技术领域
[0001] 本
发明涉及无线通信领域，特别是涉及一种射频基因库建立方法及违法违规无线电波检测方法。
背景技术
[0002] 传统无线电监测工作中，主要通过技术人员对无线电环境监测数据进行分析，判定是否存在违法违规
信号。传统无线电监测的准确性和时效性对技术人员的依赖性较大，技术人员的专业素质和相关工作经验对监测数据分析判定结果的影响较大；并且无线电设备工作的随机性和间断性，需要技术人员对监测数据进行时时分析，导致无线电管理的工作量大、重复度高、时效性差等不足。
发明内容
[0003] 本发明提供了一种射频基因库建立方法及违法违规无线电波检测方法以克服上述问题或者至少部分地解决上述问题。
[0004] 根据本发明的一个方面，提供了一种射频基因库建立方法，包括：
[0005] 确定目标地理区域的范围；
[0006] 根据所述目标地理区域的通信环境确定个体划分方式；
[0007] 根据所述个体划分方式将所述目标地理区域划分为多个个体；
[0008] 针对每个所述个体进行检测，获取每个所述个体的
基础射频数据；
[0009] 基于每个所述个体的基础射频数据进行
深度神经网络计算，获取每个所述个体的射频基因；
[0010] 保存每个所述个体的射频基因，生成所述目标地理区域的射频基因库。
[0011] 可选的，所述射频基因包括以下至少之一：经纬坐标、
覆盖区域范围、无线电监测频段、监测接收信号总功率、监测接收信号调制方式、监测接收信号
频谱图。
[0012] 可选的，所述根据所述目标地理区域的通信环境确定个体划分方式，包括：
[0013] 当所述目标地理区域的通信环境以公网通信为主时，以蜂窝的形式划分所述个体；
[0014] 当所述目标地理区域的通信环境以直连通信为主时，以网格的形式划分所述个体；
[0015] 当所述目标地理区域的通信环境的主要通信方式无法确定时，以蜂窝的形式划分所述个体。
[0016] 可选的，所述基于每个所述个体的基础射频数据进行深度神经网络计算，包括：
[0017] 基于所述基础射频数据，采用贪婪逐层预训练
算法对深度神经网络参数进行初始化；
[0018] 进行深度神经网络模型训练，逐层对深度神经网络参数进行调整，将所述深度神经网络模型拟合至逼近真实模型。
[0019] 可选的，所述基于所述基础射频数据，采用贪婪逐层预训练算法对深度神经网络参数进行初始化，包括：
[0020] 将所述基础射频数据传输到深度神经网络的
输入层，作为
隐藏层第一层的可观察数据；
[0021] 采用
无监督学习算法对所述隐藏层第一层的可观察数据进行训练，生成隐藏层第一层的初始参数；
[0022] 将所述隐藏层第一层的初始参数作为隐藏层第二层的可观察数据，继续采用所述
无监督学习算法对所述隐藏层第二层进行训练，生成所述隐藏层第二层的初始参数；
[0023] 重复上述步骤直至初始化隐藏层所有层，得到各层初始化参数；
[0024] 将隐藏层最后一层初始化参数输入到深度神经网络的
输出层，采用监督学习算法初始化输出层参数。
[0025] 可选的，在所述生成所述目标地理区域的射频基因库之后，还包括：
[0026] 重复执行获取所述基础射频数据并计算相应射频基因的步骤，对所述射频基因库进行更新。
[0027] 根据本发明的另一个方面，还提供了一种违法违规无线电波检测方法，包括：
[0028] 基于上述任一射频基因库建立方法建立射频基因库；
[0029] 在每个所述个体中进行无线电波检测，获取每个所述个体中存在的无线电波的射频参数；
[0030] 通过对比检测到的每个所述个体中存在的无线电波的射频参数与所述射频基因库中各个所述个体的射频基因确定是否存在违法违规的无线电波。
[0031] 基于本发明提供的技术方案，可以在无线电管理一体化平台基础上实现无线电监测工作的智能化和自动化，减少人、财、物和时间的不必要浪费，提高无线电管理的工作效率，完善无线电管理体制。
[0032] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照
