王利云 劉 奇 陳卯蒸 劉 曄 王 玥 朱春花 王洋

(1 新疆大學(xué)物理科學(xué)與技術(shù)學(xué)院 烏魯木齊 830046)

(2 中國(guó)科學(xué)院新疆天文臺(tái) 烏魯木齊 830011)

1 引言

射電天文望遠(yuǎn)鏡具有極高的靈敏度,可捕捉來(lái)自宇宙的微弱信號(hào),但極易受到其他業(yè)務(wù)(如: 通訊業(yè)務(wù)、廣播業(yè)務(wù)等)的干擾,且隨著科學(xué)技術(shù)的不斷進(jìn)步,臺(tái)址內(nèi)各類電子、商用設(shè)備使得臺(tái)站電磁環(huán)境變得越來(lái)越復(fù)雜[1],導(dǎo)致射電天文臺(tái)站的頻譜分析和射頻干擾信號(hào)識(shí)別、標(biāo)記、統(tǒng)計(jì)等工作尤為困難和重要.

射電天文望遠(yuǎn)鏡建設(shè)前期會(huì)選擇合適的觀測(cè)臺(tái)址并建立射電寧?kù)o區(qū),建設(shè)及運(yùn)行階段將對(duì)臺(tái)站內(nèi)各類電子設(shè)備進(jìn)行屏蔽,可以緩解甚至消除臺(tái)址內(nèi)電磁干擾的影響,臺(tái)址外電磁干擾依據(jù)射電寧?kù)o區(qū)管理辦法進(jìn)行協(xié)調(diào).平方千米陣列(Square Kilometer Array,SKA)和中國(guó)FAST (Five hundred Meters Aperture Spherical Telescope)都在射電天文臺(tái)站周圍建立電磁環(huán)境監(jiān)測(cè)站[2–3],以便對(duì)監(jiān)測(cè)頻譜中干擾進(jìn)行識(shí)別,并為確定干擾源及排除干擾源提供依據(jù).然而,監(jiān)測(cè)頻譜數(shù)量隨著時(shí)間增加,寬帶頻譜中信號(hào)繁雜,降低了人工識(shí)別信號(hào)的準(zhǔn)確度,也增加了信號(hào)在時(shí)間、方向和極化上的統(tǒng)計(jì)難度.由此可見(jiàn),寬帶頻譜序列干擾信號(hào)的識(shí)別及統(tǒng)計(jì)方法的研究,對(duì)射電天文臺(tái)站射頻干擾緩解意義重大.

現(xiàn)有的信號(hào)識(shí)別方法主要有統(tǒng)計(jì)模式識(shí)別算法、似然函數(shù)比較分類識(shí)別算法、基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和長(zhǎng)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(jì)模式識(shí)別算法是從已知信號(hào)樣本中提取特征參數(shù)并給定誤差對(duì)信號(hào)進(jìn)行識(shí)別,該方法在低信噪比的情況下難以提取信號(hào)特征參數(shù),識(shí)別能力低[4–5].似然函數(shù)比較分類識(shí)別算法是通過(guò)對(duì)信號(hào)的似然函數(shù)進(jìn)行處理,得到用于分類的充分統(tǒng)計(jì)量,但該方法需要許多先驗(yàn)知識(shí),否則將導(dǎo)致計(jì)算量大,難以實(shí)時(shí)處理[5].基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶的瞬態(tài)射頻干擾分類方法是針對(duì)時(shí)域瞬態(tài)信號(hào)分類,該方法需要事先建立數(shù)據(jù)樣本庫(kù)[1].

綜上所述,統(tǒng)計(jì)模式識(shí)別方法、似然函數(shù)比較分類識(shí)別算法、基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶的瞬態(tài)干擾分類方法都需要先驗(yàn)知識(shí),很難對(duì)寬帶頻譜中的干擾進(jìn)行實(shí)時(shí)識(shí)別及統(tǒng)計(jì).然而,隨著數(shù)字技術(shù)和無(wú)線通訊技術(shù)的發(fā)展,信號(hào)種類日益增多,信號(hào)特征越來(lái)越復(fù)雜,人工識(shí)別信號(hào)和提取信號(hào)特征的難度越來(lái)越大,人工建立數(shù)據(jù)庫(kù)也越來(lái)越困難,在后續(xù)統(tǒng)計(jì)過(guò)程中不易實(shí)時(shí)更新數(shù)據(jù)庫(kù).

