-
Die Erfindung betrifft ein Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, ein Verfahren zur Klassifizierung von elektromagnetischen Signalen sowie eine Empfangsvorrichtung für elektromagnetische Signale.
-
Verschiedene Verfahren zur Klassifizierung von elektromagnetischen Signalen sind aus dem Stand der Technik bekannt und werden beispielsweise in Empfangsgeräten für elektromagnetische Wellen eingesetzt, um unter anderem die Modulationsart der entsprechenden elektromagnetischen Signale zu bestimmen. Dazu werden meist von einem geschulten, menschlichen Operator (Bediener) bestimmte Merkmale aus einem Spektrum von elektromagnetischen Signalen extrahiert, indem er diese visuell erfasst. Diese Merkmale können dann anhand ihrer IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) maschinell klassifiziert werden, beispielsweise mittels sogenannter Entscheidungsbäume (decision trees) und/oder Entscheidungswälder (random forests). Der geschulte Operator ist dabei erforderlich, um die Daten zu extrahieren, die für die entsprechenden Algorithmen benötigt werden, um diese anzulernen.
-
Aufgabe der Erfindung ist es, den Automatisierungsgrad bei einem Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, einem Verfahren zur Klassifizierung von elektromagnetischen Signalen sowie einer Empfangsvorrichtung für elektromagnetische Signale zu erhöhen.
-
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: elektromagnetische Signale werden empfangen; ein Spektrum der elektromagnetischen Signale wird bestimmt; und das Spektrum wird mittels eines künstlichen neuronalen Netzes verarbeitet. Dabei wird zumindest ein Teilabschnitt des Spektrums mittels des künstlichen neuronalen Netzes wenigstens vorläufig klassifiziert, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum zumindest vorläufig zu klassifizieren. Insbesondere wird das Spektrum und damit das elektromagnetisches Signal und/oder ein Ereignis im Spektrum mittels des künstlichen neuonalen Netzes abschließend klassifiziert. Bei dem Spektrum handelt es sich beispielsweise um eine Fourier-Transformierte, eine spektrale Energiedichte oder ein Wirkleistungsspektrum der empfangenen elektromagnetischen Signale. Die (vorläufige) Spektrumklassifizierung des Teilabschnitts des Spektrums erfolgt gemäß dem erfindungsgemäßen Verfahren mittels des künstlichen neuronalen Netzes vollautomatisch, also ohne menschlichen Operator. Der menschliche Operator ist nicht mehr notwendig, da die künstlichen neuronalen Netze selbstständig lernen können, das Spektrum (vorläufig) zu klassifizieren. Die Verarbeitung des Spektrums erfolgt mittels der künstlichen neuronalen Netze besonders schnell und kann dementsprechend in Echtzeit erfolgen. Zudem ist die Spektrumklassifizierung mittels der künstlichen neuronalen Netze auch bei einem schlechten Signal-Rausch-Verhältnis zuverlässig. Bei dem künstlichen neuronalen Netz kann es sich um ein bereits bekanntes künstliches neuronales Netz (beispielsweise AlexNet, VGG, ResNet oder GoogLeNet) oder um ein speziell für diesen Zweck angepasstes künstliches neuronales Netz handeln.
-
Das neuronale Netz wird demnach eingesetzt, um die visuellen Fähigkeiten eines Menschen technisch abzubilden und entsprechend zu ersetzen, sodass die Vorklassifizierung automatisch abläuft. Insofern wird über das neuronale Netz beispielsweise eine Bildverarbeitung des aus den empfangenen elektromagnetischen Signalen bestimmten Spektrums bereitgestellt.
-
Die Vorklassifizierung, die mittels des neuronalen Netzes erfolgt, extrahiert demnach die Daten bzw. Merkmale aus dem bestimmten Spektrum, die anschließend zur Klassifizierung in bekannter Weise weiterverarbeitet werden, beispielsweise ebenfalls mittels neuronaler Netze.
-
Unter den Signalen und/oder Ereignissen, die vorläufig klassifiziert werden, sind unter anderem Chirp-Signale zu verstehen, die im Spektrum auftreten.
-
Ferner ist es generell möglich, mit dem Verfahren ein sogenanntes Autoencoding durchzuführen, da sich die relevanten Daten bzw. die wesentlichen Merkmale in automatisierter Weise aus dem Spektrum extrahieren lassen.
