CN115664906A - 一种tdma信号协议无监督聚类方法及装置 - Google Patents
一种tdma信号协议无监督聚类方法及装置 Download PDFInfo
- Publication number
- CN115664906A CN115664906A CN202211276019.XA CN202211276019A CN115664906A CN 115664906 A CN115664906 A CN 115664906A CN 202211276019 A CN202211276019 A CN 202211276019A CN 115664906 A CN115664906 A CN 115664906A
- Authority
- CN
- China
- Prior art keywords
- signal
- training
- clustering
- tdma
- data
- 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
Images
Classifications
-
- 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
- Time-Division Multiplex Systems (AREA)
Abstract
本发明公开了一种TDMA信号协议无监督聚类方法及装置,该方法包括:获取接收指令;利用所述接收指令接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型,实现基于深度学习的TDMA信号协议无监督聚类。本发明方法通过对信号接收、截断、时频变换,采用基于深度学习的聚类技术,实现对TDMA信号协议的无监督聚类。
Description
技术领域
本发明涉及信号协议无监督聚类领域,尤其涉及一种TDMA信号协议无监督聚类方法及装置。
背景技术
传统协议分析需要在通信协议上逐层进行参数估计,在解决了调制样式识别与解调,交织和扰码参数估计与解交织和解扰、信道解码参数估计与解码的前提下,才能对协议字进行比特流分析。这种分析方法,存在以下缺点:分析周期长、专家依赖性强、算法复杂性较高,难以解决对未知、捷变电磁信号进行实时分析的需求。
发明内容
本发明所要解决的技术问题在于,提供一种TDMA信号协议无监督聚类方法及装置,能够获取接收指令;利用所述接收指令接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型,实现基于深度学习的TDMA信号协议无监督聚类。通过深度学习的方法对信号协议进行快速聚类,可应用于电子信息***中,如用于通信信号处理等,为智能化协议分析奠定技术基础。
为了解决上述技术问题,本发明实施例第一方面公开了一种TDMA信号协议无监督聚类方法,所述方法包括:
S1,获取接收指令;所述接收指令包括工作频段、线增增益参数;
S2,利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
S3,对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
S4,对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;
S5,利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型;
S6,利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集,方法包括:
S41,对所述IQ数据进行测量,得到所述TDMA信号数据集中每个TDMA信号数据的长度值,取最大值为Lmax;
S43,判断l是否等于128,得到判断结果;
当所述判断结果为否时,由0补齐至128,得到形状为[2,128]的第二通信信号数据;
当所述判断结果为是时,直接得到形状为[2,128]的第二通信信号数据;
S44,对所述第二通信信号数据进行WVD时频变换得到形状为[128,128]的时频谱图:
所述WVD时频变换即Wigner-Ville分布,为信号瞬时相关函数的傅立叶变换,反映了信号瞬时时频关系;
S45,利用所述时频谱图构建得到形状为[128,128]的训练数据;
S46,利用所述时频谱图的所属信号协议类型,标注所述时频谱图信号协议类型,得到形状为[128,128]的训练数据标签;
所述信号协议类型包括:业务突发TB、参考突发AB、同步突发RB;
S47,将所述训练数据和所述训练数据标签进行整合,得到所述信号聚类算法训练数据;
S48,对所有所述信号聚类算法训练数据进行融合,得到TDMA信号聚类算法训练集。
作为一种可选的实施方式,在本发明实施例第一方面中,所述TDMA信号聚类算法模型由预训练模块和聚类训练模块组成;利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型,方法包括;
S51,利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器;
所述特征提取编码器,用于对所述TDMA通信信号的频域信息进行特征提取,得到特征表达向量;
S52,利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型;
所述聚类训练模块,对所述特征表达向量进行训练,形成特征库。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,方法包括:
S511,把经WVD预处理后的所述TDMA信号训练数据集输入标准对比学习BYOL网络;
所述对比学习BYOL网络由参数为θ的目标网络和参数为ε在线网络组成;所述在线网络由编码器fθ()、预测器gθ()和映射器qθ()组成,所述目标网络包含编码器fθ()和预测器gθ();
所述预测器用于目标网络和在线网络的结构不对称;
S512,对所述TDMA信号训练数据集利用所述对比学习BYOL网络进行训练,得到特征表达向量;
所述TDMA信号训练数据集分别输入到所述对比学习BYOL网络的在线网络和目标网络,得到qθ(Zθ)和Zε,利用qθ(Zθ)和Zε设计损失函数LB:
式中,qθ(Zθ)为在线网络的输出,qθ()预测器,Zθ为在线网络映射器输出向量,Zε为目标网络输出;
利用LB梯度下降更新在线网络参数θ,目标网络参数ε的更新方法为::
ε←τε+(1-τ)θ
