CN111585671A - 电力lte无线专网电磁干扰监测及识别方法 - Google Patents
电力lte无线专网电磁干扰监测及识别方法 Download PDFInfo
- Publication number
- CN111585671A CN111585671A CN202010297105.3A CN202010297105A CN111585671A CN 111585671 A CN111585671 A CN 111585671A CN 202010297105 A CN202010297105 A CN 202010297105A CN 111585671 A CN111585671 A CN 111585671A
- Authority
- CN
- China
- Prior art keywords
- frequency
- interference
- monitoring
- signal
- spectrum
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000003750 conditioning effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000013139 quantization Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
一种电力LTE无线专网电磁干扰监测及识别方法,包括两个过程:频谱监测和干扰识别,频谱监测在高频段采用了扫描外差式频谱监测设计,通过多级变频处理,将输入信号变至较低的中频上,然后在中频段则采用了傅里叶频谱监测设计,对变频到中频的信号进行A/D采样量化,变为数字信号,再利用数字中频技术、傅里叶变换完成频谱监测。干扰源识别过程首先对采集数据进行预处理,特征提取和特征选择后,利用机器学习算法,学习采集信号特征与干扰源之间的关系,得到基于干扰源识别的分类模型,对测试信号提取特征后,采用得到的分类模型,辨识结果。本发明能够针对电力***需要,将电磁频谱将频谱监测和干扰识别功能紧密结合,适用1.8GLTE无线专网。
Description
技术领域
本发明属于无线电频谱检测和干扰分析领域,特别涉及一种电力LTE无线专网电磁干扰监测及识别方法。
背景技术
目前,电力***已经在多个地市开展了基于LTE技术的电力无线专网建设工作,有效支撑了电力业务的通信承载需求,实现终端侧业务的灵活泛在接入,促进了业务的智能化发展,无线通信在电力应用取得一定成果的同时,存在的一些问题也逐步暴露,其中干扰问题对网络的性能影响尤为突出,甚至直接导致电力业务中断,因此,迫切需要对电力***中无线电频谱进行实时监测、对电力无线电专网网络干扰分析、判断和查处。
频率资源是影响电力无线专网的网络性能、建设成本等的重要因素,现在主要采用230MHz离散频段和1.8GHz的连续频段,在基于不同频段的专网***中存在多业务频率资源分配、同频异***共享资源等情况,如何高效使用频率、快速定位干扰是提高电力无线专网服务质量的下一步重点工作,频谱监测是采用技术手段和一定的设备对无线电发射的基本参数和频谱特性参数进行测量,可以实现对数字信号的频谱特性分析;对频段利用率和频带占有度统计测试分析;测试统计指配频率使用情况,以便进行合理、有效地频率指配;并对非法电台和干扰源测向定位进行查处。
电力无线应用场景多、覆盖范围广,缺少智能化的电磁环境综合评估机制,无法为频率资源管理提供决策依据,当前频率分配手段粗放,主要依靠人工经验和业务需求粗略估计进行分配,科学性、自动化、精细化有待提高,且电磁环境评估只能通过手持式仪表进行小范围的扫频,灵活性不足,且实时性不强。
目前专网的频段都是多行业共享使用的频段,相邻频段的信号泄露、重叠等原因会对无线专网的稳定造成干扰,影响业务接入质量,同时,各类非法电台的出现,给电力无线专网的可靠运行带来了更多的隐患,必须寻找可行方法准确判断干扰类型和干扰溯源,进而采取相关措施,以免造成业务大面积掉线,影响电力业务承载质量。
发明内容
本发明所要解决的技术问题是:克服现有技术不足,提供一种能够显著提高识别精度的面向电力LTE无线专网电磁干扰监测及识别方法。
本发明为解决技术问题所采用的技术方案是:
一种电力LTE无线专网电磁干扰监测及识别方法,包括两个过程:频谱监测和干扰识别,具体步骤如下:
步骤1,利用传感器将外界输入的非电压信号转换成电压信号,送给信号调理设备处理;
步骤2,信号调理设备将输入的电压信号进行放大、衰减和滤波,最后将处理过的信号送入频谱分析仪;
步骤3,频谱分析仪对输入的经步骤2处理的信号进行A/D转换,完成测试数据的采集;
步骤4,对步骤3采集的数据进行分析计算、处理,实现干扰源识别,所述干扰源识别过程如下:
步骤4-1,数据预处理:对原始测试数据利用小波变换进行消噪,对原始测试数据进行数据归一化操作,对发射特性曲线进行包络和延拓处理,通过降维操作将高维向量映射到低维空间;
步骤4-2,特征提取:提取采集信号的特征,包括峰值特征、包络特征、谐波特征,采用傅里叶变换对周期性信号和振铃信号进行频域特征提取;采用快速傅里叶变换对离散信号进行频域特征提取;采用短时傅里叶变换对脉冲信号进行频谱特征提取;采用小波变换对非平稳信号进行频域特征提取;
