一种汽车遥控干扰信号的监测识别与定位方法与流程

本发明涉及一种通信领域，尤其涉及一种汽车遥控干扰信号的监测识别与定位方法。

背景技术：

在大型商场、大型文化娱乐广场或体育中心、社区周边等各种公共露天停车场所，由于不法分子使用各种形式的汽车干扰器，针对汽车遥控信号实施干扰或拦截，从而盗窃汽车，并且此类案件在全国范围时有发生，并有日趋严重之势，而犯罪分子作案手段极其隐蔽，用常规手段很难发现，因此，即使在有保安看管的公共露天停车场，保安也很难发现犯罪分子正在若无其事地实施盗车或盗窃车上的财物。

目前，市场上还没有专门的设备对此类犯罪（即：通过干扰或拦截汽车遥控信号进行盗车或盗窃车上的财物的犯罪）进行监测、识别与定位。虽然在国家、省、市无线电管理部门有专门的仪器设备对无线电信号进行监测，但该仪器复杂、成本较高，很少用于上述所说的此类犯罪现象的监控并且效果不好。

因此，设计一种专门针对此类犯罪现象进行监测、识别与定位的方法已成为亟待解决的问题。

技术实现要素：

本发明所要解决的技术问题在于，提供一种汽车遥控干扰信号的监测识别与定位方法，精确度高，可有效打击盗窃汽车或盗窃汽车内的财物的行为，保证公民财产安全。

为了解决上述技术问题，本发明提供了一种汽车遥控干扰信号的监测识别与定位方法，包括：无线传感网络融合中心根据所要定位的目标信息生成并发送定位指令至无线传感网络阵列节点；所述无线传感网络阵列节点监测汽车遥控干扰信号源并将监测到的汽车遥控干扰信号源发送至所述无线传感网络融合中心；所述无线传感网络融合中心识别汽车遥控干扰信号源；所述无线传感网络融合中心定位汽车遥控干扰信号源。

作为上述方案的改进，所述无线传感网络阵列节点监测汽车遥控干扰信号源的步骤包括：对采集到的汽车遥控干扰信号源添加广义随机共振噪声，通过最优共振噪声选择算法，借助偏移系数确定所添加的广义随机共振噪声的最优幅值，使广义随机共振噪声的最优幅值与汽车遥控干扰信号源中的直流产生广义随机共振；对共振后的汽车遥控干扰信号源进行采样和能量累加得到检测统计量，通过最佳阀值算法并根据最小平均错误概率准则确定最佳检测门限，将最佳检测门限与检测统计量进行比较以输出信噪比最大的监测信号。

作为上述方案的改进，所述无线传感网络融合中心识别汽车遥控干扰信号源的步骤包括：从无线传感网络阵列节点发送的汽车遥控干扰信号源中提取识别特征，所述识别特征包括时域特征及变换域特征，所述时域特征包括信号的瞬时幅度、瞬时相位和瞬时频率的直方图或统计参数，所述变换域特征包括频谱特征、功率谱、谱相关函数、高阶矩、时频分布及统计参数；根据所述识别特征判断汽车遥控干扰信号源的调制样式并输出识别信号。

作为上述方案的改进，所述调制样式包括统计模式识别方法、决策理论方法及人工神经网络方法。

作为上述方案的改进，采用模糊C-均值聚类算法、K-均值聚类算法或多传感器节点协作算法，从无线传感网络阵列节点发送的汽车遥控干扰信号源中提取识别特征。

作为上述方案的改进，所述从无线传感网络阵列节点发送的汽车遥控干扰信号源中提取信号的时域特征和变换域特征之前还包括：对所述无线传感网络阵列节点发送的汽车遥控干扰信号源进行预处理以分离出独立的汽车遥控干扰信号源。

作为上述方案的改进，所述预处理包括信号下变频、同相和正交分量分解、载频估计和载频分量的消除。

作为上述方案的改进，所述无线传感网络融合中心定位汽车遥控干扰信号源的步骤包括：所述无线传感网络融合中心根据定位信息构建非线性定位方程，所述定位信息包括经识别的汽车遥控干扰信号源、无线传感网络阵列节点的分布信息及定位优化算法，所述定位优化算法包括TDOA 及GROA；通过构建加权最小二乘法求解非线性定位方程，以获得设定性能的最优定位结果。

