干扰识别

摘要： 大气波导效应会导致时分系统产生超远距离干扰,造成严重的网络质量劣化问题。首先,通过系统性的原理分析对5G大气波导干扰成因进行详细分析;然后,通过大量干扰数据对5G受大气波导干扰小区的特征进行研究,提出了5G大气波导干扰波形识别算法;最后,从时域、频率、空域、参数配置等方面提出了大气波导受干扰小区的规避调整方法,降低大气波导干扰影响,保障5G网络质量。

摘要： 针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法。该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连接分类器对干扰信号进行分类识别,提升特征提取的完整性和干扰识别的性能。仿真表明,所提方法的干扰识别性能相比于现有的基于卷积神经网络的干扰识别方法提升了6 dB,可用于通信干扰信号类型的识别。

摘要： 近年来,随着无线通信技术在军事领域的发展及各类无线通信装备数量的增加,战场电磁环境变得越来越复杂,其要求通信系统具有更强的抗干扰能力,而智能干扰识别是抗干扰的前提。基于传统机器学习的各类干扰识别算法存在干扰前期特征提取繁杂、低干噪比(JNR)下识别正确识别率低的问题。本文针对上述问题,引入了并行多路多尺度卷积,通过增加网络宽度、提升网络识别速度和精度,解决前期特征提取繁杂的问题;结合频带相关性长短时记忆网络(LSTM)创新性地提出了基于LSTM的频带相关性无线通信干扰智能识别网络,该方法利用LSTM探知干扰信号频带相关性,提升低干噪比下的干扰识别正确率。通过仿真证明了多尺度并行卷积比普通卷积网络更稳定,识别速度和泛化性更佳,该网络提升了低干噪比下的识别正确率,平均识别正确率达99.86%。可见,本文所提的网络模型是解决复杂电磁环境下的智能干扰识别的一种有效可用模型。

摘要： 灵巧噪声干扰因兼有欺骗干扰和噪声干扰的特点,已成为1种干扰新体制雷达的有效样式,干扰识别也成为电子战领域研究的热点课题。针对卷积调制、数字多时延和间歇采样转发3种灵巧噪声干扰识别问题,通过分析干扰信号的产生机理和频谱特性,提出了1种基于盒维数特征的干扰识别方法。采用支持向量机进行分类识别,仿真验证了该方法具有较高的识别率。

摘要： 在当代电子战中,电子干扰与抗干扰的较量愈演愈烈。开展针对雷达有源干扰的识别算法已经成为雷达对抗领域研究的热点,具有重大的战略意义。本文针对雷达有源干扰识别算法进行整体分析,总结了目前国内外干扰识别手段的一般流程。首先对常见雷达干扰的种类进行划分,详细介绍目前常见的雷达有源干扰信号的干扰机理和信号模型,然后从特征提取手段和分类器的设计两个角度出发全面地梳理干扰识别算法流程。最后针对雷达有源干扰识别算法未来的发展方向做出了展望。

摘要： 干扰识别是通信抗干扰过程的前置环节,为抗干扰决策和波形选择提供关键的先验知识,是抗干扰成功与否的关键步骤。在复杂的电磁条件下,对干扰信号进行大量标记往往是困难的,并且对干扰识别的实时性要求很高。针对上述问题,研究了一种基于数据增强的小样本干扰信号识别技术,以解决小样本条件下分类器训练过程的欠拟合问题。小样本条件下,在正态贝叶斯分类器和朴素贝叶斯分类器训练过程中,分别设计了两种数据增强方法增加训练样本以提高分类器性能。仿真结果表明,采用数据增强的干扰识别技术能够显著提高小样本条件下干扰识别的准确率。

摘要： 现有雷达欺骗干扰识别研究中,存在难以获取带标签样本的问题,为此,提出一种基于多模态小样本学习的雷达欺骗干扰识别算法。首先,对雷达接收信号进行“语音”和“视觉”模态的定义;然后用伪孪生网络将信号的2种模态进行匹配训练;最后,将测试集的信号样本与匹配集进行匹配识别,得到最终的雷达欺骗干扰信号识别率。仿真实验表明,训练样本数量降低到原始样本集的25%,干噪比为3 dB时,本文算法的欺骗干扰信号识别率仍能达到90%以上。

