CN102404058B - 电磁波区分设备、电磁波区分方法以及电磁波区分程序 - Google Patents

Abstract

根据本发明的一种电磁波区分设备区分电磁波，且包括：获取部、特征量计算部、相似度计算部、分类部、区分部、输出部以及存储部。所述获取部接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据。所述特征量计算部基于每一预定时间的所述采样数据，计算每一预定时间的振幅特征量。所述相似度计算部计算相对于每一预定时间的所述振幅特征量的相似度。所述分类部基于所述相似度，将每一预定时间的所述通信信号分类为簇，以获得每一预定时间的所述通信信号的簇分析结果。所述区分部基于每一预定时间的所述通信信号的簇分析结果，针对所述簇中的每一个，区分构成一个簇的通信信号，以获得区分结果。所述输出部输出所述区分结果。所述存储部存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果。

Description

电磁波区分设备、电磁波区分方法以及电磁波区分程序

本申请基于并要求于2010年7月26日提交的日本专利申请No.2010-167186以及于2011年5月25日提交的日本专利申请No.2011-116745的优先权，以全文引用的方式将它们并入本文中。

技术领域

本发明涉及区分电磁波的电磁波区分设备、电磁波区分方法以及电磁波区分程序。

背景技术

随着无线通信的日益流行，对移动通信中的电波的需求也日益增长。另一方面，由于在该频段中的干扰波的电磁干扰，在便携式电话、无线LAN等等中经常发生无线通信干扰，且在电视、无线电等等中的糟糕接收经常发生。因此，为了增强吞吐量，需要区分干扰波，并执行针对电磁干扰的检测处理。作为实现该电磁波区分和电磁干扰检测的方法，已提出了各种建议。

在日本未审专利申请首次公开No.H09-218230(下文中称作专利文献1)，中公开的电磁环境观察设备通过基于观察电磁环境的结果来估计无线通信的质量，并对观察到的电磁环境进行分类，从而识别不必要的放射线的放射线源。专利文献1公开的电磁环境观察设备通过计算作为电磁波的波形的特征量的振幅概率分布(APD)，来估计无线通信的质量。

关于在日本未审专利申请首次公开No.2007-206037(下文中称作专利文献2)，中公开的信号测量和分析设备以及存储和分析波形数据，通过分析已存储的波形数据的特征和相似度，并显示其结果，用户掌握了电磁环境和噪声环境。

关于在专利文献1中公开的电磁环境观察设备，使用APD(其为振幅波动的概率分布)作为特征量，来估计比特错误率或吞吐量。在该设备中假定已获得了针对干扰通信的调制系统或强度的在先信息，使得难以对应于由于接收地点产生的电波环境的改变。

关于在专利文献2中公开的信号测量和分析设备，使用在任意时间域中对波形峰值或平均值等等的单一参数估计作为在波形数据的特性分析中使用的波形参数。对于该常规测量参数，难以准确区分已由于通信技术的发展而变得复杂化的电磁环境。此外，为了准确地估计，系统配置已变为大规模，且因此不适用于移动设施。

发明内容

为了解决上述问题，设计了本发明。

根据本发明的一种电磁波区分设备区分电磁波，且包括：获取部，接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据；特征量计算部，基于每一预定时间的所述采样数据，计算每一预定时间的振幅特征量；相似度计算部，计算相对于每一预定时间的所述振幅特征量的相似度；分类部，基于所述相似度，将每一预定时间的所述通信信号分类为簇，以获得每一预定时间的所述通信信号的簇分析结果；区分部，基于每一预定时间的所述通信信号的簇分析结果，针对所述簇中的每一个，区分构成一个簇的通信信号，以获得区分结果；输出部，输出所述区分结果；以及存储部，存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果。

根据本发明的电磁波区分方法用于区分电磁波的电磁波区分设备。所述方法包括：接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据；基于每一预定时间的所述采样数据，计算每一预定时间的振幅特征量；计算相对于每一预定时间的所述振幅特征量的相似度；基于所述相似度，将每一预定时间的所述通信信号分类为簇，以获得每一预定时间的所述通信信号的簇分析结果；基于每一预定时间的所述通信信号的簇分析结果，针对所述簇中的每一个，区分构成一个簇的通信信号，以获得区分结果；输出所述区分结果；以及存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果。

