现场环境下设备区域电磁干扰检测与识别方法

袁力 刘奇,3 孙正文 刘晔 王玥 刘烽 陈卯蒸

(1. 中国科学院新疆天文台,乌鲁木齐 830011; 2. 中国科学院大学,北京 100049; 3. 中国科学院射电天文重点实验室,南京 210008)

引 言

随着国民经济的增长,频谱使用率越来越高,移动通信、卫星导航、广播电视及其他无线通信业务对射电天文业务影响越来越大,台址内各类数字化、智能化电子设备不断引入,电磁环境异常复杂. 另外,现有射电天文台站在建设及升级改造过程中容易忽略设备管理及电磁防护,以致电磁干扰对射电天文业务影响越来越大[1].

实测表明,设备区域(建筑物内)单一设备电磁辐射频谱不能有效反映其对电磁环境的贡献,这是由于设备电磁辐射经过多次反射及传输后变得杂散,仅有遮挡较少或辐射较强的电磁干扰容易进入射电望远镜接收系统,恶化观测数据[2]. 故台址内设备区域干扰信号的有效检测与识别,对分析台址内电磁干扰对射电天文观测的影响更有意义．然而,现场环境电磁环境复杂,环境中固定干扰,尤其是瞬态干扰信号越来越多,如手机飞行模式切换产生的强瞬态发射,对讲机、航空测距、气象业务、军用雷达、个人无线通信等突发非实时干扰,对测量结果影响较大．所以,现场环境下设备区域干扰信号的检测和识别方法研究,对分析台址内电磁干扰对射电天文观测的影响极其重要.

目前,关于信号识别的方法较多,如统计模式识别算法、模板匹配算法、高阶累积量算法等. 统计模式识别算法是从接收到的数据中提取预先定义的特征参数,当信噪比低时,该方法难以提取信号特征参数,识别性能低[3]. 模板匹配法以待测信号和数据库中已知信号的距离测度为相似性判断依据,该方法需要提前统计信号特征参数,并建立相应的数据库[4]. 高阶累积量法计算信号的高阶累积量,通过归一化或者平方等方法寻找信号间的差异,计算量大,主要用于对调制信号进行识别[5-7]. 然而,随着数字技术和无线通信技术的发展, 信号种类日益增多,且信号特征复杂度增高．故针对超宽带频谱,如100 MHz～6 GHz,数据库的建立并实时更新极其困难,其依赖于强大的硬件检测能力及智能化数据统计方法. 其次,现场环境下电磁干扰信号检测受环境瞬态信号的影响,而上述方法并未考虑环境瞬态信号的检测和剔除．

综上所述,统计模式识别算法和模板匹配法需要针对不同电磁环境预先提取信号特征参数、建立环境数据库,而高阶累积量法需要应用计算量较大的高阶累积量,且忽略环境瞬态信号对测量结果的影响. 为提高现场环境设备区域电磁干扰信号检测效率和识别的准确性,本文提出了一种针对现场环境设备区域的电磁干扰信号检测及识别方法,方法描述如下:

1)信号采集:考虑到实际测量的可实施性,信号采集采用测量天线对着设备区域和隔过设备区域的方法,测量时,测试天线极化、指向和高度相同,且频谱仪参数设置不变,获取设备区域频谱(目标信号)y和3组相互独立的环境频谱x1、x2、x3.

2)信号预处理:对获取的设备区域频谱y进行信噪分离,采用二值法实现频谱y中宽带、窄带信号的有效检测和识别.

3)信号识别:采用信号相似性模型(一元回归算法)分析频谱y中识别出的信号与环境频谱x1、x2、x3对应频段信号的相关性,若均不相关,确定该信号来自设备区域,否则该信号为环境瞬态信号,实现环境瞬态信号的有效剔除.

该方法通过设备区域频谱中干扰信号与多组环境频谱中干扰信号的相关性分析,剔除环境干扰信号,减少环境瞬态干扰对测量结果的影响,提高设备区域的电磁辐射测量的准确性,信号处理流程如图1所示．图中SSN为信噪分离,SN为频谱噪声,EMI为电磁干扰.