说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
[0033] 根据下文结合
附图对本发明具体
实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
[0034] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0035] 图1是根据本发明实施例的射频基因库建立方法的
流程图；
[0036] 图2是根据本发明实施例的射频基因库的示意图；
[0037] 图3是根据本发明实施例的以蜂窝的形式划分个体的示意图；
[0038] 图4是根据本发明实施例的以网格的形式划分个体的示意图；
[0039] 图5是
深度学习神经网络的结构示意图。
具体实施方式
[0040] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0041] 需要说明是的，在不冲突的前提下，本发明实施例和优选实施例中的技术特征可以相互结合。
[0042] 图1是根据本发明实施例的射频基因库建立方法的流程图。如图1所示，根据本发明实施例的射频基因库建立方法包括：
[0043] 步骤S102，确定目标地理区域的范围；
[0044] 步骤S104，根据目标地理区域的通信环境确定个体划分方式；
[0045] 步骤S106，根据上述个体划分方式将目标地理区域划分为多个个体；
[0046] 步骤S108，针对每个个体进行检测，获取每个个体的基础射频数据；
[0047] 步骤S110，基于每个个体的基础射频数据进行深度神经网络计算，获取每个个体的射频基因；
[0048] 步骤S112，保存每个个体的射频基因，生成目标地理区域的射频基因库。
[0049] 针对
现有技术中的不足，本发明实施例提供了一种可以在无线电管理一体化平台基础上实现无线电监测工作的智能化和自动化的方案，从而可以减少人、财、物和时间的不必要浪费，提高无线电管理的工作效率，完善无线电管理体制。
[0050] 在本实施例提供的技术方案中，基于射频指纹提出了射频基因的概念。无线电设备的射频指纹(Radio Frequency Fingerprinting,简称RFF)是通过分析无线电设备
输出信号提取的设备的物理层本质特征，包括无线电设备的工作
频率、信号功率、调制方式等信息。而无线电通信环境的射频基因是指一定地理区域范围内无线电通信环境的基本特征，包括无线电通信环境的经纬坐标(忽略海拔高度)、覆盖区域范围、无线电监测频段、监测接收信号总功率、监测接收信号调制方式、监测接收信号频谱示意图等信息，而射频基因库是一定地理区域范围所有射频基因的集合，如图2所示。构建包含覆盖无线电监测频段的射频基因库，能够提供一定地理区域内无线电通信环境的标准先验信息，提高无线电管理工作的效率和准确性。
[0051] 射频基因库的建立是一个循序渐进的漫长过程，初期建设需要无线电管理机构储备一定量级的监测数据，后期根据无线电监测数据对射频基因库数据进行不断更新。以监测设备的覆盖范围为“个体”覆盖范围，“个体”内无线电磁环境的监测结果作为本“个体”的基础射频数据，通过
人工智能技术对每“个体”基础射频数据进行训练，得到每“个体”的射频基因。
[0052] 在本实施例中，“个体”是确定射频基因的基本单位，是使用特定的几何形状对地理区域进行划分得到的一个个更小的地理区域。优选的，上述步骤S104可以包括：
[0053] 当目标地理区域的通信环境以公网通信为主时，以蜂窝的形式划分个体；
[0054] 当目标地理区域的通信环境以直连通信为主时，以网格的形式划分个体；
[0055] 当目标地理区域的通信环境的主要通信方式无法确定时，以蜂窝的形式划分个体。
