[发明专利]基于深度学习的无线信号检测与电磁干扰分类系统及方法

说明书

本发明公开了一种基于深度学习的无线信号检测与电磁干扰分类系统及方法，利用分布式部署的频谱监测节点获得的观测数据，基于复值观测数据并行执行两类信号特征挖掘，得到无线信号检测数据集和电磁干扰分类数据集，并基于两类数据集并行训练两组卷积神经网络，再利用训练后的两组卷积神经网络分别检测无线信号和执行电磁干扰分类。有益效果：有利于提高无线信号检测和电磁干扰分类的准确性，对两类数据集执行泛化奇异值分解和空间划分，能消除加性噪声并抑制来自相邻信道的串扰，增强数据的真实性，且无线信号检测和电磁干扰分类并发进行，效率高、响应快。

技术领域

本发明涉及无线通信技术领域，具体的说是一种基于深度学习的无线信号检测与电磁干扰分类系统及方法。

背景技术

无线频谱的合理规划和严格监管是促进无线频谱资源有序和高效利用的关键。在复杂的无线通信环境中，必须在宽频、广域范围内执行分布式无线频谱监测，导致频谱监测数据泛滥。为了能够从海量和复杂的频谱监测数据集中提取有价值的频谱使用信息，需要设计精准、高效的分析、识别和分类算法。通过对无线通信环境中频谱资源的智能监测和分析，既能为频谱接入方案和通信体制设计提供技术指导，也能为异构多网共存与融合提供条件支持。

认知物联网(Cognitive Radio based Internet of Things,CR-IoT)将量大面广的设备永远连接到互联网，频谱需求量大，必须利用调制识别搜索无干扰频带，基于智能干扰抑制和频谱管理策略，实现与其他无线通信系统共存。为了掌握无线通信环境的干扰状况，频谱监管部门必须监测无线频谱的使用情况，通过工程分析判断授权频段是否存在干扰源，确保合法用户的权益，防止受到有害干扰。

基于通信信号处理技术的无线信号检测，如循环平稳特征检测及其与支持向量机(SVM)、决策树、K近邻(K-NN)和神经网络(NN)等机器学习融合，需要基于高阶矩提取无线信号特征，时间开销大，处理复杂度高。近年来，深度学习，特别是卷积神经网络(Convolutional Neural Network,CNN)已广泛应用于图像识别、语音识别和机器翻译等领域，将其应用于无线信号检测也引起关注。Shea等人利用时域同相和正交(I/Q)数据训练CNN，能获得比基于高阶矩的信号特征检测和基于决策树及朴素贝叶斯的信号检测更高的性能；Selim等人利用幅度和相位差数据训练CNN，能提高对雷达信号的检测精度；Akeret等人利用二维时域数据训练CNN，能准确检测射频干扰；Schmidt等人利用频域数据训练CNN，进而识别免授权(ISM)频段干扰；Yao等人也提出了一种针对移动监测数据的通用学习框架。但上述方法需要利用特定的信号特征和基础数据模型，但如何选择信号特征、如何构建基础数据模型仍面临挑战。

发明内容

针对上述问题，本发明提供了一种基于深度学习的无线信号检测与电磁干扰分类系统及方法，利用分布式部署的频谱监测节点获得的观测数据，利用卷积神经网络实现无线信号检测和电磁干扰分类利用。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于深度学习的无线信号检测与电磁干扰分类系统，其关键技术在于：包括接收信号预处理与特征挖掘单元与卷积神经网络信号检测与干扰分类单元；

所述接收信号预处理与特征挖掘单元设置有依次连接的AP模块和FM模块；所述AP模块的输入端连接有无线频谱监测装置，该无线频谱监测装置用于对天线接收信号进行处理后得到观测数据，所述AP模块对观测数据进行解析处理，并输出复值信号；所述FM模块包括无线信号检测数据挖掘块和电磁干扰分类数据挖掘块；所述无线信号检测数据挖掘块用于对所述复值信号进行检测数据挖掘，得到无线信号检测数据集；所述电磁干扰分类数据挖掘块用于对所述复值信号进行分类数据挖掘，得到电磁干扰分类数据集；