CN113572555B - 一种基于零样本学习的黑广播监测方法 - Google Patents
一种基于零样本学习的黑广播监测方法 Download PDFInfo
- Publication number
- CN113572555B CN113572555B CN202110943763.XA CN202110943763A CN113572555B CN 113572555 B CN113572555 B CN 113572555B CN 202110943763 A CN202110943763 A CN 202110943763A CN 113572555 B CN113572555 B CN 113572555B
- Authority
- CN
- China
- Prior art keywords
- attribute
- signal
- legal
- channel
- database
- 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 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 230000010287 polarization Effects 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 31
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 17
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000000691 measurement method Methods 0.000 abstract 2
- 230000007613 environmental effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping 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
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04H—BROADCAST COMMUNICATION
- H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
- H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
-
- 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)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及一种基于零样本学***，可以有效的提高黑广播信号识别的效率和准确率。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种基于零样本学习的黑广播监测方法。
背景技术
无线电监测是维护无线电秩序的重要手段，利用监测设备对无线电进行技术监测，获取无线电信号的特征测量、测向定位、监听、记录，对其特征进行采集、记录、分析是实现无线电频谱秩序管理的重要手段。黑广播即非法广播电台，包括播出未经相关机构批准擅自增加频率的黑电台、私人架设播放违规药品、保健品广告的黑电台。近年来不法分子私自建设调频广播电台的黑广播日益猖獗，黑广播扰乱正常的无线电广播秩序、极易干扰民航通信导航、电磁辐射超标、侵害人民合法权益，极易成为不法分子发布不良信息和进行发动宣传的工具，直接影响国家安全和社会稳定，造成十分恶劣的社会影响，成为近年来广电等相关执法部门治理的重点和难点。
2016年实施的《中华人民共和国无线电管理条例》以及2017年公布的《关于办理扰乱无线电通讯管理秩序等刑事案件适用法律若干问题的解释》中明确要加强对重要行业专用频率的保护与检测并严厉处罚黑广播违法犯罪行为。因此，高效识别发现黑广播对于无线电频谱秩序管理具有重要意义。
零样本学习是机器学习范畴的一类训练场景和解决方法。零样本学习技术最早源自于图像识别领域，现在在多个人工智能子领域均有具体研究和应用。在机器学习领域，经典的监督学习模型需要大量的具有分类标签的样本数据来训练学习器，通过数据的多次迭代，将“经验”固化于学习模型中，从而实现特征空间到分类空间的自动分类。而在现实中，物体的种类服从长尾分布，有大量种类的事物只有很少的样本或者没有采集到样本，零样本学习或属性学习旨在通过学习特征空间到属性空间的映射，通过特定的属性分类方法，从而实现零样本分类。
随着电子通信技术的快速发展，黑广播设备成本不断下降、设备体积不断缩小，可以实现随时开机、灵活隐蔽等性能。现存的人工监控、识别方法需要耗费大量的人工成本和精力，同时依托群众监督举报，专业人员实地复测记录取证具有一定的迟滞性，在实际中往往给不法份子可乘之机。目前，通过技术手段实现黑广播自动发现并报警记录方面有了长足的进步，依靠人工智能方法来发现识别黑广播的技术手段也不断出现。但是，黑广播本身具有模拟、侵占合法广播信号特征，而人工智能中机器学习模型需要大量样本数据来监督训练模型，同时实际测量频道存在信号衰减、测量误差等情况，现有人工智能方法的监控效率和识别准确率有待进一步提高。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于零样本学习的黑广播监测方法，解决现有监测技术效率低、识别准确率有待提升，智能化程度不高的问题。
