一种基于K-均值聚类分析与多线程加速的电磁信号快速检测方法技术

本发明专利技术涉及一种基于K

【技术实现步骤摘要】
一种基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法


[0001]本专利技术涉及一种基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，属于机器学习与电磁信号自动检测领域。

技术介绍

[0002]随着无线通信近些年迅猛发展，各种无线电技术和业务广泛开展，移动互联网、物联网以及卫星互联网等一众新信息技术的应用，无线通信在信息化发展中扮演着越来越重要的角色。随着通信技术的发展和日趋复杂的电磁环境应用背景，目前国内无线电监测设备日益增多，这些监测设备对自由空间里的电磁信号不断监测产生了海量的监测数据，无线电监测逐渐迈入大数据时代。在无线电通信领域，信号检测是重要无线电监测手段，信号检测处于信号处理的前端，即检测接收数据中是否存在有用信号，也是进行对信号进行后续操作的前提，其直接影响着整个通信系统的性能表现。而当下海量的监测数据以及复杂的电磁环境，对信号检测的准确性和检测速度有更高的要求，传统的信号检测方法已无法满足实际工作的要求。
[0003]对于传统的无线通信信号检测，H.Urkowitz等提出了简单直观的能量检测(Enery Detection,ED)方法，该方法优点在于容易实现，但其缺点是在低信噪比(Signal
‑
Noise Radio,SNR)场景下，检测性能差；Ping Yang等提出了一种改进的基于匹配滤波器的检测算法，此种方式优势在于感知时间短的情况下达到极高的检测性能，但缺点是不仅需要知道信号的先验知识(如调制类型等)，还需要发射机和监测设备同步，否则检测效果会变差；基于频域的检测算法主要基于功率谱和循环谱，Qi Yuan等提出了一种基于循环平稳性的宽带认知无线电频谱感知，该类算法克服了能量检测和匹配滤波的若干缺点，检测性能高，但是其缺点在于计算过程复杂且计算量大，耗时长。
[0004]目前机器学习在各个领域广泛应用，也为很多复杂问题有效解决提供了可能性。在无线通信领域，机器学习也发挥起了难以替代的作用。机器学习和深度学习为从大量和复杂的频谱数据集提取有效信息提供了更大可能。Awe等和Bao等提出了基于支持向量机(Supported Vector Machine,SVM)的检测方法，通过设置训练集与测试集，能够实现对信号与噪声的分类识别；Zheng等提出了一种基于深度学习(Deep Learning,DL)分类的认知无线电检测方法；但是对于传统的机器学习算法，典型方法是以有监督的设计的，即需要对数据集的每个样本做标签，例如在信号分类问题中，需要对每段信号样本标记一个种类(信号或者噪声)，当数据集规模比较庞大时，会耗费巨大的人力；另一方面通过深度学习训练获得的模型普遍较大，推理速度慢，有可能会无法满足信号检测低时延的要求。
[0005]随着个人计算机中央处理器(CPU)的制程工艺及架构快速迭代，目前CPU的核心线程数量普遍高于四核心八线程，但当前对于信号检测的机器学习算法普遍是采用单线程的形式实现，并没有充分使用CPU的多线程计算资源。
[0006]因此，针对目前海量电磁信号自动检测领域的迫切需求，为了解决复杂环境下电
磁信号快速检测以及准确判定的矛盾，通过机器学习中的无监督聚类形式，以及充分利用当前计算机多核心的并行架构，研究复杂环境下高性能的信号快速检测算法便是本专利技术致力于解决的问题。