作为上述方案的改进，所述求解非线性定位方程的过程中，通过引入信号源虚拟位置概念将非线性定位方程组转换为伪线性定位方程组进行求解处理。

实施本发明，具有如下有益效果：

本发明能应用于在大型商场、大型文化娱乐广场或体育中心、社区周边等各种公共露天停车场所，可对正在实施干扰或拦截汽车遥控信号的非法行为进行监测、识别与定位，能有效打击盗窃汽车或盗窃汽车内的财物的行为，保证公民财产安全，具有广阔的市场前景。

本发明利用分布式布设置在停车场监测区域范围内，具备电磁信号同步采集能力的传感器网络，对汽车遥控干扰信号源的能量、时间、到达角度等信息的监测识别，从而实现对犯罪分子实施电磁干扰的识别与定位。具体的处理流程为：定位指令下达、信号源检测、信号源上传、信号源识别、信号源定位运算环节。因此，本发明具有以下有益效果：

（1）采用基于广义随机共振的能量检测算法，并应用于多无线传感网络阵列节点对汽车遥控干扰信号源的监测，有效提升在低信噪比条件下非零均值信号采用能量检测算法检测性能较差的问题，并有效减少了检测样本点数。

（2）在低信噪比环境条件下，采用多传感器节点协作与神经网络联合识别算法对所检测到的微弱的汽车遥控干扰信号源进行调制方式识别，包括调制方式、载波频率、波特率等进行识别，与单独采用神经网络分类器识别及传统单节点调制识别相比，在衰落信道中具有更高的识别率，更灵活可靠。

（3）在无线传感网络阵列节点接收噪声强度不同，或无线传输信道存在阴影慢衰效应时，或在无线传感网络节点位置模糊条件下，对传感网络内多目标汽车遥控干扰信号源进行联合定位，将特征值分解技术引入到目标信号定位关联度量估计中，通过接收信号协方差矩阵特征值分解估计各节点所接收噪声强度；通过无线传感网络阵列节点的轮换与特征值分解方法消除阴影衰落效应所引入的定位误差，实现目标信号关联度量的可靠估计及定位，该方法可较好的消除由于无线传感网络阵列节点接收噪声强度不同以及阴影慢衰落效应等因素所带来的定位性能恶化。

附图说明

图1是本发明汽车遥控干扰信号的监测识别与定位方法的原理图；

图2是本发明汽车遥控干扰信号的监测识别与定位方法的实施例流程图；

图3是本发明中无线传感网络阵列节点监测汽车遥控干扰信号源的原理图；

图4是本发明中基于广义随机共振的频谱感知算法的原理图；

图5是本发明中基于广义随机共振的频谱感知算法的另一原理图；

图6是本发明中无线传感网络融合中心识别汽车遥控干扰信号源的原理图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

如图1所示，本发明的无线传感网络由无线传感网络阵列节点、被检测识别及定位的汽车遥控干扰信号源以及无线传感网络融合中心三部分构成，其中：

无线传感网络（WSN）阵列节点的分布信息是已知的，而这些无线传感网络阵列节点是无线传感网络的末梢神经，负责响应无线传感网络融合中心下发的定位指令并进行汽车遥控干扰信号源的采集，同时负责将采集到的汽车遥控干扰信号源上传给无线传感网络融合中心。

本发明中可能同时存在一个或多个不相关的被检测识别及定位的汽车遥控干扰信号源，汽车遥控干扰信号源在定位时，会连续或者突发性的发射被定位信号，这些被定位信号可以为无线电磁波、声波、超声波、光、声呐信号等（这些被定位信号会由于应用环境的不同而产生差异，也会因为类型的不同而导致传输速率不同）。本发明中的所有研究中，汽车遥控干扰信号源的信号通过等增益全向天线向三维空间发射。