步骤4-3,特征选择;特征选择包括两个内容,第一是选择训练样本的统计特征评估算法对特征进行评估,计算每一个特征对分类效果的贡献值;第二是利用主成分分析算法挑选出部分属性,针对不同的电磁兼容测试对象,选择不同的特征作为辨识对象,从当前的向量属性集合中选择区分能力强的子集,剔除了干扰分类效果的冗余特征或无效特征,形成一个紧凑的特征集;
步骤4-4,学习和训练;利用基于卷积神经网络的深度学习算法,学习采集信号特征与干扰源之间的关系,得到基于干扰源识别的分类模型;
卷积的数学形式如下:
y=f(∑x*wij+b)
式中,x是卷积层输入特征图;y是卷积层输出特征图;wij是二维卷积核;b是偏置项;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
卷积神经网络使用多个过滤器、多个卷积层、多个池化层,最后连接一个全连接层和一个softmax层,最终输出对应输入在每一类输出上的概率分布;
整个网络的输出为
o=f(n-1)(f(n-2)(...f(1)(x)))
式中,x是卷积层输入特征图;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
根据类别属性已知的样本集与其向量取值的对应关系,形成对应模式分类方法的一系列参数;
步骤4-5,分类识别;对测试信号提取特征,采用步骤4-4得到的分类模型对类别属性未知的测试数据集进行干扰源分类,如果测试数据集中的类别属性已知,这个过程就可以用来验证分类器的分类效果,如果分类效果理想,该分类模型就可以运用到实际流量分类中。
进一步的,在步骤1中,所述传感器包括电流探头、电压探头、近场探头以及接收天线;进行传导发射测试时,频谱仪与电源阻抗稳定网络或电流探头相连;当进行辐射发射测试时,频谱仪与接收天线相连;在天线间的耦合度测试中,将车载天线连接到接收机上,并由此来分析天线的耦合度。
进一步的,在步骤2中,信号调理设备包括信号放大器、线性阻抗衰减器、带阻滤波器和高通滤波器。
进一步的,步骤3中,所述频谱分析仪对步骤2中的数据频谱监测过程如下:在高频段采用扫描外差式频谱监测设计,通过多级变频处理,将输入信号变至较低的中频上;在中频段采用傅里叶频谱监测设计,对变频到中频的信号进行A/D采样量化,变为数字信号,再利用数字中频技术、傅里叶变换完成频谱分析。
本发明的积极有益效果是:
1、本发明的频谱监测在高频段和中频分别采用扫描外差式频谱监测设计和傅里叶频谱监测设计,能够发挥了扫描外差式频谱设计测量频率范围宽,傅里叶频谱监测设计频率分辨力强的优势,大大提高了频谱监测的性能。
2、本发明中干扰识别问题转化为机器学习的分类问题,在对采集数据进行数据预处理,特征提取和特征选择后,利用基于卷积神经网络的深度学习算法,学习采集信号特征与干扰源之间的关系,得到基于干扰源识别的分类模型,能够显著提高识别精度。
3、本发明能够针对电力***需要,将电磁频谱将频谱监测和干扰识别功能紧密结合,适用1.8GLTE无线专网。
附图说明
图1是本发明中频谱监测和干扰识别的总体框图;
图2是本发明中扫频外差式频谱监测原理图;
图3是本发明中傅里叶式频谱监测原理图;
图4是本发明中干扰源识别流程图;
图5是本发明实际应用下基于多用户、多任务模式的数据流程图。
具体实施方式
下面结合附图1、图2、图3、图4、图5和具体实施例对本发明的技术方案做进一步的详细说明:
一种电力LTE无线专网电磁干扰监测及识别方法,包括两个过程:频谱监测和干扰识别,具体步骤如下:
步骤1,利用传感器将外界输入的非电压信号转换成电压信号,送给信号调理设备处理;
步骤2,信号调理设备将输入的电压信号进行放大、衰减和滤波,最后将处理过的信号送入频谱分析仪;
步骤3,频谱分析仪对输入的经步骤2处理的信号进行A/D转换,完成测试数据的采集;
步骤4,对步骤3采集的数据进行分析计算、处理,实现干扰源识别,所述干扰源识别过程包括数据预处理、特征提取、特征选择、学习和训练、分类识别。
进一步的,在步骤1中,所述传感器包括电流探头、电压探头、近场探头以及接收天线;进行传导发射测试时,频谱仪与电源阻抗稳定网络或电流探头相连;当进行辐射发射测试时,频谱仪与接收天线相连;在天线间的耦合度测试中,将车载天线连接到接收机上,并由此来分析天线的耦合度。
进一步的,在步骤2中,信号调理设备包括信号放大器、线性阻抗衰减器、带阻滤波器和高通滤波器。
如图1所示,本发明中包括两个基本功能:频谱监测和干扰源识别,频谱分析仪用于频谱监测,机器学习算法用于干扰识别,
本发明中,电磁干扰监测在高频段采用了扫描外差式的设计,通过多级变频处理,将输入信号变至较低的中频上,而在中频段则采用了傅里叶频谱仪设计,对变频到中频的信号进行A/D采样量化,变为数字信号,再利用数字中频技术、FFT变换完成频谱分析。
如图2所示,扫描外差式频谱监测利用自动调谐的方式,通过改变本地振荡器的频率来不断进行混频,得到一个固定的中频,其频率变换的原理与超外差式收音机的变频原理相同,只不过把扫频振荡器用作本振而已。
扫频外差式频谱仪主要有输入通道、混频电路、中频处理电路、检波和视频滤波等组成,本地振荡器信号由扫描发生器控制,当输入一个信号后,就与与本振信号在混频器中进行差频,只有当差频信号的频率在中频滤波器的带宽内,中频放大器才输出正比于输入信号幅度的一个信号,然后经检波、放大后输出在显示器上,这样就可以通过扫描发生器连续调节本振信号的频率来不断选频,从而达到了频谱测量的目的。