式中,ε为在线网络参数,θ为目标网络参数,τ=0.5为超参数;
S513,利用所述相似函数,对所述特征表达向量的邻接样本数据进行度量,得到所述邻接样本在所述TDMA信号训练数据集中的位置信息;
余弦相似度函数表达式为:
式中,a,b分别是特征向量,C(a,b)是a,b之间的相似度;
S514,将所述位置信息输入编码器进行编码保存,得到所述TDMA信号训练数据集的邻接样本数据信息,将所述在线网络的编码器fθ()保存,得到所述特征提取编码器。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型,方法包括:
S521,将所述特征提取编码器提取的特征输出与所述聚类模块相连接,得到聚类网络Φ();所述聚类模块由全连接层组成;
所述聚类训练模块,对提取的特征参数利用分类模型进行分类处理,得到分类的结果;
S522,将所述TDMA信号训练数据集和所述邻接样本数据信息,输入到所述聚类网络Φ();
S523,对聚类损失函数Lc和概率熵Le进行计算,得到聚类损失函数Lc值和概率熵Le值;
所述聚类损失函数Lc表达式为:
Lc=λLn+La
其中:
式中,Ln为邻接损失,La为分配损失,xi是所述第二通信信号训练数据集X中的元素,nxi是计算所得每个所述第二通信信号训练数据集X的最近邻信息Nx中的元素,Φ()为所述聚类网络,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,λ和γ为超参数,λ用于平衡Ln和La,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;是通过所述聚类网络Φ()训练所述最近邻信息Nx,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;
所述概率熵Le表达式为:
式中,H为熵函数,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X获得分配概率矩阵PN变换为列向量后每一个列向量的元素,j为qi向量中元素下标;
S524,利用所述聚类损失函数Lc和概率熵Le对所述聚类网络Φ()进行迭代训练,得到每一次的训练准确率和标准互信息;
S525,基于所述训练准确率和标准互信息,利用批量梯度下降优化算法对损失函数进行优化,完成TDMA信号聚类算法模型的训练,得到目标信号聚类算法模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述TDMA信号数据集进行处理,得到IQ数据,方法包括:
对所述TDMA信号数据集进行低噪声功率放大、滤波、A/D变换、数字下变频,得到IQ数据;
S31,利用低噪声功率放大器对所述TDMA信号数据集进行低噪声功率放大,得到第一TDMA信号数据集;
S32,利用带通滤波器对所述低噪声TDMA信号数据集进行处理,得到第二TDMA信号数据集;
S33,利用A/D变换器对所述第二TDMA信号数据集进行A/D变换,得到第三TDMA信号数据集;
S34,利用数字下变频器对所述第三TDMA信号数据集进行数字下变频,得到所述IQ数据。
本发明实施例第二方面公开了一种TDMA信号协议无监督聚类装置,装置包括:
指令接收模块,用于获取接收指令;所述接收指令包括工作频段、线增增益参数;
第一处理模块,用于利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
第二处理模块,用于对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
IQ数据预处理模块,用于对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;
无监督聚类算法训练模块,用于利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型;
无监督聚类模块,用于利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。
作为一种可选的实施方式,在本发明实施例第二方面中,所述IQ数据预处理模块对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集:
对所述IQ数据进行测量,得到所述TDMA信号数据集中每个TDMA信号数据的长度值,取最大值为Lmax;
判断l是否等于128,得到判断结果;
当所述判断结果为否时,由0补齐至128,得到形状为[2,128]的第二通信信号数据;
当所述判断结果为是时,直接得到形状为[2,128]的第二通信信号数据;
对所述第二通信信号数据进行WVD时频变换得到形状为[128,128]的时频谱图:
利用所述时频谱图构建得到形状为[128,128]的训练数据;
利用所述时频谱图的所属信号协议类型,标注所述时频谱图信号协议类型,得到形状为[128,128]的训练数据标签;
所述信号协议类型包括:业务突发TB、参考突发AB、同步突发RB;
将所述训练数据和所述训练数据标签进行整合,得到所述信号聚类算法训练数据;
对所有所述信号聚类算法训练数据进行融合,得到TDMA信号聚类算法训练集。
作为一种可选的实施方式,在本发明实施例第二方面中,所述无监督聚类算法训练模块利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型:
所述TDMA信号聚类算法模型由预训练模块和聚类训练模块组成;
利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器;
所述特征提取编码器,用于对所述TDMA通信信号的频域信息进行特征提取,得到特征表达向量;
利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型;
所述聚类训练模块,对所述特征表达向量进行训练,形成特征库。
作为一种可选的实施方式,在本发明实施例第二方面中,所述无监督聚类算法训练模块利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,包括:
把经WVD预处理后的所述TDMA信号训练数据集输入标准对比学习BYOL网络;
所述对比学习BYOL网络由参数为θ的目标网络和参数为ε在线网络组成;所述在线网络由编码器fθ()、预测器gθ()和映射器qθ()组成,所述目标网络包含编码器fθ()和预测器gθ();
所述预测器用于目标网络和在线网络的结构不对称;