-
Ein Aspekt sieht vor, dass ein zeitlicher Verlauf des Spektrums bestimmt wird. Ein solcher zeitlicher Verlauf des Spektrums wird auch als Wasserfallspektrum bezeichnet. Ferner kann der zeitliche Verlauf als eine sogenannte Heatmap dargestellt werden. Unter einem Spektrum ist im Folgenden sowohl eine Momentaufnahme des Spektrums als auch sein zeitlicher Verlauf, beispielsweise in Form eines Wasserfallspektrums, zu verstehen. Insbesondere wird das Wasserfallspektrum mittels des künstlichen neuronalen Netzes in gewissen Zeitabständen, vorzugsweise kontinuierlich, verarbeitet und wenigstens vorläufig klassifiziert. Dadurch kann die Qualität der Klassifizierung verbessert und/oder eine Veränderung des Spektrums detektiert werden.
-
Gemäß einem weiteren Aspekt wird das Spektrum hinsichtlich einer Modulation der Signale zumindest vorläufig klassifiziert. Insbesondere wird das Spektrum hinsichtlich der Modulation der Signale abschließend klassifiziert. Anders ausgedrückt wird mittels des künstlichen neuronalen Netzes vollautomatisch die Modulationsart der empfangenen elektromagnetischen Signale erkannt. Mit der bekannten Modulationsart können die Signale dann nachfolgend entsprechend für eine weitere Verarbeitung demoduliert werden.
-
Generell ist es demnach möglich, dass das aus den elektromagnetischen Signalen bestimmte Spektrum mittels des künstlichen neuronalen Netzes vollständig klassifiziert wird, also ohne zwischengeschaltete Ermittlung der I/Q-Daten. Der Automatisierungsgrad erhöht sich hierdurch entsprechend.
-
Vorzugsweise werden zur Klassifizierung des Spektrums charakteristische Verläufe im Spektrum erkannt, insbesondere wobei eine Breite des charakteristischen Verlaufs bestimmt wird. Zu diesem Zweck können bestimmte Formen und/oder Ereignisse im Spektrum mittels des künstlichen neuronalen Netzes erkannt werden. Anders ausgedrückt kann mittels des künstlichen neuronalen Netzes eine Bildverarbeitung des Spektrums durchgeführt werden, um die charakteristischen Verläufe zu erkennen und zu identifizieren. Mittels des künstlichen neuronalen Netzes lässt sich die Bildverarbeitung vollautomatisch und zeitlich effizient durchführen, insbesondere in Echtzeit.
-
Das Spektrum, insbesondere ein Teilabschnitt des Spektrums, kann im Allgemeinen basierend auf einer spektralen Energiedichte zumindest vorläufig klassifiziert werden.
-
In einer Ausgestaltung der Erfindung wird das Spektrum mittels eines Convolutional Neural Networks (CNN) verarbeitet. Diese künstlichen neuronalen Netze eignen sich besonders gut für eine Bildverarbeitung des Spektrums und liefern auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige (vorläufige) Klassifizierung des Spektrums. Zudem benötigen die Convolutional Neural Networks weniger Parameter, weswegen der Rechenaufwand reduziert und die Auflösung des Spektrums verbessert ist.
-
Ein weiterer Aspekt sieht vor, dass mittels des Convolutional Neural Networks eine Position eines charakteristischen Verlaufs innerhalb des Spektrums bestimmt wird. Bei dem Convolutional Neural Network kann es sich dementsprechend um ein (fast/faster) Regional Convolutional Neural Network (RCNN) oder um ein sogenanntes YOLO Convolutional Neural Network handeln. Wird zusätzlich eine Breite des charakteristischen Verlaufs bestimmt, so kann das entsprechende Merkmal oder Ereignis vollautomatisch zur weiteren Verarbeitung aus dem Spektrum ausgeschnitten werden, beispielsweise für eine genauere Klassifizierung. Speziell das YOLO Convolutional Neural Network hat den Vorteil, dass es wegen seiner Recheneffizienz besonders gut für eine schnelle Bildverarbeitung geeignet ist, insbesondere für eine Bildverarbeitung in Echtzeit.
-
Die Aufgabe wird ferner erfindungsgemäß gelöst durch ein Verfahren zur Klassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: elektromagnetische Signale werden mittels eines erfindungsgemäßen Verfahrens zur Spektrumklassifizierung empfangen und vorklassifiziert; IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) des vorläufig klassifizierten Teilabschnitts des Spektrums werden bestimmt und verarbeitet; und zumindest der Teilabschnitt des Spektrums wird anhand der verarbeiteten IQ-Daten klassifiziert, insbesondere hinsichtlich der Modulation des Signals. Erfindungsgemäß erfolgt die vorläufige Spektrumklassifizierung mittels des künstlichen neuronalen Netzes, wie oben beschrieben, besonders schnell und effizient, insbesondere in automatisierter Weise. In diesem Schritt werden relevante Teilabschnitte des Spektrums vollautomatisch identifiziert, die anschließend einer genaueren Klassifizierung anhand der IQ-Daten des jeweiligen Teilabschnitts zugeführt werden, was ebenfalls automatisch geschehen kann. Dadurch kann die Qualität der Klassifizierung nochmals verbessert werden.
