現場環境下設備區域電磁干擾檢測與識別方法

袁力 劉奇,3 孫正文 劉曄 王玥 劉烽 陳卯蒸

(1. 中國科學院新疆天文臺,烏魯木齊 830011; 2. 中國科學院大學,北京 100049; 3. 中國科學院射電天文重點實驗室,南京 210008)

引 言

隨著國民經濟的增長,頻譜使用率越來越高,移動通信、衛星導航、廣播電視及其他無線通信業務對射電天文業務影響越來越大,臺址內各類數字化、智能化電子設備不斷引入,電磁環境異常復雜. 另外,現有射電天文臺站在建設及升級改造過程中容易忽略設備管理及電磁防護,以致電磁干擾對射電天文業務影響越來越大[1].

實測表明,設備區域(建筑物內)單一設備電磁輻射頻譜不能有效反映其對電磁環境的貢獻,這是由于設備電磁輻射經過多次反射及傳輸后變得雜散,僅有遮擋較少或輻射較強的電磁干擾容易進入射電望遠鏡接收系統,惡化觀測數據[2]. 故臺址內設備區域干擾信號的有效檢測與識別,對分析臺址內電磁干擾對射電天文觀測的影響更有意義．然而,現場環境電磁環境復雜,環境中固定干擾,尤其是瞬態干擾信號越來越多,如手機飛行模式切換產生的強瞬態發射,對講機、航空測距、氣象業務、軍用雷達、個人無線通信等突發非實時干擾,對測量結果影響較大．所以,現場環境下設備區域干擾信號的檢測和識別方法研究,對分析臺址內電磁干擾對射電天文觀測的影響極其重要.

目前,關于信號識別的方法較多,如統計模式識別算法、模板匹配算法、高階累積量算法等. 統計模式識別算法是從接收到的數據中提取預先定義的特征參數,當信噪比低時,該方法難以提取信號特征參數,識別性能低[3]. 模板匹配法以待測信號和數據庫中已知信號的距離測度為相似性判斷依據,該方法需要提前統計信號特征參數,并建立相應的數據庫[4]. 高階累積量法計算信號的高階累積量,通過歸一化或者平方等方法尋找信號間的差異,計算量大,主要用于對調制信號進行識別[5-7]. 然而,隨著數字技術和無線通信技術的發展, 信號種類日益增多,且信號特征復雜度增高．故針對超寬帶頻譜,如100 MHz～6 GHz,數據庫的建立并實時更新極其困難,其依賴于強大的硬件檢測能力及智能化數據統計方法. 其次,現場環境下電磁干擾信號檢測受環境瞬態信號的影響,而上述方法并未考慮環境瞬態信號的檢測和剔除．

綜上所述,統計模式識別算法和模板匹配法需要針對不同電磁環境預先提取信號特征參數、建立環境數據庫,而高階累積量法需要應用計算量較大的高階累積量,且忽略環境瞬態信號對測量結果的影響. 為提高現場環境設備區域電磁干擾信號檢測效率和識別的準確性,本文提出了一種針對現場環境設備區域的電磁干擾信號檢測及識別方法,方法描述如下:

1)信號采集:考慮到實際測量的可實施性,信號采集采用測量天線對著設備區域和隔過設備區域的方法,測量時,測試天線極化、指向和高度相同,且頻譜儀參數設置不變,獲取設備區域頻譜(目標信號)y和3組相互獨立的環境頻譜x1、x2、x3.

2)信號預處理:對獲取的設備區域頻譜y進行信噪分離,采用二值法實現頻譜y中寬帶、窄帶信號的有效檢測和識別.

3)信號識別:采用信號相似性模型(一元回歸算法)分析頻譜y中識別出的信號與環境頻譜x1、x2、x3對應頻段信號的相關性,若均不相關,確定該信號來自設備區域,否則該信號為環境瞬態信號,實現環境瞬態信號的有效剔除.

該方法通過設備區域頻譜中干擾信號與多組環境頻譜中干擾信號的相關性分析,剔除環境干擾信號,減少環境瞬態干擾對測量結果的影響,提高設備區域的電磁輻射測量的準確性,信號處理流程如圖1所示．圖中SSN為信噪分離,SN為頻譜噪聲,EMI為電磁干擾.

圖1 EMI信號識別流程圖

1 信號識別方法

1.1 信號預處理

1.1.1 信噪分離

本文對文獻[8]提出的信噪分離方法進行改進,即對寬帶頻譜進行分通道(頻段),減少寬帶頻譜噪聲起伏影響,提高信噪分離閾值精度.信噪分離步驟如下:

步驟1:頻譜信號I分通道. 用矩陣F表示頻率信息,矩陣P表示信號幅度信息,矩陣C表示采樣點序號,則頻譜信號可以表示為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表示信號的采樣點數. 對頻譜信號I進行分通道,每個通道內有k1個點,分通道后的信號I可以表示為

I=[S1,S2,…,Si,…,Sm1]T.