(二)技术方案
本发明提供如下技术方案：一种基于零样本学习的黑广播监测方法：包括以下步骤：
S1、使用无线电监测设备在特定时刻t对特定监测地点的广播信号进行全频段频谱扫描，生成对应的频道集其中的/>代表具体的某个频道信号。
所述对特定时刻t的广播信号进行实时频谱扫描，时刻t应与数据库中该地域对应的合法频道信号采样时刻一致，若数据库中无该地点或时刻t的记录，则需要通过人工方式在该地点该时刻进行人工合法频道数据录入。
S2、对频道集中的每个频道信号获取其频率特征Ff、带宽特征FW、载噪比特征FR、功率特征FP、极化方式特征FPM、语音属性特征Ftext。
S3、逐个对比数据库中对应的特征记录，根据特征的定义和误差范围判定该信号是否具备合法属性。
其中，频率特征Ff按照设备识别精度和允许的误差范围转换为待判定频道的属性Af，可选的，如设置频率误差范围为合法频道带宽的±5％。具体的转换方法为，若在误差范围内，并与数据库中某合法记录SfDB频率符合，则标记该频道Sf的属性Af＝1，如数据库中无该频道信号记录，则标记监控到的频道Sf的所有属性Ai＝0。
其中，监测到的频道带宽特征FW，按照设备识别精度和允许的误差范围转为带宽特征的属性可选的，如设置带宽误差范围为合法频道带宽的±5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录/>带宽符合，则标记待判定频道Sf的属性/>若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待判定频道Sf的属性/>
其中，监测到的频道载噪比特征FR，按照设备识别精度和允许的误差范围转为载噪比特征的属性可选的，如设置载噪比误差范围为合法频道载噪比的±5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录/>载噪比符合，则标记待判定频道Sf的属性AR＝1，若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待判定频道Sf的属性AR＝0。
其中，监测到的频道功率特征FP，按照设备识别精度和允许的误差范围转为功率特征的属性可选的，如设置功率误差范围为合法频道功率的±5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录/>功率符合，则标记待判定频道Sf的属性/>若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待判定频道Sf的属性/>
其中，监测到的频道极化方式特征FPM，并转为极化方式特征的属性AfPM，具体的转换方法为若与数据库中同频率频道SfPMDB的极化方式相同，则标记待判定频道Sf的属性AfPM＝1，若不相同则标记待判定频道Sf的属性AfPM＝0。
其中，监测到的语音特征Ftext，使用语音识别技术转换为自然语言文本，可选的，如使用深度学习技术(DNN声学建模技术+RNNLM语言建模技术)将记录到的语音转化为文本，可选的，将转化后的文本使用自然语言处理算法如TextRank算法抽取出关键字，具体的转换方法为若在误差范围内，如可选的设置包含5个关键字相同即视为符合与同频率频道SfTextDB的关键字符合，则标记待判定频道Sf的属性若在误差范围内与数据库中合法记录不相符，则标记待判定频道Sf的属性/>
S4、根据距离度量公式，其中距离度量公式应包括欧式距离但不仅限于欧式距离，计算待判定频道信号与数据库中合法频道信号的属性空间分解上的距离。
其中待判定频道在属性空间中距离合法频道的距离可以具体表示为：
其中AfDB代表待判定频道Sf的频率属性数据库记录值，代表待判定频道Sf的带宽属性数据库记录值，/>代表待判定频道Sf的载噪比属性数据库记录值，AfDB代表待判定频道Sf的功率属性数据库记录值，AfPMDB代表待判定信号的极化方式属性数据库记录值，AfTextDB代表待判定信号的语音属性数据库记录值。
根据属性空间内的距离度量结果判定待判定频道的合法性，如果距离度量结果小于距离门限，则该信号为合法信号，反之，如果度量距离合法信号超过距离门限值，则进行报警并取证记录以备人工核查。
S5、合法距离门限为DflegalDB由实际监测中获取存储，优选的DflegalDB可在实际监测中根据设备精度和环境平均水平来制定，可以适当提高方法的鲁棒性，若Df＜DflegalDB则判定该信号合法，若Df＞DflegalDB则报警录音提醒人工复查。
按照上述流程，完成对监测频道集中所有信号/>的逐一判定，在实际使用中可以增加数据库中非法频道的记录，比较待判定频道与非法样本频道在属性空间中的距离，如果距离非法频道近则为非法频道，距离合法频道近则为合法。
与现有技术相比，本发明提供了一种基于零样本学习的黑广播监测方法，具备以下有益效果：
1、本发明通过引入属性的概念，将信号的物理特征获取与属性判定分离，分离判定过程简单、效率高，同时在特征到属性的转换中增加了测量误差和环境实测因素考虑，达到监控自动化的目的同时增加了监控方法的鲁棒性。
2、本发明通过引入属性空间内的合法频道属性分解，度量监测频道与合法频道的属性空间距离，可以快速、准确发现与合法频道存在距离的“零样本黑广播”频道，同时可以通过设置属性空间距离阈值，提高方法对属性识别阶段的容错能力，进一步优化监控识别机制，提高了监控技术的智能化水平。