无线传感网络（WSN）融合中心是整个定位的核心，它主要完成以下几方面功能：（1）定位指令的生成及下达。无线传感网络融合中心是整个定位功能的发起者，无线传感网络布设并初始化后，无线传感网络融合中心接到操作人员的指令后开始定位流程，无线传感网络融合中心分析所要定位的目标信息以生成定位指令并下达给所调用的无线传感网络阵列节点；（2）定位数据处理及定位算法运算。无线传感网络融合中心接收到所调用的无线传感网络阵列节点所监测到的监测汽车遥控干扰信号源后，执行数据处理算法，计算出与距离相关的定位信息，并构建定位方程得到定位结果。

参见图1及图2，图1及图2显示了本发明汽车遥控干扰信号的监测识别与定位方法，包括：

S101，无线传感网络融合中心根据所要定位的目标信息生成并发送定位指令至无线传感网络阵列节点。

无线传感网络融合中心是整个定位功能的发起者，无线传感网络布设并初始化后，无线传感网络融合中心接到操作人员的指令后开始定位流程，无线传感网络融合中心分析所要定位的目标信息以生成定位指令并下达给所调用的无线传感网络阵列节点。

S102，所述无线传感网络阵列节点监测汽车遥控干扰信号源并将监测到的汽车遥控干扰信号源发送至所述无线传感网络融合中心。

如图3所示，所述无线传感网络阵列节点监测汽车遥控干扰信号源的步骤包括：

A1，对采集到的汽车遥控干扰信号源添加广义随机共振噪声（直流分量），通过最优共振噪声选择算法，借助偏移系数确定所添加的广义随机共振噪声（直流分量）的最优幅值，使广义随机共振噪声的最优幅值与汽车遥控干扰信号源中的直流产生广义随机共振。

A2，对共振后的汽车遥控干扰信号源进行采样和能量累加得到检测统计量，通过最佳阀值算法并根据最小平均错误概率准则确定最佳检测门限，将最佳检测门限与检测统计量进行比较从而做出判决，最终输出信噪比最大的监测信号，实现对微弱信号的检测。

需要说明的是，现有的随机共振理论研究的方法是通过添加适量的噪声，使得背景噪声和外部添加的噪声总和恰好为产生随机共振现象需要的最优噪声强度值，此时，信号、噪声和非线性随机共振系统三者之间达到匹配从而产生随机共振现象。然而，这种通过添加噪声产生随机共振的方法最大的缺点是，当背景噪声强度值已经高于产生随机共振现象需要的最优噪声强度值时，再添加噪声只能是进一步恶化非线性随机共振系统输出信号。即，现有的频谱感知方法存在的低信噪比条件下感知性能较差的问题。

与现有技术不同的是，本发明提出一种基于广义随机共振的频谱感知算法，在原有的随机共振基础上提出通过增加随机共振噪声的方法来增强传统能量检测的性能，得到基于广义随机共振的改进的能量检测（参见图4及图5）。具体地，本发明中采用基于随机共振理论微弱信号检测方法对汽车遥控干扰信号源进行监测，即在监测汽车遥控干扰信号源时，适当加入可调整的干扰噪声，使所监测的汽车遥控干扰信号源产生随机共振现象时，监测到的监测信号信噪比达到最大。因此，本发明采用基于随机共振理论微弱信号检测方法，研究最优随机共振噪声及最优检测门限的选择等，使检测到的汽车遥控干扰信号源有最佳的信噪比。

S103，所述无线传感网络融合中心识别汽车遥控干扰信号源。

如图6所示，所述无线传感网络融合中心识别汽车遥控干扰信号源的步骤包括：

B1，从无线传感网络阵列节点发送的汽车遥控干扰信号源中提取识别特征。

所述识别特征包括时域特征及变换域特征；所述时域特征包括信号的瞬时幅度、瞬时相位和瞬时频率的直方图或统计参数；所述变换域特征包括频谱特征、功率谱、谱相关函数、高阶矩（累计量）、时频分布及统计参数。

需要说明的是，本发明中可针对不同类型的汽车遥控干扰信号源分别采用模糊C-均值聚类算法、K-均值聚类算法或多传感器节点协作算法等不同方法提取识别特征。

B2，根据所述识别特征判断汽车遥控干扰信号源的调制样式并输出识别信号。

所述调制样式包括统计模式识别方法、决策理论方法及人工神经网络方法。其中，人工神经网络是基于统计学习理论而发展起来的模式识别方法，从理论上实现了不同类别的最优分类，而人工神经网络具有模拟人类大脑识别能力的优势，因此人工神经网络方法特别在低信噪比情况下是一种很有前途的方法。