图1 EMI信号识别流程图

1 信号识别方法

1.1 信号预处理

1.1.1 信噪分离

本文对文献[8]提出的信噪分离方法进行改进,即对宽带频谱进行分通道(频段),减少宽带频谱噪声起伏影响,提高信噪分离阈值精度.信噪分离步骤如下:

步骤1:频谱信号I分通道. 用矩阵F表示频率信息,矩阵P表示信号幅度信息,矩阵C表示采样点序号,则频谱信号可以表示为I(F,P),其中,

F=[f1,f2,…,fi,…,fN]T,

(1)

P=[p1,p2,…,pi,…,pN]T,

(2)

C=[1,2,…,i,…,N]T.

(3)

式中,N表示信号的采样点数. 对频谱信号I进行分通道,每个通道内有k1个点,分通道后的信号I可以表示为

I=[S1,S2,…,Si,…,Sm1]T.

(4)

式中,m1代表信道数,m1=[N/k1],[·]表示对计算结果向上取整. 分通道时,通道宽度不能小于信号I中最大宽带信号宽度,否则会导致步骤2中提取的平均噪声电平过大.

(5)

式中,δ为修正系数,文献[8]推荐3≤δ≤5.

每个频点对应的SSN阈值ni为

(6)

1.1.2 频谱噪声提取

文献[9]基于图像形态学处理原理,利用形态学梯度的方法提取频谱噪声信号．但该方法在强噪声环境下,当频谱噪声信号起伏较大时,容易将噪声判断成EMI信号,无法准确提取噪声信号. 与上述方法相比,本文采用邻值判别法[10]提取频谱噪声,该方法的优点是不受硬件设备和噪声环境的影响.

依据公式(6)得到的SSN阈值提取噪声信号,频谱噪声提取步骤如下:

步骤1:信噪判断．

(7)

步骤3:噪声平滑处理. 利用均值替代的方法,对步骤2中提取的噪声信号进行多次平滑处理.

1.1.3 信号检测及提取

频谱测量时,为保障信号的分辨能力,采样间隔需大于信号带宽;另外,由于宽带频谱中存在窄带和宽带信号,单一信号的检测和识别有利于信号的相似性判断和相关性分析. 本文提出一种基于二值法的信号检测及识别方法,运用数值梯度[11]检测信号边界,实现频谱数据中干扰信号频率和幅度信息的提取. 步骤如下:

步骤1:目标信号二值化. 用ui表示测试数据二值化后的结果:

(8)

步骤2:利用ui判断信号边缘. 分别用GN×1和DN×1表示数据ui的两种数值梯度:

(9)

(10)

每个信号通过式(9)和式(10)计算分别获得2个边缘点后,需采用式(11)、(12)对4个边缘点做进一步修正,获得信号的2个边缘点.

(11)

(12)

如果Gi=0或Di=0表示该点不是信号突变点,当Gi=1时表示该点为EMI信号的左边缘,当Di=-1时表示该点为EMI信号的右边缘.

步骤3:识别EMI信号.

L′=CGTENB,

(13)

R′=-CDTENB,

(14)

式中:EN表示N维单位矩阵;N维列向量B=[1,1,1,…,1]T. 按顺序依次提取列向量L′和R′中的非零元素,提取后的向量存入列向量L和R中,L和R分别表示EMI信号起始和终止频点对应的采样序号.

用列向量M表示识别出的EMI信号,每一个EMI信号用Mk表示,有

M(f,p)=[M1,M2,…,Mk,…,Mw]T,

(15)

Mk=[(fLk,pLk),…,(fRk,pRk)]T.

(16)

式中:w=dim(L)表示提取出的EMI信号个数;Lk表示第k个EMI信号起始频点对应的采样序号;Rk表示第k个EMI信号终止频点对应的采样序号.宽带频谱中干扰信号的检测流程如图2所示.

图2 宽带频谱中干扰信号检测

1.2 信号相似性模型(一元回归算法)

信号x和信号y如图3所示,为实现两信号的相似性分析,采用一元回归算法确定两个信号的相似程度.

图3 信号相似性模型

假定一元回归模型为

yi=b0+b1xi+ei,i=1,2,…,n.

(17)

式中:b0为常数项;b1为y对x的回归系数;ei为残差项,且ei独立同分布,E(ei)=0,ei～N(0,σ2).

