一种频谱异常检测方法与流程

本发明涉及电磁频谱监测领域，尤其涉及一种频谱异常检测方法。

背景技术：

1、目前，随着电磁技术和无线通信技术的快速发展，无线电信号的形式呈现出多样化的趋势，人类对无线电频谱资源的需求越来越强烈，无线电频谱却不是取之不尽用之不竭的。日益增长的应用需求和有限频谱资源之间的矛盾，为电磁频谱的监管和电磁空间的安全保障增加了难度。近年来，业余无线电台、无人机、无线通信设备的个人使用情况越来越普遍，而由于缺乏对电磁空间安全的认识，非法入侵无线通信频段的事例时有发生，甚至出现民航无线电受到干扰，发生安全事故。

2、现有的电磁频谱异常检测方法主要包括两大类：一类是利用频谱分析的方法，通过分析频谱特征参数的变化，来判断频谱状态是否发生异常；另一类是对电磁频谱数据，利用有监督的机器学习算法进行二分类处理，从而判断频谱异常与否，如：支持向量机，朴素贝叶斯分类方法等。

3、现有的电磁频谱异常检测方法在实际应用过程中，主要存在两方面的问题。一方面，在实际无线电传播频段中，大部分时间无线电信号都是处于正常工作的状态，发生异常的概率相对比较小；而且，由于无线电系统的组成及工作过程较为复杂，系统内部故障和外部干扰信号等多种原因，都可能导致系统检测端频谱信号发生异常，从而使得频谱异常样本获取难度大，上述有监督的检测方法难以充分掌握经验知识，从而影响到检测精度；另一方面，现有方法主要基于特定任务和场景，电磁频谱异常信号的类型采用人为标准定义，导致其在实际应用中具有局限性。

技术实现思路

1、针对现有电磁频谱异常监测方法存在的难以获取频谱异常样本导致检测精度受限以及在实际应用中的局限性的问题，本发明公开了一种频谱异常检测方法和装置，其在训练建立检测模型时不需要利用频谱异常时的数据，解决了现有算法大都是基于有监督的方法进行分类的问题和异常信号类型采用人为标准定义的局限性。

2、本发明公开了一种频谱异常检测方法，其包括：

3、s1，采集得到无线电信号数据；将采集得到的无线电信号数据，作为待处理数据；对待处理数据进行短时傅里叶变换，得到短时傅里叶变换数据；

4、s2，根据短时傅里叶变换数据的类别构成信息和参数信息，对短时傅里叶变换数据进行分类提取处理，得到通道数据；利用通道数据构建第一图片数据；对第一图片数据进行正向标签设置，得到第一标签数据；

5、所述短时傅里叶变换数据的类别构成信息包括实数数据信息和虚部数据信息，所述短时傅里叶变换数据的参数信息包括功率数据信息和相位数据信息；

6、s3,建立第一检测模块和第二检测模块；对第一检测模块和第二检测模块分别进行初始化处理，分别得到第一检测模块和第二检测模块的参数初始值；

7、利用第一图片数据和第一标签数据，对第一检测模块和第二检测模块分别进行参数更新，分别得到参数更新后的第一检测模块和参数更新后的第二检测模块；

8、利用参数更新后的第二检测模块，建立电磁频谱异常检测模型；

9、s4，利用电磁频谱异常检测模型对通道数据进行处理，得到电磁频谱异常检测模型的输出数据；对所述输出数据进行判别和统计，得到电磁频谱异常的发生概率。

10、所述的短时傅里叶变换的窗函数为w长度的hamming窗；所述的短时傅里叶变换的重叠样本数为2/3*w，采样频率为fs；所述待处理数据的长度为l，采样频率为fs。

11、所述步骤s2，包括：

12、根据短时傅里叶变换数据的类别构成信息和参数信息，对短时傅里叶变换数据进行分类提取处理，得到短时傅里叶变换数据的实部数据、虚部数据、功率数据和相位数据；对短时傅里叶变换数据的实部数据、虚部数据和功率数据或相位数据进行整合处理，得到通道数据；利用通道数据构建第一图片数据；将第一图片数据的标签设置为1，得到第一标签数据。

13、所述步骤s3，包括：

14、s31，利用深度神经网络模型，分别建立第一检测模块和第二检测模块；生成第一随机矩阵数据，利用第一随机矩阵数据对第一检测模块和第二检测模块分别进行训练，完成第一检测模块和第二检测模块的初始化处理，得到第一检测模块和第二检测模块的参数初始值；将循环次数设置为初始值；

15、s32，生成第二随机矩阵数据；将第二随机矩阵数据输入第一检测模块，得到第一检测模块的输出矩阵，将第一检测模块的输出矩阵作为第二图片数据；对第二图片数据进行负向标签设置，得到第二标签数据；

16、s33，将第一图片数据和第一标签数据输入第二检测模块，得到第一判别结果数据；将第二图片数据和第二标签数据输入第二检测模块，得到第二判别结果数据；利用第一判别结果数据和第二判别结果数据之间的差异值，对第二检测模块进行参数更新，得到参数更新后的第二检测模块；

