寬帶頻譜序列干擾信號識別與統(tǒng)計方法?

王利云 劉 奇 陳卯蒸 劉 曄 王 玥 朱春花 王洋

(1 新疆大學物理科學與技術學院 烏魯木齊 830046)

(2 中國科學院新疆天文臺 烏魯木齊 830011)

1 引言

射電天文望遠鏡具有極高的靈敏度,可捕捉來自宇宙的微弱信號,但極易受到其他業(yè)務(如: 通訊業(yè)務、廣播業(yè)務等)的干擾,且隨著科學技術的不斷進步,臺址內(nèi)各類電子、商用設備使得臺站電磁環(huán)境變得越來越復雜[1],導致射電天文臺站的頻譜分析和射頻干擾信號識別、標記、統(tǒng)計等工作尤為困難和重要.

射電天文望遠鏡建設前期會選擇合適的觀測臺址并建立射電寧靜區(qū),建設及運行階段將對臺站內(nèi)各類電子設備進行屏蔽,可以緩解甚至消除臺址內(nèi)電磁干擾的影響,臺址外電磁干擾依據(jù)射電寧靜區(qū)管理辦法進行協(xié)調(diào).平方千米陣列(Square Kilometer Array,SKA)和中國FAST (Five hundred Meters Aperture Spherical Telescope)都在射電天文臺站周圍建立電磁環(huán)境監(jiān)測站[2–3],以便對監(jiān)測頻譜中干擾進行識別,并為確定干擾源及排除干擾源提供依據(jù).然而,監(jiān)測頻譜數(shù)量隨著時間增加,寬帶頻譜中信號繁雜,降低了人工識別信號的準確度,也增加了信號在時間、方向和極化上的統(tǒng)計難度.由此可見,寬帶頻譜序列干擾信號的識別及統(tǒng)計方法的研究,對射電天文臺站射頻干擾緩解意義重大.

現(xiàn)有的信號識別方法主要有統(tǒng)計模式識別算法、似然函數(shù)比較分類識別算法、基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)和長短期記憶(Long Short Term Memory,LSTM)的瞬態(tài)射頻干擾分類方法等.統(tǒng)計模式識別算法是從已知信號樣本中提取特征參數(shù)并給定誤差對信號進行識別,該方法在低信噪比的情況下難以提取信號特征參數(shù),識別能力低[4–5].似然函數(shù)比較分類識別算法是通過對信號的似然函數(shù)進行處理,得到用于分類的充分統(tǒng)計量,但該方法需要許多先驗知識,否則將導致計算量大,難以實時處理[5].基于卷積神經(jīng)網(wǎng)絡和長短期記憶的瞬態(tài)射頻干擾分類方法是針對時域瞬態(tài)信號分類,該方法需要事先建立數(shù)據(jù)樣本庫[1].

綜上所述,統(tǒng)計模式識別方法、似然函數(shù)比較分類識別算法、基于卷積神經(jīng)網(wǎng)絡和長短期記憶的瞬態(tài)干擾分類方法都需要先驗知識,很難對寬帶頻譜中的干擾進行實時識別及統(tǒng)計.然而,隨著數(shù)字技術和無線通訊技術的發(fā)展,信號種類日益增多,信號特征越來越復雜,人工識別信號和提取信號特征的難度越來越大,人工建立數(shù)據(jù)庫也越來越困難,在后續(xù)統(tǒng)計過程中不易實時更新數(shù)據(jù)庫.

本文針對寬帶頻譜序列,提出了一種干擾信號識別及統(tǒng)計方法.該方法處理流程如圖1所示:(1)針對獲取的第1組頻譜進行信噪分離(Signal Noise Separation,SNS),檢測和識別寬帶頻譜中的各類信號,將信號特征信息存入信號模板庫;(2)對獲取的后續(xù)寬帶頻譜I(I=1,2,···),對每組寬帶頻譜進行信噪分離,檢測和識別寬帶頻譜中的各類信號,檢測識別后的信號與模板庫中對應頻率的信號進行相似性分析、統(tǒng)計信號次數(shù)、更新模板庫,實現(xiàn)頻譜序列中干擾信號的識別與統(tǒng)計.