本文針對(duì)寬帶頻譜序列,提出了一種干擾信號(hào)識(shí)別及統(tǒng)計(jì)方法.該方法處理流程如圖1所示:(1)針對(duì)獲取的第1組頻譜進(jìn)行信噪分離(Signal Noise Separation,SNS),檢測(cè)和識(shí)別寬帶頻譜中的各類信號(hào),將信號(hào)特征信息存入信號(hào)模板庫(kù);(2)對(duì)獲取的后續(xù)寬帶頻譜I(I=1,2,···),對(duì)每組寬帶頻譜進(jìn)行信噪分離,檢測(cè)和識(shí)別寬帶頻譜中的各類信號(hào),檢測(cè)識(shí)別后的信號(hào)與模板庫(kù)中對(duì)應(yīng)頻率的信號(hào)進(jìn)行相似性分析、統(tǒng)計(jì)信號(hào)次數(shù)、更新模板庫(kù),實(shí)現(xiàn)頻譜序列中干擾信號(hào)的識(shí)別與統(tǒng)計(jì).

2 信號(hào)處理方法

2.1 需求分析

實(shí)現(xiàn)寬帶頻譜序列中干擾信號(hào)的識(shí)別與統(tǒng)計(jì)需確定如下信號(hào)處理問(wèn)題:

(2)研究信號(hào)識(shí)別方法,確保寬帶頻譜內(nèi)的各類信號(hào)有效識(shí)別;

(3)依據(jù)識(shí)別的干擾信號(hào),提取信號(hào)關(guān)鍵特征信息,建立信號(hào)模板庫(kù);

(4)選取信號(hào)相似性分析方法,分析頻譜序列中干擾信號(hào)與信號(hào)模板庫(kù)中信號(hào)的相似性,統(tǒng)計(jì)信號(hào)次數(shù)、更新信號(hào)模板庫(kù),實(shí)現(xiàn)寬帶頻譜序列中干擾信號(hào)的識(shí)別和統(tǒng)計(jì).

2.2 信噪分離方法

信號(hào)分離方法采用頻譜噪聲統(tǒng)計(jì)法[6],該方法在無(wú)線電頻譜監(jiān)測(cè)中應(yīng)用較多,且算法簡(jiǎn)單,文獻(xiàn)[7]對(duì)該方法進(jìn)行優(yōu)化,數(shù)據(jù)處理流程如下.

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

步驟1:頻段劃分.對(duì)于給定的2維頻譜信號(hào)P{F,V}進(jìn)行頻段劃分,每個(gè)頻段包含m個(gè)樣本點(diǎn).其中F表示頻率信息,V表示幅度信息,頻譜信號(hào)P包含n個(gè)樣本點(diǎn).分頻段后的頻譜信號(hào)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(jì)算信噪分離閾值.對(duì)每個(gè)頻段Si幅度值從小到大排序,計(jì)算前20%幅度值的平均值則每個(gè)頻段的閾值可表示為:

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

其中,δ為修正系數(shù),文獻(xiàn)[6]中建議取值為δ∈[3,5].頻譜中每個(gè)頻點(diǎn)對(duì)應(yīng)的信噪分離閾值ts為:

其中,s=1,2,···,n.

對(duì)實(shí)測(cè)數(shù)據(jù)統(tǒng)計(jì)分析,頻譜中信號(hào)最大帶寬為30 MHz,結(jié)合文獻(xiàn)[7]設(shè)置頻譜帶寬為30 MHz.如(2)式中δ設(shè)置過(guò)大,影響微弱信號(hào)的檢測(cè)能力,δ設(shè)置過(guò)小可能將噪聲誤認(rèn)為信號(hào);故針對(duì)實(shí)測(cè)的頻譜樣本進(jìn)行分析,分析結(jié)果如圖2所示,結(jié)合文獻(xiàn)[8]中對(duì)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(guān)系Fig.2 Relationship between correction factor δ and SNS threshold