摘要： 通信抗干扰是复杂电磁环境下无线通信生存能力的核心问题,而干扰识别是通信抗干扰的重要前置环节。目前的干扰识别大多采用单节点进行干扰识别,而单节点干扰识别容易受到信道环境影响导致性能下降。针对无线通信网络在低干信比条件下单节点干扰正确识别率较低等问题,提出了一种基于深度卷积神经网络的多节点协同干扰识别方法,并设计了基于中心判决和基于硬判决的两种干扰识别算法。仿真结果表明,采用多节点协同干扰识别方法能够显著提升无线通信网络在低干信比条件下的干扰正确识别率,且基于硬判决的方法较基于中心判决的方法有更好的性能。

摘要： 干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取(Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE)的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比(Jamming-to-Noise Ratio,JNR)≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取(Automatic Feature Extractionbased Convolutional Neural Network,AFE-CNN)算法;与传统的人工特征提取的深度神经网络(Manual Feature Extraction-based Deep Neural Network,MFE-DNN)相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。

摘要： 现网运维人力成本高、效率低,如何快速精准识别网络干扰类型、提高运维人员工作效率,成为亟待解决的问题。提出一种基于改进深度残差网络(Res Net)的智能干扰识别方法,通过对接运营商北向网管的通信干扰数据接口,对干扰数据进行采集和预处理,并结合现网专家经验对历史干扰数据类型进行标注和校正,形成离线干扰数据集。再将干扰频域信息进行图像化生成干扰频谱波形图,并针对不同干扰类型进行图像处理和数据处理。之后根据业务特点对传统ResNet算法进行改进,通过提取单一干扰类型特征,确定各特征在复合干扰类型中的权重,达到对任意干扰类型识别的目的。最后通过导入已训练好的模型对干扰数据进行在线识别,有效提高干扰识别的准确率和效率。

摘要： 介绍红外成像技术在变电站检测中的原理,设备检测过程中如何发现问题,如何判断干扰、排除干扰,并通过红外成像发现制氢1#变压器低压桩头发热和15B2变压器B相低压连接瓷瓶发热的事例,分析干扰识别对于红外成像技术在变电站检测中的重要性.

摘要： 在通信系统抗干扰中干扰的检测及识别是一种关键的技术.本文提出了一种新的干扰识别算法.首先,应用盲信号分离算法来分离传感器接收到的混合干扰信号.然后从干扰信号的高阶累积量中提取特征参数用作进行SVM分类时的特征向量.最后,用SVM作为分类器来对单音干扰,多音干扰及脉冲干扰进行分类识别.计算机仿真结果表明,当信噪比不低于5dB时本文算法有较高的识别率。

摘要： 相位激电方法通过向地下供以低频交流电(矩形波)，在发收同步的条件下，用时间域的方法记录供电时MN间的电位差曲线，根据在线性范围内激电效应充、放电过程等效的原理，测量一次场供电时抗拒一次场施加的电位延迟效应和一次场断电时抗拒一次场撤离的电位延迟效应，采用频率域实部与虚部电位差的概念获得视电阻率与视相位角。同时据供电时记录的电位差曲线，求取时间域的激电参数:视极化率、视充电率和衰减曲线。从而实现一次供电获取全部激发极化法参数和自电梯度值。通过实时记录并显示电位差曲线，实现快速干扰识别，即时判断数据质量。采用“同步多周期叠加法”，压制50Hz干扰。采用“同步多周期叠加法”，压制50Hz干扰。

摘要： 在野外地震数据采集过程中,如果地震测线上有高压输电线通过时,在地震记录中就存在一个50Hz左右强单频干扰.这种干扰波在地震记录的整个时间段上具有很强的能量,并且从浅层到深层频率、相位和振幅可能不相同,但是它们的变化不太大,可以认为基本保持不变.采用频率域压制方法很难完全消除这种干扰,仅仅是噪声和信号同时压制一定的倍数,因此并没有改善单频分量频率附近的信噪比.我们在时间域内采用同频率不同振幅正余弦函数的组合来逼近这种单频干扰并从地震记录中减去以实现消除这种单频干扰的目的.单频波正弦函数和余弦函数的振幅使用公式直接计算,单频波频率采用自适应方法估算.本方法的最大优点就是能够有效消除干扰波,而并不伤害干扰波附近有效信号,因此在单频波频率分量附近数据信噪比提高了.通过实际数据的试算,说明了本方法的有效性和可行性。

摘要： 本文对受到宽带干扰,多音干扰和部分频带干扰的BPSK信号特征进行了分析,并找出其特征函数,用SVM(支持向量机)建立了干扰信号的识别算法,通过验证,此算法达到了较好的识别效果.

