CN103812577A - 非正常无线电信号的自动识别***及其方法 - Google Patents

Abstract

本发明公开一种非正常无线电信号类型的自动识别和自学习方法,其特点是通过分析实测无线电信号的频谱数据，结合无线电监测专家的经验知识和特征提取方法，完成对无线电信号的特征提取；在无线电信号的特征空间中，采用聚类分析方法，对实测的扫频式干扰、宽带干扰、窄带干扰、非法插播信号等进行了聚类分析；利用聚类分析结果，该方法可使无线电监测设备具有自动识别非正常无线电信号类型的能力。随着实测无线电信号频谱数据的积累及识别误差的增大，该方法提供了定期对聚类分析结果进行自学习的能力。根据识别结果，结合通信设备，该方法提供了监测设备的自动报警能力。该方法用于无线电监测设备，提高了无线电监测设备的信息处理能力，可实现无线电监测设备的无人值机，减少了监测技术人员的工作量。

Description

非正常无线电信号的自动识别***及其方法

技术领域

本发明涉及到无线电监测领域，更具体涉及到无线电信号检测及非正常无线电信号的自动识别。

背景技术

无线电监测主要针对无线电管理地域内的无线电信号，并对该无线电信号进行分析、识别、监视并获取其技术参数、工作特征和辐射位置等技术信息。非正常无线电信号的发现与识别在无线电监测中占有重要地位，特别是在重大活动期间对非正常无线电信号的监测更为重要。

传统的无线电监测工作是无线电监测人员通过监测设备，配合专业知识和监测人员的实际经验来人工完成的。且主要是通过该信号的频谱图和持续时间来判断。这种识别方式主要有以下几个不足：一方面，不同的工作人员有不同的经验知识，在做决策时存在一定的主观性，直接影响非正常无线电信号的正确识别；同时无线电监测过程中对非正常信号的发现与识别依赖于技术人员，其中大部分工作重复进行，是对人力资源的浪费，且在应急情况下极大的增加了其工作难度和工作量；另一方面，非正常无线电信号的识别遵循一套规范的监测流程，由于现有无线电监测设备的信息处理能力不足，导致非正常无线电信号的识别严重依赖于技术人员，无法实现无线电监测设备的无人执机。

发明内容

本发明的目的在于克服现有技术的不足，提高无线电监测的自动化、智能化水平，提供一种非正常无线电信号的自动识别***及其方法，该识别***实现非正常无线电信号的自动检测，以及非正常无线电信号的自动识别，增强无线电监测的自动化、智能化水平。同时，该识别方法具备对算法参数进行自学习的能力。根据识别结果，结合通信设备，该***具备监测设备的自动报警能力。该方法用于无线电监测***，可提高无线电监测***的信息处理能力，实现无线电监测***的无人执机，有效减轻监测人员的工作难度与工作量。

本发明所述非正常无线电信号是指监测到的非法或干扰信号，包括扫描式干扰、宽带干扰、窄带干扰、非法插播信号等。可疑信号是指***通过初步判断为疑似非正常的无线电信号，但还需要进一步确定的信号。

本发明所述非正常无线电信号自动识别***包括无线电信号监测设备***、无线电信号智能分析***、网络通信***和处理控制器；监测设备***接收空中的电磁波，进行变换处理，产生信号的监测数据，包括：频谱数据，语音数据，方位数据，中频测量数据等；智能分析***通过对监测数据进行一系列智能分析处理，自动识别非正常信号；网络通信***负责***各模块之间，***与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度。其中无线电信号智能分析***，包括无线电非正常信号检测模块、非正常信号特征提取模块、非正常信号识别模块、***自学习模块，以及台站数据库、电磁环境数据库、非正常信号数据库；通过数据接口获得频段扫描数据，采用分段动态自适应阈值算法监测出该频段的所有信号及对应的频点，对信号频点进行中频测量或中频测向获得信号的详细数据，分析处理提取信号的多种特征，将所提取的特征输入非正常信号识别模块，识别出该信号所属的类别；***自学习模块使用非正常信号识别模块产生的数据，定期更新、完善特征提取参数和信号识别算法参数。