傅里叶式频谱监测是基于快速傅里叶变换实现频谱分析,傅里叶式频谱监测的原理框图如图3所示,输入信号经一个低通滤波器滤除测量频带之外的高频分量,然后经过一个ADC对信号进行采样量化,从而将输入信号转变为了数字信号,然后对得到的数字信号进行FFT变换,即可得到输入信号的频谱信息,包括频率、相位、调制等信息。
如图4所示,本发明干扰识别方案是先建立关键设备的模板数据库,然后将受扰设备端的测试结果作为待辨识数据,将其通过干扰源辨识算法和模板库中的数据进行比较,最后辨识出干扰源。
干扰识别过程包括:数据预处理、特征提取、特征选择、学习和训练、分类识别。
数据预处理:本发明的测试结果包含有多种噪声信号,需要进行消噪处理,对原始测试数据利用小波变换进行消噪,对原始测试数据进行数据归一化操作,对发射特性曲线进行包络和延拓处理,通过降维操作将高维向量映射到低维空间;
特征提取:现场电磁兼容测试结果具有数据记录,它已经是数值化的对象,本身就是一种特征;提取采集信号的特征,包括峰值特征、包络特征、谐波特征,采用傅里叶变换对周期性信号和振铃信号进行频域特征提取;采用快速傅里叶变换对离散信号进行频域特征提取;采用短时傅里叶变换对脉冲信号进行频谱特征提取;采用小波变换对非平稳信号进行频域特征提取;
特征选择:特征选择包括两个内容,第一是选择训练样本的统计特征评估算法对特征进行评估,计算每一个特征对分类效果的贡献值;第二是利用主成分分析算法挑选出部分属性,针对不同的电磁兼容测试对象,可以选择不同的特征作为辨识对象,如电台类的对象特征选择峰值特征和谐波特征较为合适,电源类的对象特征更合适选择包络特征;从当前的向量属性集合中选择区分能力强的子集,剔除了干扰分类效果的冗余特征或无效特征,形成一个紧凑的特征集;
学习和训练:利用基于卷积神经网络的深度学习算法,学习采集信号特征与干扰源之间的关系,得到基于干扰源识别的分类模型;
卷积的数学形式如下:
y=f(∑x*wij+b)
式中,x是卷积层输入特征图;y是卷积层输出特征图;wij是二维卷积核;b是偏置项;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
卷积神经网络使用多个过滤器、多个卷积层、多个池化层,最后连接一个全连接层和一个softmax层,最终输出对应输入在每一类输出上的概率分布;
整个网络的输出为
o=f(n-1)(f(n-2)(...f(1)(x)))
式中,x是卷积层输入特征图;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
根据类别属性已知的样本集与其向量取值的对应关系,形成对应模式分类方法的一系列参数;
分类识别:对测试信号提取特征,采用步骤4-4得到的分类模型对类别属性未知的测试数据集进行干扰源分类,如果测试数据集中的类别属性已知,这个过程就可以用来验证分类器的分类效果,如果分类效果理想,该分类模型就可以运用到实际流量分类中。
本发明在实际应用场景中,频谱监测和干扰源定位***采可用B/S架构,每个小组可分为多个小型监测站、移动监测车通过网络和服务器通信,多个小组组成多任务模式,每个小组可以执行不同的任务,监测控制***软件平台支持多个用户操作,在后期扩展用户可以通过手持终端连接到监测控制***,进行测试项的指令下发,可以指定某个小组进行干扰定位测试或者监测频谱等测试,用户也可以直接在内部网络通过浏览器登陆账号进行指令下发,图5描述了本发明基于多用户、多任务模式实际应用下的数据流图。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.一种电力LTE无线专网电磁干扰监测及识别方法,包括两个过程:频谱监测和干扰识别,具体步骤如下:
步骤1,利用传感器将外界输入的非电压信号转换成电压信号,送给信号调理设备处理;
步骤2,信号调理设备将输入的电压信号进行放大、衰减和滤波,最后将处理过的信号送入频谱分析仪;
步骤3,频谱分析仪对输入的经步骤2处理的信号进行A/D转换,完成测试数据的采集;
步骤4,对步骤3采集的数据进行分析计算、处理,实现干扰源识别,所述干扰源识别过程如下:
步骤4-1,数据预处理:对原始测试数据利用小波变换进行消噪,对原始测试数据进行数据归一化操作,对发射特性曲线进行包络和延拓处理,通过降维操作将高维向量映射到低维空间;
步骤4-2,特征提取:提取采集信号的特征,包括峰值特征、包络特征、谐波特征,采用傅里叶变换对周期性信号和振铃信号进行频域特征提取;采用快速傅里叶变换对离散信号进行频域特征提取;采用短时傅里叶变换对脉冲信号进行频谱特征提取;采用小波变换对非平稳信号进行频域特征提取;
步骤4-3,特征选择;特征选择包括两个内容,第一是选择训练样本的统计特征评估算法对特征进行评估,计算每一个特征对分类效果的贡献值;第二是利用主成分分析算法挑选出部分属性,针对不同的电磁兼容测试对象,选择不同的特征作为辨识对象,从当前的向量属性集合中选择区分能力强的子集,剔除了干扰分类效果的冗余特征或无效特征,形成一个紧凑的特征集;
步骤4-4,学习和训练;利用基于卷积神经网络的深度学习算法,学习采集信号特征与干扰源之间的关系,得到基于干扰源识别的分类模型;
卷积的数学形式如下:
y=f(∑x*wij+b)
式中,x是卷积层输入特征图;y是卷积层输出特征图;wij是二维卷积核;b是偏置项;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
卷积神经网络使用多个过滤器、多个卷积层、多个池化层,最后连接一个全连接层和一个softmax层,最终输出对应输入在每一类输出上的概率分布;
整个网络的输出为