2 信號處理方法

2.1 需求分析

實現(xiàn)寬帶頻譜序列中干擾信號的識別與統(tǒng)計需確定如下信號處理問題:

(2)研究信號識別方法,確保寬帶頻譜內(nèi)的各類信號有效識別;

(3)依據(jù)識別的干擾信號,提取信號關鍵特征信息,建立信號模板庫;

(4)選取信號相似性分析方法,分析頻譜序列中干擾信號與信號模板庫中信號的相似性,統(tǒng)計信號次數(shù)、更新信號模板庫,實現(xiàn)寬帶頻譜序列中干擾信號的識別和統(tǒng)計.

2.2 信噪分離方法

信號分離方法采用頻譜噪聲統(tǒng)計法[6],該方法在無線電頻譜監(jiān)測中應用較多,且算法簡單,文獻[7]對該方法進行優(yōu)化,數(shù)據(jù)處理流程如下.

圖1 頻譜序列干擾識別及統(tǒng)計流程Fig.1 Interference identification and statistical process of the spectral sequences

步驟1:頻段劃分.對于給定的2維頻譜信號P{F,V}進行頻段劃分,每個頻段包含m個樣本點.其中F表示頻率信息,V表示幅度信息,頻譜信號P包含n個樣本點.分頻段后的頻譜信號P可表示為:

其中,k1是頻段數(shù)表示向左取整,i=1,2,···,k1.

步驟2:計算信噪分離閾值.對每個頻段Si幅度值從小到大排序,計算前20%幅度值的平均值則每個頻段的閾值可表示為:

萊西市人大常委會以更好地發(fā)揮人大代表作用為切入點，以推進司法監(jiān)督工作為目標，立足本職，勇于實踐，積極探索人大代表旁聽法院案件庭審工作，形成了“一二四”工作方法，為推動庭審公開、司法公正發(fā)揮了積極作用，為促進法治社會、和諧社會建設發(fā)揮了重要作用。

其中,δ為修正系數(shù),文獻[6]中建議取值為δ∈[3,5].頻譜中每個頻點對應的信噪分離閾值ts為:

其中,s=1,2,···,n.

對實測數(shù)據(jù)統(tǒng)計分析,頻譜中信號最大帶寬為30 MHz,結合文獻[7]設置頻譜帶寬為30 MHz.如(2)式中δ設置過大,影響微弱信號的檢測能力,δ設置過小可能將噪聲誤認為信號;故針對實測的頻譜樣本進行分析,分析結果如圖2所示,結合文獻[8]中對δ的推薦值,取δ=4.5.

圖2 修正系數(shù)δ與信噪分離閾值的關系Fig.2 Relationship between correction factor δ and SNS threshold

2.3 信噪識別方法

傳統(tǒng)的信號識別方法中,大于信噪分離閾值的認為是信號,小于閾值的認為是噪聲;這種方法忽略了信噪分離閾值對單個干擾信號的影響,存在將一個信號誤認為是多個信號的可能.如圖3給出了實測頻譜中的信號樣本,可以看出傳統(tǒng)的信號識別方法可能將一個信號誤判為多個信號,故本文引入邊界修正系數(shù)α,提高信號識別的準確性.信號識別流程方法如下.

圖3 傳統(tǒng)的信號識別方法Fig.3 Traditional signal recognition

步驟1:尋找小于SNS閾值的波谷N:

(4)式中,r=1,2,···,t.N為一維矩陣,表示小于SNS閾值的波谷的采樣點序號集合,Nr表示小于SNS閾值的波谷的采樣點序號,t為該頻譜中小于SNS閾值波谷的數(shù)量.

步驟2:尋找頻譜與SNS閾值的交點.用頻譜P幅度值序列與對應的SNS閾值比較,如果第s個幅度值小于等于對應的SNS閾值,且第s+1個幅度值大于對應的SNS閾值,則第s+1個采樣點作為信號的左突變點;如果第s個幅度點大于對應的SNS閾值,且第s+1個幅度點小于等于對應的SNS閾值,則將第s個采樣點作為信號的右突變點.

(5)式中,j=1,2,···,l.l為頻譜中干擾信號左(右)突變點數(shù),vs表示第s個采樣點對應的幅度值,vs+1表示第s+1個采樣點對應的幅度值;ts表示第s個采樣點對應的SNS閾值,ts+1表示第s+1個采樣點對應的SNS閾值,(6)–(7)式中,L為一維矩陣,表示信號左突變點,Lj表示左突變點的樣本點序號;R為一維矩陣,表示信號的右突變點,Rj表示右突變點的樣本點序號.