17、s34，对第二图片数据进行正向标签设置，得到第三标签数据；将第二图片数据和第三标签数据输入参数更新后的第二检测模块，得到第三判别结果数据；利用第三判别结果数据的标签数据与第三标签数据之间的差异值，对第一检测模块进行参数更新，得到参数更新后的第一检测模块；使循环次数增加1；

18、s35，判断是否满足更新停止条件，若未满足更新停止条件，则将参数更新后的第一检测模块作为第一检测模块，将参数更新后的第二检测模块作为第二检测模块，返回步骤s32，继续对第一检测模块和第二检测模块进行参数更新；若满足更新停止条件，则将参数更新后的第二检测模块，作为电磁频谱异常检测模型。

19、所述利用第一判别结果数据和第二判别结果数据之间的差异值，对第二检测模块进行参数更新，得到参数更新后的第二检测模块，包括：

20、将第一判别结果数据和第二判别结果数据数据输入代价函数，利用代价函数对第一判别结果数据和第二判别结果数据进行处理，得到误差代价函数；利用误差代价函数，求得误差代价函数对于第二检测模块的参数的偏导数；对所述偏导数进行转换处理，得到参数更新值；利用参数更新值对第二检测模块的参数进行更新，得到参数更新后的第二检测模块。

21、所述对所述偏导数进行转换处理，得到参数更新值；利用参数更新值对第二检测模块的参数进行更新，得到参数更新后的第二检测模块，包括：

22、所述偏导数表达式为ki表示第二检测模块的第i个参数，e表示误差代价函数，对所述偏导数进行转换处理的计算公式为：

23、

24、其中，δki为第二检测模块的第i个参数的参数更新值，π为圆周率常数值；

25、利用参数更新值与上一轮参数更新后得到的第二检测模块的对应参数进行相乘，得到更新后的第二检测模块的参数。

26、所述判断是否满足更新停止条件，包括：

27、判断循环次数是否超过设置阈值，或者对第三判别结果数据的标签数据与第三标签数据进行差异性判别；

28、所述判断循环次数是否超过设置阈值，当循环次数超过设置阈值时，认为满足满足更新停止条件，当循环次数未超过设置阈值时，认为不满足更新停止条件；

29、所述对第三判别结果数据的标签数据与第三标签数据进行差异性判别，包括：

30、对第三判别结果数据的标签数据和第三标签数据分别进行自回归-滑动平均模型建模处理，得到第一自回归-滑动平均模型和第二自回归-滑动平均模型；提取得到两个自回归-滑动平均模型的系数向量，计算得到系数向量的互相关矩阵；对所述互相关矩阵进行特征值分解操作，得到所述互相关矩阵的最大特征值；对最大特征值进行判断，当最大特征值大于差异性判别阈值时，认为不满足更新停止条件，当最大特征值小于等于差异性判别阈值时，认为满足更新停止条件。

31、所述步骤s4，包括：

32、s41，按照图片像素矩阵数据维度，对通道数据进行拆分处理，得到若干个单张图片数据；

33、s42，将每个单张图片数据输入电磁频谱异常检测模型，得到单张图片数据的电磁频谱异常检测模型的输出数据；

34、s43，对所述单张图片数据的电磁频谱异常检测模型的输出数据进行判断处理，得到单张图片数据的频谱异常判别结果；

35、s44，对所有单张图片数据的频谱异常判别结果与单张图片数据数目进行统计处理，得到电磁频谱异常的发生概率。

36、所述对所述单张图片数据的电磁频谱异常检测模型的输出数据进行判断处理，得到单张图片数据的频谱异常判别结果，包括：

37、所述单张图片数据的电磁频谱异常检测模型的输出数据表示为outputs，单张图片数据的频谱异常判别结果表示为labels，判断处理过程表示为：

38、

39、其中，如果labels等于1，认为该张图片数据对应的频谱是正常工作状态，如果labels等于0，认为该张图片数据对应的频谱出现异常。

40、所述对所有单张图片数据的频谱异常判别结果与单张图片数据数目进行统计处理，得到电磁频谱异常的发生概率，包括：

41、将所有单张图片数据的频谱异常判别结果进行求和，得到异常判别结果发生次数；利用所述异常判别结果发生次数与单张图片数据数目进行除法运算，得到电磁频谱异常的发生概率。

42、本发明的有益效果为：

43、1、本发明提供的方法，可以通过将短时傅里叶变换后形成的图片输入第一检测模块学习到频谱正常工作时候的统计分布规律，然后建立判别第二检测模块，由于频谱发生异常时，其统计分布规律必然发生变化，这样便可以判断频谱是否发生异常。本发明方法充分利用了电磁频谱数据的统计信息，简化了判别流程，解决了传统方法获取频谱异常样本导致检测精度受限以及在实际应用中的局限性的问题。

44、2、本发明通过对所接收的电磁频谱数据的统计规律的变化，来实现对其频谱异常的判别，不需要人工监督，因此避免了人工主观臆断所导致的误判，提升了频谱异常监测识别的准确率。

45、3、本发明通过数据处理得到了更多有利于分析频谱统计特征的信息，如功率信息和相位信息，这些与原始数据以及实部虚部数据之间都是非线性关系，增加了网络的敏感度和信息范围，另外又增加了对用户感兴趣和不感兴趣区域的挑选过程，提供了模板滤波形式，使分析更加高效灵活。