2.3 信噪識(shí)別方法

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

圖3 傳統(tǒng)的信號(hào)識(shí)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(diǎn)序號(hào)集合,Nr表示小于SNS閾值的波谷的采樣點(diǎn)序號(hào),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(diǎn).用頻譜P幅度值序列與對(duì)應(yīng)的SNS閾值比較,如果第s個(gè)幅度值小于等于對(duì)應(yīng)的SNS閾值,且第s+1個(gè)幅度值大于對(duì)應(yīng)的SNS閾值,則第s+1個(gè)采樣點(diǎn)作為信號(hào)的左突變點(diǎn);如果第s個(gè)幅度點(diǎn)大于對(duì)應(yīng)的SNS閾值,且第s+1個(gè)幅度點(diǎn)小于等于對(duì)應(yīng)的SNS閾值,則將第s個(gè)采樣點(diǎn)作為信號(hào)的右突變點(diǎn).

(5)式中,j=1,2,···,l.l為頻譜中干擾信號(hào)左(右)突變點(diǎn)數(shù),vs表示第s個(gè)采樣點(diǎn)對(duì)應(yīng)的幅度值,vs+1表示第s+1個(gè)采樣點(diǎn)對(duì)應(yīng)的幅度值;ts表示第s個(gè)采樣點(diǎn)對(duì)應(yīng)的SNS閾值,ts+1表示第s+1個(gè)采樣點(diǎn)對(duì)應(yīng)的SNS閾值,(6)–(7)式中,L為一維矩陣,表示信號(hào)左突變點(diǎn),Lj表示左突變點(diǎn)的樣本點(diǎn)序號(hào);R為一維矩陣,表示信號(hào)的右突變點(diǎn),Rj表示右突變點(diǎn)的樣本點(diǎn)序號(hào).

步驟3:邊界整合.通過(guò)判斷(6)–(7)式中左右突變點(diǎn)之間的頻率值間的差值與修正系數(shù)α的關(guān)系,確定信號(hào)提取時(shí)的信號(hào)邊界,以此來(lái)降低信噪分離閾值對(duì)信號(hào)提取的影響.當(dāng)j>1時(shí),如果第j個(gè)左突變點(diǎn)的頻率值減去信號(hào)邊界閾值α小于等于第j?1個(gè)右突變點(diǎn)的頻率值時(shí),則從L中刪除第j個(gè)左突變點(diǎn),從R刪除第j?1個(gè)右突變點(diǎn).

(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(gè)左突變點(diǎn)對(duì)應(yīng)的頻率值,fRj?1表示第Rj?1個(gè)右突變點(diǎn)對(duì)應(yīng)的頻率值.

步驟4:確定信號(hào)邊界.將離左(右)突變點(diǎn)最近的波谷頻率對(duì)應(yīng)的信號(hào)作為信號(hào)的左(右)邊界.如果第r個(gè)波谷采樣點(diǎn)序號(hào)小于等于第j個(gè)左(右)突變點(diǎn),且第r+1個(gè)波谷大于等于(大于)第j個(gè)左(右)突變點(diǎn),則將第r(r+1)個(gè)波谷頻率作為信號(hào)的左(右)邊界.

(9)式中,k=1,2,···,e,e為該頻譜中包含的信號(hào)個(gè)數(shù).

用H向量表示對(duì)應(yīng)頻譜P中包含的信號(hào),識(shí)別出的信號(hào)用Ho表示.則有

(11)式中,Lo表示第o個(gè)信號(hào)的起始頻率在頻譜P中對(duì)應(yīng)的序號(hào),Ro表示第o個(gè)信號(hào)的終止頻率在頻譜P中對(duì)應(yīng)的序號(hào).

