提取所述障碍物分布特征、所述电力设施分布特征和所述气象监测特征，输入相位变异评估模型，获取所述相位特征变量；
其中，所述振幅衰减评估模型和所述相位变异评估模型为长短时记忆神经网络模型。
5.一种频谱智能感知系统，其特征在于，和多个频谱感知设备通信连接，任意两个频谱感知设备之间具有预设距离，包括：
第一路径构建单元，用于遍历多个频谱感知设备，基于发射端位置信息，构建多个数字孪生传输路径；
第一数据处理单元，用于遍历所述多个数字孪生传输路径，对发射振幅特征和发射相位特征进行变量分析，生成振幅特征变量和相位特征变量；
第二数据处理单元，用于根据所述振幅特征变量和所述相位特征变量，对所述多个频谱感知设备的多组接收信号频谱特征进行补偿，生成多组频谱特征补偿结果；
第三数据处理单元，用于对所述多组频谱特征补偿结果进行频谱枚举组合，构建多个频谱组合方案；
第四数据处理单元，用于遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，生成多个分布异常系数，包括：
遍历所述多个频谱组合方案，基于分布异常分析算法进行处理，计算多个频谱组合方案分布密度均值，包括：
以振幅特征为横坐标轴，以相位特征为纵坐标轴，构建频谱信号分布坐标系；
将所述多个频谱组合方案的第一频谱组合方案，在所述频谱信号分布坐标系中进行分布，获取特征点分布坐标；
遍历所述特征点分布坐标，基于分布异常分析算法进行处理，获取多个第一方案特征点分布密度，包括：
获取所述特征点分布坐标的第一特征点坐标，自近而远筛选邻域特征点，生成第一邻域坐标集，其中，所述第一邻域坐标集为K个；
获取第一反向邻域坐标集，其中，所述第一特征点坐标为所述第一反向邻域坐标集的任意一个坐标的所述邻域特征点；
构建第一分布密度计算函数：
其中，ρ1表征第一分布密度，d1j表征第一特征点坐标和第一邻域坐标集的第j个坐标的欧氏距离，d1l表征第一特征点坐标和第一反向邻域坐标集的第l个坐标的欧氏距离，M表征第一反向邻域坐标集的坐标数量；
将所述第一分布密度添加进所述多个第一方案特征点分布密度；
对所述多个第一方案特征点分布密度进行均值处理，生成第一频谱组合方案分布密度均值，添加进所述多个频谱组合方案分布密度均值；
从所述多个频谱组合方案分布密度均值的最大值的频谱组合方案中，提取多个特征点分布密度；
基于分布密度均值最大值，遍历所述多个特征点分布密度求比，生成所述多个分布异常系数；
第一执行单元，用于提取所述多个分布异常系数的最小值频谱特征对应的接收信号，设为频谱感知结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274940.5A CN117335912B (zh) | 2023-09-28 | 2023-09-28 | 一种频谱智能感知方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274940.5A CN117335912B (zh) | 2023-09-28 | 2023-09-28 | 一种频谱智能感知方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117335912A CN117335912A (zh) | 2024-01-02 |
| CN117335912B true CN117335912B (zh) | 2024-04-12 |
Family
ID=89294671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311274940.5A Active CN117335912B (zh) | 2023-09-28 | 2023-09-28 | 一种频谱智能感知方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117335912B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114089033A (zh) * | 2022-01-24 | 2022-02-25 | 天津安力信通讯科技有限公司 | 一种基于频谱分析的异常信号检测方法及系统 |
| CN114997213A (zh) * | 2022-04-29 | 2022-09-02 | 北京邮电大学 | 信号识别方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230188384A1 (en) * | 2020-05-10 | 2023-06-15 | David N. Claffey | Method, apparatus, and system for wireless sensing based on multiple groups of wireless devices |
| CN107968689B (zh) * | 2017-12-06 | 2020-07-31 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
-
2023
- 2023-09-28 CN CN202311274940.5A patent/CN117335912B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114089033A (zh) * | 2022-01-24 | 2022-02-25 | 天津安力信通讯科技有限公司 | 一种基于频谱分析的异常信号检测方法及系统 |
| CN114997213A (zh) * | 2022-04-29 | 2022-09-02 | 北京邮电大学 | 信号识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于神经网络的认知无线电合作频谱感知;薛建伟 等;中国科学院大学学报;20200531;37(3);全文 * |
| 薛建伟 等.基于神经网络的认知无线电合作频谱感知.中国科学院大学学报.2020,37(3),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117335912A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
| CN110636515B (zh) | 电力无线专网的网络规划评估方法 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN113297797A (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN115659284B (zh) | 一种大数据融合平台 | |
| CN110213003A (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
| CN118070680B (zh) | 一种变电站空间建模测距的监测预警方法 | |
| CN114022035B (zh) | 一种城市热岛效应内建筑物碳排放评估方法 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN118013300B (zh) | 一种用于风电机组的短期风电功率预测方法及系统 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN116972820A (zh) | 基于地理空间信息数据测绘的数据采集系统 | |
| CN102087311A (zh) | 一种提高电力互感器测量精度的方法 | |
| CN117335912B (zh) | 一种频谱智能感知方法及系统 | |
| CN116702586A (zh) | 一种基于多空间尺度数值的天气预报方法及系统 | |
| CN113673846B (zh) | 一种电力物联网架构下的需量态势感知方法 | |
| CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
| Guerra-Moreno et al. | On the application of a recurrent neural network for rainfall quantification based on the received signal from microwave links | |
| CN116470975B (zh) | 一种基于svr的自适应传播预测模型的建模方法 |
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 |