-
Vorzugsweise werden die IQ-Daten mittels eines künstlichen neuronalen Netzes verarbeitet, insbesondere mittels eines Convolutional Neural Networks. Die Klassifizierung des Teilabschnitts des Spektrums erfolgt gemäß dem erfindungsgemäßen Verfahren mittels des künstlichen neuronalen Netzes vollautomatisch, wobei die künstlichen neuronalen Netze selbstständig lernen können, die Teilabschnitte zu klassifizieren. Die Verarbeitung der IQ-Daten erfolgt mittels der künstlichen neuronalen Netze besonders schnell und kann dementsprechend in Echtzeit erfolgen. Die Verarbeitung der IQ-Daten mittels des künstlichen neuronalen Netzes liefert auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige Klassifizierung des Spektrums. Alternativ oder zusätzlich können die IQ-Daten auch mittels Entscheidungsbäumen und/oder Entscheidungswäldern verarbeitet werden.
-
Die Aufgabe wird außerdem erfindungsgemäß gelöst durch eine Empfangsvorrichtung für elektromagnetische Signale mit einer Empfängereinheit und einer Signalverarbeitungseinheit, wobei die Empfängereinheit dazu ausgebildet ist, elektromagnetische Signale zu empfangen und an die Signalverarbeitungseinheit zu übertragen, und wobei die Signalverarbeitungseinheit dazu ausgebildet ist, ein Spektrum der elektromagnetischen Signale zu bestimmen und mittels eines künstlichen neuronalen Netzes wenigstens einen Teilabschnitt des Spektrums zumindest vorläufig zu klassifizieren, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum zumindest vorläufig klassifizieren. Insbesondere ist die Empfangsvorrichtung dazu eingerichtet, ein erfindungsgemäßes Verfahren zur Spektrumklassifizierung und/oder zur Klassifizierung von elektromagnetischen Signalen durchzuführen. Bezüglich der Vorteile wird auf die obigen Erläuterungen verwiesen.
-
Ein Aspekt sieht vor, dass die Signalverarbeitungseinheit dazu eingerichtet ist, eine Bildverarbeitung des Signals durchzuführen, um das Spektrum zumindest vorläufig zu klassifizieren. Die Signalverarbeitungseinheit ist also insbesondere dazu ausgebildet, eine Bildverarbeitung des Signals mittels eines künstlichen neuronalen Netzes durchzuführen, vorzugsweise mittels eines Convolutional Neural Networks, weiter bevorzugt mittels eines (fast/faster) Regional Convolutional Neuronal Networks oder eines YOLO Convolutional Neural Networks. Die Bildverarbeitung mittels solcher künstlicher neuronaler Netze erfolgt vollautomatisch, also ohne einen menschlichen Operator, und besonders schnell und zuverlässig. Speziell das YOLO Convolutional Neural Network hat den Vorteil, dass es besonders für eine schnelle Bildverarbeitung geeignet ist, insbesondere für eine Bildverarbeitung in Echtzeit.
-
Gemäß einer Ausgestaltung der Erfindung ist die Signalverarbeitungseinheit dazu eingerichtet, das Spektrum basierend auf einer spektralen Energiedichte zumindest vorläufig zu klassifizieren. Die Signalverarbeitungseinheit kann dazu ausgebildet sein, bestimmte Energiesignaturen im Spektrum zu erkennen, insbesondere mittels eines künstlichen neuronalen Netzes, um das Spektrum zumindest vorläufig zu klassifizieren. Beispielsweise ist die Signalverarbeitungseinheit dazu ausgebildet, eine qualitative oder quantitative Peak-Analyse des Spektrums durchzuführen.
-
Die Signalverarbeitungseinheit kann dazu ausgebildet sein, IQ-Daten des Spektrums zu bestimmen und zu verarbeiten und zumindest einen Teilabschnitt des Spektrums basierend auf den verarbeiteten IQ-Daten zu klassifizieren, insbesondere hinsichtlich der Modulation des Signals. Vorzugsweise ist die Signalverarbeitungseinheit dazu ausgebildet, die IQ-Daten mittels eines künstlichen neuronalen Netzes zu verarbeiten, insbesondere mittels eines Convolutional Neural Networks. Die Verarbeitung der IQ-Daten mittels des künstlichen neuronalen Netzes erfolgt vollautomatisch, besonders schnell (echtzeitfähig) und liefert auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige Klassifizierung des Spektrums. Alternativ oder zusätzlich kann die Signalverarbeitungseinheit dazu eingerichtet sein, die IQ-Daten mittels Entscheidungsbäumen und/oder Entscheidungswäldern zu verarbeiten.