对所述TDMA信号训练数据集利用所述对比学习BYOL网络进行训练,得到特征表达向量;
所述TDMA信号训练数据集分别输入到所述对比学习BYOL网络的在线网络和目标网络,得到qθ(Zθ)和Zε,利用qθ(Zθ)和Zε设计损失函数LB:
式中,qθ(Zθ)为在线网络的输出,qθ()预测器,Zθ为在线网络映射器输出向量,Zε为目标网络输出;
利用LB梯度下降更新在线网络参数θ,目标网络参数ε的更新方法为:
ε←τε+(1-τ)θ
式中,ε为在线网络参数,θ为目标网络参数,τ=0.5为超参数;
利用所述相似函数,对所述特征表达向量的邻接样本数据进行度量,得到所述邻接样本在所述TDMA信号训练数据集中的位置信息;
余弦相似度函数表达式为:
式中,a,b分别是特征向量,C(a,b)是a,b之间的相似度;
将所述位置信息输入编码器进行编码保存,得到所述TDMA信号训练数据集的邻接样本数据信息,将所述在线网络的编码器fθ()保存,得到所述特征提取编码器。
作为一种可选的实施方式,在本发明实施例第二方面中,所述无监督聚类算法训练模块利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型,方法包括:
将所述特征提取编码器提取的特征输出与所述聚类模块相连接,得到聚类网络Φ();所述聚类模块由全连接层组成;
所述聚类训练模块,对提取的特征参数利用分类模型进行分类处理,得到分类的结果;
将所述TDMA信号训练数据集和所述邻接样本数据信息,输入到所述聚类网络Φ();
对聚类损失函数Lc和概率熵Le进行计算,得到聚类损失函数Lc值和概率熵Le值;
所述聚类损失函数Lc表达式为:
Lc=λLn+La
其中:
式中,Ln为邻接损失,La为分配损失,xi是所述第二通信信号训练数据集X中的元素,nxi是计算所得每个所述第二通信信号训练数据集X的最近邻信息Nx中的元素,Φ()为所述聚类网络,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,λ和γ为超参数,λ用于平衡Ln和La,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;是通过所述聚类网络Φ()训练所述最近邻信息Nx,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;
所述概率熵Le表达式为:
式中,H为熵函数,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X获得分配概率矩阵PN变换为列向量后每一个列向量的元素,j为qi向量中元素下标;
利用所述聚类损失函数Lc和概率熵Le对所述聚类网络Φ()进行迭代训练,得到每一次的训练准确率和标准互信息;
基于所述训练准确率和标准互信息,利用批量梯度下降优化算法对损失函数进行优化,完成TDMA信号聚类算法模型的训练,得到目标信号聚类算法模型。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第二处理模块对所述TDMA通信信号数据集进行处理,得到IQ数据,方法包括:
对所述TDMA通信信号数据集进行低噪声功率放大、滤波、A/D变换、数字下变频,得到IQ数据;
利用低噪声功率放大器对所述TDMA信号数据集进行低噪声功率放大,得到第一TDMA信号数据集;
利用带通滤波器对所述低噪声TDMA信号数据集进行处理,得到第二TDMA信号数据集;
利用A/D变换器对所述第二TDMA信号数据集进行A/D变换,得到第三TDMA信号数据集;
利用数字下变频器对所述第三TDMA信号数据集进行数字下变频,得到所述IQ数据。
本发明第三方面公开了另一种TDMA信号协议无监督聚类装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的TDMA信号协议无监督聚类方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的TDMA信号协议无监督聚类方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,能够获取接收指令;利用所述接收指令接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。通过深度学习的方法不依赖专家实现对TDMA信号协议进行快速聚类,分析周期短,算法简单高效,满足了对未知、捷变电磁信号实时分析的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种TDMA信号协议无监督聚类方法的流程示意图;
图2是本发明实施例公开的一种TDMA信号协议无监督聚类装置的结构示意图;
图3是本发明实施例公开的一种TDMA信号协议无监督聚类装置采用的TDMA信号聚类算法模型示意图;
图4是本发明实施例公开的另一种TDMA信号协议无监督聚类装置采用的带通滤波器的原理图;
图5是本发明实施例公开的另一种TDMA信号协议无监督聚类装置采用的数字下变频的原理图;
图6是本发明实施例公开的另一种TDMA信号协议无监督聚类装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种TDMA信号协议无监督聚类方法及装置,能够获取接收指令;利用所述接收指令接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行TDMA信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。通过深度学习的方法在物理层对TDMA信号协议进行快速聚类,为智能化协议分析奠定技术基础。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种TDMA信号协议无监督聚类方法的流程示意图。其中,图1所描述的用于TDMA信号协议无监督聚类方法应用于电子信息***中,如用于TDMA信号协议无监督聚类管理的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该用于TDMA信号协议无监督聚类方法可以包括以下操作:
S1,获取接收指令;所述接收指令包括工作频段、线增增益参数;
S2,利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
S3,对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