(18)

(19)

回归分析中,通过决定系数R2判定样本回归曲线与样本观测值的拟合程度,R2表达式为

(20)

1.3 信号识别方法

(21)

为了提高信号识别的准确性,有效剔除环境频谱中瞬态信号的影响,采用最大决定系数(Rk)2与决定系数阈值进行对比,即设备区域频谱中干扰信号与环境频谱中干扰信号均不相关时,认为此信号来自设备区域.当(Rk)2大于决定系数阈值时,认为对应频段的信号具有相似性,信号来自于设备区域外部;否则,则认为对应频段信号不相似,信号来自于设备区域内部.

决定系数反映两个信号的线性比例关系,即相似程度,而实际测量的频谱中存在极窄的干扰信号,如图4所示．图4(a)中,目标信号为单频点信号,目标信号和环境信号的决定系数为1,决定系数判定方法认为两个信号相关,这与实际情况不符. 针对极窄信号,本文采用设立信号宽度阈值,运用通道占用统计的方法.

(a) 情况1 (b) 情况2图4 根据通道占用识别EMI信号

综上分析,干扰信号识别流程如图5所示.

1)设定信号宽度阈值,依据信号宽度类型,选择不同的信号相关性分析方法.

图5 干扰信号识别流程

2)考虑到现场环境频谱数据受瞬态信号的影响,采用一元回归算法时,若设备区域频谱中干扰信号与环境频谱中干扰信号均不相关,确定此信号来自设备区域;采用通道占用统计方法时,若任意一组环境频谱中干扰信号对应通道被占用,确定该干扰信号来自环境.

3)设备区域干扰信号确定,需剔除环境中的宽带干扰信号,为保证频谱的连续性,依据1.1节提取的频谱噪声,替换设备区域频谱中被去除的干扰信号.

2 信号检测与识别实例

运用现有的电磁干扰测试系统和校准方法[13]以及电磁干扰测试软件[14],针对新疆天文台南山台址设备区域电磁干扰及环境频谱进行测量. 测量天线对着电子设备区域获取目标信号(设备区域电磁辐射频谱);隔过设备区域,获取独立的3组环境频谱数据. 不同状态下频谱及信号预处理后的信噪分离阈值如图6所示.从频谱图中可以看出,现场环境下3组环境频谱具有一定的差异性. 频谱中宽带干扰信号集中在870～880 MHz和930～960 MHz两个频段,为手机基站下行信号,带宽最大为30 MHz;而频谱中大量的窄带干扰需要通过相关分析识别信号是环境信号还是设备区域电磁干扰.

信号预处理时,依据1.1节信号分离步骤1中分通道的方法,设定通道宽度为30 MHz. 对于公式(5)中修正系数δ,δ设置过低将导致底噪声被误判成干扰信号,δ设置过高影响微弱信号的检测能力．针对实测数据,分析了修正系数对数据处理结果的影响,如图7所示．结合文献[8]中δ的推荐值,选取δ=3.

对于宽度阈值选取,分析了不同宽度阈值和决定系数阈值对信号识别结果的影响,如图8所示．从图中可以看出:宽带阈值越大,信号识别错误率越高;决定系数阈值设置越大,信号识别错误率越高. 依据宽带阈值和决定系数阈值对信号识别结果的影响,设定干扰信号识别流程中宽度阈值为2个频点,决定系数阈值为0.4,则实测电子设备区域内干扰信号识别的结果如图9所示. 通过干扰信号识别统计,并与人工识别进行对比,此方法干扰信号识别准确率为94.73%.

图7 不同修正系数下目标信号y的SSN阈值

图9 设备区域EMI信号

为了进一步验证该方法的适用性,针对南山台址4个不同电子设备区域的实测频谱数据进行干扰信号识别与分析,并对信号识别结果与人工识别结果进行对比,对比结果见表1.结果表明,本文提出的设备区域电磁干扰检测与识别方法具有较好的适应性,且信号识别准确率较高.