o=f(n-1)(f(n-2)(...f(1)(x)))
式中,x是卷积层输入特征图;f(·)是激活函数,如sigmoid函数或tanh函数或ReLU函数;
根据类别属性已知的样本集与其向量取值的对应关系,形成对应模式分类方法的一系列参数;
步骤4-5,分类识别;对测试信号提取特征,采用步骤4-4得到的分类模型对类别属性未知的测试数据集进行干扰源分类,如果测试数据集中的类别属性已知,这个过程就可以用来验证分类器的分类效果,如果分类效果理想,该分类模型就可以运用到实际流量分类中。
2.根据权利要求1所述的电力LTE无线专网电磁干扰监测及识别方法,其特征是:在步骤1中,所述传感器包括电流探头、电压探头、近场探头以及接收天线;进行传导发射测试时,频谱仪与电源阻抗稳定网络或电流探头相连;当进行辐射发射测试时,频谱仪与接收天线相连;在天线间的耦合度测试中,将车载天线连接到接收机上,并由此来分析天线的耦合度。
3.根据权利要求1所述的电力LTE无线专网电磁干扰监测及识别方法,其特征是:在步骤2中,信号调理设备包括信号放大器、线性阻抗衰减器、带阻滤波器和高通滤波器。
4.根据权利要求1所述的电力LTE无线专网电磁干扰监测及识别方法,其特征是:步骤3中,所述频谱分析仪对步骤2中的数据频谱监测过程如下:在高频段采用扫描外差式频谱监测设计,通过多级变频处理,将输入信号变至较低的中频上;在中频段采用傅里叶频谱监测设计,对变频到中频的信号进行A/D采样量化,变为数字信号,再利用数字中频技术、傅里叶变换完成频谱分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297105.3A CN111585671B (zh) | 2020-04-15 | 2020-04-15 | 电力lte无线专网电磁干扰监测及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297105.3A CN111585671B (zh) | 2020-04-15 | 2020-04-15 | 电力lte无线专网电磁干扰监测及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111585671A true CN111585671A (zh) | 2020-08-25 |
CN111585671B CN111585671B (zh) | 2022-06-10 |
Family
ID=72111536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297105.3A Expired - Fee Related CN111585671B (zh) | 2020-04-15 | 2020-04-15 | 电力lte无线专网电磁干扰监测及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585671B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112165365A (zh) * | 2020-09-29 | 2021-01-01 | 封开低频时码授时台 | 一种用于低频时码监测***的无线频谱干扰监测***及方法 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息***健康度评估方法及其评估*** |
CN113114398A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
CN113868483A (zh) * | 2021-12-02 | 2021-12-31 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于联盟链的无线频谱干扰取证分析方法 |
CN114070679A (zh) * | 2021-10-25 | 2022-02-18 | 中国电子科技集团公司第二十九研究所 | 一种面向脉冲智能分类的频相特征分析方法 |
CN114325258A (zh) * | 2021-12-03 | 2022-04-12 | 西南交通大学 | 一种考虑多谐振频率的变压器套管绝缘评估方法 |
CN114839466A (zh) * | 2022-05-24 | 2022-08-02 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
CN115842597A (zh) * | 2023-02-09 | 2023-03-24 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及*** |
CN116056244A (zh) * | 2023-03-07 | 2023-05-02 | 浙江万胜智能科技股份有限公司 | 一种基于远程模块的公网无线通信资源调度方法及*** |
CN116125172A (zh) * | 2022-12-30 | 2023-05-16 | 北京长鹰恒容电磁科技有限公司 | 一种电磁环境数据采集与特征分析方法 |
CN117559673A (zh) * | 2024-01-11 | 2024-02-13 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感***及环网柜 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别***及其方法 |