3、本发明通过引入语音识别技术，可以在特定时刻提取信号中的语音属性，有效发现物理特性伪装成合法频道的黑广播，解决了黑广播监控中的一个技术难点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
图1为本发明所提供的一种基于零样本学习的黑广播监测方法的流程示意图；
图2为本发明所提供的一种基于零样本学习的黑广播监测方法的频道特征空间到属性空间的变换方法示意图；
图3为本发明所提供的一种基于零样本学习的黑广播监测方法的频道特征空间到属性空间的变换流程图；
图4为本发明所提供的一种基于零样本学习的黑广播监测方法中通过距离度量函数判定未知频道与合法频道的属性空间距离示意图。
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。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1-4所示，本发明提供了一种基于零样本学习的黑广播监测方法：
参照图1，为本发明一种基于零样本学习的黑广播监测方法的流程示意图，由图1可知，本发明提供的广播内容监测方法，包括以下步骤：
S1、使用无线电监测设备对特定监测地点在特定时刻t的广播信号进行全频段频谱扫描，生成对应的频道集其中的/>代表具体的某个信号。
本发明的技术方案中，广播内容监测方法可应用于一般的黑广播监测***，一般的黑广播监测***应具备必要的天线和处理装置，具备对所在地点的信号发现、识别，性能测量能力，同时一般的黑广播监测***应具备一般的数据存储和计算能力。
在本发明提供的技术方案中，可以在特定时刻t通过对监测地接收信号进行全频段频谱扫描后，确定需要检测对比的全部频道集其中的/>代表具体的频道信号。本步骤，发现并确定所处地点时刻t的频率列表，作为后续逐个信号的比对基础。
在本发明中，可以通过对时刻t该地点的信号进行人工监听，确定监测地时刻t所有合法频道信号的特征，并使用特征到属性的转换方法自动得到合法频道集中全部信号的属性，对合法频道的特征和属性进行存储。这种人工监听获得合法频道的特征和属性属于本方法的初始化过程。若监控地点在时刻t的合法频道特征和属性为已知条件，则该过程非必须。
S2：对频道集中的每个频道信号获取其频率特征Ff、带宽特征FW、载噪比特征FC、功率特征FP、极化方式特征FPM、语音属性特征Ftext。
在本发明中，通过遍历频道集中的每个信号/>并获取其频率特征Ff、带宽特征FW、载噪比特征FC、功率特征FP、极化方式特征FPM、语音属性特征Ftext作为频道集中频道信号的特征空间。在实际应用中，可以不仅限于使用上述基本特征作为特征空间中的特征表示。
在本发明中，带宽特征FW、载噪比特征FC、功率特征FP、极化方式特征FPM从不同的物理特征角度描述了检测到的频道信号，而语音属性特征Ftext从内容上对待判定频道信号进行了描述。
在本发明中，频率特征Ff、带宽特征FW、载噪比特征FC、功率特征FP、极化方式特征FPM可以通过硬件设备和计算方法快速计算得到，语音属性特征Ftext需要对识别到的频道信号在时刻t进行录音采样，在实际中可以设置采样时间为60s。
S3：对比数据库中是否存在同频率的频道，如果存在则对比数据库中同频率合法频道的同时刻其它特征，根据相应特征的定义和误差范围判定该频道信号特征是否具备合法属性。
参照图2，为本发明一种基于零样本学习的黑广播监测方法的频道信号特征空间到属性空间的变换方法示意图，并参照图3，为本发明频道特征空间到属性空间的变换流程图，具体的特征到属性的转换，包括以下步骤：
S301、在实际测量中将待判定频道的频率特征Ff按照设备精度、环境影响和允许的误差范围转换为频率特征的属性Af，在实际测量中，考虑到设备的探测精度、环境影响和测量误差，可以设置频率误差范围为合法频道带宽的±5％，误差可以结合实际做进一步优化调整，若在误差范围内，将监测到的频道信号的频率与数据库中的合法记录FfDB逐个进行对比，若识别到的信号频道频率存在于数据库中，则标记该频率f频道的属性Af＝1，即待判定信号具备合法频率属性，如数据库中无该频率信号记录，此时频道的基本特征频率非法，该频道必定为非法频道即为黑广播，标记其它所有属性Ai＝0，略去其它特征到属性的转换步骤，直接标记为非法频道。
S302、在实际测量中将待判定频道的带宽特征FW按照设备识别精度、环境影响和允许的误差范围转为带宽特征的属性在实际测量中，考虑到设备的探测精度、环境影响和测量误差，可以设置带宽误差范围为合法频道带宽的±5％，误差可以结合实际做进一步优化调整，具体的转换方法为若在误差范围内，并与数据库中同频率频道记录宽带FWDB符合，则标记该频率f频道的属性/>即待判定频道具备合法频率属性，若在误差范围内与数据库中相同频率频道的带宽不一致，则标记该频道的属性/>即待判定频道不具备合法频率属性。
S303、在实际测量中将待判定频道的载噪比特征FS按照设备识别精度和允许的误差范围转为载噪比特征的属性在实际测量中，考虑到设备的探测精度、环境影响和测量误差，可以设置载噪比误差范围为合法频道载噪比的±5％误差可以结合实际做进一步优化调整，具体的转换方法为若在误差范围内，并与数据库中同频率频道记录载噪比FSDB符合，则标记该频率f频道的属性AR＝1，即待判定频道具备合法载噪比属性，若在误差范围内与数据库中同频率频道的载噪比不一致，则标记该频道的属性AR＝0，即待判定频道不具备合法载噪比属性。