根据本发明的一种计算机可读存储介质存储电磁波区分程序。所述程序使计算机执行：获取功能，接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据；特征量计算功能，基于每一预定时间的所述采样数据，计算每一预定时间的振幅特征量；相似度计算功能，计算相对于每一预定时间的所述振幅特征量的相似度；分类功能，基于所述相似度，将每一预定时间的所述通信信号分类为簇，以获得每一预定时间的所述通信信号的簇分析结果；区分功能，基于每一预定时间的所述通信信号的簇分析结果，针对所述簇中的每一个，区分构成一个簇的通信信号，以获得区分结果；输出功能，输出所述区分结果；以及存储功能，存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果。

根据本发明，所述电磁波区分设备基于波形的特征量的相似度，对所接收的电磁波的波形进行分类。因此，可以准确地区分电磁波的特性，同时不需要对电磁波环境的在先信息。因此，可以自动识别简单设备组件中的通信信号的电磁干扰的产生。

附图说明

图1是示出了根据本发明的第一示例实施例的电磁波区分设备的配置的框图。

图2是示出了在本发明的第一示例实施例中的波形采样的特征量的数据配置示例的表。

图3是示出了在本发明的第一示例实施例中计算相似度的序列的流程图。

图4是示出了在本发明的第一示例实施例的相似度计算部中计算的波形采样之间的相似度的示例的表。

图5是示出了在本发明的第一示例实施例中将波形采样分类为簇的序列的流程图。

图6是示出了在本发明的第一示例实施例中基于相似度将波形采样分类为簇的过程的表。

图7示出了在本发明的第一示例实施例中被分类为两个簇的波形采样的示例。

图8是示出了根据本发明的第二示例实施例的电磁波区分设备的配置的框图。

图9是示出了在本发明的第二示例实施例中创建教导数据的序列的流程图。

图10是示出了在本发明的第二示例实施例中确定在电磁波中是否发生电磁干扰的序列的流程图。

图11是示出了在本发明的第三示例实施例中在信号波形中由于调制方法产生的差异的概念图。

图12是示出了在本发明的第三示例实施例中计算作为振幅特征量的APD的示例的图。

图13是示出了在本发明的第三示例实施例中计算作为振幅特征量的振幅柱状图的示例的图。

图14是示出了在本发明的第三示例实施例中的由分类部映射特征量的结果的示例的图。

图15是示出了在本发明的第三示例实施例中的由分类部进行的分级簇分析的结果的示例的图。

图16是示出了在本发明的第三示例实施例中的由区分部指定构成簇的电磁波分量的示例的图。

图17是示出了在本发明的第三示例实施例中的根据干扰强度的量值的相关系数的改变的图。

图18是示出了在本发明的第三示例实施例中的根据干扰强度的量值的距离函数的改变的图。

具体实施方式

(第一示例实施例)

参照附图来详细描述本发明的第一示例实施例。图1是示出了根据第一示例实施例的电磁波区分设备100的配置的框图。电磁波区分设备100包括：获取部101、特征量计算部102、存储部103、相似度计算部104、分类部105、区分部106、以及输出部108。

获取部101接收电磁波，并每预定时间对所接收的电磁波(到来电波)的波形进行采样，并将采样提供给特征量计算部102。此外，获取部101向特征量计算部102提供每一预定时间的已接收的电磁波的测量日期(接收时间)。获取部101可以是例如测量波形的振幅的频谱分析仪(测量设备)。获取部101可以从另一个设备获取指示波形或波形的振幅的数据。

特征量计算部102接收已接收的电磁波的振幅数据，以及在每一预定时间的测量日期(接收时间)。特征量计算部102添加在每一预定时间输出的区分信息，并创建“波形采样”(例如，采样1、采样2，依此类推)。此外，特征量计算部102计算每一波形采样的已接收电磁波的特征量。此处，特征量是例如振幅概率分布。振幅概率分布是示出了在波形的整个时间长度和波形超过预定振幅的时间长度之间的比率的概率分布。特征量计算部102输出已被添加了区分信息的与在每一预定时间接收的电波相关的每一特征量。

已接收的电波的特征量不一定限于振幅概率分布。例如，已接收的电波的特征量可以包括以下统计量中至少一项或多项：例如振幅柱状图、平均值、标准偏差、失真度、峰度(kurtosis)、峰值因子、或概率分布的瞬间、以及测量日期。