本发明所述无线电信号监测设备***包括接收机、频谱测量仪、测向设备、监听设备、控制设备、天馈***，以及通信、电源、防雷接地、环境监控等辅助***；监测接收机通过天馈***接收空中的电磁波，进行变换处理，产生信号的频谱数据，语音数据，方位数据，中频测量数据等，监测接收机通过GPS接收机获得经纬度坐标数据，监测接收机通过环境控制***获得监测站所在的地理环境信息、气候温度等数据信息；本发明所述台站数据库是在该地域的所有申报、批准的无线电用频设备的数据，电磁环境数据库包含该地域所有频段正常情况下的监测数据。

本发明所述非正常无线电信号的自动识别方法的步骤为：首先通过对指定的频段进行频段扫描，进行信号检测；对检测出的信号提取一系列特征并选择具有较好鉴别能力的特征；然后运用改进的FCM算法自动识别信号的类别；根据识别出的信号类型自动报警；对识别出的非正常无线电信号，***进行保存，通过人工确认标定后，进入非正常信号数据库，通过新的数据库自学***不断提高。

本发明采用一种分段自适应阈值确定方法对实测信号进行检测，对监测频段进行一段时间的监测后，获得该实测频段信号频谱数据的平均值                                               

，其中

代表第个

采样点这一段时间的平均能量，。当前这帧频段数据的实时值，其中

代表第个

采样点当前这帧的能量，

，

为频段数据的采样点数。第一步：根据实测频段信号频谱数据的平均值

，进行分段处理，设每段的大小为

个采样点，计算出此段内数据的均值

，其中

为段数，将此段内的数据依次和

比较，若

，则记为信号点，若

，则记为非信号点，其中

，

为设定的阈值，采取此方法找出该频段信号点的下标；第二步：将该频段信号频率的噪声值用其前后非信号频率噪声值的均值代替，例如第2个采样点为信号点，第1个和第3个为非信号点，则第二个采样点的噪声值为

，采用这种方式提取出整个频段的噪声水平，设为

，其中

代表第

个采样点的噪声值，

；第三步：用实时值

和逐个进行比对，令

代表第

个采样点的底噪声阈值，

。若

，则：

，若

，则：，其中、

为设定值，，考虑有信号时的噪声水平要高于无信号时的噪声水平，要求。由于各种监测设备自身也会产生噪声且噪声具有一定的波动性，所以本方法加上一个设定值

，这样才能更好的反映实际情况；第四步：对底噪声阈值

进行平滑滤波处理。根据底噪声阈值找出此频段信号的频率，然后与已经建立的台站数据库进行比对，分析出正常信号和可疑信号，其中可疑信号分为两种：一种是台站数据库中存在该信号，但是能量超出库中保存的最大能量值，另一种是台站数据库中不存在该信号。