摘要： 本文阐述了提高干扰方向识别精度的两种方法——通道一致性的实时校正和空间相关矩阵的对角加载.实时校准基于校准信号源、温度传感器及信号处理网络,获取各通道幅相误差,实现实时校正.空间相关矩阵估计值与真实之间的偏差随着干扰信号的增强而变大,进而导致小特征值扰动加剧,严重影响干扰方向识别的精度.对角加载可以减少空间相关矩阵特征值的扰动,能够改善阵列性能及方向图畸变,提高干扰方向识别精度.测试结果表明,以上方法有效地提高了干扰方向识别精度及稳定性.

摘要： 本文阐述了提高干扰方向识别精度的两种方法——通道一致性的实时校正和空间相关矩阵的对角加载.实时校准基于校准信号源、温度传感器及信号处理网络,获取各通道幅相误差,实现实时校正.空间相关矩阵估计值与真实之间的偏差随着干扰信号的增强而变大,进而导致小特征值扰动加剧,严重影响干扰方向识别的精度.对角加载可以减少空间相关矩阵特征值的扰动,能够改善阵列性能及方向图畸变,提高干扰方向识别精度.测试结果表明,以上方法有效地提高了干扰方向识别精度及稳定性.

摘要： 本文阐述了提高干扰方向识别精度的两种方法——通道一致性的实时校正和空间相关矩阵的对角加载.实时校准基于校准信号源、温度传感器及信号处理网络,获取各通道幅相误差,实现实时校正.空间相关矩阵估计值与真实之间的偏差随着干扰信号的增强而变大,进而导致小特征值扰动加剧,严重影响干扰方向识别的精度.对角加载可以减少空间相关矩阵特征值的扰动,能够改善阵列性能及方向图畸变,提高干扰方向识别精度.测试结果表明,以上方法有效地提高了干扰方向识别精度及稳定性.

摘要： 本文阐述了提高干扰方向识别精度的两种方法——通道一致性的实时校正和空间相关矩阵的对角加载.实时校准基于校准信号源、温度传感器及信号处理网络,获取各通道幅相误差,实现实时校正.空间相关矩阵估计值与真实之间的偏差随着干扰信号的增强而变大,进而导致小特征值扰动加剧,严重影响干扰方向识别的精度.对角加载可以减少空间相关矩阵特征值的扰动,能够改善阵列性能及方向图畸变,提高干扰方向识别精度.测试结果表明,以上方法有效地提高了干扰方向识别精度及稳定性.

摘要： 本文阐述了提高干扰方向识别精度的两种方法——通道一致性的实时校正和空间相关矩阵的对角加载.实时校准基于校准信号源、温度传感器及信号处理网络,获取各通道幅相误差,实现实时校正.空间相关矩阵估计值与真实之间的偏差随着干扰信号的增强而变大,进而导致小特征值扰动加剧,严重影响干扰方向识别的精度.对角加载可以减少空间相关矩阵特征值的扰动,能够改善阵列性能及方向图畸变,提高干扰方向识别精度.测试结果表明,以上方法有效地提高了干扰方向识别精度及稳定性.

摘要： 本申请提供一种雷达干扰感知模型的训练方法及雷达干扰信号识别方法，雷达干扰感知模型的训练方法包括：获取训练样本数据；其中，训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；将训练样本数据进行时频分析处理，生成时频分布图像；将时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。在本申请实施例中，引入计算机视觉领域的“目标检测”思想建立目标检测模型，在目标检测模型的训练时仅需提供四种单一干扰信号。而训练完成的目标检测模型能够识别出图像中的所有干扰信号种类，进而实现对四种单一干扰信号、六种两两复合信号以及四种三重复合信号的雷达干扰的灵活感知。

摘要： 本发明涉及一种计及干扰功率测量值的电力无线专网干扰类型识别方法，包括：步骤1：获取基站干扰功率时频干扰测量矩阵；步骤2：根据干扰测量矩阵计算时间相关性；步骤3：计算干扰测量矩阵的谱特性矩阵；步骤4：基于神经网络构建干扰类型识别模型；步骤5：对干扰类型识别模型进行训练；步骤6：使用训练好的干扰类型识别模型识别电力无线专网干扰类型。与现有技术相比，本发明具有实时性好、准确性高等优点。