存储部103存储每一波形采样的已接收电波的特征量。图2示出了每一波形采样的特征量的数据配置示例。作为一个示例，在图2中，示出了以下情况：已接收电波的特征量是振幅概率分布、振幅柱状图以及测量时间。此外，存储部103还可以存储已接收的电磁波的预定接收频率和接收时间。

返回图1，继续对电磁波区分设备100的配置的描述。计算部104接收每一波形采样的已接收的电磁波的特征量。相似度计算部104计算计算在波形采样之间的特征量的相似度，并创建相似度矩阵。

图3是示出了计算相似度的序列的流程图。相似度计算部104获取每一预定时间的波形采样的特征量(步骤S1)。相似度计算部104计算波形采样之间的特征量的相似度(步骤S2)。相似度计算部104输出计算出的相似度(步骤S3)。

图4示出了相似度计算部104检测到的相似度的示例。此处，作为一个示例，示出了相似度是Pearson相关性系数的情况。为了增加区分电磁波的准确性，需要使波形采样的样本数足够大。作为相关性系数，在波形采样的数目是n的情况下(其中n是大于等于2的整数)，计算nC2个相似度的最大值，以形成相关性系数。下文中，作为一个示例，描述采样2和采样3之间的相似度是“0.61”的情况，其中，该相似度是所有波形采样之间的相似度中的最小相似度。

返回图1，继续对电磁波区分设备100的配置的描述。分类部105获取每一波形采样的相似度，并基于获取的相似度将波形采样分类为簇。

图5是示出了将波形采样分类为簇的序列的流程图。分类部105从相似度计算部104获取每一采样波形之间的相似度(步骤Sa1)。分类部105选择相似度最小的波形采样(此处，采样2和3)(步骤Sa2)。分类部105将波形采样分类为簇(步骤Sa3)。分类部105输出每一波形采样的簇区分信息(步骤Sa4)。此处，簇区分信息是用于区分已分类的簇的区分信息。下文中，将簇区分信息标记为CN(其中N是大于等于1的整数)，并标记为C1、C2，依此类推。

图6示出了基于相似度将波形采样分类为簇的过程。在分类为簇中使用的变量(波形采样的特征量)是理想的相互独立的且不具有相似度的。这是由于通过保持已分离的簇之间的距离，增强了电磁波的区分准确性。因此，分类部105选择了在相似度矩阵中相似度最小的波形采样对。如图6所示的表的最左列，分类部105选择采样2和采样3，他们具有在所有波形采样的相似度中的最小相似度(参见图4)。

分类部105基于所选采样2和采样3与其他采样的相似度，将波形采样分类为簇。具体地，分类部105将与采样2的相似度高于与采样3的相似度的采样分类入簇C2中。

此外，分类部105将与采样3的相似度高于与采样2的相似度的采样分类入簇C1中。通过使用这种分类，分类部105将类似于所选采样2的电磁波分量和类似于采样3的电磁波分量进行分类。

作为在分类部105将波形采样分类为簇时的簇分析方法，可应用分级簇分析方法(例如，最短距离方法、中位数方法、质心方法、群平均方法、或Ward方法)和非分级簇分析方法(例如，k平均方法、模糊类型簇方法、或自组织处理方法)。分类部105恰当地选择簇分析方法，使得簇的形状不失真。

图7示出了已将波形采样分类为两个簇(C1和C2)的示例。由X轴示出了在采样2和其他采样(除了采样3)之间的相关性系数。由Y轴示出了在采样3和其他采样(除了采样2)之间的相关性系数。

为了区分电磁波，至少两个簇是必要的。簇的数目的最优值根据接收电磁波的传感器台的电磁环境和安装位置而改变。因此，可以在确定簇的数目的最优值时，使用恰当的算法。

返回图1，继续对电磁波区分设备100的配置的描述。区分部106确定与波形采样相对应的电磁波的特征，该波形采样构成了由簇区分信息指示的簇。此处，区分部106对构成簇的波形采样的数目和数据(参见图2、4和6)以及示出了接收频率和时间的信息进行比较和引用，从而区分电磁波的特征。因此，区分部106能够区分出：与构成簇C1的波形采样相对应的电磁波是受影响的波(有害波)，且与构成簇C2的波形采样相对应的电磁波是干扰波。