对所述TDMA通信信号数据集进行低噪声功率放大、滤波、A/D变换、数字下变频,得到IQ数据;
S31,利用低噪声功率放大器对所述TDMA信号数据集进行低噪声功率放大,得到第一TDMA信号数据集;
S32,利用带通滤波器对所述低噪声TDMA信号数据集进行处理,得到第二TDMA信号数据集;
可选的,采用带通滤波器对接收的信号进行滤波,图4是所述带通滤波器的基本原理图,vi为输入电压,vo为输出输出电压,L为电感,C为电容;
可选的,采用多维变量的扩展卡尔曼滤波算法对接收的信号进行滤波,表达式为;
S33,利用A/D变换器对所述第二TDMA信号数据集进行A/D变换,得到第三TDMA信号数据集;
S34,利用数字下变频器对所述第三TDMA信号数据集进行数字下变频,得到所述IQ数据;
可选的,采用数字下变频对接收信号进行下变频,方法如图5所示。
S4,对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集,包括;
S41,对所述IQ数据进行测量,得到所述TDMA信号数据集中每个TDMA信号数据的长度值,取最大值为Lmax;
S43,判断l是否等于128,得到判断结果;
当所述判断结果为否时,由0补齐至128,得到形状为[2,128]的第二通信信号数据;
当所述判断结果为是时,直接得到形状为[2,128]的第二通信信号数据;
S44,对所述第二通信信号数据进行WVD时频变换得到形状为[128,128]的时频谱图:
S45,利用所述时频谱图构建得到形状为[128,128]的训练数据;
S46,利用所述时频谱图的所属信号协议类型,标注所述时频谱图信号协议类型,得到形状为[128,128]的训练数据标签;
所述信号协议类型包括:业务突发TB、参考突发AB、同步突发RB;
S47,将所述训练数据和所述训练数据标签进行整合,得到所述信号聚类算法训练数据;
S48,对所有所述信号聚类算法训练数据进行融合,得到TDMA信号聚类算法训练集。
S5,利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型,包括:
TDMA信号聚类算法模型如图3所示,其中Aug1和Aug2分别是两种不同的增强方式,Anchor和Neighbor分别是锚样本及其邻接样本;
S51,利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,包括;
S511,把经WVD预处理后的所述TDMA信号训练数据集输入标准对比学习BYOL网络;
所述对比学习BYOL网络由参数为θ的目标网络和参数为ε在线网络组成;所述在线网络由编码器fθ()、预测器gθ()和映射器qθ()组成,所述目标网络包含编码器fθ()和预测器gθ();
所述预测器用于目标网络和在线网络的结构不对称;
S512,对所述TDMA信号训练数据集利用所述对比学习BYOL网络进行训练,得到特征表达向量;
所述TDMA信号训练数据集分别输入到所述对比学习BYOL网络的在线网络和目标网络,得到qθ(Zθ)和Zε,利用qθ(Zθ)和Zε设计损失函数LB:
式中,qθ(Zθ)为在线网络的输出,qθ()预测器,Zθ为在线网络映射器输出向量,Zε为目标网络输出;
利用LB梯度下降更新在线网络参数θ,目标网络参数ε的更新方法为:
ε←τε+(1-τ)θ
式中,ε为在线网络参数,θ为目标网络参数,τ=0.5为超参数;
S513,利用所述相似函数,对所述特征表达向量的邻接样本数据进行度量,得到所述邻接样本在所述TDMA信号训练数据集中的位置信息;
余弦相似度函数表达式为:
式中,a,b分别是特征向量,C(a,b)是a,b之间的相似度;
S514,将所述位置信息输入编码器进行编码保存,得到所述TDMA信号训练数据集的邻接样本数据信息,将所述在线网络的编码器fθ()保存,得到所述特征提取编码器。
S52,利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型,包括:
S521,将所述特征提取编码器提取的特征输出与所述聚类模块相连接,得到聚类网络Φ();所述聚类模块由全连接层组成;
所述聚类训练模块,对提取的特征参数利用分类模型进行分类处理,得到分类的结果;
S522,将所述TDMA信号训练数据集和所述邻接样本数据信息,输入到所述聚类网络Φ();
S523,对聚类损失函数Lc和概率熵Le进行计算,得到聚类损失函数Lc值和概率熵Le值;
所述聚类损失函数Lc表达式为:
Lc=λLn+La
其中:
式中,Ln为邻接损失,La为分配损失,xi是所述第二通信信号训练数据集X中的元素,nxi是计算所得每个所述第二通信信号训练数据集X的最近邻信息Nx中的元素,Φ()为所述聚类网络,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,λ和γ为超参数,λ用于平衡Ln和La,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;是通过所述聚类网络Φ()训练所述最近邻信息Nx,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;
所述概率熵Le表达式为:
式中,H为熵函数,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X获得分配概率矩阵PN变换为列向量后每一个列向量的元素,j为qi向量中元素下标;
S524,利用所述聚类损失函数Lc和概率熵Le对所述聚类网络Ф()进行迭代训练,得到每一次的训练准确率和标准互信息;
S525,基于所述训练准确率和标准互信息,利用批量梯度下降优化算法对损失函数进行优化,完成TDMA信号聚类算法模型的训练,得到目标信号聚类算法模型。
S6,利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型;
可选的,采用批量梯度下降算法进行迭代优化,参数更新方式如下所示:
可见,实施本发明实施例所描述的TDMA信号协议无监督聚类方法,能够获取接收指令;利用所述接收指令接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。通过深度学习的方法对信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
实施例二
