基于WiFi的CBTC DCS子系统干扰分析与识别技术研究

摘要

随着城市轨道交通的快速发展以及无线通信电磁环境的日益复杂，基于WiFi的CBTC(Communication Based Train Control)DCS(Data Communication System)子系统由于采用ISM(Industrial Scientific Medical)公用频段而受到干扰的情况越来越频繁。为保证车地无线通信系统的安全可靠运行，对实际车地无线通信网络进行研究，从而准确地区分和排查干扰类型是非常有必要的。基于这个目的，本文根据DCS网络实际部署结构，对CBTC的DCS无线通信系统网络进行了研究，并在仿真软件上搭建了与实际线路配置一致的系统级仿真平台。基于该仿真平台得到的数据以及实测数据，完成了基于场强分析的异常检测软件与基于网络性能参数的干扰识别算法。　　论文设计了基于场强分析的异常检测方案，采用移动平均算法对单个和多个轨旁无线设备(TracksideRadio Equipment，TRE)场强变化趋势进行分析，依据场强变化趋势的差异直观地判断异常数据段；根据单个TRE最大值、最小值、平均值以及低于关联AP(Access Point)的最小接收功率强度(最小关联强度)等工程指标，筛选异常数据；同时，根据工程上冗余双网的功率差值要求以及不能同时切换等限制条件识别异常TRE。上述算法均集成在本文的仿真平台上，并且也利用公司提供的实测数据进行了算法有效性的验证。　　尽管基于场强分析的异常检测方案能够识别出异常TRE，但无法提供干扰类型及定位干扰。为了快速排除干扰，对干扰类型进行研究并定位干扰就显得十分必要。本文充分利用通信网络性能参数对干扰类型进行识别，研究设计了基于中频接收信号和网络性能参数的干扰分析和识别算法。通过对中频接收信号进行特征提取，利用网格搜索法(GridSearch)对决策树模型参数进行调优，并采用方差选择法对特征进行选择，以此提高识别性能。采用寻优得到的最优参数和筛选出的特征对决策树网络模型进行训练和测试，测试结果表明识别准确度可达到99.99%，基本可以完全检测和识别干扰。对网络性能参数以每个TRE为单位提取特征，采用K-means算法对异常TRE数据进行聚类，并将聚类结果作为SVM分类模型的数据源；对异常数据段提取特征，并进行特征归一化处理，采用遗传算法(GA)进行惩罚因子和核函数参数的调优，将最优参数和提取特征带入SVM模型中进行训练和测试，仿真结果显示，该种方法基本可以识别出同频干扰和邻频干扰。

目录

声明

第1 章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 CBTC 系统研究现状分析

1.2.2 DCS 系统研究现状分析

1.2.3 干扰识别研究现状分析

1.3 论文内容与组织结构

第2 章 CBTC系统及DCS子系统介绍

2.1 CBTC系统构成

2.1.1 列车自动监控系统

2.1.2 区域控制器

2.1.3 数据存储单元

2.1.4 计算机联锁

2.1.5 车载控制器子系统

2.1.6 数据通信子系统

2.2 DCS 子系统的功能及结构

2.2.1 轨旁有线网络

2.2.2 车地无线网络

2.2.3 DCS网络管理系统

2.3 本章小结

第3 章 DCS无线系统建模与仿真

3.1 地铁环境下无线信号损耗模型

3.1.1 漏泄波导管传播模型

3.1.2 自由空间传播模型

3.1.3 对数距离路径损耗传播模型

3.1.4 对数正态阴影衰落传播模型

3.2 地铁环境小尺度衰落模型

3.2.1 瑞利分布

3.2.2 莱斯分布

3.3 天线模型

3.3.1 发射天线

3.3.2 接收天线

3.4 IEEE 802.11g切换算法

3.5 系统级仿真平台设计实现

3.5.1波导管无干扰场景建模

3.5.2自由无线无干扰场景建模

3.5.3波导管+自由无线无干扰场景建模

3.5.4 自由无线干扰场景建模

3.6 物理层干扰信号波形生成

3.6.1 IEEE 802.11g的物理层帧结构

3.6.2 同频干扰建模

3.6.3 邻频干扰建模

3.7 本章小结

第4 章异常TRE 检测方案研究

4.1 数据采集及存储

4.1.1 数据采集网络结构

4.1.2 数据存储方式

4.2 基于场强的异常检测方案研究

4.2.1 基于短时移动平均的异常 TRE检测

4.2.2 基于长时移动平均的异常 TRE检测

4.2.3 基于 TRE最大值与最小值的异常 TRE检测

4.2.4 基于切换前后场强变化的异常 TRE检测

4.3 基于车头车尾场强变化规律的异常 TRE识别

4.3.1 车头车尾数据识别

4.3.2 基于车头数据平均值的异常 TRE分析

4.4 基于红蓝网数据对比的异常 TRE分析

4.4.1 基于红蓝网功率对比的异常 TRE分析

4.4.2 基于红蓝网切换时刻对比的异常 TRE分析

4.5 本章小结

第5 章 基于机器学习的干扰识别算法研究

5.1 机器学习算法原理与算法选择

5.1.1 K-means 算法原理

5.1.2 决策树算法原理

5.1.3 SVM算法理论模型

5.2 基于决策树算法及中频信号特征的干扰识别方案研究

5.2.1 中频接收信号生成

5.2.2 中频信号特征提取和筛选方式

5.2.3 性能仿真分析

5.3 网络性能参数与中频信号特征联合干扰识别方案研究

5.3.1 网络性能参数获取

5.3.2 基于网络性能参数及 K-means算法的异常数据聚类提取性能分析

5.3.3 基于 SVM算法的异常数据干扰识别性能仿真分析

5.4 两种干扰识别方式性能比较

5.5 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果