-
Weitere Vorteile und Eigenschaften der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Zeichnungen, auf die Bezug genommen wird. In diesen zeigen:
- - 1 ein schematisches Ablaufdiagramm der Schritte eines erfindungsgemäßen Verfahrens zur Spektrumklassifizierung von elektromagnetischen Signalen;
- - 2 ein beispielhaftes elektromagnetisches Spektrum;
- - 3 ein schematisches Ablaufdiagramm der Schritte eines erfindungsgemäßen Verfahrens zur Klassifizierung von elektromagnetischen Signalen; und
- - 4 schematisch eine erfindungsgemäße Empfangsvorrichtung.
-
Die nachfolgende ausführliche Beschreibung in Verbindung mit den beigefügten Zeichnungen, in denen mit gleichen Bezugszeichen auf gleiche Merkmale Bezug genommen wird, ist als Beschreibung verschiedener Ausführungsformen der Erfindung gedacht und soll nicht die einzig möglichen Ausführungsformen darstellen. Jede nachfolgend beschriebene Ausführungsform dient lediglich als Beispiel oder Illustration und soll nicht als bevorzugte oder vorteilhafte Ausführungsform gegenüber anderen Ausführungsformen verstanden werden. Die beschriebenen Beispiele sind nicht erschöpfend und sollen den beanspruchten Gegenstand nicht auf die konkreten Ausführungsbeispiele beschränken.
-
In 4 ist schematisch eine Empfangsvorrichtung 10 für elektromagnetische Wellen gezeigt. Die Empfangsvorrichtung 10 ist dazu ausgebildet, elektromagnetische Wellen zu empfangen, insbesondere elektromagnetische Wellen aus einem gewissen Frequenzbereich. Die Empfangsvorrichtung 10 ist beispielsweise ein Breitbandempfänger.
-
Die Empfangsvorrichtung 10 weist eine Empfangseinheit 12 sowie eine Signalverarbeitungseinheit 14 auf. Die Empfangseinheit 12 ist dazu eingerichtet, elektromagnetische Wellen zu empfangen und an die Signalverarbeitungseinheit 14 zur weiteren Verarbeitung zu übertragen. Beispielsweise umfasst die Empfangseinheit 12 zumindest eine Antenne.
-
Insbesondere ist die Empfangsvorrichtung 10 dazu eingerichtet, ein im Folgenden beschriebenes Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen durchzuführen.
-
Zunächst werden mittels der Empfangseinheit 12 elektromagnetische Signale empfangen und die elektromagnetischen Signale werden an die Signalverarbeitungseinheit 14 übertragen, die ein Spektrum F der elektromagnetischen Signale bestimmt (Schritt S1). Bei dem Spektrum handelt es sich beispielsweise um eine Fourier-Transformierte, eine spektrale Energiedichte oder ein Wirkleistungsspektrum der elektromagnetischen Signale.
-
Ein beispielhafter Verlauf des Spektrums F ist in 2 gezeigt. Das Spektrum F ist eine Funktion der Frequenz f der elektromagnetischen Signale. Zudem kann das Spektrum F auch zeitlich veränderlich sein, was durch die Zeitkoordinatenachse t angedeutet ist. In diesem Fall handelt es sich bei dem Spektrum F also um ein Wasserfallspektrum F(f, t), das in 2 schematisch in einer Draufsicht gezeigt ist. Entsprechend kann vorgesehen sein, einen zeitlichen Verlauf des Spektrums F zu bestimmen. Dazu können in gewissen Zeitabständen Momentaufnahmen des Spektrums bestimmt werden, insbesondere kontinuierlich bzw. periodisch.
-
Unter einem Spektrum ist im Folgenden sowohl eine Momentaufnahme des Spektrums als auch ein Wasserfallspektrum zu verstehen.
-
Das Spektrum F wird nun mittels eines künstlichen neuronalen Netzes verarbeitet (Schritt S2). Demnach ist die Signalverarbeitungseinheit 14 dazu eingerichtet, das Spektrum F mittels eines künstlichen neuronalen Netzes zu verarbeiten. Bei dem künstlichen neuronalen Netz kann es sich um ein bekanntes künstliches neuronales Netz (beispielsweise AlexNet, VGG, ResNet oder GoogLeNet) oder um ein speziell für die Spektrumklassifizierung angepasstes künstliches neuronales Netz handeln. Insbesondere handelt es sich bei dem künstlichen neuronalen Netz um ein Convolutional Neural Network (CNN), ein (fast/faster) Regional Convolutional Neural Network (RCNN) oder ein YOLO Convolutional Neural Network.