请参阅图2,图2是本发明实施例公开的一种TDMA信号协议无监督聚类装置的结构示意图。其中,图2所描述的装置能够应用于TDMA信号处理***中,如用于TDMA信号处理的本地服务器或云端服务器等,本发明实施例不做限定。如图2所示,该装置可以包括:
指令接收模块201,用于获取接收指令;所述接收指令包括工作频段、线增增益参数;
第一处理模块202,用于利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
第二处理模块203,用于对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
IQ数据预处理模块204,用于对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;
无监督聚类算法训练模块205,用于利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型;
无监督聚类模块206,用于利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。
可见,实施图2所描述的用于TDMA信号协议无监督聚类的装置,能够通过获取接收指令,接收目标频段信号,获取TDMA信号数据集;对所述TDMA信号数据集进行处理,得到IQ数据;对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;利用所述TDMA信号聚类算法训练集,进行信号协议无监督算法训练,得到目标信号聚类算法模型;利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。通过深度学习的方法对TDMA信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
在另一个可选的实施例中,如图2所示,IQ数据预处理模块204对IQ数据进行预处理,得到TDMA信号协议无监督聚类算法训练集,包括:
对所述IQ数据进行测量,得到所述TDMA信号数据集中每个TDMA信号数据的长度值,取最大值为Lmax;
判断l是否等于128,得到判断结果;
当所述判断结果为否时,由0补齐至128,得到形状为[2,128]的第二通信信号数据;
当所述判断结果为是时,直接得到形状为[2,128]的第二通信信号数据;
对所述第二通信信号数据进行WVD时频变换得到形状为[128,128]的时频谱图:
利用所述时频谱图构建得到形状为[128,128]的训练数据;
利用所述时频谱图的所属信号协议类型,标注所述时频谱图信号协议类型,得到形状为[128,128]的训练数据标签;
所述信号协议类型包括:业务突发TB、参考突发AB、同步突发RB;
将所述训练数据和所述训练数据标签进行整合,得到所述信号聚类算法训练数据;
对所有所述信号聚类算法训练数据进行融合,得到TDMA信号聚类算法训练集。
可见,实施图2所描述的用于TDMA信号协议无监督聚类的基于强化学习的TDMA信号协议无监督聚类装置,能够对IQ数据进行预处理,得到TDMA信号协议无监督聚类算法训练集,并进行TDMA信号协议无监督算法训练,有利于对TDMA信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
在又一个可选的实施例中,如图2所示,无监督聚类算法训练模块205利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型,方法包括;
S51,利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器;
所述特征提取编码器,用于对所述TDMA通信信号的频域信息进行特征提取,得到特征表达向量;
S52,利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型;
所述聚类训练模块,对所述特征表达向量进行训练,形成特征库。
可见,实施图2所描述的用于TDMA信号协议无监督聚类的TDMA信号协议无监督聚类装置,能够利用TDMA信号聚类算法模型对接收信号进行处理,有利于对TDMA信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
在又一个可选的实施例中,如图2所示,无监督聚类算法训练模块205利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,包括;
把经WVD预处理后的所述TDMA信号训练数据集输入标准对比学习BYOL网络;
所述对比学习BYOL网络由参数为θ的目标网络和参数为ε在线网络组成;所述在线网络由编码器fθ()、预测器gθ()和映射器qθ()组成,所述目标网络包含编码器fθ()和预测器gθ();
所述预测器用于目标网络和在线网络的结构不对称;
对所述TDMA信号训练数据集利用所述对比学习BYOL网络进行训练,得到特征表达向量;
所述TDMA信号训练数据集分别输入到所述对比学习BYOL网络的在线网络和目标网络,得到qθ(Zθ)和Zε,利用qθ(Zθ)和Zε设计损失函数LB:
式中,qθ(Zθ)为在线网络的输出,qθ()预测器,Zθ为在线网络映射器输出向量,Zε为目标网络输出;
利用LB梯度下降更新在线网络参数θ,目标网络参数ε的更新方法为:
ε←τε+(1-τ)θ
式中,ε为在线网络参数,θ为目标网络参数,τ=0.5为超参数;
利用所述相似函数,对所述特征表达向量的邻接样本数据进行度量,得到所述邻接样本在所述TDMA信号训练数据集中的位置信息;
余弦相似度函数表达式为:
式中,a,b分别是特征向量,C(a,b)是a,b之间的相似度;
将所述位置信息输入编码器进行编码保存,得到所述TDMA信号训练数据集的邻接样本数据信息,将所述在线网络的编码器fθ()保存,得到所述特征提取编码器。
可见,实施图2所描述的用于TDMA信号协议无监督聚类的TDMA信号协议无监督聚类装置,能够对TDMA信号训练数据集进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,有利于实现对TDMA信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
在又一个可选的实施例中,如图2所示,无监督聚类算法训练模块205利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型,包括:
将所述特征提取编码器提取的特征输出与所述聚类模块相连接,得到聚类网络Φ();所述聚类模块由全连接层组成;