(8)式中引入邊界修正系數(shù)α,α設(shè)置過(guò)小,導(dǎo)致1個(gè)信號(hào)被誤認(rèn)為多個(gè)信號(hào);α設(shè)置過(guò)大將相鄰的多個(gè)信號(hào)及噪聲被誤判為1個(gè).對(duì)實(shí)測(cè)樣本數(shù)據(jù)進(jìn)行分析,取α=3 MHz時(shí),信號(hào)誤判率較低,表1給出了隨機(jī)3組頻譜在不同α下信號(hào)識(shí)別的個(gè)數(shù),可以看出,本文的信號(hào)識(shí)別方法與傳統(tǒng)信號(hào)識(shí)別方法相比,減少了將多個(gè)信號(hào)誤判為1個(gè)信號(hào)的概率.

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

2.4 信號(hào)模板庫(kù)建立考慮

2.3節(jié)給出了寬帶頻譜的干擾信號(hào)識(shí)別方法,對(duì)于信號(hào)識(shí)別后獲得的各類信號(hào),需提取信號(hào)完整的特征信息,存入信號(hào)模板庫(kù),為進(jìn)一步的信號(hào)相似性分析提供支撐.信號(hào)特征信息主要包括信號(hào)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(hào)方向(Direction,D)、時(shí)間(Time,T)、極化(Polarization,P)、信號(hào)來(lái)源(Source,S)等,其中,信號(hào)來(lái)源信息獲取依據(jù)《中華人民共和國(guó)無(wú)線電頻率劃分規(guī)定》[8].將完整的信號(hào)信息存入信號(hào)模板庫(kù).信號(hào)模板庫(kù)包含數(shù)值表和特征信息表,數(shù)值表包含信號(hào)的幅度向量,特征信息表包含信號(hào)的起始頻率、終止頻率、帶寬、方向、極化、時(shí)間和來(lái)源等信息.信號(hào)模板庫(kù)結(jié)構(gòu)如圖4所示.

圖4 模板庫(kù)結(jié)構(gòu)框圖Fig.4 Structure diagram for template database

2.5 信號(hào)相似性分析方法

通過(guò)信號(hào)相似性判斷兩個(gè)信號(hào)是否來(lái)自于同一信號(hào),采用計(jì)算兩個(gè)信號(hào)的皮爾遜系數(shù)的方式來(lái)分析模板信號(hào)x與樣本信號(hào)y的相似程度.皮爾遜系數(shù)廣泛用于度量?jī)蓚€(gè)變量之間相關(guān)程度,其優(yōu)點(diǎn)在于:(1)能夠區(qū)分正相關(guān)與負(fù)相關(guān);(2)對(duì)相關(guān)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(hào)x或y包含的樣本點(diǎn)個(gè)數(shù),a=1,2,···,b.

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

相似閾值γ的選取影響信號(hào)相似分析的精度,文獻(xiàn)[9–10]建議γ取0.4;另外,我們針對(duì)實(shí)測(cè)樣本進(jìn)行分析,不同γ取值信號(hào)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(shè)置為0.4.

圖5 γ取值對(duì)信號(hào)相似性分析的影響Fig.5 Influence of γ on signal similarity analysis

3 頻譜序列信號(hào)統(tǒng)計(jì)方法

依據(jù)第2節(jié)給出的信號(hào)處理方法,頻譜序列干擾信號(hào)統(tǒng)計(jì)方法如下:

步驟1:建立信號(hào)模板庫(kù),即針對(duì)獲取的第1組寬帶頻譜,依照2.2節(jié)給出的信號(hào)分離方法實(shí)現(xiàn)寬帶頻譜的信噪分離;按照2.3節(jié)提出的信號(hào)識(shí)別方法實(shí)現(xiàn)寬帶頻譜中各類信號(hào)識(shí)別;按2.4節(jié)建立模板庫(kù)的要求,提取識(shí)別出的信號(hào)特征信息,包括起始頻率、終止頻率、帶寬、幅度、信號(hào)方向、時(shí)間、信號(hào)來(lái)源存入信號(hào)模板庫(kù),完成信號(hào)模板庫(kù)的建立.