CN106911603A (zh) * | 2017-03-07 | 2017-06-30 | 北京工业大学 | 一种宽带监测模式下模拟信号调制类型实时识别方法 |
CN108135003A (zh) * | 2017-12-25 | 2018-06-08 | 广东海格怡创科技有限公司 | 干扰类型识别模型的构建方法和*** |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
US20190158176A1 (en) * | 2016-01-18 | 2019-05-23 | Viavi Solutions, Inc. | Method and apparatus for the detection of distortion or corruption of cellular communication signals |
CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类***及方法 |
-
2020
- 2020-04-15 CN CN202010297105.3A patent/CN111585671B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别***及其方法 |
US20190158176A1 (en) * | 2016-01-18 | 2019-05-23 | Viavi Solutions, Inc. | Method and apparatus for the detection of distortion or corruption of cellular communication signals |
CN106911603A (zh) * | 2017-03-07 | 2017-06-30 | 北京工业大学 | 一种宽带监测模式下模拟信号调制类型实时识别方法 |
CN108135003A (zh) * | 2017-12-25 | 2018-06-08 | 广东海格怡创科技有限公司 | 干扰类型识别模型的构建方法和*** |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类***及方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112165365A (zh) * | 2020-09-29 | 2021-01-01 | 封开低频时码授时台 | 一种用于低频时码监测***的无线频谱干扰监测***及方法 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息***健康度评估方法及其评估*** |
CN113114398A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN113114398B (zh) * | 2021-04-14 | 2022-01-28 | 中南大学 | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 |
CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
CN114070679A (zh) * | 2021-10-25 | 2022-02-18 | 中国电子科技集团公司第二十九研究所 | 一种面向脉冲智能分类的频相特征分析方法 |
CN113868483A (zh) * | 2021-12-02 | 2021-12-31 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于联盟链的无线频谱干扰取证分析方法 |
CN113868483B (zh) * | 2021-12-02 | 2022-03-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于联盟链的无线频谱干扰取证分析方法 |
CN114325258A (zh) * | 2021-12-03 | 2022-04-12 | 西南交通大学 | 一种考虑多谐振频率的变压器套管绝缘评估方法 |
CN114325258B (zh) * | 2021-12-03 | 2022-07-19 | 西南交通大学 | 一种考虑多谐振频率的变压器套管绝缘评估方法 |
CN114839466A (zh) * | 2022-05-24 | 2022-08-02 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
CN114839466B (zh) * | 2022-05-24 | 2023-02-28 | 温岭市天泰电气有限公司 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
CN116125172A (zh) * | 2022-12-30 | 2023-05-16 | 北京长鹰恒容电磁科技有限公司 | 一种电磁环境数据采集与特征分析方法 |
CN116125172B (zh) * | 2022-12-30 | 2023-08-11 | 北京长鹰恒容电磁科技有限公司 | 一种电磁环境数据采集与特征分析方法 |