所述聚类训练模块,对提取的特征参数利用分类模型进行分类处理,得到分类的结果;
将所述TDMA信号训练数据集和所述邻接样本数据信息,输入到所述聚类网络Φ();
对聚类损失函数Lc和概率熵Le进行计算,得到聚类损失函数Lc值和概率熵Le值;
所述聚类损失函数Lc表达式为:
Lc=λLn+La
其中:
式中,Ln为邻接损失,La为分配损失,xi是所述第二通信信号训练数据集X中的元素,nxi是计算所得每个所述第二通信信号训练数据集X的最近邻信息Nx中的元素,Φ()为所述聚类网络,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,λ和γ为超参数,λ用于平衡Ln和La,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;是通过所述聚类网络Φ()训练所述最近邻信息Nx,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;
所述概率熵Le表达式为:
式中,H为熵函数,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,qi是通过所述聚类网络Φ()训练所述第二通信信号训练数据集X获得分配概率矩阵PN变换为列向量后每一个列向量的元素,j为qi向量中元素下标;
利用所述聚类损失函数Lc和概率熵Le对所述聚类网络Φ()进行迭代训练,得到每一次的训练准确率和标准互信息;
基于所述训练准确率和标准互信息,利用批量梯度下降优化算法对损失函数进行优化,完成TDMA信号聚类算法模型的训练,得到目标信号聚类算法模型。
可见,实施图2所描述的用于TDMA信号协议无监督聚类的TDMA信号协议无监督聚类装置,能够对TDMA信号训练数据集和所述邻接样本数据进行处理,得到信号协议无监督聚类模型,有利于实现对TDMA信号协议进行不依赖于专家快速聚类,为智能化协议分析奠定技术基础。
实施例三
请参阅图6,图6是本发明实施例公开的又一种TDMA信号协议无监督聚类装置的结构示意图。其中,图6所描述的装置能够应用于电子信息***中,如用于TDMA信号协议无监督聚类管理的本地服务器或云端服务器等,本发明实施例不做限定。如图6所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的TDMA信号协议无监督聚类方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的TDMA信号协议无监督聚类方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的TDMA信号协议无监督聚类方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于强化学习的TDMA信号协议无监督聚类方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种TDMA信号协议无监督聚类方法,其特征在于,方法包括:
S1,获取接收指令;所述接收指令包括工作频段、线增增益参数;
S2,利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
S3,对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
S4,对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;
S5,利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型;
S6,利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。
2.根据权利要求1所述的TDMA信号协议无监督聚类方法,其特征在于,所述对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集,方法包括:
S41,对所述IQ数据进行测量,得到所述TDMA信号数据集中每个TDMA信号数据的长度值,取最大值为Lmax;
S43,判断l是否等于128,得到判断结果;
当所述判断结果为否时,由0补齐至128,得到形状为[2,128]的第二通信信号数据;
当所述判断结果为是时,直接得到形状为[2,128]的第二通信信号数据;
S44,对所述第二通信信号数据进行WVD时频变换得到形状为[128,128]的时频谱图:
S45,利用所述时频谱图构建得到形状为[128,128]的训练数据;
S46,利用所述时频谱图的所属信号协议类型,标注所述时频谱图信号协议类型,得到形状为[128,128]的训练数据标签;
所述信号协议类型包括:业务突发TB、参考突发AB、同步突发RB;
S47,将所述训练数据和所述训练数据标签进行整合,得到所述信号聚类算法训练数据;
S48,对所有所述信号聚类算法训练数据进行融合,得到TDMA信号聚类算法训练集。
3.根据权利要求1所述的TDMA信号协议无监督聚类方法,其特征在于,所述TDMA信号聚类算法模型由预训练模块和聚类训练模块组成;
所述利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型,方法包括;
S51,利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器;
所述特征提取编码器,用于对所述TDMA通信信号的频域信息进行特征提取,得到特征表达向量;
S52,利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型;
所述聚类训练模块,对所述特征表达向量进行训练,形成特征库。
4.根据权利要求3所述的TDMA信号协议无监督聚类方法,其特征在于,所述利用所述TDMA信号训练数据集,对所述预训练模块进行预训练,得到TDMA信号训练数据集的邻接样本数据和特征提取编码器,方法包括:
S511,把经WVD预处理后的所述TDMA信号训练数据集输入标准对比学习BYOL网络;
所述对比学习BYOL网络由参数为θ的目标网络和参数为ε在线网络组成;所述在线网络由编码器fθ()、预测器gθ()和映射器qθ()组成,所述目标网络包含编码器fθ()和预测器gθ();
所述预测器用于目标网络和在线网络的结构不对称;
S512,对所述TDMA信号训练数据集利用所述对比学习BYOL网络进行训练,得到特征表达向量;