步驟2: 信號(hào)統(tǒng)計(jì),統(tǒng)計(jì)流程如圖6所示.(1)針對(duì)后續(xù)獲取的寬帶頻譜,每組寬帶頻譜經(jīng)過(guò)信號(hào)識(shí)別,提取信號(hào)的特征信息; (2)依據(jù)提取的信號(hào)特征信息,檢索信號(hào)模板庫(kù)中是否存在相關(guān)信號(hào),依照2.5節(jié)提出的信號(hào)相似性分析方法,計(jì)算兩個(gè)信號(hào)的相似性;(3)若識(shí)別的信號(hào)為模板庫(kù)中現(xiàn)有信號(hào),依據(jù)信號(hào)來(lái)源,統(tǒng)計(jì)信號(hào)次數(shù); (4)若識(shí)別的信號(hào)與模板庫(kù)中現(xiàn)有信號(hào)不相關(guān),提取該信號(hào)特征信息,存入信號(hào)模板庫(kù).

4 實(shí)例分析

QTT臺(tái)址電波環(huán)境測(cè)量方法依據(jù)文獻(xiàn)[11]提出的準(zhǔn)實(shí)時(shí)電波環(huán)境測(cè)量方法,測(cè)量及數(shù)據(jù)信息如下: 測(cè)試天線的3 dB波束寬度為60?,360?覆蓋6個(gè)測(cè)試方向,單次測(cè)量時(shí)間為12 min,1輪共計(jì)6個(gè)測(cè)量方向,1 d 24 h共計(jì)19輪測(cè)量數(shù)據(jù); 運(yùn)用干擾信號(hào)統(tǒng)計(jì)方法對(duì)4 d共456組寬帶頻譜數(shù)據(jù)進(jìn)行統(tǒng)計(jì),其中一半數(shù)據(jù)為采用水平極化(Horizontal Polarization,H)方式測(cè)量,另一半為采用垂直極化(Vertical Polarization,V)方式測(cè)量.表2統(tǒng)計(jì)了不同方向、采用不同極化方式測(cè)量頻譜序列中干擾信號(hào)的次數(shù); 同時(shí),針對(duì)1 d 24 h水平極化和垂直極化測(cè)量數(shù)據(jù)進(jìn)行統(tǒng)計(jì),結(jié)果如圖7所示.依據(jù)統(tǒng)計(jì)結(jié)果,分析如下: (1) 2135.4–2144.6 MHz為中國(guó)聯(lián)通信號(hào)(China Union,CU),全方向、全時(shí)段、采用水平和垂直極化方式均能測(cè)量到.(2) 2187.5–2196.1 MHz的瞬態(tài)信號(hào)(Transient Signal,TS)來(lái)自120?和180?方向,該信號(hào)由3–5個(gè)帶寬為0.3 MHz左右的窄帶信號(hào)組成,采用水平極化方式和垂直極化方式均能測(cè)量到該信號(hào),水平極化測(cè)量結(jié)果強(qiáng)度更為明顯,該信號(hào)來(lái)源可能為數(shù)字通信信號(hào),需進(jìn)一步排查信號(hào)來(lái)源.(3) 2429.1–2475.1 MHz為WLAN信號(hào),來(lái)自60?、120?和180?方向,該信號(hào)工作時(shí)間與人們的作息時(shí)間相關(guān).(4) 2489.7–2492.7 MHz的點(diǎn)對(duì)點(diǎn)無(wú)線通信業(yè)務(wù)(Point-to-point wireless communication,PTPWC)來(lái)自120?和180?方向,該信號(hào)為固定信號(hào),強(qiáng)度相對(duì)穩(wěn)定.

圖6 信號(hào)統(tǒng)計(jì)流程圖Fig.6 The flow chart of signal statistics

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

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

5 結(jié)論

本文基于射電天文臺(tái)站頻譜分析需求,提出了一種寬帶頻譜干擾信號(hào)識(shí)別及統(tǒng)計(jì)方法,該方法可有效統(tǒng)計(jì)射電天文臺(tái)站監(jiān)測(cè)頻譜中的干擾信號(hào),為進(jìn)一步的干擾信號(hào)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(lái)的工作中改進(jìn):(1)信號(hào)識(shí)別方法需要進(jìn)一步優(yōu)化,確保同一信號(hào)識(shí)別的一致性; (2)針對(duì)信號(hào)模板庫(kù)中信號(hào)檢索算法需要進(jìn)一步優(yōu)化,提高數(shù)據(jù)處理效率.