将实测信号频谱数据经底噪声阈值滤除后用于无线电信号的特征提取。本发明根据无线电信号的物理特征提出了21个特征分别为：信号估测带宽、信号均值、信号方差、信号最大峰值、信号第二大峰值、信号第三大峰值、信号底噪声水平、信号最大能量、小于底噪声的连续点的个数、小于底噪声的连续点的平均间隔、大于底噪声的连续点的个数、大于底噪声的连续点的平均间隔、信号峰值个数的比率、信号大于底噪声的个数的比率、信号过零率、电平值大于底噪声的频率的方差、归一化瞬时幅度绝对值的均方差、归一化瞬时振幅的峭度、瞬时振幅绝对值的标准差、归一化瞬时振幅均方差与均值之比、信号功率谱对称性。其中信号估测带宽为该信号所占用的带宽，信号均值代表该帧信号的平均水平，信号方差代表该帧信号的波动水平，信号最大峰值代表该帧信号的最大峰值，信号第二大峰值代表该帧信号的第二大峰值，信号第三大峰值代表该帧信号的第三大峰值，信号底噪声水平代表该帧信号噪声值，信号最大能量代表该帧信号最大的能量值，小于底噪声的连续点的个数代表信号滤出噪声后连续零点的个数，小于底噪声的连续点的平均间隔代表信号滤出噪声后连续零点之间的平均间隔，大于底噪声的连续点的个数代表信号滤出噪声后大于零的连续点的个数，大于底噪声的连续点的平均间隔代表信号滤出噪声后大于零的连续点的平均间隔，信号峰值个数的比率代表该帧信号峰值的个数与采样点之间的比率，大于底噪声的个数的比率代表该帧信号大于底噪声阈值的点数与采样点之间的比率，信号过零率代表该帧信号转换成时域信号后过零的比率，电平值大于底噪声的频率的方差代表该帧信号大于底噪声阈值的采样点对应频率的方差，归一化瞬时幅度绝对值的均方差代表该帧信号转换成时域信号后归一化幅度绝对值的均方差，归一化瞬时振幅的峭度代表该帧信号转换成时域信号后归一化瞬时振幅的峭度，瞬时振幅绝对值的标准差代表该帧信号转换成时域信号后瞬时振幅绝对值的标准差，归一化瞬时振幅均方差与均值之比代表该帧信号转换成时域信号后归一化瞬时振幅的均方差与均值的比率，信号功率谱对称性代表该帧信号频谱图的对称性。在实际应用中，并非所有特征对无线电信号的聚类分析都是必要的，本发明采用优化方法提取无线电信号聚类分析的必要特征，如遗传算法、粗糙集属性约简、神经网络等。

无线电信号聚类分析的必要特征构成了识别无线电信号的特征空间。设选出的必要特征为

，其中

代表选出的第

个必要特征，

。本发明采用一种改进的FCM聚类分析方法，在无线电信号的特征空间中对非正常无线电信号进行聚类分析，通过监测信号数据库分别获取扫频式干扰、宽带干扰、窄带干扰、非法插播信号等非正常无线电信号的

个聚类中心

，其中

，

代表第

类非正常无线电信号，代表第

类非正常无线电信号第个聚类中心，

， 

代表第

类非正常无线电信号第

个聚类中心的第

个特征值，。令可疑信号提取的必要特征为，其中

代表可疑信号提取的第

个必要特征，

。通过距离测度

，可以得到无线电信号属于各个类别的各聚类中心的不确定性程度，其中

代表可疑信号与第

类非正常无线电信号第

个聚类中心的距离，

为距离测度，如Euclid距离、Minkowski距离、Hamming距离等。再根据不确定性排序准则，获得无线电信号类型及相关特性。

对于某一确定的地区电磁环境随时间变化，同时实测信号能量与监测设备相关，不同监测设备监测到的同一信号能量不同。本发明考虑了电磁环境和设备状况，提供了对聚类分析结果进行自学习的能力，使识别方法能够与当前的电磁环境保持一致，提高了非正常无线电信号的识别精度，具体方法是，***自动识别的非正常无线电信号自动保存在临时数据库中，检测人员对这些信号做出最终确认后进入最终无线电非正常数据库，***定期采用更新的无线电非正常信号库和当地的监测环境进行特征选择参数自学习和FCM聚类结果自学习，使得***方法能够自适应变化的电磁环境，提高了非正常无线电信号的检测精度和识别率。

本发明主要有如下优点：该实测信号检测方法具有针对不同业务频段的噪声水平，自动调整阈值的功能；该实测信号检测方法具有普适性，即适用于所有的监测设备；该信号识别方法采用模糊聚类分析的方法得到每类非正常无线电信号的多个聚类中心后根据距离测度进行判断可疑信号的类别，这样更符合现实情况；该自学习能力使本发明能够适应各种监测环境，且提高非正常无线电信号的识别精度；根据识别结果，结合无线通信设备，该方法提供了监测设备的自动报警功能，可实现无线电监测设备的无人执机，有效减轻监测人员的工作量，提高监测设备的使用效率。