[0056] 本实施例优先采用了一种自适应的个体划分方式，可以在不同通信环境下的自适应地采用不同的个体划分方式。当通信环境以公网通信为主时，将个体以蜂窝状进行划分，如图3所示；当通信环境以直连通信为主时，将个体以网格状进行划分，如图4所示；当无法确定时，将个体以蜂窝状进行划分。
[0057] 为了尽可能准确地确定个体的射频基因，本实施例采用了深度学习算法来计算个体的射频基因。深度学习是一种通过学习深度非线性网络结构实现复杂函数拟合的人工智能学习方法，其实质是一种深度神经网络学习算法，深度神经网络结构包括输入层、隐藏层和输出层三部分，如图5所示。其中，输入层是学习的输入数据，隐藏层进行输入数据的特征提取和分析，输出层是学习的输出数据。深度神经网络的完备性，使其可以表征任何函数，因此通过多层调参和不同网络结构能够实现对任意函数的拟合。
[0058] 贪婪逐层预训练算法是一种无监督学习算法，基于贪婪逐层预训练算法的无监督深度学习方法，利用结构上层的可观察信息进行逐层无监督学习，对深度神经网络进行逐层预训练，得到每层的无监督初始化参数。采用贪婪逐层预训练算法的半监督算法对隐藏层采用无监督训练学习方法，对输出层采用有监督学习方法，能够得到更优的学习结果。
[0059] 基于上述技术，优选的，步骤S110可以包括：
[0060] 基于基础射频数据，采用贪婪逐层预训练算法对深度神经网络参数进行初始化[0061] 进行深度神经网络模型训练，逐层对深度神经网络参数进行调整，将深度神经网络模型拟合至逼近真实模型。
[0062] 而上述的初始化过程可以包括：
[0063] 将基础射频数据传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据；
[0064] 采用无监督学习算法对隐藏层第一层的可观察数据进行训练，生成隐藏层第一层的初始参数；
[0065] 将隐藏层第一层的初始参数作为隐藏层第二层的可观察数据，继续采用无监督学习算法对隐藏层第二层进行训练，生成隐藏层第二层的初始参数；
[0066] 重复上述步骤直至初始化隐藏层所有层，得到各层初始化参数；
[0067] 将隐藏层最后一层初始化参数输入到深度神经网络的输出层，采用监督学习算法初始化输出层参数。
[0068] 优选的，为了获得更准确的数据，在生成了目标地理区域的射频基因库之后，还可以重复执行获取基础射频数据并计算相应射频基因的步骤，对上述射频基因库进行更新。
[0069] 由上文的记载可知，本发明实施例提供了这样一种技术方案：
[0070] 1、建立一定地理区域内无线电通信环境的射频基因库：提供一定地理区域内的标准射频基因模板(射频基因库)，提供一定区域内无线电通信射频环境的标准先验信息。无线电通信环境的射频基因是指一定地理区域范围内无线电通信环境的基本特征，包括无线电通信环境的地理
位置、覆盖区域范围、工作频率、信号功率、调制方式等信息；而射频基因库是一定地理区域范围所有射频基因的集合。
[0071] 2、自适应“个体”划分方式：提供不同通信环境下的自适应个体划分方式。当通信环境以公网通信为主时，将个体以蜂窝状进行划分，如图2所示；当通信环境以直连通信为主时，将个体以网格状进行划分，如图3所示；当无法确定时，将个体以蜂窝状进行划分。以一定区域内的某地点为例，首先根据无线电通信环境选择“个体”划分方式(蜂窝状或者网格状)，然后利用
半监督学习算法搭建该地点所在区域的射频基因。
[0072] 4、无线电管理工作的智能化和自动化：基于无线电监测系统、无线电检测系统和仿真系统等软
硬件基础设施，用户在无线电管理一体化平台基础上实现无线电监测工作的智能化和自动化，提出采用贪婪逐层预训练算法的半监督深度学习方法构建覆盖一定地理区域的射频基因库。
[0073] 5、资源利用率最大化：减少人、财、物和时间的不必要浪费，提高无线电管理的工作效率，完善无线电管理体制。
[0074] 下面通过一个具体的优选实施例对上述实施例进行说明。本优选实施例提供了一种基于半监督深度学习方法搭建自适应个体划分射频基因库的方法，包括以下步骤：
