一种基于深度学习的电磁环境监测系统及方法

本发明涉及电磁环境监测领域，更具体地说，它涉及一种基于深度学习的电磁环境监测系统及方法。

背景技术：

1、电磁波是由电场和磁场相互作用产生的能量传播方式，广泛存在于自然界和人类活动中。从自然界的雷电、宇宙辐射到人类发明的无线电广播、电视、移动通信和雷达，电磁波在信息传递和环境探测中起着至关重要的作用。随着无线通信技术的迅速发展，电磁环境变得日益复杂和多变，同时也带来了潜在的干扰和安全隐患。

2、然而，现有技术在实际应用中，连续不间断的监测目标区域的电磁波数据并识别的过程需要消耗大量的计算资源，对于基于成本优先的民用监测领域，高昂的计算资源需求使得系统难以实施。同时，大部分时间目标区域内不存在干扰信号，大部分投入的计算资源没有带来收益，计算资源的投入与实际收益不成正比，这导致了资源的浪费和效率的低下。

技术实现思路

1、本发明提供一种基于深度学习的电磁环境监测系统及方法，解决背景技术中提出的技术问题。

2、本发明提供了一种基于深度学习的电磁环境监测系统及方法，包括：

3、数据采集模块：其用于将目标区域分割为m个子区域，在第一预设时间段t天内，每天固定间隔对m个子区域采集t次电磁波数据；

4、电磁波数据包括：频率、幅度、相位、极化、信噪比、位置坐标和时间戳；

5、数据处理模块：其用于对采集的电磁波数据进行预处理，并构建m个特征矩阵，第k个特征矩阵的第j列第i行表示k个子区域第j天第i个时刻采集的电磁波数据，其中0≤k≤m，0≤j≤t，0≤i≤t；

6、图网络模块：其用于对目标区域的m个子区域的电磁波数据构建图网络，图网络结构包括：节点、节点的初始特征和节点之间的边；

7、异常检测模块：其用于将第一预设时间段t天的m个图结构数据分别输入异常检测模型中，异常检测模型的输出表示第二预设时间段g天的m个子区域在第j天第i个时间段电磁波数据的异常值；

8、识别模块：其用于识别异常的第二预设时间段g天中第j天第i个时刻的电磁波数据。

9、进一步的，t，m，t，g均为自定义参数，其中d第一预设时间段t天和第二预设时间段g天的天数相同。

10、进一步的，预处理的步骤，包括：

11、步骤s201：应用合均值滤波法去除电磁波数据中的噪声；

12、步骤s202：根据目标频段和带宽，使用带通滤波器滤除不相关的频段数据；

13、步骤s203：对于电磁波数据中的缺失值通过取前一个时间段采集的电磁波数据和后一个时间段采集的电磁波数据的平均值进行填充处理；

14、步骤s204：通过z-score方法对电磁波数据进行归一化处理。

15、进一步的，在特征矩阵的上下边界均生成t个元素，在特征矩阵的左右边界均生成t个元素，在特征矩阵的四角分别生成一个元素，构建一个（t+2）×（t+2）的更新矩阵x；

16、更新矩阵x中第1列和第t+2列中的第q个元素的电磁波数据为；

17、更新矩阵x中第1行和第t+2行中的第p个元素的电磁波数据为；

18、更新矩阵x中、、和四个角的元素的电磁波数据为；

19、其中，2≤q≤t+1，2≤p≤t+1，、和分别为表示第一权重参数、第二权重参数和第三权重参数，、和分别表示第一偏置项、第二偏置项和第三偏置项，relu表示relu激活函数；

20、图网络结构中的节点与更新矩阵的元素建立映射关系，节点的初始特征通过与其建立映射关系的元素的电磁波数据表示；

21、节点之间的边的构建方式包括：相邻的元素建立的映射关系的节点之间构建边；

22、斜对角相邻的元素建立的映射关系的节点之间构建边。

23、进一步的，异常检测模块包括m个异常检测模型，m个异常检测模型分别输入m个子区域的图网络结构和第二预设时间段g天中第k个子区域第j天的第i个时刻采集的电磁波数据，第二预设时间段g天中第k个子区域第j天的第i个时刻采集的电磁波数据的异常检测公式如下：