S304、在实际测量中将待判定频道的功率特征FP按照设备识别精度和允许的误差范围转为功率特征的属性在实际测量中，考虑到设备的探测精度、环境影响和测量误差，可以设置功率误差范围为合法频道功率的±5％，误差可以结合实际做进一步优化调整。具体的转换方法为若在误差范围内，并与数据库中同频率频道记录功率FPDB符合，则标记该频率f频道的属性/>即待判定频道具备合法功率属性，若在误差范围内与数据库中同频率频道的功率不一致，则标记该频道的属性/>即待判定频道不具备合法功率属性。
S305、在实际测量中将待判定频道的频道极化方式特征FPM转为极化方式特征的属性具体的转换方法为若与同频率频道的极化方式FPMDB相同，则标记该频道的属性即待判定频道具备合法极化方式属性，若不相同则标记频道的属性/>即待判定频道不具备合法极化方式属性。
S306、在实际测量中通过在特定时刻t的频道内容进行录音采样得到待判定频道的语音特征Ftext，实际中可以设置采样时间为60S，将待判定频道的语音特征Ftext使用语音识别技术转换为自然语言文本，实际中，可以使用深度神经网络模型如：DNN声学建模技术+RNNLM语言建模技术，将记录到的语音转化为文本，同时可选的，将转化后的文本使用自然语言处理算法如：TextRank算法抽取出关键字，将得到待判定频道的关键字与同频率该时刻数据库中合法频道的语音特征关键字进行FtextDB比对，如关键字匹配，则标记该频道的属性即待判定频道具备合法的语音属性，若关键字无法匹配，则标记该频道的属性即待判定频道不具备合法的语音属性。在实际中可选的，此处可增加关键字黑名单，如命中黑名单内词语直接报警记录以备人工核查。
S4、在待判定频道中特征转换为对应的属性后，可参照图3本发明中通过距离函数判定未知频道与合法频道的属性距离示意图计算与合法频道的属性空间距离。
在实际中，通过计算设备根据距离度量公式计算得到待判定频道距离合法频道的属性空间距离，其中可以选用包括欧式距离但不限定于欧式距离来度量待判定频道与合法频道的属性距离。
其中，欧式距离的具体的计算方法可以表示为：
将距离度量结果同数据库中存储的合法距离门限DflegalDB即判定门限值作对比，如果度量距离结果小于距离门限Df≤DflgalDB，则该频道为合法频道，反之，如果度量距离合法频道超过距离门限值Df＞DflgalDB，则报警并取证记录以备人工核查。
其中，DflegalDB可在实际监测中根据设备精度和环境干扰的平均水平来确定，门限值的选取可根据实际情况确定，设备精度、测量误差以及环境因素造成的结果浮动范围可以使用不同时刻的合法频道与自身的属性空间距离多次计算来得出浮动范围的平均值，在实际中，灵活的调节门限距离可以调节方法的鲁棒性和灵敏度，若设置门限距离小，即对频道在属性空间的合规性要求严格，方法的误报率增高鲁棒性降低。若设置门限距离大，即对频道在属性空间的合规性要求宽松，方法的鲁棒性高误报率降低，在实践中可以根据需要调整。
按照上述流程，完成对监测频道集中所有信号/>进行轮询判定，实际中，可以设置程序完成24小时不间断监测或设定特定时刻抽检，在自动化实现节约人力的同时兼具对黑广播的高效、准确、智能识别。
尽管已经示出和描述了本发明实施的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将结合本发明中的附图，对本发明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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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。
Claims (8)
1.一种基于零样本学习的黑广播监测方法，其特征在于：包括以下步骤：
S1、对监测点设备对特定时刻t接收的广播信号进行实时频谱扫描，生成频道集所述步骤1中监测设备对特定时刻t并位于数据库中存在的监测位置上对接收的广播信号进行实时频谱扫描，时刻t应与数据库中该地域对应的合法频道信号采样记录的时刻一致；
S2、对频道集中的每个频道信号获取其频率特征、带宽特征、载噪比特征、功率特征、极化方式特征、语音属性特征；
S3、对待判定信号的特征逐个进行对比数据库中对应的特征记录，根据相应特征的定义和误差范围判定该信号是否具备合法属性，在判断完成后将相应特征进行分析；
S4、根据距离度量公式，计算该频道信号与数据库中合法信号对应属性分解的距离；
S5、根据距离度量结果，如果距离小于距离门限，则该信号为合法信号，反之，如果距离超过距离门限值，则进行报警并取证记录以备人工核查；
所述步骤3中的相应特征包括频率特征，在对比时首先确定频道信号的属性Af是否合法，其合法属性确定方法为对比数据库中是否存在该频率的频道信号，若数据库中存在该频率信号SfDB，则将监控信号频率特征的属性记为“1”，若数据库中不存在该频率的信号则所有属性Afi记为“0”。
2.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括带宽特征，其合法属性确定方法为对比数据库中该频率信号的带宽/>若带宽一致则带宽属性/>记为“1”，若带宽不一致则属性记为“0”。
3.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括载噪比特征，其合法属性Afc确定方法为对比数据库中该频率信号的载噪比若载噪比一致则载噪比属性记为“1”，若载噪比不一致则属性记为“0”。
