专利名称：异动通信信号检测技术的制作方法
技术领域：
本发明涉及无线电通信信号的截获技术，涉及通信信号的数据挖掘技术，即，通过学习掌握通信信号活动规律，判断通信信号是否发生异常变化。
背景技术：
常用的无线电通信电台都是有活动规律的，如民用电台、广播电台等都是在特定时间、空间和功率下进行工作，通过侦察可以发现电台活动规律，建立模本。电台工作时要发射无线电信号，截获信号能掌握电台活动情况，与模本比较，可以发现电台活动是否正常。如果截获的某信号与模本在时间、功率谱幅度等不一致，该频点发生异常或出现新信号，此时的信号称异动信号。异动信号发现具有重要意义，一是判断某电台是否按照规定的要求工作，可以因此检测违规信号，为无线电监测和管理服务；二是军事上能快速引导侦察和干扰，提高对抗效率；三是能反映无线电信号对抗的激烈程度，评估电磁环境，为评估电磁态势提供依据。然而，由于通信电台的大量使用，背景信号越来越多，电磁环境越来越复杂，因此， 采用基于构造型神经网络的聚类算法对信号数据预处理，平滑噪声，减小噪声的影响，但是，由于信号动态范围大，不同信号功率谱幅度相差很大，又采用商空间粒度分析理论改善聚类算法，提高数据预处理能力，提高异动信号检测效率。
发明内容
本发明采用构造型神经网络和商空间粒度分析理论对无线电搜索接收机截获的信号数据进行聚类，减轻噪声的影响，再根据信号功率、时间的关联特性，提出周期对比法， 判断信号是否出现了异常的变化，若发生了异常的变化，则判为异动信号。
具体实施方式
如下。(1)周期对比法这里先介绍周期对比法的异动信号检测问题。这种方法主要借助于常规通信电台在活动时间和信号幅度上相对稳定的特性。时幅关联比较法的基本思路是在采用基于构造型神经网络对前期η周期的训练样本进行聚类分析的基础上，统计提取常规通信电台活动的时间和幅度变化规律，并将其作为模本。测试时，把测试样本的同模本进行比较，检测是否异动信号。(2)数据预处理为了平滑噪声的影响，采用聚类算法对截获数据预处理，这里采用基于构造型神经网络聚类算法进行预处理，这是因为构造型神经网络与BP神经网络相比，运算复杂度大大下降，适合处理大规模数据。另外，构造型神经网络在增量学习等方面比一般前馈神经网络更有优势。由于无线电通信信号动态范围大，不同信号功率谱幅度相差很大，对检测数据聚类时采用同一粒度分析显然是不合理的。因此，引入商空间粒度分析理论改进聚类算法。
图1是2009年3月22日至M日频率为157^KHz信号原始时频图，图2为经聚类预处理后时幅图。(3)异动信号发现对经过预处理后的信号的时频活动规律提取，再判别测试数据是否异常。如图2， 对前期2天的训练样本进行聚类分析的基础上，统计提取常规通信电台活动的时间和幅度变化规律，并将其作为模本，将第3天数据作为测试样本检测第3天数据是否异常，以此判断该信号是否异动通信信号。
权利要求
1.异动通信信号检测的方法时频相关法每个通信信号都有自己活动规律，但第三方信号，一般不知其活动的规律，只有经过观察，才能发现其规律，因此，必须对采集的数据进行针对性分析。这里我们对信号数据的时域和频域特征相互关联，发现异动信号。
2.数据预处理技术采用聚类方法对截获数据进行预处理。采用构造型神经网络对无线电搜索接收机截获的信号数据进行聚类，减轻噪声的影响，平滑截获信号在幅度上的起伏。
3.采用粒度分析理论改进聚类方法由于无线电通信信号动态范围大，不同信号功率谱幅度相差巨大，在聚类过程中引进商空间粒度分析方法，提高聚类效果。
4.周期对比法检测异动信号再根据信号功率、时间的关联特性，提出周期对比法，判断信号是否出现了异常的变化，若发生了异常的变化，则判为异动信号。 具体过程见说明书。
全文摘要
采用构造型神经网络对无线电搜索接收机截获的信号数据进行聚类，减轻噪声的影响，再根据信号功率、时间的关联特性，提出周期对比法，判断信号是否出现了异常的变化，若发生了异常的变化，则判为异动信号。
文档编号H04W24/04GK102469481SQ20101053296
公开日2012年5月23日 申请日期2010年11月1日 优先权日2010年11月1日
发明者王伦文 申请人:中国电子科技集团公司第三十六研究所, 王伦文