24、；

25、；

26、；

27、其中，表示第二预设时间段g天中第k个子区域第j天的第i个时刻采集的电磁波数据的异常值，表示第二预设时间段g天中第k个子区域第j天的第i个时刻采集的电磁波数据，表示第二预设时间段t天中第k个子区域第j天的第i个时刻采集的电磁波数据，表示二预设时间段t天中第k个子区域第j+m天的第i+n个时刻采集的电磁波数据，表示第二预设时间段g天中第k个子区域第j天的第i个时刻采集的电磁波数据对比图网络结构中相邻的节点的相似度值，表示第二预设时间段t天中第k个子区域第j天的第i个时刻采集的电磁波数据对比图网络结构中相邻的节点的相似度值，分别表示第四权重参数，表示子区域异常阈值，表示阶跃激活函数，表示多层感知机。

28、进一步的，第二预设时间段g天中第j天的第i个时刻采集的电磁波数据的全局异常检测步骤，包括：

29、步骤s301：建立目标区域m个子区域的三维简图，输入m个子区域在第二预设时间段g天中第j天的第i个时刻的异常值；

30、步骤s302：若m个异常值为1的子区域在三维简图中形成直线结构，m个子区域的得分记为,表示为，其中表示第一奖励系数；

31、步骤s303：若n个异常值为1的子区域在三维简图中的欧式距离小于距离阈值β，则形成聚集结构，n个子区域的得分记为，表示为，其中表示第一奖励系数；

32、欧式距离计算公式为，其中和分别表示子区域和子区域的三维坐标；

33、步骤s304：若z个异常值为1的子区域在三维简图中不形成聚集结构或者不形成直线结构，则z个子区域的得分记为，表示为，其中表示惩罚系数；

34、步骤s305：计算全局异常值，全局异常值表示为，其中既属于聚集结构又属于直线结构的子区域则重复计分，判断全局异常值大于全局异常阈值则视为全局异常，判断全局异常值小于全局异常阈值则视为全局正常。

35、进一步的，图网络结构的节点特征更新步骤，包括：

36、步骤s401：输入第k个子区域在第二时间段g天的第j天第i个时刻采集的电磁波数据到图网络结构中进行子区域异常检测；

37、步骤s402：根据异常检测模块104输出的子区域异常值判断对图网络结构进行更新；

38、步骤s404：第k个子区域在第二预设时间段g天中的第j天第i个时刻的子区域异常值为0，则对第k个子区域在第二预设时间段g天中的第j天第i个时刻的电磁波数据和第k个子区域在第二预设时间段t天中的第j天第i个时刻的电磁波数据取均值更新第k个图网络结构中第j列第i行的节点的特征；

39、步骤s404：第k个子区域在第二预设时间段g天中的第j天第i个时刻的子区域异常值为1，则不更新第k个图网络结构中第j列第i行的节点的特征。

40、进一步的，识别模块对第二预设时间段g天中第j天第i个时刻全局异常的电磁波数据的识别步骤，包括：

41、步骤s501，将第二预设时间段g天中第j天第i个时刻的电磁波数据通过快速傅里叶变换将电磁波数据从时域转换为频域，生成频谱图，确定异常信号频率范围；

42、步骤s502，将第二预设时间段g天中第j天第i个时刻的电磁波数据通过短时傅里叶变换生成时频图，识别出信号的频率突变和频率漂移特征；

43、步骤s503，根据时频分析的结果，对异常信号进行调制方式识别；

44、步骤s504，通过到达时间差方法，结合子区域间的空间位置，确定信号源的位置。

45、进一步的，根据识别模块输出的全局异常的识别结果，无异常不采取措施，有异常的措施为立即向相关部门发布预警，调动相关人员对异常电磁波数据的来源进行排查。

46、进一步的，本发明基于深度学习的电磁环境监测方法，包括以下步骤：

47、步骤s601：将目标区域分割为m个子区域，在第一预设时间段t天内，每天固定间隔对m个子区域采集t次电磁波数据；

48、步骤s602：对采集的电磁波数据进行预处理，并构建m个特征矩阵；

49、步骤s603：对目标区域的m个子区域的电磁波数据构建图网络，图网络结构包括：节点、节点的初始特征和节点之间的边；

50、步骤s604：将第一预设时间段t天的m个图结构数据分别输入异常检测模型中，异常检测模型的输出表示第二预设时间段g天的m个子区域在第j天第i个时间段电磁波数据的异常值；

51、步骤s605：识别异常的第二预设时间段g天中第j天第i个时刻的电磁波数据。

52、本发明的有益效果在于：通过基于深度学习的电磁环境监测系统，在多数时间目标区域无干扰信号时，通过优先检测异常信号，再进行深入分析，显著减少了计算资源的消耗；同时，利用图网络结构实现电磁波数据的动态更新，结合全局异常检测和信号源定位技术，有效提高了异常检测的精度和响应速度，从而解决了现有技术中资源浪费和监测效率低下的问题，增强了系统应对潜在电磁威胁的能力。