(4)

式中,m1代表信道數,m1=[N/k1],[·]表示對計算結果向上取整. 分通道時,通道寬度不能小于信號I中最大寬帶信號寬度,否則會導致步驟2中提取的平均噪聲電平過大.

(5)

式中,δ為修正系數,文獻[8]推薦3≤δ≤5.

每個頻點對應的SSN閾值ni為

(6)

1.1.2 頻譜噪聲提取

文獻[9]基于圖像形態學處理原理,利用形態學梯度的方法提取頻譜噪聲信號．但該方法在強噪聲環境下,當頻譜噪聲信號起伏較大時,容易將噪聲判斷成EMI信號,無法準確提取噪聲信號. 與上述方法相比,本文采用鄰值判別法[10]提取頻譜噪聲,該方法的優點是不受硬件設備和噪聲環境的影響.

依據公式(6)得到的SSN閾值提取噪聲信號,頻譜噪聲提取步驟如下:

步驟1:信噪判斷．

(7)

步驟3:噪聲平滑處理. 利用均值替代的方法,對步驟2中提取的噪聲信號進行多次平滑處理.

1.1.3 信號檢測及提取

頻譜測量時,為保障信號的分辨能力,采樣間隔需大于信號帶寬;另外,由于寬帶頻譜中存在窄帶和寬帶信號,單一信號的檢測和識別有利于信號的相似性判斷和相關性分析. 本文提出一種基于二值法的信號檢測及識別方法,運用數值梯度[11]檢測信號邊界,實現頻譜數據中干擾信號頻率和幅度信息的提取. 步驟如下:

步驟1:目標信號二值化. 用ui表示測試數據二值化后的結果:

(8)

步驟2:利用ui判斷信號邊緣. 分別用GN×1和DN×1表示數據ui的兩種數值梯度:

(9)

(10)

每個信號通過式(9)和式(10)計算分別獲得2個邊緣點后,需采用式(11)、(12)對4個邊緣點做進一步修正,獲得信號的2個邊緣點.

(11)

(12)

如果Gi=0或Di=0表示該點不是信號突變點,當Gi=1時表示該點為EMI信號的左邊緣,當Di=-1時表示該點為EMI信號的右邊緣.

步驟3:識別EMI信號.

L′=CGTENB,

(13)

R′=-CDTENB,

(14)

式中:EN表示N維單位矩陣;N維列向量B=[1,1,1,…,1]T. 按順序依次提取列向量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分別表示EMI信號起始和終止頻點對應的采樣序號.

用列向量M表示識別出的EMI信號,每一個EMI信號用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信號個數;Lk表示第k個EMI信號起始頻點對應的采樣序號;Rk表示第k個EMI信號終止頻點對應的采樣序號.寬帶頻譜中干擾信號的檢測流程如圖2所示.

圖2 寬帶頻譜中干擾信號檢測

1.2 信號相似性模型(一元回歸算法)

信號x和信號y如圖3所示,為實現兩信號的相似性分析,采用一元回歸算法確定兩個信號的相似程度.

圖3 信號相似性模型

假定一元回歸模型為

yi=b0+b1xi+ei,i=1,2,…,n.

(17)

式中:b0為常數項;b1為y對x的回歸系數;ei為殘差項,且ei獨立同分布,E(ei)=0,ei～N(0,σ2).

(18)

(19)

回歸分析中,通過決定系數R2判定樣本回歸曲線與樣本觀測值的擬合程度,R2表達式為

(20)

1.3 信號識別方法

(21)

為了提高信號識別的準確性,有效剔除環境頻譜中瞬態信號的影響,采用最大決定系數(Rk)2與決定系數閾值進行對比,即設備區域頻譜中干擾信號與環境頻譜中干擾信號均不相關時,認為此信號來自設備區域.當(Rk)2大于決定系數閾值時,認為對應頻段的信號具有相似性,信號來自于設備區域外部;否則,則認為對應頻段信號不相似,信號來自于設備區域內部.

決定系數反映兩個信號的線性比例關系,即相似程度,而實際測量的頻譜中存在極窄的干擾信號,如圖4所示．圖4(a)中,目標信號為單頻點信號,目標信號和環境信號的決定系數為1,決定系數判定方法認為兩個信號相關,這與實際情況不符. 針對極窄信號,本文采用設立信號寬度閾值,運用通道占用統計的方法.

(a) 情況1 (b) 情況2圖4 根據通道占用識別EMI信號

綜上分析,干擾信號識別流程如圖5所示.

1)設定信號寬度閾值,依據信號寬度類型,選擇不同的信號相關性分析方法.