输出部108可以例如是显示器或打印机。输出部108从区分部106获取区分结果，并输出(显示)该区分结果。输出部108显示以下效果作为例如区分结果：与构成簇C1的波形采样相对应的电磁波是受影响的波，且与构成簇C2的波形采样相对应的电磁波是干扰波。

如上所述，电磁波区分设备100包括：获取部101，在每一预定时间对所接收的电磁波的波形进行采样；特征量计算部102，计算每一波形采样的波形的特征量；相似度计算部104，计算在波形采样之间的特征量的相似度；分类部105，基于相似度，将波形采样分类为簇；以及区分部106，区分与构成簇的波形采样相对应的电磁波。

电磁波区分设备基于波形的特征量的相似度，对已接收的电磁波的波形进行分类，且因此可以准确地区分电磁波的特征。

作为特征量，可以多次使用与波形的振幅相对应的量(例如振幅概率分布)。因此，电磁波区分设备能够基于与已接收的电磁波的波形的振幅相对应的量，更准确地进行区分，甚至在将多个电磁波混合的环境中。

电磁波区分设备100在存储部103中存储电磁波的预定频率和时间的信息，且区分部106基于预定频率和时间中的至少一项来区分电磁波。因此，电磁波区分设备100可以准确地区分自发产生的电磁波。

(第二示例实施例)

参照附图来详细描述本发明的第二示例实施例。第二示例实施例与第一示例实施例的不同之处在于：电磁波区分设备基于教导数据，确定在电磁波中是否发生电磁干扰。

图8是根据本发明的第二示例实施例的电磁波区分设备的配置的框图。电磁波区分设备200通过计算在波形采样的特征量和教导数据之间的相似度，确定在电磁波中是否发生电磁干扰。电磁波区分设备200包括：获取部201、特征量计算部202、存储部203、相似度计算部204、教导数据选择部210(分类部205、区分部206)、确定部207以及输出部208。

获取部201的功能与第一示例实施例中的获取部101的功能相同。特征量计算部202的功能与第一示例实施例中的特征量计算部102的功能相同。针对每一波形采样，存储部203存储由特征量计算部202计算的波形采样的特征量。

教导数据选择部210包括分类部205和区分部206。针对每一波形采样，教导数据选择部210从存储部203获取波形采样的特征量。教导数据选择部210从多个获取的波形采样中选择一个波形采样，并将所选波形采样的特征量设置为教导数据。

分类部205与第一示例实施例中的分类部105的功能相同。区分部206从波形采样中选择一个波形采样，并将所选波形采样的特征量设置为教导数据。作为确定教导数据的方法，例如，计算簇的质心位置，且选择最接近计算出的质心位置的波形采样作为教导数据。

区分部206区分与波形采样相对应的电磁波的特征量，该波形采样构成了由簇区分信息指示的簇。一般地，预期电磁波区分设备200从无效无线电台接收无效电波的时间短，其从有效无线电台接收有效电波的时间是绝大多数。因此，区分部206能够通过对构成簇的波形采样进行计数，来区分来自有效无线电台的有效电波和来自其他无效无线电台的无效电波。

图9是示出了选择教导数据的序列的流程图。区分部206获取每一波形采样的簇区分信息(步骤Sb1)。区分部206对构成簇的波形采样的数目进行计数(步骤Sb2)。区分部206选择构成簇的波形采样的数目最大的簇(步骤Sb3)。区分部206从所选簇中选择一个波形采样(步骤Sb4)。然后，区分部206将所选波形采样的特征量确定为教导数据，且在存储部203中存储所确定的教导数据(步骤Sb5)。

返回图8，继续对电磁波区分设备200的配置的描述。相似度计算部204基于由获取部201新采样的已接收的电波的特征量以及在存储部203中存储的教导数据，计算它们的相似度。

确定部207通过将预定阈值和相似度的量值进行比较，确定在与获取部201采样的波形采样相对应的电磁波中是否发生电磁干扰。在电磁波中发生电磁干扰的情况下，由于电磁干扰的影响产生的波形采样的特征量发生改变，相似度也改变。因此，通过将预定阈值和相似度的量值进行比较，确定部207可以确定在电磁波中是否发生电磁干扰。