进一步，在所述步骤B1之前还包括：

对所述无线传感网络阵列节点发送的汽车遥控干扰信号源进行预处理以分离出独立的汽车遥控干扰信号源。所述预处理包括信号下变频、同相和正交分量分解、载频估计和载频分量的消除。

需要说明的是，通过对所述无线传感网络阵列节点发送的汽车遥控干扰信号源进行预处理，可为步骤B1提供合适的汽车遥控干扰信号源，在多信道多信源的环境中，预处理操作能有效地分离各个信号，保证一次只有一个信号进入步骤B1。

因此，本发明主要通过多无线传感网络阵列节点（传感器节点）共同协作与神经网络的联合识别算法，可在低信噪比情况下对监到的汽车遥控干扰信号源的调制方式、载波中心频率、带宽等参数进行识别。

S104，所述无线传感网络融合中心定位汽车遥控干扰信号源。

需要说明的是，定位运算阶段是整个流程中至关重要的组成部分，只有当无线传感网络融合中心经过识别过程提取得到识别信号后，进入到本发明的最后过程——定位运算阶段。定位运算阶段结合了本发明可利用的所有定位信息。

具体地，所述无线传感网络融合中心定位汽车遥控干扰信号源的步骤包括：

C1，所述无线传感网络融合中心根据定位信息构建非线性定位方程；

所述定位信息包括经识别的汽车遥控干扰信号源、无线传感网络阵列节点的分布信息及定位优化算法，所述定位优化算法包括TDOA 及GROA。

C2，通过构建加权最小二乘法（WLS）求解非线性定位方程，以获得设定性能的最优定位结果。

进一步，所述求解非线性定位方程的过程中，通过引入信号源虚拟位置概念将非线性定位方程组转换为伪线性定位方程组进行求解处理，最终获得设定性能的最优定位结果。

综上所述，本发明能应用于在大型商场、大型文化娱乐广场或体育中心、社区周边等各种公共露天停车场所，可对正在实施干扰或拦截汽车遥控信号的非法行为进行监测、识别与定位，能有效打击盗窃汽车或盗窃汽车内的财物的行为，保证公民财产安全，具有广阔的市场前景。

本发明利用分布式布设置在停车场监测区域范围内，具备电磁信号同步采集能力的传感器网络，对汽车遥控干扰信号源的能量、时间、到达角度等信息的监测识别，从而实现对犯罪分子实施电磁干扰的识别与定位。具体的处理流程为：定位指令下达、信号源检测、信号源上传、信号源识别、信号源定位运算环节。因此，本发明具有以下有益效果：

（1）采用基于广义随机共振的能量检测算法，并应用于多无线传感网络阵列节点对汽车遥控干扰信号源的监测，有效提升在低信噪比条件下非零均值信号采用能量检测算法检测性能较差的问题，并有效减少了检测样本点数。

（2）在低信噪比环境条件下，采用多传感器节点协作与神经网络联合识别算法对所检测到的微弱的汽车遥控干扰信号源进行调制方式识别，包括调制方式、载波频率、波特率等进行识别，与单独采用神经网络分类器识别及传统单节点调制识别相比，在衰落信道中具有更高的识别率，更灵活可靠。

（3）在无线传感网络阵列节点接收噪声强度不同，或无线传输信道存在阴影慢衰效应时，或在无线传感网络节点位置模糊条件下，对传感网络内多目标汽车遥控干扰信号源进行联合定位，将特征值分解技术引入到目标信号定位关联度量估计中，通过接收信号协方差矩阵特征值分解估计各节点所接收噪声强度；通过无线传感网络阵列节点的轮换与特征值分解方法消除阴影衰落效应所引入的定位误差，实现目标信号关联度量的可靠估计及定位，该方法可较好的消除由于无线传感网络阵列节点接收噪声强度不同以及阴影慢衰落效应等因素所带来的定位性能恶化。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。