基于采样混频和深度学习的频谱感知方法及装置制造方法及图纸

本发明专利技术公开了基于采样混频和深度学习的频谱感知方法及装置。宽带天线接收的宽带未知无线信号，经采样混频下变频到中频信号，利用模拟数字变换器将模拟信号变换成数字信号送给深度学习处理器进一步做信号分析，其中接收无线信号频率范围的判定是利用微调激励采样混频本振信号频率来实现判断分辨，信号调制方式的识别是将已确定频率范围的射频信号下变频到中频信号并转换为实频谱图，利用深度学习技术对信号的调制模式进行识别，从而实现对所接收无线信号的智能频谱感知。该频谱感知方法具有结构简单、感知速度快、频谱识别率高，可应用于5G、6G的频谱感知通信系统中。6G的频谱感知通信系统中。6G的频谱感知通信系统中。

【技术实现步骤摘要】
基于采样混频和深度学习的频谱感知方法及装置


[0001]本专利技术涉及微波/毫米波无线通信
，特别是涉及微波、毫米波通信测试仪表、5G和6G通信系统中。

技术介绍

[0002]为了满足“一念天地，万物随心”通信的美好愿望，需要将信息处理技术与高效的信息传输技术相结合，将陆地地面通信、低空空中通信、高空卫星通信、海洋通信等传统意义相互物理分立的通信系统进行重新设计和高效融合，最终构建一张满足全球无缝覆盖的陆海空天融合通信网络。陆海空天融合通信网络是基于无线通信，其频谱的覆盖范围将从微波、毫米波扩展至太赫兹，频谱的广泛应用将对国民生活产生巨大的社会价值。未来通信频谱管理将面临巨大挑战：无线通信频率全谱化、无线通信频谱空间化、无线通信频谱碎片化、多业务共存的网络异构化，电磁频谱管理在军事研究中也要重要的战略意义。
[0003]如何结合当前AI的不断发展，让认知智能与通信测试仪表充分的结合起来，使认知智能在感知基础上进行深刻理解、全面思考、自主学习和智能推理，并做出频谱管理决策。现代频谱感知面临着快速、高频率、宽频带的技术需求。
[0004]传统的频谱感知技术采用的扫频模式进行监测，对全频段的监测需要非常长的时间，而且监测中会对短期的突发信号存在遗漏的现象。本专利技术研究的频谱感知的核心技术需求是快速监测，需要对陆海空天融合通信网络所覆盖的全频谱进行感知；频谱覆盖从微波到毫米波，故频谱监测需要工作到极高的频率；同时，频谱监测模块还需要具有宽频带信号监测的特性，这就对频谱感知仪的硬件电路设计方法提出了极高的要求。频谱感知通常采用超外差式接收机或数字中频接收机的方案，是将监测的射频频率与本振下变频到中频处理，实现对频谱感知，若想监测的频率范围宽，这就需要本振的频率覆盖范围宽，但本振的频率覆盖范围很难有超过十个倍频程，就算通过倍频、分频方案实现了宽频带的本振信号，对宽带频谱的监测还需逐点扫频的方式进行，故监时间长。宽频带频谱感知采用传统的扫频接收方案对全频带进行监测显然不合适。基于采样混频的频谱感知方案满足快速、宽频带和高频率的技术需求。