输出部208可以是例如显示器或打印机。在确定部207确定电磁波中发生电磁干扰的情况下，输出部208输出以下效果：在电磁波中发生电磁干扰。

图10是示出了确定在电磁波中是否发生电磁干扰的序列的流程图。相似度计算部204获取由获取部201新采样的波形采样的特征量以及在存储部203中存储的教导数据(步骤Sc1)。相似度计算部204计算在波形采样的特征量和教导数据之间的相似度(步骤Sc2)。

确定部207将预定阈值和相似度的量值进行比较。具体地，确定部207确定相似度是否小于等于预定阈值(步骤Sc3)。在相似度小于等于预定阈值的情况下(步骤Sc3-是)，输出部208通知在电磁波中发生电磁干扰(步骤Sc4)。另一方面，在相似度大于预定阈值的情况下(步骤Sc3-否)，确定部207完成确定在电磁波中是否发生电磁干扰的序列。可以反复执行确定在电磁波中是否发生电磁干扰的过程。

如上所述，电磁波区分设备200包括确定在电磁波中是否发生电磁干扰的确定部207。区分部206选择构成簇的波形采样的数目最大的簇，且使构成所选簇的波形采样的特征量作为教导数据。相似度计算部204计算教导数据和获取部201新采样的波形采样的特征量之间的相似度。在相似度小于等于预定阈值的情况下，确定部207确定在电磁波中发生了电磁干扰。

因此，电磁波区分设备200可以基于教导数据，确定在电磁波中是否发生了电磁干扰。此外，电磁波区分设备200可以基于教导数据，区分有效电波和无效电波。

(第三示例实施例)

第三示例实施例使用更具体的示例描述了可以区分在有线或无线通信的通信中是否由于其他通信、电流或电磁噪声而发生通信阻塞(干扰)的系统的配置。参照第一和第二示例实施例描述了第三示例实施例。

下文中，描述了无线通信的示例实施例。图8的获取部201接收电磁波(到来电波)，在该电磁波中，通信信号包括干扰，例如电磁噪声。此时使用的接收机是伏特计、电场强度计、频谱分析仪等等。这种设备可以测量电磁波的每一频率处的振幅。在该获取部201处获得的振幅数据与振幅数据获取的时间的时间数据相关联，该时间数据自我保存在获取部201中，或从外部获取。此外，该获取部201具有以下功能：在每一预定时间重复采样(对频率和振幅值的测量)。

获取部201向特征量计算部202发送每一采样的获取数据。特征量计算部202计算APD(振幅概率分布)。APD是基于从获取部201发送的振幅值数据和获取时间数据的特征量，通过在超过规定振幅值的时间和整个测量时间之间的比率获得该特征量。

此处，由于计算出的特征量很大程度上受到振幅值的影响，其对于每种调制方法是不同的(参见例如图11)。此外，即使是相同的调制方法，根据干扰度，或换言之根据通信阻塞，也发生其特征量的改变。

作为示例，描述以下情况：对于使用PSK作为调制方法的通信A，使用FSK的通信B引起干扰。图12示出了受影响的波α(通信A)、干扰波β(通信B)、以及合成波γ(通信A+通信B)。关于特征量计算部202计算的APD，在分别仅接收通信A和通信B作为单一波的情况下(受影响的波α、干扰波β)，以及在干扰发生的情况下(合成波γ)，类似于图12所示的差异发生。使用分布中的该差异来区分电磁干扰。

可以使用如图13所示的振幅柱状图作为特征量。振幅柱状图是APD的导数，且对于振幅的震荡，更高度灵敏的区分是可能的。

特征量计算部202在存储部203中存储针对每一波形采样的通过这种过程计算出的特征量数据。在存储部203中，将特征量计算部202获得的特征量进行量化并存储。如果在从特征量计算部202接收的数据中包括数据获取时间的时间数据，则有可能了解干扰(或换言之，阻塞)发生的时间。图2示出了在存储部203中存储的数据的示例。

相似度计算部204执行用于区分在由特征量计算部202获得的特征量中的差异。为了区分由于通信、电流、或电磁噪声产生的通信阻塞(干扰)的目的，获取部201重复测量，以监视干扰波，且特征量计算部202计算每次的特征量。为了确定在这种状态下发生的干扰强度的改变，相似度计算部204执行将特征量之间的相似度进行数字化的过程。图3是示出了在相似度计算部204中数据处理的序列的流程图。此处该过程是一般在统计处理中使用的方法，在该统计处理中，使用示出了两个变量之间的相似度的相关性系数。公式(1)示出了相关性系数的计算方法。该数离1越近，则两个特征量的相似度越高，且可以确定他们与相同的电磁波分量相关。当应用由两对数值构成的数据集合(x，y)＝{(xi，yi)}(i＝0，1，...，n)时，由公式(1)定义了Pearson相关性系数C(x，y)。