摘要： 本发明公开了油气田开发技术领域的一种基于不关井干扰试井的干扰井识别系统及方法，包括：获取不关井测试时间和不关井测试期间的井底压降；基于不关井测试时间和不关井测试期间的井底压降，计算压降导数绝对值；基于不关井测试时间、不关井测试期间的井底压降和压降导数的绝对值，绘制双对数图版；读取双对数图版中压降导数曲线上的特征值，计算压降导数特征值；基于压降导数特征值计算干扰井相对产量；根据干扰井相对产量确定干扰井类型。本发明提出了新的不关井干扰试井双对数图版，不仅具有现有不关井干扰试井双对数图版的功能，还能快速通过压降导数曲线来识别邻井生产/注水类型及产量。

摘要： 本发明公开了一种防止ETC邻道干扰和跟车干扰的车牌识别方法，包括在ETC通道上对称设置的拍摄装置，该识别方法具体包括以下步骤：对进入ETC通道并位于两个拍摄装置之间的车辆进行拍照识别车辆前后侧的车牌号；两个拍摄装置分别跟踪车辆前后侧车牌号与ETC通道栏杆之间的位置；若该车辆与ETC通道栏杆之间的距离逐渐缩短，并且前后侧拍摄装置拍摄到车辆前后侧车牌之间的垂直距离值等于车身预设距离值，则开始交易并且ETC通道栏杆打开，本发明有效防止了在ETC通道栏杆打开之前，相邻道路的车辆进入该ETC通道内驱车行驶，并且杜绝了该ETC通道内车辆跟车的现象。

摘要： 本发明提供了一种干扰识别方法、干扰识别系统及电机，其中，干扰识别方法，用于电机，包括：确定电机的转速变化率；根据转速变化率确定对应的运行状态；在电机运行过程中，检测在运行状态内的反馈信号的数量；若反馈信号的数量大于运行状态对应的数量阈值，则电机存在干扰，否则，电机不存在干扰。通过本发明的技术方案，实现了对直流电机受到高频干扰的识别，为直流电机进一步抗干扰提供依据，降低了主控采集到错误信号导致空调错误停机的可能性，提升了系统稳定性。

摘要： 本发明的干扰识别装置具有：取得部(11)，其取得通过电磁波的接收而得到的接收信号；频率转换部(12)，其使用接收信号来计算表示所述接收信号的各个时间和频率的复振幅的矩阵数据；自相关值计算部(14)，其使用矩阵数据来计算第1时刻的频率分布和第2时刻的频率分布的相关值；以及识别部(17)，其使用相关值来识别干扰信号的特征。

摘要： 本发明公开了一种雷达干扰识别网络的训练方法和雷达干扰识别方法，雷达干扰识别网络的训练方法包括：获取各种类型的雷达干扰信号；得到每个雷达干扰信号的时频图；针对干噪比大于预定阈值的每个时频图，获得由人工标注完成的、该时频图对应的标注后时频图，并由所有标注后时频图构成标注样本集；其中，标注后时频图中标注有雷达干扰信号的类别和位置；基于标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别；其中，神经网络包括主干网络和RPN网络。应用本发明的雷达干扰识别网络的训练方法所得到的雷达干扰识别网络，能够对多类雷达干扰识别类别并定位位置。

摘要： 本发明提供了一种干扰识别方法、干扰识别系统及电机，其中，干扰识别方法，用于电机，包括：确定电机的转速变化率；根据转速变化率确定对应的运行状态；在电机运行过程中，检测在运行状态内的反馈信号的数量；若反馈信号的数量大于运行状态对应的数量阈值，则电机存在干扰，否则，电机不存在干扰。通过本发明的技术方案，实现了对直流电机受到高频干扰的识别，为直流电机进一步抗干扰提供依据，降低了主控采集到错误信号导致空调错误停机的可能性，提升了系统稳定性。

摘要： 本发明的干扰识别装置具有：取得部(11)，其取得通过电磁波的接收而得到的接收信号；频率转换部(12)，其使用接收信号来计算表示所述接收信号的各个时间和频率的复振幅的矩阵数据；自相关值计算部(14)，其使用矩阵数据来计算第1时刻的频率分布和第2时刻的频率分布的相关值；以及识别部(17)，其使用相关值来识别干扰信号的特征。

摘要： 本发明涉及一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，可应用于多种间歇采样干扰场景，以实现对干扰的智能化准确识别与抗干扰目标检测，能够在不依赖于干扰参数估计和专家知识的前提下，大大提升抗干扰目标测距精度，且能够实现与传统方法性能接近的抗干扰目标测速精度。