技术实现思路

[0007]为了解决现有技术的不足，本专利技术提供一种基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，节省了大量的人力时间，同时利用计算机并行计算资源，多线程进行推理加速，缩短了检测时间。
[0008]术语解释：
[0009]Sklearn：即Scikit
‑
learn，是针对Python编程语言的免费软件机器学习库。
[0010]K
‑
Means：即K
‑
Means Clustering Algorithm，是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
[0011]本专利技术的技术方案为：
[0012]一种基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，包括如下步骤：
[0013]步骤1：原始数据采集：获取信号，并添加噪声；
[0014]步骤2：数据集搭建，包括：
[0015]步骤2.1：对步骤1获得的信号文件分帧；
[0016]步骤2.2：得到每一帧的频谱幅值特征向量；
[0017]步骤2.3：保存特征向量作为样本数据，搭建数据集；
[0018]步骤3：对样本进行K
‑
均值聚类分析并优化模型：
[0019]步骤3.1：读入样本数据集，搭建K
‑
均值聚类分析模型；
[0020]步骤3.2：设置初始聚类中心；
[0021]步骤3.3：训练模型至算法收敛，测试模型性能；
[0022]步骤3.4：重复步骤3.2，步骤3.3对模型优化；
[0023]步骤3.5：保存性能优良的检测模型；
[0024]步骤4：多线程推理加速；包括：
[0025]步骤4.1：将一段待识别信号通过步骤2.1和步骤2.2获得测试样本集；
[0026]步骤4.2：根据CPU核心线程数量开辟多个线程，将测试样本分配至各线程；
[0027]步骤4.3：各线程并发地将待测样本输入到步骤3.5的模型，加速检测。
[0028]根据本专利技术优选的，步骤1具体实现过程为：
[0029]将信号发生器和高性能微波频谱分析仪设置一致的中心频率，然后使用信号发生器分别发射若干数字正交调制(In
‑
phase and Quadrature,IQ)信号和噪声信号。其中I(同相分量)Q(正交分量)调制信号包含2ASK、2FSK、BPSK、QPSK、8PSK、16PSK、4QAM、16QAM八种调制类型，噪声信号则为纯噪声信号；
[0030]合理设置频谱仪的采样频率和测量时间参数，采样频率应至少为信号发生器中码元速率的2倍，然后根据测量时间记录相应点数的IQ调制信号；
[0031]选择频谱仪保存数据的文件格式，本专利技术为了对信号数据文件进行快速存储读
取，选取了*.dat格式的二进制文件来保存IQ信号；
[0032]使用MATLAB向采集信号加入
‑
4dB至20dB信噪比的高斯白噪声。
[0033]根据本专利技术优选的，步骤2.1中对步骤1获取的信号分帧，即：对步骤1得到的一整段信号进行切割，得到多帧信号，每帧信号以矩阵IQ＝[I,Q]的形式表示，IQ是一个l行2列的实数矩阵，其中IQ的第1列是l点同相列向量I＝[I1,I2,
…
I
l
‑1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，包括步骤如下：步骤1：原始数据采集：获取信号，并添加噪声；步骤2：数据集搭建，包括：步骤2.1：对步骤1获得的信号文件分帧；步骤2.2：得到每一帧的频谱幅值特征向量；步骤2.3：保存特征向量作为样本数据，搭建数据集；步骤3：对样本进行K
‑
均值聚类分析并优化模型，包括：步骤3.1：读入样本数据集，搭建K
‑
均值聚类分析模型；步骤3.2：设置初始聚类中心；步骤3.3：训练模型至算法收敛，测试模型性能；步骤3.4：重复步骤3.2、步骤3.3对模型优化；步骤3.5：保存性能优良的检测模型；步骤4：多线程推理加速，包括：步骤4.1：将一段待识别信号通过步骤2.1和步骤2.2获得测试样本集；步骤4.2：根据CPU核心线程数量开辟多个线程，将测试样本分配至各线程；步骤4.3：各线程并发地将待测样本输入到步骤3.5的模型，加速检测。2.根据权利要求1所述的基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，步骤1具体实现过程为：将信号发生器和高性能微波频谱分析仪设置一致的中心频率，然后使用信号发生器分别发射若干数字正交调制信号和噪声信号，其中IQ调制信号包含2ASK、2FSK、BPSK、QPSK、8PSK、16PSK、4QAM、16QAM八种调制类型，噪声信号则为纯噪声信号；设置频谱仪的采样频率和测量时间参数，采样频率至少为信号发生器中码元速率的2倍，然后根据测量时间记录相应点数的IQ调制信号；选择频谱仪保存数据的文件格式，优选为*.dat格式的二进制文件来保存IQ信号；使用MATLAB向采集信号加入
‑
4dB至20dB信噪比的高斯白噪声。3.根据权利要求1所述的基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，步骤2.1中对步骤1获取的信号分帧，即：对步骤1得到的一整段信号进行切割，得到多帧信号，每帧信号以矩阵IQ＝[I,Q]的形式表示，IQ是一个l行2列的实数矩阵，其中IQ的第1列是l点同相列向量I＝[I1,I2,
…
I
l
‑1,I
l
]
T
，第2列是l点的正交列向量Q＝[Q1,Q2,
…
,Q
l
‑1,Q
l
]
T
。4.根据权利要求3所述的基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，步骤2.2中，对每帧信号进行处理，然后通过傅里叶变换获取其l点的频谱幅值特征向量，具体包括以下几步：第一步，将信号矩阵IQ转换成l点列向量x＝[x1,x2,
…
,x
l
‑1,x
l
]
T
的表示形式，转换公式如下：x＝I+jQ上述公式中，j表示虚数单位，即x的实部为I，虚部为Q；其中x第k点x
k
为：
x
k
＝i
k
+jq
k
,k∈{1,2
…
,l}第二步，通过离散傅里叶变换获取其l点的复数频域矩阵X，公式如下：X＝W
l
x式中X是l点的离散傅里叶变换频域的列向量，即：X＝[X1,X2,
…
,X
l
‑1,X
l
]
T
W
l
是l点的离散傅里叶变换矩阵，定义为：第三步，计算各频点的真实幅值，获取频域幅值特征向量s，s为l点的行向量，即s＝[s1,s2,
…
,s
l
‑1,s
l
‑2]其中第k点s
k
的计算公式为：5.根据权利要求4所述的基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，步骤2.3中，将获取的频域特征向量按照固定的变量名保存到格式为mat的文件中，将其视作1条样本数据；同时根据信号类型按照一定的命名格式对其进行保存，然后通过解析文件名的方式为数据打上标签，即信号或噪声，标签文件保存成csv格式，包含3列数据，第1列是文件路径名称，第2列是调制方式或者噪声，第3列以0或1的标签作为对数据的标定，至此数据集构建完毕。6.根据权利要求5所述的基于K
‑
均值聚类分析与多线程加速的电磁信号快速检测方法，其特征在于，步骤3.1中读入样本数据集，搭建K
‑
均值聚类分析...

【专利技术属性】
技术研发人员：王洪君，范玉奇，程野，
申请(专利权)人：山东大学，
类型：发明
国别省市：