步驟3:邊界整合.通過判斷(6)–(7)式中左右突變點之間的頻率值間的差值與修正系數(shù)α的關系,確定信號提取時的信號邊界,以此來降低信噪分離閾值對信號提取的影響.當j>1時,如果第j個左突變點的頻率值減去信號邊界閾值α小于等于第j?1個右突變點的頻率值時,則從L中刪除第j個左突變點,從R刪除第j?1個右突變點.

(8)式中,Lj=0與Rj?1=0表示刪除并非賦值為0.fLj表示第Lj個左突變點對應的頻率值,fRj?1表示第Rj?1個右突變點對應的頻率值.

步驟4:確定信號邊界.將離左(右)突變點最近的波谷頻率對應的信號作為信號的左(右)邊界.如果第r個波谷采樣點序號小于等于第j個左(右)突變點,且第r+1個波谷大于等于(大于)第j個左(右)突變點,則將第r(r+1)個波谷頻率作為信號的左(右)邊界.

(9)式中,k=1,2,···,e,e為該頻譜中包含的信號個數(shù).

用H向量表示對應頻譜P中包含的信號,識別出的信號用Ho表示.則有

(11)式中,Lo表示第o個信號的起始頻率在頻譜P中對應的序號,Ro表示第o個信號的終止頻率在頻譜P中對應的序號.

(8)式中引入邊界修正系數(shù)α,α設置過小,導致1個信號被誤認為多個信號;α設置過大將相鄰的多個信號及噪聲被誤判為1個.對實測樣本數(shù)據(jù)進行分析,取α=3 MHz時,信號誤判率較低,表1給出了隨機3組頻譜在不同α下信號識別的個數(shù),可以看出,本文的信號識別方法與傳統(tǒng)信號識別方法相比,減少了將多個信號誤判為1個信號的概率.

表1 不同α值下信號提取個數(shù)Table 1 Number of signal extractions under different α values

2.4 信號模板庫建立考慮

2.3節(jié)給出了寬帶頻譜的干擾信號識別方法,對于信號識別后獲得的各類信號,需提取信號完整的特征信息,存入信號模板庫,為進一步的信號相似性分析提供支撐.信號特征信息主要包括信號的起始頻率(Starting Frequency,SF)、終止頻率(Termination Frequency,TF)、帶寬(Bandwidth,B)、幅度(Amplitude,A)、信號方向(Direction,D)、時間(Time,T)、極化(Polarization,P)、信號來源(Source,S)等,其中,信號來源信息獲取依據(jù)《中華人民共和國無線電頻率劃分規(guī)定》[8].將完整的信號信息存入信號模板庫.信號模板庫包含數(shù)值表和特征信息表,數(shù)值表包含信號的幅度向量,特征信息表包含信號的起始頻率、終止頻率、帶寬、方向、極化、時間和來源等信息.信號模板庫結構如圖4所示.

圖4 模板庫結構框圖Fig.4 Structure diagram for template database

2.5 信號相似性分析方法

通過信號相似性判斷兩個信號是否來自于同一信號,采用計算兩個信號的皮爾遜系數(shù)的方式來分析模板信號x與樣本信號y的相似程度.皮爾遜系數(shù)廣泛用于度量兩個變量之間相關程度,其優(yōu)點在于:(1)能夠區(qū)分正相關與負相關;(2)對相關程度的變化敏感;(3)在線性和非線性情況下都只有較小的誤差[9–10].皮爾遜系數(shù)可表示為:

(12)式中,b為信號x或y包含的樣本點個數(shù),a=1,2,···,b.

皮爾遜系數(shù)的絕對值|ρx,y|∈[0,1],|ρx,y|的值越趨近于1,表明信號x與信號y相似程度越高,|ρx,y|的值越趨近于0,表明信號x與信號y相似度程度越低.通過ρx,y分析2個信號的相似性,確定相似閾值γ,若ρx,y大于γ,認為兩個信號相似,反之則不相似.

相似閾值γ的選取影響信號相似分析的精度,文獻[9–10]建議γ取0.4;另外,我們針對實測樣本進行分析,不同γ取值信號相似分析的誤判數(shù)量如圖5所示.綜上分析,相似閾值γ設置為0.4.