附图说明

图1 非正常无线电信号自动识别***

图2 无线电信号智能分析***

      图3 非正常无线电信号自动识别整体流程图

图4 分段自适应阈值的提取流程图

图5 可疑信号的检测流程图

图6 信号识别流程图

图7 自学习流程图

图8 自动报警流程图

具体实施方式

如图1所示，非正常无线电信号自动识别***在现有无线电监测设备的基础上扩展了无线电智能分析***，如图2所示，无线电智能分析***通过通信接口调用监测设备***的服务，获取无线电信号的频谱数据、中频数据、方向数据、IQ数据等，通过这些数据智能分析***自动分析数据，准确检测信号、提取信号特征、自动识别信号、通过报警***报警、通过网络***将分析结果上报上级***。监测设备***包括天馈***、环境控制***、监测接收机、GPS接收机、控制处理器和通信接口等。整个***通过网络***与其它***或上级***进行互联通信。

非正常无线电信号自动识别包括信号检测、信号特征提取、信号识别、自动报警几个关键步骤，其整体流程如图3所示，首先对某一频段进行一段时间的扫描，获取该频段的相关数据，通过本发明提供的分段自适应阈值确定法提取该频段的底噪声阈值，详细流程见图4。通过阈值确定法提取出该频段有信号的频率，结合已经建好的台站数据库找出此频段所有的可疑信号，详细流程见图5。然后对可疑信号进行中频测量，提取相应的必要特征后结合监测信号数据库，采用本发明提供的信号识别方法分析出可疑信号的类型，详细流程见图6。最后通过本发明提供的自学习方法，对非正常无线电信号进行学习，得到该类非正常无线电信号新的多个聚类中心，详细流程见图7，同时本发明提供自动报警功能，自动生成警告提示信息发送给相关终端***，这样减轻了监测人员的工作量，详细流程见图8。待所有可疑信号分析完毕，则转入下一个频段扫描或结束此次任务。

图4是分段自适应阈值的提取流程图，其处理过程和发明内容所述基本一致，如下：第一步通过一段时间的频段扫描后记录频段数据的均值谱线

和当前帧频段数据的实时值（如发明内容所述），第二步根据此频段数据的均值谱线进行分段处理从而提取出该频段有信号的频率，第三步根据无线电信号相邻信道的噪声水平被认为是连续的，其差异不大，从而用有信号的频率前后非信号频率的噪声的均值代替其噪声水平，提取出整个频段的底噪声水平

，第四步用频段数据中每个采样点的实时值和对应的底噪声进行比对，根据发明内容所述的方法计算出整个频段的底噪声阈值

，第五步：对底噪声阈值进行平滑滤波。

图5为可疑信号的识别流程图，此过程需要一个已知的台站数据库，其处理过程如下：第一步通过阈值确定法检测出监测频段有信号的频率，若该信道的能量值大于底噪声阈值则认为该频率有信号，否则认为其为底噪声，第二步将有信号的频率和台站数据库进行比对，出现台站数据库中没有记录该频率或者台站数据库中存在该频率，但是能量超出台站数据库中保存的值时都认为该信号为可疑信号。

图6是信号识别流程图，其处理过程如下：第一步对可疑信号进行中频测量，提取信号特征，并用优化方法选出必要特征，第二步用模糊聚类分析法计算出每类非正常无线电信号的

个聚类中心，，再通过距离测度计算该信号到每个聚类中心的距离，选出距离最小的类别，第三步若最小距离小于某一阈值时则可疑信号为该类非正常无线电信号，否则进入第四步：对可疑信号进行进一步分析，结合专家知识判断该可疑信号是否为新的非正常无线电信号，若是则确认其相关信息，若不是则保存数据。