表1 不同电子设备区域干扰信号识别结果

3 结 论

本文基于射电天文台址的频谱分析实际需求,提出了一种现场环境下设备区域的干扰信号检测与识别方法,该方法可有效分析台址内设备区域电磁干扰对射电天文的影响. 并通过实测数据分析确定了该方法具有较好的适应性和较高的信号识别率,具有较好的工程应用价值．但是,此方法中选用的信噪分离方法对微弱信号的检测能力相对较差．此外,由于射电望远镜具有极高的系统灵敏度,对台址内电磁干扰极其敏感,需要进一步研究高精度信噪分离方法,从而提高信号识别的准确性.

[1] 张群涛, 刘奇, 孙正文, 等. 基于数据拟合的宽带频谱窄带干扰提取方法[J]. 科学技术与工程, 2016, 16(2): 191-197.

ZHANG Q T, LIU Q, SUN Z W, et al. Method of narrow-band Interference extraction from broadband spectrum based on data fitting[J]. Science technology and engineering, 2016,16(2):191-197. (in Chinese)

[2] ITU. Recommendation ITU-R RA.769-2. Protection criteria used for radio astronomical measurement[S], 2003.

[3] 罗吉. 数字调制信号识别算法研究[D]. 成都: 电子科技大学, 2008.

LUO J. The algorithm research of digital modulation recognition[D]. Chengdu: University of Electronics Science and Technology of China, 2008. (in Chinese)

[4] 沈家煌, 黄建冲, 朱永成. 特征参数匹配法在雷达信号识别中的应用[J]. 航天电子对抗, 2017(2):9-13.

SHEN J H, HUANG J C, ZHU Y C. The application of feature parameter matching method in radar signal recognition [J]. Aerospace electronic warfare, 2017(2): 9-13.(in Chinese)

[5] 陆凤波, 黄知涛, 易辉荣, 等. 一种基于高阶累积量的数字调相信号识别方法[J]. 系统工程与电子技术, 2008, 30(9):1611-1615.

LU F B, HUANG Z T, YI H R, et al. Recognition algorithm of phase shift keying signals by higher-order cumulants[J].Systems engineering and electronics, 2008, 30(9):1611-1615. (in Chinese)

[6] 冯祥, 李建东. 调制识别算法及性能分析[J]. 电波科学学报, 2005, 20(6):737-740.

FENG X, LI J D. Modulation classification algorithms and performance analysis[J]. Chinese journal of radio science, 2005, 20(6):737-740. (in Chinese)

[7] 吴昊, 柳永祥, 姚富强, 等. 基于频谱监测传感网的分布式协同信号识别[J]. 电波科学学报, 2013, 28(4): 656-661+680.

WU H, LIU Y X, YAO F Q, et al. Distributed cooperative signal recognition based on sensor network of spectrum monitoring[J]. Chinese journal of radio science, 2013, 28(4): 656-661+680. (in Chinese)

[8] ITU. Recommendation ITU-R SM.2256. Spectrum occupancy measurements and evaluation[S], 2012.

[9] 严天峰, 马睿. 基于形态学梯度的信号噪声分离算法[J]. 计算机应用, 2011, 31(11): 2922-2925.

YAN T F, MA R. Signal noise separation algorithm based on morphology gradient[J]. Journal of computer applications, 2011, 31(11): 2922-2925. (in Chinese)

[10] 王先琴, 刘越智, 孔明明. 一种用于占用度统计的噪声提取算法[J]. 中国无线电, 2015(8): 52-54.

[11]MATLAB function reference[M/OL]. The MathWorks,Inc.(2017-03)[2017-08-23]. https://cn.mathworks.com/help/pdf_doc/matlab/matlab_refbook.pdf

[12] 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2009: 264-269.

[13] 刘奇, 王凯, 王洋, 等. 射电天文终端电子设备辐射特性测试[J]. 天文研究与技术, 2014, 11(3):218-223.

LIU Q, WANG K, WANG Y, et al. Measurements of radiation characteristics of a set of electronic backend devices for radio astronomy[J]. Astronomical research & technology, 2014, 11(3): 218-223. (in Chinese)

[14] 李颖, 刘奇, 刘艳玲, 等. 电子设备电磁辐射评估软件设计及实现[J]. 天文研究与技术, 2016, 13(1): 133-142.

LI Y, LIU Q, LIU Y L, et al. The design and actualization of the electromagnetic emission evaluation software for the electronic equipment at the radio astronomy station[J]. Astronomical research & technology, 2016, 13(1): 133-142. (in Chinese)