4.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括功率特征，其合法属性确定方法为对比数据库中该频率信号的功率/>若功率一致则功率属性记为“1”，若功率不一致则属性记为“0”。
5.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括极化方式特征，其合法属性AfPM确定方法为对比数据库中该频率信号的极化方式SfPMDB，若极化方式一致则极化方式属性记为“1”，若极化方式不一致则属性记为“0”。
6.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括语音属性特征，语音特征通过截取时刻t一定时间段T获得，其合法属性AfText确定方法为使用语音识别技术提取音频数据对应的文字文本，通过自然语言处理方法如TextRank方法提取文字文本中的关键字，对比数据库中该频率信号同一时刻t的语音属性SfTextDB，若存在相同的关键字大于特定的阈值属性记为“1”，若不存在相同的关键字则属性记为“0”。
7.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤4中的距离度量公式包括不限于欧式距离，
其中AfDB代表待判定信号的频率属性数据库记录值，代表待判定信号的带宽属性数据库记录值，/>代表待判定信号的载噪比属性数据库记录值，/>代表待判定信号的功率属性数据库记录值，AfPMDB代表待判定信号的极化方式属性数据库记录值，AfTextDB代表待判断信号的语音属性数据库记录值。
8.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤5中的合法距离门限为DflegalDB，DflegalDB可根据实际情况测试合法信号的误差来适当调整确定，若Df＜DflegalDB则判定该频道的信号合法，若Df＞DflegalDB则报警录音提醒人工复查。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943763.XA CN113572555B (zh) | 2021-08-17 | 2021-08-17 | 一种基于零样本学习的黑广播监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943763.XA CN113572555B (zh) | 2021-08-17 | 2021-08-17 | 一种基于零样本学习的黑广播监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113572555A CN113572555A (zh) | 2021-10-29 |
| CN113572555B true CN113572555B (zh) | 2023-11-17 |
Family
ID=78171904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110943763.XA Active CN113572555B (zh) | 2021-08-17 | 2021-08-17 | 一种基于零样本学习的黑广播监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113572555B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103929260A (zh) * | 2014-03-12 | 2014-07-16 | 上海风格信息技术股份有限公司 | 一种无线广播异常频点的分析方法 |
| CN107276707A (zh) * | 2017-06-08 | 2017-10-20 | 国家无线电监测中心 | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 |
| CN110321930A (zh) * | 2019-06-05 | 2019-10-11 | 大连理工大学 | 一种基于循环神经网络的非法广播信号分类方法 |
| CN110943882A (zh) * | 2019-11-12 | 2020-03-31 | 浙江原初数据科技有限公司 | 一种基于联网监测的黑广播实时识别***及其识别方法 |
| CN110995374A (zh) * | 2019-03-29 | 2020-04-10 | 国家无线电监测中心检测中心 | 黑广播信号监测*** |
| CN111461025A (zh) * | 2020-04-02 | 2020-07-28 | 同济大学 | 一种自主进化的零样本学习的信号识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5793961B2 (ja) * | 2010-07-26 | 2015-10-14 | 日本電気株式会社 | 電磁波識別装置、電磁波識別方法及びプログラム |
-
2021
- 2021-08-17 CN CN202110943763.XA patent/CN113572555B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103929260A (zh) * | 2014-03-12 | 2014-07-16 | 上海风格信息技术股份有限公司 | 一种无线广播异常频点的分析方法 |