图7为自动学习流程图，随着监测数据和监测时间的积累，信号也在随时间发生变化，本发明提供自学习能力，其处理过程是：第一步通过对可疑信号的识别判断其是否为无非常无线电信号，若不是则结束，若是非正常无线电信号则进入第二步：判断其是否为新的非正常无线电信号，若是则添加至监测信号数据库并提取此类非正常无线电信号的必要特征，得到此类非正常无线电信号的多个聚类中心；若可疑信号是库中已有的某种非正常无线电信号，同样添加至监测信号数据库并提取该非正常无线电信号的必要特征，得到此类非正常无线电信号新的多个聚类中心。

图8为自动报警流程图，当监测设备发现非正常无线电信号时，结合无线通信设备，本发明提供自动报警功能，其处理过程是：第一步接收到非正常无线电信号的相关信息，第二步该识别***自动生成相应的警告提示信息，第三步通过无线通信设备自动将信息发送给相关监测技术人员。

Claims (9)

1.一种非正常无线电信号自动识别***包括：无线电信号监测设备***、无线电信号智能分析***、网络通信***和处理控制器，在所述自动识别***中

监测设备***接收空中的电磁波，进行变换处理，产生信号的监测数据，所述监测数据包括：频谱数据，语音数据，方位数据，中频测量数据等；

智能分析***通过对监测数据进行一系列智能分析处理，自动识别非正常信号；

网络通信***负责***各模块之间，***与外部其它设备之间的通信；

处理控制器负责协调各个模块之间的处理调度；其特征在于：

所述无线电信号智能分析***，包括：无线电非正常信号检测模块、非正常信号特征提取模块、非正常信号识别模块、***自学习模块，以及台站数据库、电磁环境数据库、非正常信号数据库；

其中通过数据接口获得频段扫描数据，采用分段动态自适应阈值算法监测出该频段的所有信号及对应的频点，对信号频点进行中频测量或中频测向获得信号的详细数据，分析处理提取信号的多种特征，将所提取的特征输入非正常信号识别模块，识别出该信号所属的类别；***自学习模块使用非正常信号识别模块产生的数据，定期更新、完善特征提取参数和信号识别算法参数。

2.如权利要求1所述的非正常无线电信号自动识别***，其中所述无线电信号监测设备***包括接收机、频谱测量仪、测向设备、监听设备、控制设备、天馈***，以及通信、电源、防雷接地、环境监控等辅助***。

3.如权利要求2所述的非正常无线电信号自动识别***，其中所述监测接收机通过天馈***接收空中的电磁波，进行变换处理，产生信号的频谱数据，语音数据，方位数据，中频测量数据等；监测接收机通过GPS接收机获得经纬度坐标数据；监测接收机通过环境控制***获得监测站所在的地理环境信息、气候温度等数据信息。

4.如权利要求1所述的非正常无线电信号自动识别***，其中所述台站数据库是在该地域的所有申报、批准的无线电用频设备的数据，电磁环境数据库包含该地域所有频段正常情况下的监测数据。

5.一种非正常无线电信号的自动识别方法，包括如下步骤：

首先通过对指定的频段进行频段扫描，进行信号检测；

对检测出的信号提取一系列特征并选择具有较好鉴别能力的特征；

然后运用改进的FCM聚类分析方法自动识别信号的类别；

根据识别出的信号类型自动报警；

对识别出的非正常无线电信号，***进行保存，通过人工确认标定后，进入非正常信号数据库，通过新的数据库自学习特征选择算法参数和FCM新的聚类中心，使得***具有不断学习的能力。

6.如权利要求1-5所述的非正常无线电信号的自动识别方法，其中采用分段自适应阈值确定方法来进行所述信号检测，所述分段自适应阈值确定方法具体包括：对监测频段进行一段时间的监测后，获得该实测频段信号频谱数据的平均值                                                