圖5 干擾信號識別流程

2)考慮到現場環境頻譜數據受瞬態信號的影響,采用一元回歸算法時,若設備區域頻譜中干擾信號與環境頻譜中干擾信號均不相關,確定此信號來自設備區域;采用通道占用統計方法時,若任意一組環境頻譜中干擾信號對應通道被占用,確定該干擾信號來自環境.

3)設備區域干擾信號確定,需剔除環境中的寬帶干擾信號,為保證頻譜的連續性,依據1.1節提取的頻譜噪聲,替換設備區域頻譜中被去除的干擾信號.

2 信號檢測與識別實例

運用現有的電磁干擾測試系統和校準方法[13]以及電磁干擾測試軟件[14],針對新疆天文臺南山臺址設備區域電磁干擾及環境頻譜進行測量. 測量天線對著電子設備區域獲取目標信號(設備區域電磁輻射頻譜);隔過設備區域,獲取獨立的3組環境頻譜數據. 不同狀態下頻譜及信號預處理后的信噪分離閾值如圖6所示.從頻譜圖中可以看出,現場環境下3組環境頻譜具有一定的差異性. 頻譜中寬帶干擾信號集中在870～880 MHz和930～960 MHz兩個頻段,為手機基站下行信號,帶寬最大為30 MHz;而頻譜中大量的窄帶干擾需要通過相關分析識別信號是環境信號還是設備區域電磁干擾.

信號預處理時,依據1.1節信號分離步驟1中分通道的方法,設定通道寬度為30 MHz. 對于公式(5)中修正系數δ,δ設置過低將導致底噪聲被誤判成干擾信號,δ設置過高影響微弱信號的檢測能力．針對實測數據,分析了修正系數對數據處理結果的影響,如圖7所示．結合文獻[8]中δ的推薦值,選取δ=3.

對于寬度閾值選取,分析了不同寬度閾值和決定系數閾值對信號識別結果的影響,如圖8所示．從圖中可以看出:寬帶閾值越大,信號識別錯誤率越高;決定系數閾值設置越大,信號識別錯誤率越高. 依據寬帶閾值和決定系數閾值對信號識別結果的影響,設定干擾信號識別流程中寬度閾值為2個頻點,決定系數閾值為0.4,則實測電子設備區域內干擾信號識別的結果如圖9所示. 通過干擾信號識別統計,并與人工識別進行對比,此方法干擾信號識別準確率為94.73%.

圖7 不同修正系數下目標信號y的SSN閾值

圖9 設備區域EMI信號

為了進一步驗證該方法的適用性,針對南山臺址4個不同電子設備區域的實測頻譜數據進行干擾信號識別與分析,并對信號識別結果與人工識別結果進行對比,對比結果見表1.結果表明,本文提出的設備區域電磁干擾檢測與識別方法具有較好的適應性,且信號識別準確率較高.

表1 不同電子設備區域干擾信號識別結果

3 結 論

本文基于射電天文臺址的頻譜分析實際需求,提出了一種現場環境下設備區域的干擾信號檢測與識別方法,該方法可有效分析臺址內設備區域電磁干擾對射電天文的影響. 并通過實測數據分析確定了該方法具有較好的適應性和較高的信號識別率,具有較好的工程應用價值．但是,此方法中選用的信噪分離方法對微弱信號的檢測能力相對較差．此外,由于射電望遠鏡具有極高的系統靈敏度,對臺址內電磁干擾極其敏感,需要進一步研究高精度信噪分離方法,從而提高信號識別的準確性.

[1] 張群濤, 劉奇, 孫正文, 等. 基于數據擬合的寬帶頻譜窄帶干擾提取方法[J]. 科學技術與工程, 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] 羅吉. 數字調制信號識別算法研究[D]. 成都: 電子科技大學, 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, 黃建沖, 朱永成. 特征參數匹配法在雷達信號識別中的應用[J]. 航天電子對抗, 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] 陸鳳波, 黃知濤, 易輝榮, 等. 一種基于高階累積量的數字調相信號識別方法[J]. 系統工程與電子技術, 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] 馮祥, 李建東. 調制識別算法及性能分析[J]. 電波科學學報, 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] 吳昊, 柳永祥, 姚富強, 等. 基于頻譜監測傳感網的分布式協同信號識別[J]. 電波科學學報, 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] 嚴天峰, 馬睿. 基于形態學梯度的信號噪聲分離算法[J]. 計算機應用, 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, 劉越智, 孔明明. 一種用于占用度統計的噪聲提取算法[J]. 中國無線電, 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] 陳希孺. 概率論與數理統計[M]. 合肥: 中國科學技術大學出版社, 2009: 264-269.

[13] 劉奇, 王凱, 王洋, 等. 射電天文終端電子設備輻射特性測試[J]. 天文研究與技術, 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] 李穎, 劉奇, 劉艷玲, 等. 電子設備電磁輻射評估軟件設計及實現[J]. 天文研究與技術, 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)