一种基于电磁感知数据的智能化处理方法技术

本发明专利技术公开一种基于电磁感知数据的智能化处理方法，包括以下步骤：步骤(1)：数据采集：获取原始采集数据和信号频谱数据；步骤(2)：构建标签样本数据集：在信号和噪声环境两方面构建数据；步骤(3)：信号识别：对无线电信号进行识别处理；步骤(4)：数据处理：对输入数据通过一个深度神经网络进行数学变换，输出一个可用于分类识别的结果。本发明专利技术电磁感知数据的智能化处理方法相比于其他单一神经网络具有更强大的非线性建模能力，并且其考虑了电磁目标特性，能够处理多噪声和干扰情况下，虚警率较高的问题，也能够在弱小目标检测上取得突破。也能够在弱小目标检测上取得突破。也能够在弱小目标检测上取得突破。

【技术实现步骤摘要】
一种基于电磁感知数据的智能化处理方法


[0001]本专利技术涉及电磁频谱监测
，具体涉及到一种基于电磁感知数据的智能化处理方法。

技术介绍

[0002]电磁频谱监测设备进行宽带频谱快速扫描，通过无线电监测手段实时检测、识别、截获常规和复杂类型通信、雷达等信号，并将信号分析、处理、监测信息等数据存储于计算机终端，也可由通信链上报至指挥中心。
[0003]频谱感知是认知无线电的一项关键技术，它的主要功能在于检测可供认知用户使用的频谱空穴，同时监测主用户信号活动情况，保证主用户再次使用频谱时，认知用户能够快速退出相应频段。
[0004]信息化条件下的数据融合分析高度依赖数据信息，电磁频谱感知数据是电磁频谱感知系统最重要的数据源，对电磁频谱感知数据的智能化处理是其关键技术。电磁频谱感知数据智能化处理的目标是：基于宽带监测接收分系统组网的原始采集数据和信号频谱数据等电磁频谱感知数据，通过智能化、自动化处理实现频谱数据的噪声过滤、占用度统计、异常告警、新信号信分析、SOI信号分析等功能。
[0005]现有技术中，一般采用能量检测方法以及拟合优度检测方法对电磁感知数据进行检测，但是这两种检测方法不能处理多噪声和干扰情况下，虚警率较高的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于电磁感知数据的智能化处理方法，用于解决现有技术中电磁感知数据检测方法存在的不能处理多噪声和干扰情况下，虚警率较高的技术问题。
[0007]为达上述目的，本专利技术的一个实施例中提供了一种基于电磁感知数据的智能化处理方法，包括以下步骤：
[0008]步骤(1)：数据采集：获取原始采集数据和信号频谱数据；
[0009]步骤(2)：构建标签样本数据集：在信号和噪声环境两方面构建数据；
[0010]步骤(3)：信号识别：对无线电信号进行识别处理；
[0011]步骤(4)：数据处理：对输入数据通过一个深度神经网络进行数学变换，输出一个可用于分类识别的结果。
[0012]本专利技术优选的方案之一，步骤(1)中通过多种监测任务下达方式和多种任务执行方式实现数据采集中任务执行的智能化。
[0013]本专利技术优选的方案之一，步骤(2)具体为：在信号方面，模拟不同频率、不同带宽、不同信号样式；在噪声环境方面，通过仿真添加不同的噪声水平，构建大动态范围的数据。
[0014]本专利技术优选的方案之一，步骤(3)具体包括以下步骤：
[0015]S1：分析正常无线电信号和异常无线电信号，并对信号进行归一化处理；
[0016]S2：获取正常信号与异常信号的样本特征，并抽象出正常信号与异常信号在数字形式上的区别；
[0017]S3：将待识别信号与系统特征进行比较，并判断待识别信号是否属于样本库中的一类。
[0018]本专利技术优选的方案之一，步骤(4)中数据处理需建立深度学习模型来实现。
[0019]本专利技术优选的方案之一，深度学习模型包括学习网络架构设计、目标函数定义以及网络超参数选择。
[0020]本专利技术优选的方案之一，学习网络架构设计包括信号变换层、卷积特征提取网络、时序特征提取网络以及全连接层；
[0021]信号变换层用于获取传感器数据，并根据获取的数据进行变换与输出；卷积特征提取网络用于完成电磁数据高维特征的自提取；时序特征提取网络用于获取输入数据的时间序列特性，并根据获取的数据的时间序列特性进行时序信号规律的建模；全连接层用于完成学习网络输出特征的映射。
[0022]本专利技术优选的方案之一，目标函数定义为minF(Y
′‑
Y)+λR(f)。
[0023]综上所述，本专利技术的有益效果为：