，其中

代表第个

采样点这一段时间的平均能量，

；以及当前这帧频段数据的实时值

，其中

代表第个

采样点当前这帧的能量，

，

为频段数据的采样点数；

第一步：根据实测频段信号频谱数据的平均值

，进行分段处理，设每段的大小为

个采样点，计算出此段内数据的均值，其中

为段数，将此段内的数据依次和

比较，若

，则记为信号点，若

，则记为非信号点，其中

，

为设定的阈值，采取此方法找出该频段信号点的下标；

第二步：将该频段信号频率的噪声值用其前后非信号频率噪声值的均值代替，例如第2个采样点为信号点，第1个和第3个为非信号点，则第二个采样点的噪声值为

，采用这种方式提取出整个频段的噪声水平，设为

，其中

代表第

个采样点的噪声值，

；

第三步：用实时值

和

逐个进行比对，令

代表第

个采样点的底噪声阈值，；若

，则：

，若

，则：，其中、

为设定值，

，考虑有信号时的噪声水平要高于无信号时的噪声水平，要求； 

为设定值，其表示各种监测设备自身产生噪声以及噪声的波动性以更好的反映实际情况；

 第四步：对底噪声阈值

进行平滑滤波处理；根据底噪声阈值找出此频段信号的频率，然后与已经建立的台站数据库进行比对，分析出正常信号和可疑信号，其中可疑信号分为两种：一种是台站数据库中存在该信号，但是能量超出库中保存的最大能量值，另一种是台站数据库中不存在该信号。

7.如权利要求1-5所述的非正常无线电信号的自动识别方法，其中将实测信号频谱数据经底噪声阈值滤除后用于无线电信号的特征提取；所提取的特征分别为：信号估测带宽、信号均值、信号方差、信号最大峰值、信号第二大峰值、信号第三大峰值、信号底噪声水平、信号最大能量、小于底噪声的连续点的个数、小于底噪声的连续点的平均间隔、大于底噪声的连续点的个数、大于底噪声的连续点的平均间隔、信号峰值个数的比率、信号大于底噪声的个数的比率、信号过零率、电平值大于底噪声的频率的方差、归一化瞬时幅度绝对值的均方差、归一化瞬时振幅的峭度、瞬时振幅绝对值的标准差、归一化瞬时振幅均方差与均值之比、信号功率谱对称性；采用遗传算法、粗糙集属性约简、神经网络等方法来进行所述特征提取。

8.如权利要求1-5所述的非正常无线电信号的自动识别方法，所述无线电信号的所提取特征构成了识别无线电信号的特征空间，设选出的必要特征为

，其中代表选出的第

个必要特征，

；其中通过所述FCM聚类分析方法，在无线电信号的特征空间中对非正常无线电信号进行聚类分析，具体包括步骤：

通过监测信号数据库分别获取扫频式干扰、宽带干扰、窄带干扰、非法插播信号等非正常无线电信号的

个聚类中心

，其中

，

代表第

类非正常无线电信号，

代表第类非正常无线电信号第

个聚类中心，

， 代表第

类非正常无线电信号第个聚类中心的第

个特征值，

；

令可疑信号提取的必要特征为，其中

代表可疑信号提取的第

个必要特征，

；

通过距离测度

，得到无线电信号属于各个类别的各聚类中心的不确定性程度，其中代表可疑信号与第

类非正常无线电信号第

个聚类中心的距离，

为距离测度；

根据不确定性排序准则，获得无线电信号类型及相关特性。

9.如权利要求1-5所述的非正常无线电信号的自动识别方法，其中***自动识别的非正常无线电信号自动保存在临时数据库中，检测人员对这些信号做出最终确认后进入最终无线电非正常数据库，***定期采用更新的无线电非正常信号库和当地的监测环境进行特征选择参数自学习和FCM聚类结果自学习，使得***方法能够自适应变化的电磁环境，提高了非正常无线电信号的检测精度和识别率。

Images