公式(1)

$C(x,y)=\frac{\underset{i-1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{|x_i-\stackrel{\‾}{x}|}^2\sqrt{\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{|y_i-\stackrel{\‾}{y}|}^2}}}$

作为该过程的结果，创建相关性矩阵。对于已被添加了区分信息的波形采样，计算所有组合的相关性系数。相似度计算部204在存储部203中存储计算出的数据。图4示出了要在存储部203中存储的数据的示例。

接下来，分类部205基于上述相关性矩阵应用簇分析，以将波形采样分类为簇组。通过将具有与相关性矩阵相关的高相似度的每一波形采样进行簇，对每一特征量进行分类(或换言之，对每一电磁波分量进行分类)成为可能。通过例如第一示例实施例中的图5的流程图所示的方法来执行此处使用的簇。图14示出了分析结果。通过取具有在前述相关性矩阵中最低相似度的两个波形采样(干扰波的波形采样和受影响的波的波形采样)作为轴，高度准确的分类是可能的。在图14中，符号“○”指示了通信A，符号“□”指示了通信A+通信B，以及符号“×”指示了通信B。

此外，作为簇的方法，恰当地选择非分级簇分析或分级簇分析方法。图15示出了分级簇分析的分析结果的示例。图15是簇树状图。向区分部206输出分类部205计算的簇分析结果。

区分部206执行区分，以基于分类部205的分析结果，从已分类的簇组中选择教导数据。作为区分方法，查看无效电波和有效电波(干扰波和受影响的波)的发生的频率是有效率的。由于预期无效电波的发生频率是有效电波的发生频率的小部分，因此对构成簇组的波形采样的数目进行计数，且可以将包括最多波形获取的簇组指定为包括有效电波的波形采样的簇组(参见图16)。

接下来，从以该方式选择的簇中选择变为教导数据的波形数据，其包括有效电波。作为选择方法，可以使用例如计算波形数据组的簇的质心并选择与该质心的距离最近的波形数据的方法等(参见图9)。从在存储部203中存储的波形采样中搜索所选波形数据的参数信息，并将其新识别为作为教导数据的波形参数。

将作为区分部206的处理结果的簇区分结果和所选教导数据的特征量输出至确定部207。此外，可以将结果输出至外部显示设备。

接下来，继续对基于从存储部203中选择的教导数据来自动检测电磁干扰的过程的描述。基于在每一预定时间接收的由获取部201新采样的电磁波的特征量(即，新的波形采样)，以及在存储部103中存储的教导数据，相似度计算部204计算它们的相似度。在相似度计算部204中使用公式(1)所示的Pearson相关性系数。然而，由于此处处理与相似度计算部204的上述处理的不同之处在于：使用被选作相关性基的教导数据，不需要计算所有波形数据相互的相关性系数。在每一预定时间连续输出已接收的电波(其中教导数据作为相关性基)的波形数据的相关性系数。

确定部207通过将预定阈值和相似度的大小进行比较，确定关于每一预定时间处接收的电波(其由获取部201采样)是否发生干扰。图10是示出了确定部207中的序列的流程图。在电磁波中发生电磁干扰的情况下，相似度由于来自电磁干扰的影响的APD或振幅柱状图(作为特征量)的改变而减少。因此，通过比较预设阈值和相似度之间的大小关系，确定部207可以确定在电磁波中是否发生了电磁干扰。

在图17中，在仅接收到具有少量干扰的受影响的波的情况下的特征量作为教导数据，并示出了干扰波强度对相关性系数的依赖性。关于图17，如果相关性系数小于检测阈值T，则存在干扰(符号Y)，且如果相关性系数大于检测阈值T(符号N)，则不存在干扰。如图17所示，随着干扰强度增加，相关性系数减少。通过设置根据干扰度确定的阈值，可以在计算出小于阈值的相关性系数的情况下，自动地确定干扰的发生。