CN115842597A (zh) * | 2023-02-09 | 2023-03-24 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及*** |
CN115842597B (zh) * | 2023-02-09 | 2023-05-02 | 成都华乾科技有限公司 | 一种基于多源数据融合的黑广播检测方法及*** |
CN116056244A (zh) * | 2023-03-07 | 2023-05-02 | 浙江万胜智能科技股份有限公司 | 一种基于远程模块的公网无线通信资源调度方法及*** |
CN116056244B (zh) * | 2023-03-07 | 2023-08-25 | 浙江万胜智能科技股份有限公司 | 一种基于远程模块的公网无线通信资源调度方法及*** |
CN117559673A (zh) * | 2024-01-11 | 2024-02-13 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感***及环网柜 |
CN117559673B (zh) * | 2024-01-11 | 2024-03-26 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感***及环网柜 |
Also Published As
Publication number | Publication date |
---|---|
CN111585671B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585671B (zh) | 电力lte无线专网电磁干扰监测及识别方法 | |
CN102404058B (zh) | 电磁波区分设备、电磁波区分方法以及电磁波区分程序 | |
CN107329932B (zh) | 基于非线性调频分量分解的时频域模态参数辨识方法 | |
CN111428561A (zh) | 一种宽带电磁干扰源识别方法及***、储存介质、设备 | |
CN101334434A (zh) | 利用小波变换提取电磁泄漏信号的电磁环境测试*** | |
CN107085171B (zh) | 一种用于变电站局部放电测向的特高频相控阵的优化布置方法 | |
Bao et al. | A histogram-based segmentation method for wideband spectrum sensing in cognitive radios | |
CN105610525B (zh) | 一种基于子频带匹配选择的宽带压缩频谱感知方法 | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN105203839A (zh) | 一种基于宽带频谱的干扰信号提取方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN115618213A (zh) | 充电机电压扰动分析方法及***、设备、存储介质 | |
CN112688746A (zh) | 一种基于时空数据的频谱预测方法 | |
Huang et al. | FM broadcast monitoring using artificial intelligence | |
Xu et al. | Individual radio transmitter identification based on spurious modulation characteristics of signal envelop | |
CN117169664A (zh) | 一种局放传感器抗干扰***及方法 | |
CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
CN116125178A (zh) | 一种用频设备电磁辐射阻塞效应综合确定方法及*** | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及*** | |
CN113518049B (zh) | 一种基于分数低阶极坐标和深度学习的调制识别方法 | |
CN112488092B (zh) | 基于深度神经网络的导航频段信号类型识别方法及*** | |
Riley et al. | Modelling and measurement of man-made radio noise in the VHF-UHF bands | |
JP2012004612A (ja) | 無線機同定装置 | |
CN111641934A (zh) | 基于车载设备监测数据估计电磁信号态势分布的方法 | |
Le Truong et al. | An Application of Deep Learning YOLOv5 Framework to Intelligent Radio Spectrum Monitoring |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220610 |
|
CF01 | Termination of patent right due to non-payment of annual fee |