圖5 γ取值對信號相似性分析的影響Fig.5 Influence of γ on signal similarity analysis

3 頻譜序列信號統(tǒng)計方法

依據(jù)第2節(jié)給出的信號處理方法,頻譜序列干擾信號統(tǒng)計方法如下:

步驟1:建立信號模板庫,即針對獲取的第1組寬帶頻譜,依照2.2節(jié)給出的信號分離方法實現(xiàn)寬帶頻譜的信噪分離;按照2.3節(jié)提出的信號識別方法實現(xiàn)寬帶頻譜中各類信號識別;按2.4節(jié)建立模板庫的要求,提取識別出的信號特征信息,包括起始頻率、終止頻率、帶寬、幅度、信號方向、時間、信號來源存入信號模板庫,完成信號模板庫的建立.

步驟2: 信號統(tǒng)計,統(tǒng)計流程如圖6所示.(1)針對后續(xù)獲取的寬帶頻譜,每組寬帶頻譜經(jīng)過信號識別,提取信號的特征信息; (2)依據(jù)提取的信號特征信息,檢索信號模板庫中是否存在相關信號,依照2.5節(jié)提出的信號相似性分析方法,計算兩個信號的相似性;(3)若識別的信號為模板庫中現(xiàn)有信號,依據(jù)信號來源,統(tǒng)計信號次數(shù); (4)若識別的信號與模板庫中現(xiàn)有信號不相關,提取該信號特征信息,存入信號模板庫.

4 實例分析

QTT臺址電波環(huán)境測量方法依據(jù)文獻[11]提出的準實時電波環(huán)境測量方法,測量及數(shù)據(jù)信息如下: 測試天線的3 dB波束寬度為60?,360?覆蓋6個測試方向,單次測量時間為12 min,1輪共計6個測量方向,1 d 24 h共計19輪測量數(shù)據(jù); 運用干擾信號統(tǒng)計方法對4 d共456組寬帶頻譜數(shù)據(jù)進行統(tǒng)計,其中一半數(shù)據(jù)為采用水平極化(Horizontal Polarization,H)方式測量,另一半為采用垂直極化(Vertical Polarization,V)方式測量.表2統(tǒng)計了不同方向、采用不同極化方式測量頻譜序列中干擾信號的次數(shù); 同時,針對1 d 24 h水平極化和垂直極化測量數(shù)據(jù)進行統(tǒng)計,結果如圖7所示.依據(jù)統(tǒng)計結果,分析如下: (1) 2135.4–2144.6 MHz為中國聯(lián)通信號(China Union,CU),全方向、全時段、采用水平和垂直極化方式均能測量到.(2) 2187.5–2196.1 MHz的瞬態(tài)信號(Transient Signal,TS)來自120?和180?方向,該信號由3–5個帶寬為0.3 MHz左右的窄帶信號組成,采用水平極化方式和垂直極化方式均能測量到該信號,水平極化測量結果強度更為明顯,該信號來源可能為數(shù)字通信信號,需進一步排查信號來源.(3) 2429.1–2475.1 MHz為WLAN信號,來自60?、120?和180?方向,該信號工作時間與人們的作息時間相關.(4) 2489.7–2492.7 MHz的點對點無線通信業(yè)務(Point-to-point wireless communication,PTPWC)來自120?和180?方向,該信號為固定信號,強度相對穩(wěn)定.

圖6 信號統(tǒng)計流程圖Fig.6 The flow chart of signal statistics

表2 頻譜序列干擾信號統(tǒng)計Table 2 Interference signal statistics of spectral sequences

圖7 1 d 24 h頻譜序列信號統(tǒng)計Fig.7 Signal statistics of 24-hour spectrum sequence in 1 day

5 結論

本文基于射電天文臺站頻譜分析需求,提出了一種寬帶頻譜干擾信號識別及統(tǒng)計方法,該方法可有效統(tǒng)計射電天文臺站監(jiān)測頻譜中的干擾信號,為進一步的干擾信號特征分析和干擾消解提供依據(jù).但是,該方法依舊存在以下不足,需要在未來的工作中改進:(1)信號識別方法需要進一步優(yōu)化,確保同一信號識別的一致性; (2)針對信號模板庫中信號檢索算法需要進一步優(yōu)化,提高數(shù)據(jù)處理效率.