所述TDMA信号训练数据集分别输入到所述对比学习BYOL网络的在线网络和目标网络,得到qθ(Zθ)和Zε,利用qθ(Zθ)和Zε设计损失函数LB:
式中,qθ(Zθ)为在线网络的输出,qθ()预测器,Zθ为在线网络映射器输出向量,Zε为目标网络输出;
利用LB梯度下降更新在线网络参数θ,目标网络参数ε的更新方法为:
ε←τε+(1-τ)θ
式中,ε为在线网络参数,θ为目标网络参数,τ=0.5为超参数;
S513,利用所述相似函数,对所述特征表达向量的邻接样本数据进行度量,得到所述邻接样本在所述TDMA信号训练数据集中的位置信息;
余弦相似度函数表达式为:
式中,a,b分别是特征向量,C(a,b)是a,b之间的相似度;
S514,将所述位置信息输入编码器进行编码保存,得到所述TDMA信号训练数据集的邻接样本数据信息,将所述在线网络的编码器fθ()保存,得到所述特征提取编码器。
5.根据权利要求3所述的TDMA信号协议无监督聚类方法,其特征在于,所述利用所述TDMA信号训练数据集和所述邻接样本数据,对所述特征提取编码器和所述聚类训练模块进行训练,得到目标信号聚类算法模型,方法包括:
S521,将所述特征提取编码器提取的特征输出与所述聚类模块相连接,得到聚类网络Ф();所述聚类模块由全连接层组成;
所述聚类训练模块,对提取的特征参数利用分类模型进行分类处理,得到分类的结果;
S522,将所述TDMA信号训练数据集和所述邻接样本数据信息,输入到所述聚类网络Ф();
S523,对聚类损失函数Lc和概率熵Le进行计算,得到聚类损失函数Lc值和概率熵Le值;
所述聚类损失函数Lc表达式为:
Lc=λLn+La
其中:
式中,Ln为邻接损失,La为分配损失,xi是所述第二通信信号训练数据集X中的元素,nxi是计算所得每个所述第二通信信号训练数据集X的最近邻信息Nx中的元素,Ф()为所述聚类网络,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,λ和γ为超参数,λ用于平衡Ln和La,qi是通过所述聚类网络Ф()训练所述第二通信信号训练数据集X,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;是通过所述聚类网络Ф()训练所述最近邻信息Nx,获得分配概率矩阵PN变换为列向量后每一个列向量的元素;
所述概率熵Le表达式为:
式中,H为熵函数,M为所述第二通信信号训练数据集X中所有元素的个数,k=3,qi是通过所述聚类网络Ф()训练所述第二通信信号训练数据集X获得分配概率矩阵PN变换为列向量后每一个列向量的元素,j为qi向量中元素下标;
S524,利用所述聚类损失函数Lc和概率熵Le,对所述聚类网络Ф()进行迭代训练,得到每一次的训练准确率和标准互信息;
S525,基于所述训练准确率和标准互信息,利用批量梯度下降优化算法对损失函数进行优化,完成TDMA信号聚类算法模型的训练,得到目标信号聚类算法模型。
6.根据权利要求1所述的TDMA信号协议无监督聚类方法,其特征在于,所述对所述TDMA信号数据集进行处理,得到IQ数据,方法包括:
对所述TDMA信号数据集进行低噪声功率放大、滤波、A/D变换、数字下变频,得到IQ数据;
S31,利用低噪声功率放大器对所述TDMA信号数据集进行低噪声功率放大,得到第一TDMA信号数据集;
S32,利用带通滤波器对所述低噪声TDMA信号数据集进行处理,得到第二TDMA信号数据集;
S33,利用A/D变换器对所述第二TDMA信号数据集进行A/D变换,得到第三TDMA信号数据集;
S34,利用数字下变频器对所述第三TDMA信号数据集进行数字下变频,得到所述IQ数据。
7.一种TDMA信号协议无监督聚类装置,其特征在于,所述装置包括:
指令接收模块,用于获取接收指令;所述接收指令包括工作频段、线增增益参数;
第一处理模块,用于利用所述接收指令接收目标频段信号,获取TDMA信号数据集;所述TDMA信号数据集包括业务突发TB数据、参考突发AB数据、同步突发RB数据;
第二处理模块,用于对所述TDMA信号数据集进行处理,得到IQ数据;所述IQ数据为同相正交信号数据,I为同相,Q为与I的相位相差90°的正交;
IQ数据预处理模块,用于对所述IQ数据进行预处理,得到TDMA信号聚类算法训练集;
无监督聚类算法训练模块,用于利用所述TDMA信号聚类算法训练集,对TDMA信号聚类算法模型进行训练,得到目标信号聚类算法模型;
无监督聚类模块,用于利用所述目标信号聚类算法模型,对接收的TDMA信号进行聚类处理,得到所述TDMA信号的协议类型。
8.一种TDMA信号协议无监督聚类装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的TDMA信号协议无监督聚类方法。
9.一种计算机可存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-6任一项所述的TDMA信号协议无监督聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276019.XA CN115664906B (zh) | 2022-10-18 | 2022-10-18 | 一种tdma信号协议无监督聚类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276019.XA CN115664906B (zh) | 2022-10-18 | 2022-10-18 | 一种tdma信号协议无监督聚类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115664906A true CN115664906A (zh) | 2023-01-31 |
CN115664906B CN115664906B (zh) | 2023-05-02 |
Family
ID=84989300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276019.XA Active CN115664906B (zh) | 2022-10-18 | 2022-10-18 | 一种tdma信号协议无监督聚类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115664906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