尽管将Pearson相关性系数用作在相似度计算部204中计算出的相似度，不应以任何方式限于此，且如上所述，可以使用距离函数。在图18中，在仅接收到具有少量干扰的受影响的波的情况下的特征量作为教导数据，并示出了在将欧式距离用作距离函数的情况下的对干扰波强度的依赖性。在图18中，如果距离函数大于检测阈值T，则存在干扰(符号Y)，且如果距离函数小于检测阈值T(符号N)，则不存在干扰。其为以下分布：随着干扰强度变得更大，距离增加，且通过以相同方式设置阈值，可以理解检测干扰波的产生是可能的。

关于设置确定干扰的阈值，根据要确定的所需干扰强度来恰当地选择该阈值。可以基于区分部206的簇分析结果来自动设置该阈值。如图16所示例示出的，作为区分结果的结果，可以获得与分离受影响的波的簇和正在接收干扰的合成波的簇的程度相关的信息。在图16的分级簇分析的示例中，受影响的波和合成波簇之间的距离是大约3.8。因此，通过在确定部207中将阈值设置为例如在簇之间的距离的一半(1.9)，可以自动地确定阈值(参见图18)。然而，必须在分类部205中簇分析中使用的相似度和在确定干扰产生中使用的相似度之间的作为相似度使用的函数定义进行匹配。

输出部208可以例如是显示器或打印机，或通知干扰产生的警告。在确定部207确定在电磁波中发生电磁干扰的情况下，输出部208输出以下效果：在电磁波中发生电磁干扰。

根据本发明的示例实施例的电磁干扰检测设备，基于到达电波的测量数据，通过使用簇分析，自动地区分并选择作为教导数据的波形数据(例如受影响的波的APD或振幅柱状图)。此外，通过计算教导数据和到达的电波之间的相关度，并将相关度与预定阈值进行比较，自动确定已产生的电磁干扰的存在性。

因此，可以自动确定(检测)电磁干扰是否发生，并有效地应用于电波监视系统。此外，由于可以用简单配置来实现，其适合加载到无效电波搜索设施中。

上面，尽管考虑在无线通信情况下的电磁波，可以在用电信号替代的有线通信的情况下，获得等价的效果。

上面，尽管已参照附图详细描述了本发明的示例实施例，具体配置不应以任何方式限于这些示例实施例，并包括不脱离本发明的精神的设计等。

例如，相似度不限于Pearson相关性系数。相似度可以是例如Kendall的秩相关性系数或Spearman的秩相关性系数。此外，可以用距离函数(不相似度)来表达相似度。在该情况下，距离函数可以是：欧式距离、切比雪夫距离、曼哈顿距离、堪培拉距离、或闵可夫斯基距离。在用距离函数表达相似度的情况下，如果在图10的步骤Sc3中距离函数高于预定阈值，则输出部通知在电磁波中发生电磁干扰。

此外，分类部可以将来自分类的结果映射到簇中，并向例如外部显示器设备输出映射结果(参见图7)。

此外，例如分类部可以删除相似度高于预定阈值的组合中的一个波形采样。此外，分类部可以通过主分量分析和因子分析来确定正交的变量的构成，以确定要用于分类的变量。

此外，例如，在创建有效教导数据之后，只要电磁环境(电波使用状态)未改变，就可以将教导数据创建部与电磁波区分设备分离。因此，使电磁波区分设备更紧凑，且变得更容易将其加载到确定无效电波源的位置的无效无线电搜索交通工具上。

此外，例如，分类部可以基于在对波形采样采样时的测量日期(接收时间)，将波形采样分类为簇。在要区分一直使用的电磁波(例如移动电话、电视机、以及无线电)和突然产生的电磁波(例如警察无线电、消防队无线电、以及救护车无线电)的情况下，测量日期变为有效的特征量。因此，在电磁波区分设备中，如果将测量日期与相似度分析结果(即，如波形振幅的统计量)一起比较，可以增强区分电磁波的准确性。

此外，例如，分类部可以选择相似度最小的三个或更多波形采样(图5中步骤Sa2)。例如，在分类部选择相似度最小的三个或更多波形采样的情况下，可以执行使用多维度变量的分类(簇分析)，其中，产生波形采样之间的相应相似度。