-
In Schritt S2 wird mittels des künstlichen neuronalen Netzes wenigstens ein Teilabschnitt des Spektrums F wenigstens vorläufig klassifiziert, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum F zu erkennen und zumindest vorläufig zu klassifizieren, insbesondere hinsichtlich einer Modulation der elektromagnetischen Signale. Beispielsweise wird also in Schritt S2 zumindest vorläufig erkannt, gemäß welcher Modulationsart die elektromagnetischen Signale moduliert sind. Mit der bekannten Modulationsart können die Signale dann nachfolgend entsprechend demoduliert werden.
-
Um das Spektrum F zumindest vorläufig zu klassifizieren, können mittels des künstlichen neuronalen Netzes charakteristische Verläufe im Spektrum F erkannt werden. Beispiele für solche charakteristischen Verläufe sind in 2 in Form eines ersten Peaks 16 und eines zweiten Peaks 18 gezeigt. Die Peaks 16, 18 unterscheiden sich typischerweise unter anderem in folgenden Parametern: Höhe, (Halbwerts-) Breite, Form (zum Beispiel rechteckig, glockenförmig, etc.) und/oder zentrale Frequenz. Zur Klassifizierung des Spektrums F kann dementsprechend eine qualitative und/oder quantitative Peak-Analyse durchgeführt werden, insbesondere mittels des künstlichen neuronalen Netzes.
-
Die charakteristischen Verläufe werden beispielsweise dadurch erkannt, dass mittels des künstlichen neuronalen Netzes im Wesentlichen eine Bildverarbeitung des Spektrums F durchgeführt wird, wobei charakteristische Formen im Verlauf des Spektrums F erkannt werden (angedeutet durch die gestrichelten Linien in 1). Diese charakteristischen Formen im Verlauf werden dazu genutzt, das Spektrum F wenigstens vorläufig zu klassifizieren, also die vom Spektrum F umfassten Signale und/oder Ereignisse.
-
Insbesondere kann das Spektrum sogar abschließend klassifiziert werden.
-
Es kann vorgesehen sein, dass eine Position der charakteristischen Verläufe innerhalb des Spektrums F ermittelt wird, insbesondere wobei auch eine Breite der charakteristischen Verläufe bestimmt wird. Anders ausgedrückt werden diejenigen Teilabschnitte des Spektrums F identifiziert und (vorläufig) klassifiziert, die charakteristische Verläufe aufweisen. Das künstliche neuronale Netz ist in dieser Variante dementsprechend derart gestaltet, dass es eine Bestimmung der Position und/oder der Breite der charakteristischen Verläufe erlaubt. Beispielsweise ist das künstliche neuronale Netz ein (fast/faster) Regional Convolutional Neural Network oder ein YOLO Convolutional Neural Network.
-
Wurde in Schritt S2 das Spektrum lediglich vorläufig und nicht abschließend klassifiziert, so können die identifizierten Teilabschnitte, die charakteristische Verläufe aufweisen, aus dem Spektrum F isoliert weiterverarbeitet werden.
-
Dazu werden IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) der vorläufig klassifizierten Teilabschnitte bestimmt und mittels der Signalverarbeitungseinheit 14 verarbeitet (Schritt S3), wie in 3 gezeigt. Gemäß einer Variante werden die IQ-Daten mittels eines künstlichen neuronalen Netzes verarbeitet, insbesondere mittels eines der oben genannten Convolutional Neural Networks.
-
Alternativ oder zusätzlich können die IQ-Daten auch mittels Entscheidungsbäumen und/oder Entscheidungswäldern verarbeitet werden, um die Teilabschnitte zu klassifizieren.
-
Durch die Verarbeitung der IQ-Daten kann die Genauigkeit der Klassifizierung des Spektrums F, beispielsweise hinsichtlich der Modulation der elektromagnetischen Signale, nochmals verbessert werden.
-
Sofern die Signale und/oder Ereignisse des Spektrums bereits im Schritt S2 vollständig klassifiziert worden sind, entfällt der Schritt S3, sodass die IQ-Daten nicht mehr bestimmt werden müssen, um die Signale und/oder Ereignisse abschließend zu klassifizieren. Es liegt dann eine sogenannte Ende-zu-Ende Klassifizierung (end-to-end) vor.