| CN107276707A (zh) * | 2017-06-08 | 2017-10-20 | 国家无线电监测中心 | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 |
| CN110995374A (zh) * | 2019-03-29 | 2020-04-10 | 国家无线电监测中心检测中心 | 黑广播信号监测*** |
| CN110321930A (zh) * | 2019-06-05 | 2019-10-11 | 大连理工大学 | 一种基于循环神经网络的非法广播信号分类方法 |
| CN110943882A (zh) * | 2019-11-12 | 2020-03-31 | 浙江原初数据科技有限公司 | 一种基于联网监测的黑广播实时识别***及其识别方法 |
| CN111461025A (zh) * | 2020-04-02 | 2020-07-28 | 同济大学 | 一种自主进化的零样本学习的信号识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习的无线电监测方法初探;浙江省宁波市无线电监测站等;《CHINA RADIO》;全文 * |
| 基于贝叶斯判别的非法调频广播电台的识别;林秋海，龙 华;《通信技术》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113572555A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10127915B2 (en) | Managing silence in audio signal identification | |
| CN107276707B (zh) | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 | |
| CN105227572B (zh) | 一种移动平台上基于情景感知的访问控制***及方法 | |
| Liu et al. | A sound monitoring system for prevention of underground pipeline damage caused by construction | |
| CN109672853A (zh) | 基于视频监控的预警方法、装置、设备及计算机存储介质 | |
| Cartwright et al. | SONYC-UST-V2: An urban sound tagging dataset with spatiotemporal context | |
| CN108172230A (zh) | 基于声纹识别模型的声纹注册方法、终端装置及存储介质 | |
| CN110796040A (zh) | 一种基于多元空间轨迹关联的行人身份识别方法 | |
| CN113572555B (zh) | 一种基于零样本学习的黑广播监测方法 | |
| CN116318457B (zh) | 一种无线电信号监测方法及*** | |
| CN104221079A (zh) | 利用频谱特性进行声音分析的改进的梅尔滤波器组结构 | |
| CN104732972A (zh) | 一种基于分组统计的hmm声纹识别签到方法及*** | |
| CN112637834B (zh) | 一种无线通信设备的指纹融合识别方法及装置 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警***及方法 | |
| US9224388B2 (en) | Sound recognition method and system | |
| CN105550702A (zh) | 一种基于svm的gnss欺骗式干扰识别方法 | |
| CN111863025A (zh) | 一种音频来源反取证方法 | |
| CN109995450B (zh) | 一种基于云技术语音识别与智能鉴别“黑广播”方法 | |
| Czúni et al. | Time domain audio features for chainsaw noise detection using WSNs | |
| CN116705063A (zh) | 一种基于流形测度的多模型融合的语音鉴伪识别方法 | |
| Rouniyar et al. | Channel response based multi-feature audio splicing forgery detection and localization | |
| CN112566117B (zh) | 基于度量学习的车辆节点身份识别方法及装置 | |
| Dadula et al. | Neural network classification for detecting abnormal events in a public transport vehicle | |
| CN104134443A (zh) | 对称三进制串表示的语音感知哈希序列构造和认证方法 | |
| CN117150265B (zh) | 一种低信噪比条件下鲁棒的射频信号开集识别方法 |
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 |