[0075] 1)确定个体划分方式。当通信环境以公网通信为主时，将个体以蜂窝状进行划分；当通信环境以直连通信为主时，将个体以网格状进行划分；当无法确定时，将个体以蜂窝状进行划分。
[0076] 2)确定划分个体的覆盖面积大小；
[0077] 3)确定射频基因库需要覆盖的地理区域范围；
[0078] 4)以个体为基本单位对3)中确定的地理区域按照1)中确定方式进行划分，如图2或图3所示；
[0079] 5)每个体的监测结果仅作为该个体的一组基础射频数据，射频基因库建设中收集的基础射频数据应保证充分考虑极端天气等因素对监测结果的影响；
[0080] 6)深度神经网络初始化。采用贪婪逐层预训练算法对深层神经网络参数进行初始化，初始化过程如下：
[0081] a)个体监测数据(即基础射频数据)x传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据h0(x)，即h0(x)＝x；
[0082] b)采用无监督学习算法对隐藏层第一层可观察数据h0(x)进行训练，生成隐藏层第一层的初始参数R1(h0(x))；
[0083] c)隐藏层第一层初始参数R1(h0(x))作为隐藏层第二层的可观察数据h1(x)，即h1(x)＝R1(h0(x))，继续采用无监督学习算法对隐藏层第二层进行训练，生成隐藏层第二层的初始参数R2(h1(x))；
[0084] d)重复c)中步骤初始化隐藏层所有层，得到各层初始化参数R1(h0(x))、R2(h1(x))、R3(h2(x))、…、RL(hL-1(x))；
[0085] e)隐藏层最后一层初始化参数RL(hL-1(x))输入到输出层，采用监督学习算法初始化输出层参数；
[0086] 7)深度神经网络模型训练。模型训练即层层参数调整、逐渐拟合的过程，采用监督学习算法对整个深度神经网络进行微调，使神经网络模型能够逼近真实模型；
[0087] 8)深度神经网络模型输出，得到个体射频基因；
[0088] 9)对地理区域范围全部个体的射频基因进行训练，得到射频基因库；
[0089] 10)重复步骤5)～7)，不断优化和补充射频基因库。
[0090] 在本发明的另一个实施例中，基于上述的建立射频基因库的方法，还提供了一种违法违规无线电波检测方法，包括以下步骤：
[0091] 基于上述射频基因库建立方法建立射频基因库；
[0092] 在每个个体中进行无线电波检测，获取所述个体中存在的无线电波的射频参数，例如射频指纹；
[0093] 通过对比检测到的每个个体中存在的无线电波的射频参数与射频基因库中各个所述个体的射频基因确定是否存在违法违规的无线电波。
[0094] 当存在某个个体中存在射频参数(例如射频指纹)与该个体射频基因差异很大的无线电波时，即可以认为该无线电破有违法违规的嫌疑。这样的操作和判断，都是可以由相应的系统自动执行的。
[0095] 由上述记载可知，本发明实施例提供的技术方案可以很好的应用在在无线电监测系统中。首先，本发明实施例提供的技术方案提出了射频基因库的概念，通过将无线电监测结果和射频基因库相关信息进行对比，能够迅速发现某监测地理区域内的疑似违法违规无线电发射设备；其次，本发明实施例提供的技术方案采用了自适应的个体划分方法用于搭建射频基因库，根据不同通信环境选取不同的个体划分方式；再次，本发明实施例提供的技术方案采用了基于半监督深度学习方法构建传播路径模型地图的方法，深度学习算法的实质为一种深度神经网络学习算法，采用贪婪逐层预训练算法的半监督算法对隐藏层采用无监督训练方式，对输出层采用监督学习方式，能够得到更优的学习结果；最后，从资源利用
角度，本发明实施例提供的技术方案实现了节约人、财、物和时间成本的效果。
[0096] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：在本发明的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案脱离本发明的保护范围。