CN113971440A (zh) * | 2021-10-21 | 2022-01-25 | 中国人民解放军空军航空大学 | 一种基于深度聚类的无监督雷达信号分选方法 |
CN114666273A (zh) * | 2022-04-30 | 2022-06-24 | 东南大学 | 一种面向应用层未知网络协议的流量分类方法 |
US20220217619A1 (en) * | 2021-01-06 | 2022-07-07 | Bae Systems Information And Electronic Systems Integration Inc. | Artificial intelligence radio classifier and identifier |
CN115037805A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军陆军工程大学 | 一种基于深度聚类的未知网络协议识别方法、***、装置及存储介质 |
CN115130581A (zh) * | 2022-04-02 | 2022-09-30 | 北京百度网讯科技有限公司 | 样本生成方法、训练方法、数据处理方法以及电子设备 |
-
2022
- 2022-10-18 CN CN202211276019.XA patent/CN115664906B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
US20220217619A1 (en) * | 2021-01-06 | 2022-07-07 | Bae Systems Information And Electronic Systems Integration Inc. | Artificial intelligence radio classifier and identifier |
CN113971440A (zh) * | 2021-10-21 | 2022-01-25 | 中国人民解放军空军航空大学 | 一种基于深度聚类的无监督雷达信号分选方法 |
CN115130581A (zh) * | 2022-04-02 | 2022-09-30 | 北京百度网讯科技有限公司 | 样本生成方法、训练方法、数据处理方法以及电子设备 |
CN114666273A (zh) * | 2022-04-30 | 2022-06-24 | 东南大学 | 一种面向应用层未知网络协议的流量分类方法 |
CN115037805A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军陆军工程大学 | 一种基于深度聚类的未知网络协议识别方法、***、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
林荣强;李鸥;李青;刘琰;: "基于半监督聚类集成的未知网络协议识别方法" * |
林荣强;李鸥;李青;刘琰;: "基于半监督聚类集成的未知网络协议识别方法", 小型微型计算机*** * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
CN116578874B (zh) * | 2023-07-10 | 2023-11-21 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115664906B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107770263B (zh) | 一种基于边缘计算的物联网终端安全接入方法及*** | |
CN109784347A (zh) | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 | |
CN115664906A (zh) | 一种tdma信号协议无监督聚类方法及装置 | |
CN110838133B (zh) | 多目标跟踪方法及相关设备 | |
CN104267375B (zh) | 一种外辐射源雷达网误差自配准方法 | |
CN110826403B (zh) | 跟踪目标确定方法及相关设备 | |
CN111968046B (zh) | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
CN112364916B (zh) | 基于迁移学习的图像分类方法、相关设备及存储介质 | |
CN113609982A (zh) | 一种基于智能载波同步的高区分度射频指纹学习与提取方法 | |
CN111915015A (zh) | 一种异常值检测方法、装置、终端设备及存储介质 | |
CN113075462A (zh) | 一种基于神经网络的电磁场分布定位方法 | |
CN114218984A (zh) | 一种基于样本多视图学习的射频指纹识别方法 | |
Qiu et al. | Deepsig: A hybrid heterogeneous deep learning framework for radio signal classification | |
CN112055419B (zh) | 基于统计的通信信号关联方法 | |
CN112836822A (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
CN117098067A (zh) | 一种基于梯度融合的多模态深度学习室内定位方法 | |
CN111753686A (zh) | 基于csi的人数识别方法、装置、设备及计算机存储介质 | |
CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN110471030A (zh) | 基于改进共轭梯度的射频层析成像被动式定位求解方法 | |
CN113052219B (zh) | 一种异常轨迹检测方法及装置、电子设备 | |
CN115836849A (zh) | 一种基于对比测试时间适应的心率失常分类方法 | |
WO2022018847A1 (ja) | 信号諸元識別装置、制御回路およびプログラム記憶媒体 | |
CN113555037A (zh) | 篡改音频的篡改区域检测方法、装置及存储介质 |
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 |