此外，例如，输出部可以在三维图中显示由三维变量分类的簇。因此，用户能够可视地掌握已区分的电磁波。

此外，例如，可以将示出了接收电磁波的预定频率和时间的信息提前存储在外部存储介质等中。

可以将用于实现上述设备的程序存储在计算机可读存储介质中，并可以通过将其程序读取到计算机系统中来执行它。此处指代的“计算机系统”包括OS和硬件(例如外围设备)。此外，“计算机可读存储介质”指代便携式介质(例如软盘、磁光盘、ROM、或CD-ROM)或存储器设备(例如计算机系统中内置的硬盘)。此外，“计算机可读存储介质”包括保存程序一段固定时间的介质，例如在计算机系统内部的易失性存储器(RAM)，在经由网络(例如互联网)或通信电缆(例如电话电缆)发送程序的情况下，该计算机系统作为服务器或客户端。此外，可以从在存储器设备等上存储计算机程序的计算机系统经由发送介质或通过发送介质中的载波，向另一计算机系统发送前述程序。此处，发送程序的“发送介质”是具有用于发送信息的功能的介质，即网络(通信网络)，例如互联网，或通信电缆(通信线路)，例如电话电缆。此外，前述程序可以用于实现上述功能的一部分。此外，其可以是结合已存储在计算机系统上的程序来实现上述功能的一个程序，即差分文件(差分程序)。

尽管已参照本发明的示例实施例具体示出和描述了本发明，本发明不限于这些实施例。本领域普通技术人员应当理解可以在不脱离有权利要求限定的本发明的范围的情况下，对本发明作出形式和细节上的各种改变。

Claims (5)

1.一种区分电磁波的电磁波区分设备，包括：

获取部，接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据；

特征量计算部，计算每一预定时间的采样数据的振幅特征量；

相似度计算部，计算相对于每一预定时间的振幅特征量的相似度；

分类部，基于所述相似度，将每一预定时间的采样数据分类为簇，以获得每一预定时间的采样数据的簇分析结果；

区分部，基于每一预定时间的采样数据的簇分析结果，针对所述簇中的每一个，区分构成一个簇的采样数据，以获得区分结果；

输出部，输出所述区分结果；以及

存储部，存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果，

其中，所述区分部从所述簇中选择构成簇的采样数据的数目最大的簇，从所选的簇中选择一个采样数据，并且将所选的采样数据的振幅特征量确定为教导数据，以及

所述电磁波区分设备还包括确定部，用于基于所述教导数据来确定电磁波，

其中，所述确定部通过将预定阈值与以下相似度进行比较来确定在通信信号中是否发生干扰，该相似度是所述区分部所选择的教导数据与由所述获取部新近采样且由所述特征量计算部计算出的振幅特征量之间的相似度。

2.根据权利要求1所述的电磁波区分设备，其中，所述振幅特征量包括：所述获取部中的每一预定时间的采样数据的振幅概率分布和振幅柱状图。

3.根据权利要求1所述的电磁波区分设备，其中，所述区分部基于所述簇分析结果中簇之间的距离，自动确定所述确定部中的阈值。

4.根据权利要求1至权利要求3中任一项所述的电磁波区分设备，其中，所述区分部基于通信信号的接收频率和接收时间中的至少一项来区分所述电磁波。

5.一种用于区分电磁波的电磁波区分设备的电磁波区分方法，所述方法包括：

接收具有预定频率的通信信号，以及每预定时间对所述通信信号的波形数据进行采样，以获得每一预定时间的采样数据；

计算每一预定时间的采样数据的振幅特征量；

计算相对于每一预定时间的振幅特征量的相似度；

基于所述相似度，将每一预定时间的采样数据分类为簇，以获得每一预定时间的采样数据的簇分析结果；

基于每一预定时间的采样数据的簇分析结果，针对所述簇中的每一个，区分构成一个簇的采样数据，以获得区分结果；

输出所述区分结果；

存储所述振幅特征量、所述相似度、所述簇分析结果以及所述区分结果；

从所述簇中选择构成簇的采样数据的数目最大的簇；

从所选的簇中选择一个采样数据；

将所选的采样数据的振幅特征量确定为教导数据；以及

基于所述教导数据来确定电磁波，

其中，通过将预定阈值与以下相似度进行比较来确定在通信信号中是否发生干扰：该相似度是所述教导数据与新近采样且计算出的振幅特征量之间的相似度。