[0024]1、本专利技术为了实现任务执行的智能化，在数据采集层面设计了丰富的任务管理，提供多种监测任务下达方式和多种任务执行方式，包括智能的自主监测，通过下达的自主监测任务，自动运行在后台，智能分析，一旦发现异常，会自组织相关站点，联合执行复杂监测任务。
[0025]2、本专利技术的数据样本库具备自身智能化学习的功能，能不断修正数据样本库，实现自我更新以及系统改进。
[0026]3、本专利技术电磁感知数据的智能化处理方法相比于其他单一神经网络具有更强大的非线性建模能力，并且其考虑了电磁目标特性，能够处理多噪声和干扰情况下，虚警率较高的问题，也能够在弱小目标检测上取得突破。
附图说明
[0027]图1为本专利技术一个实施例中信号发现流程图；
[0028]图2为本专利技术一个实施例中信号识别流程图；
[0029]图3为本专利技术一个实施例中深度学习模型图；
[0030]图4为本专利技术一个实施例中智能信号检测性能图。
具体实施方式
[0031]本专利技术提供了一种基于电磁感知数据的智能化处理方法，包括以下步骤：
[0032]步骤(1)：数据采集：获取原始采集数据和信号频谱数据，其中信号发现的流程如图1所示；
[0033]本专利技术在数据采集层面设计丰富的任务管理，通过提供多种监测任务下达方式和多种任务执行方式来实现任务执行的智能化；其中包括智能的自主监测，通过下达的自主监测任务，自动运行在后台，智能分析，一旦发现异常，会自组织相关站点，联合执行复杂监测任务；
[0034]自主监测是涵盖了在监测任务执行过程中，一方面保存监测数据外，另一方面同步进行异常信号分析、智能决策、自组织协同执行、自动干预异常信号、自动报警、自动报表生成等功能；
[0035]步骤(2)：构建标签样本数据集：将步骤(1)中采集的数据在信号和噪声环境两方面构建标签样本数据库，其中，在信号方面，模拟不同频率、不同带宽、不同信号样式；在噪声环境方面，通过仿真添加不同的噪声水平，构建大动态范围的数据，便于提高后续学习模型的适用范围和鲁棒性；
[0036]大规模有标签样本数据集的构建是基础，为实现后续智能预处理模型学习训练提供保障；
[0037]步骤(3)：信号识别：对无线电信号进行识别处理，其中信号识别的流程如图2所示，具体包括以下步骤：
[0038]S1：吸收专家和数据库的经验与知识，从时域、频域等方面分析正常无线电信号和异常无线电信号，并对信号进行归一化处理；
[0039]S2：获取正常信号与异常信号的样本特征，并抽象出正常信号与异常信号在数字形式上的区别；
[0040]S3：将待识别信号与系统特征进行比较，并判断待识别信号是否属于样本库中的一类；
[0041]步骤(4)：数据处理：对输入数据通过一个深度神经网络进行数学变换，输出一个可用于分类识别的结果，数据处理需建立深度学习模型来实现，深度学习模型如图3所示。
[0042]深度学习模型包括学习网络架构设计、目标函数定义以及网络超参数选择三个关键部分。
[0043]学习网络架构设计包括信号变换层、卷积特征提取网络、时序特征提取网络以及全连接层四部分。其中，第一部分是信号变换层，主要是充分考虑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电磁感知数据的智能化处理方法，其特征在于，包括以下步骤：步骤(1)：数据采集：获取原始采集数据和信号频谱数据；步骤(2)：构建标签样本数据集：在信号和噪声环境两方面构建数据；步骤(3)：信号识别：对无线电信号进行识别处理；步骤(4)：数据处理：对输入数据通过一个深度神经网络进行数学变换，输出一个可用于分类识别的结果。2.如权利要求1所述的一种基于电磁感知数据的智能化处理方法，其特征在于：所述步骤(1)中通过多种监测任务下达方式和多种任务执行方式实现数据采集中任务执行的智能化。3.如权利要求1所述的一种基于电磁感知数据的智能化处理方法，其特征在于，所述步骤(2)具体为：在信号方面，模拟不同频率、不同带宽、不同信号样式；在噪声环境方面，通过仿真添加不同的噪声水平，构建大动态范围的数据。4.如权利要求1所述的一种基于电磁感知数据的智能化处理方法，其特征在于，所述步骤(3)具体包括以下步骤：S1：分析正常无线电信号和异常无线电信号，并对信号进行归一化处理；S2：获取正常信号与异常信号的样本特征，并抽象出正常信号与异常信号在数字形...

【专利技术属性】
技术研发人员：王林，徐银松，吴光胜，甘宇，贺和平，杨光，
申请(专利权)人：国蓉科技有限公司，
类型：发明
国别省市：