[发明专利]一种基于神经网络的软件无线电频谱监测识别的方法

说明书

本发明公开了一种基于神经网络的软件无线电频谱监测识别的方法，其特征在于，包括如下步骤：1）GNURadio频谱扫描；2）训练样本预处理；3）搭建BP神经网络；4）输出识别结果。这种方法解决了信号识别依赖人工的问题，并且通过数据的预处理,可以对频段内的所有信号进行识别分类，加入PCA算法和归一化处理提高识别率。这种方法能提高神经网络识别无线电频谱的性能与效率。

技术领域

本发明涉及通信技术领域，具体是一种基于神经网络的软件无线电频谱监测识别的方法

背景技术

随着5G技术即将投放市场，频谱监测工作也将面临着海量无线数据的严峻考验。现有的城市频谱监测主要依赖于固定监测站，固定监测站由于设备启动成本高和信号识别依赖人工等因素，只能在某些时间段监测频谱使用情况，这种方式缺乏对频谱环境的持续性监测，并且只能对有限的热点区域监测。因此如何解决频谱监测成本高、持续性差和信号识别依赖人工等问题已经迫在眉睫。

针对频谱监测成本高、持续性差的问题，目前许多学者提出可利用软件无线电平台，搭建低成本、小型可移动监测站，方便手持或无人机装载。如李晓光等利用GNURadio软件无线电平台搭配USRP设备，解决了信道色噪声造成噪底不平坦条件下的宽带信号检测问题，但是该方法中软件无线电平台自身很难承担繁重的计算任务，无法进一步深入开发；刘玉军等利用无人机对空中频谱进行监测，并设计了一种根据频谱环境，无人机自主规划路径的方法，但该方法中没有提及如何处理无人机采集的频谱数据。

而针对信号识别依赖人工的问题，目前信号识别主要通过无线电信号特征即中心频率、带宽、码率、调制方式等，利用模式识别的方法进行信号识别，且现有的信号识别对象都是调制信号，没有考虑到实际更为复杂的无线通信环境对信号产生的影响以及信号的其他编码、发送信息等的差异对信号频谱的干扰等。因此，需要结合实际通信环境综合考虑研究信号识别方法、同时现有检测站在对异常频谱判定方面依旧依赖于人工或仪器。而深度学习神经网络在面对不断更新变化的无线通信环境时，其强大的“学习能力”无疑具有较大的优势。无线电监测系统采集到的大量数据，可以经移动网络或WLAN 传输至云端，通过云端服务器中搭建的神经网络，对其进行训练，即可识别不同环境下的各种信号类型或频谱状态。冯浩等利用Hadoop云计算平台和HBase分布式数据库，对无线电频谱监测数据进行管理和存储，但没有对频谱数据进行识别分析；方宁等针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题，提出一种无监督学习的卷积神经网络(CNN)的振动信号模态识别方法；蒋兵等利用PNN神经网咯解决了雷达信号调制类型多样且识别成功率较低的问题。但这些方法大多也都是针对单一类型的信号进行识别，而并非对某段频谱进行识别，反应其状态信息。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于神经网络的软件无线电频谱监测识别的方法。这种方法能提高神经网络识别无线电频谱的性能与效率。

实现本发明目的的技术方案是：

一种基于神经网络的软件无线电频谱监测识别的方法，与现有技术不同的是，包括如下步骤：

1)GNURadio频谱扫描：目前，常用的软件无线电软件有GNURadio、LABVIEW和VanuSoftware Radio等，采用开源并拥有强大交互社区的GNURadio软件无线电软件作为系统开发平台，利用GNURadio软件无线电软件自带的以及NI公司提供的扩展包中的实时扫频程序对频谱扫频，扫描50MHz-6 GHz的频谱，并可以采集50MHz-6 GHz频谱指定频段的时域I/Q数据，再通过FFT转换获得指定频段的时域I/Q数据，经FFT转换的频谱数据通过数据类型和单位转换用频谱图实时显示出来，频谱图中横轴单位为频率，纵轴单位为功率；