技术实现思路

[0005]技术问题：本专利技术的目的是提出了一种基于采样混频和深度学习的频谱感知方法及装置，宽带天线接收的宽带未知无线信号，经采样混频器下变频到中频信号，利用模拟数字变换器将信号送给深度学习处理器，对接收无线信号的频率以及频谱调制模式进行分析。该频谱感知方法具有结构简单、感知速度快、频谱识别率高，可应用于5G、6G的频谱感知通信系统中。
[0006]技术方案：本专利技术是一种基于采样混频和深度学习的频谱感知方法，宽带天线将空间无线信号接收下来，经过采样混频器下变频至中频信号，再经模拟数字变换器将中频信号变为基带数字信号，其中，对宽带天线所接收的无线信号频谱感知识别主要包含判断
信号频率范围，同时对信号调制模式进行正确识别两部分内容，判断信号频率范围是通过微调采样混频的本振信号进行判断分辨，信号调制模式的识别是通过应用深度学习信号时频谱图进行分析，从而对信号的调制模式进行识别，实现频谱感知。
[0007]其中，
[0008]所述宽带天线接收的无线信号判断信号的频率范围如下：设接收的射频信号频率为f
RF
，该信号为采样混频器的输入信号，此时先用本振频率为f
LO1
的本振频率激励采样混频器，通过模拟数字变换器后送入处理器可以分析出对应的中频信号频率f
IF1
；再用本振频率为f
LO2
的本振频率激励采样混频器，通过模拟数字变换器后送入处理器分析出对应的中频信号f
IF2
，且所测频点和所激励频点满足如下关系，f
RF
＝M
×
f
LO1
+f
IF1
＝N
×
f
LO2
+f
IF2
，其中，f
LO1
和f
LO1
为两个频率靠的非常近的本振信号，且f
LO1
＝f
LO2
+Δf，故大多数情况下，M＝N，可以计算出M，并进一步推导出f
RF
；有时可能f
RF
可能越界，此时，M＝N
±
1。
[0009]所述射频信号频率f
RF
，为了进一步验证其频率的正确性，用本振频率为f
LO3
的本振频率激励采样混频器，其中f
LO1
＝f
LO3
‑
Δf，按照上述步骤进行分析，利用三个已知本振频率基本可以确定接收射频信号的频率。
[0010]所述在对监测频点的频率范围正确判断之后，进一步对频谱调制模式进行识别，利用神经网络作为模型提取的特征，利用深度学习，将需要识别模式的数据对应的时频谱图送入神经网络进行训练，用训练好的网络完成对所接收未知信号模式的识别。
[0011]本专利技术用于基于采样混频和深度学习的频谱感知方法的装置由宽带天线、采样混频器、可调本振、模拟数字变换器和深度学习处理器所组成；宽带天线的输出端接采样混频，采样混频通过切换接模拟数字变换器或可调本振，模拟数字变换器的输出端接深度学习处理器。
[0012]所述采样混频器是由采样门电路、中频电路、宽带巴伦，脉冲信号发生电路所组成；采用本振信号接脉冲信号发生电路的输入端，脉冲信号发生电路的输出端接宽带巴伦的输入端，宽带巴伦的输出端接采样门电路的输入端，采样门电路的输入端同时接入射频输入，采样门电路的输出端接中频电路的输入端，由中频电路输出中频输出；实现对信号的快速感知，取代传统的宽带接收扫频模式，实现对各种突发信号的快速感知监测。
[0013]所述的脉冲发生器，以十字形微带线L5为节点，与地之间有四路，第一路为顺序连接的第一匹配微带线、激励电感、耦合电容、第六匹配微带线、第七匹配微带线输入信号源；第二路为顺序连接的第三匹配微带线、第二阶跃恢复二极管、第四匹配微带线、负载电阻；第三路为顺序连接的第一匹配微带线、限流电阻、并联连接的正直流偏置电压和旁路电容；第三路为第一阶跃恢复二极管；当第一阶跃恢复二极管、第二阶跃恢复二极管处于导通状态时存储电荷能量，并在关闭时释放充电能量，通过改变激励电感调节脉冲位置，该脉冲电路具有理想边缘特性和低振铃特性。
[0014]有益效果：本专利技术的一种基于采样混频和深度学习的频谱感知方法及装置的优点是：
[0015]感通一体通信是5G、6G通信的核心技术，现有技术当中，频谱感知一般是通过窄带滤波实现单一频率范围的感知，或者通过超外差接收扫频方式实现宽带频谱感知，但是扫频方式实现宽带频谱感知所需的时间长，实时性差。将采样混频和深度学习相结合的频谱感知方法，摒弃了传统扫频方式实现频谱感知，利用2
‑
3次采样混频可以直接得到精确的频
率范围，具有快速感知和宽带处理的优点，同时结合深度学习，进一步实现对频谱的智能感知。该专利技术应用于频谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于采样混频和深度学习的频谱感知方法，其特征在于，宽带天线将空间无线信号接收下来，经过采样混频器下变频至中频信号，再经模拟数字变换器将中频信号变为基带数字信号，其中，对宽带天线所接收的无线信号频谱感知识别主要包含判断信号频率范围，同时对信号调制模式进行正确识别两部分内容，判断信号频率范围是通过微调采样混频的本振信号进行判断分辨，信号调制模式的识别是通过应用深度学习信号时频谱图进行分析，从而对信号的调制模式进行识别，实现频谱感知。2.根据权利要求1所述的一种基于采样混频和深度学习的频谱感知方法，其特征在于，所述宽带天线接收的无线信号判断信号的频率范围如下：设接收的射频信号频率为f
RF
，该信号为采样混频器的输入信号，此时先用本振频率为f
LO1
的本振频率激励采样混频器，通过模拟数字变换器后送入处理器可以分析出对应的中频信号频率f
IF1
；再用本振频率为f
LO2
的本振频率激励采样混频器，通过模拟数字变换器后送入处理器分析出对应的中频信号f
IF2
，且所测频点和所激励频点满足如下关系，f
RF
＝M
×
f
LO1
+f
IF1
＝N
×
f
LO2
+f
IF2
，其中，f
LO1
和f
LO2
为两个频率靠的非常近的本振信号，且f
LO1
＝f
LO2
+Δf，故大多数情况下，M＝N，可以计算出M，并进一步推导出f
RF
；有时可能f
RF
可能越界，此时，M＝N
±
1。3.根据权利要求2所述的一种基于采样混频和深度学习的频谱感知方法，其特征在于，所述射频信号频率f
RF
，为了进一步验证其频率的正确性，用本振频率为f
LO3
的本振频率激励采样混频器，其中f
LO1
＝f
LO3
‑
Δf，按照上述...

【专利技术属性】
技术研发人员：田玲，洪伟，王小康，杨晨，王海龙，蔡梦，糜琪钰，任秋实，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：