基于頻譜感知技術的GSM-R信號干擾檢測研究

一、引言

GSM-R系統作為高速鐵路通信的核心技術，為列車控制與調度的安全性提供了保障。然而，鐵路沿線環境具有復雜性，GSM-R系統常受多種外部干擾因素的影響，致使通信中斷或信號失真，進而對列車運行安全構成威脅。為了解決這一問題，頻譜感知技術被應用于GSM-R信號干擾檢測領域。該技術借助實時監測頻譜使用狀況，并結合機器學習算法對干擾源進行分類與定位，可有效提高干擾檢測的精確度與實時性。本文針對某高鐵線路的GSM-R信號干擾狀況，提出一種基于頻譜感知的干擾檢測方案，旨在保障復雜電磁環境下GSM-R信號的穩定性。

二、基于頻譜感知的GSM-R信號干擾檢測

（一）案例概況

以某高鐵線路為研究案例，該高鐵線路頻繁發生GSM-R信號干擾事件，這對列車的安全運行及通信穩定性造成了嚴重影響。依據現場數據可知，干擾事件主要集中于特定地理區域，干擾持續時長達 30min～120min ，且干擾強度波動范圍為 -85dBm 至 -70dBm 。通過對情況的深入剖析，確定此干擾主要源于三個方面：人為干擾、設備故及環境因素。在測量過程中，選擇了5個關鍵測量點。這些測量點分別位于不同地理位置，并運用頻譜分析儀和軟件定義無線電（SDR）設備開展數據采集工作。頻譜分析結果表明，干擾信號的主要頻段集中在885MHz～889MHz及 930MHz～934MHz ，而這兩個頻段恰好是GSM-R系統的工作頻率。信號的干擾特征呈現為高能量峰值，并伴有周期性波動，這暗示干擾源可能與周邊電力設備及工業應用存在關聯。基于所收集的數據，采用時頻分析方法，借助短時傅里葉變換（STFT）對信號進行處理，進一步揭示了干擾信號的時變特性。頻譜圖清晰地展現出干擾信號的時頻特征，證實了信號在特定時刻和頻率段的集中性，且頻率切換現象較為頻繁，初步推斷干擾源為移動設備或變化的電磁環境。

（二）干擾信號的頻譜分析

在數據采集過程中，本研究使用KeysightN9030APXA信號分析儀與USRP B200mini 軟件定義無線電（SDR）設備，在 885MHz～889MHz 的頻段內對信號實施實時監測。監測結果顯示，干擾信號的強度波動范圍為 -80dBm 至 -65dBm ，特別是在 885.2MHz 和886.5MHz 處出現顯著的干擾峰值，這表明此頻段存在高強度干擾[2。為進一步分析干擾信號的時域和頻域特性，采用短時傅里葉變換（STFT）對信號進行時頻分析，所得頻譜圖呈現出干擾信號的頻率分布與時間變化情況，具體頻譜如圖1所示。

從930MHz～934MHz頻段干擾信號頻譜圖中可以看出，該頻段存在明顯的干擾特征，主要表現為在930.8MHz 和 932.5MHz 處出現顯著的干擾峰值，分別用紅色和綠色虛線標記。在 930.8MHz 頻率處，干擾峰值導致局部信號強度下降，信號波動顯著，呈現出強烈的集中特性，初步推測這是由人為干擾造成的，可能源于未經授權的通信設備或外部信號源。而在 932.5MHz 頻率處，干擾峰值的下沉幅度更大，信號強度波動范圍也更廣泛，呈現出明顯的非平穩特征，這可能是由于設備故障或高強度電磁輻射所導致的。此外，在其他頻率段內，信號強度主要維持在 -75dBm 左右，表現出均勻的背景噪聲分布，可能因為環境噪聲的影響。具體頻譜分析如圖2所示。

圖1885MHz～889MHz干擾信號頻譜分析圖

分析結果表明，干擾信號在特定時段密集涌現，呈現出明顯的非平穩特征，或與環境因素和人為活動緊密相關。具體而言，頻譜圖顯示干擾波形具有明顯的脈沖特征，頻域為寬帶信號，或源于附近電力設備開關操作、移動通信設備的不當使用[3]。在信號特征的提取過程中，借助Hilbert變換，提取瞬時頻率，進一步展現信號的頻譜變化規律[4。對信號的頻率成分進行分析表明，干擾信號可劃分為人為干擾、設備故障以及環境噪聲干擾三類。人為干擾主要集中于 885.2MHz 左右，通常是由周邊未獲授權的設備所引發；設備故障干擾則呈現為頻率范圍內的持續波動，通常與老舊通信設備的異常運行相關聯；環境噪聲干擾則在 886.5MHz 附近存在多種干擾源，呈現出隨機分布的噪聲特征。

三、基于頻譜感知的GSM-R信號干擾檢測（一）頻譜感知技術應用方案設計

為了有效檢測GSM-R系統中的信號干擾，本文提出了一種基于掃頻的GSM-R干擾自動識別方法及裝置。該方法通過獲取GSM-R專用天線接收的鐵路沿線無線電信號，并利用掃頻儀和頻譜儀進行解碼和頻譜分析，以提高干擾識別效率和全面性。該系統由感知層、數據處理層、干擾檢測層和輸出層組成，分別負責信號采集、數據融合、干擾識別與定位。首先，感知層由多個傳感器節點組成，各節點均裝備了KeysightN9030APXA信號分析儀及USRP B200mini 設備，專門用于885MHz～889MHz和 930MHz～934MHz 頻段內對GSM-R信號的實時監控。在數據采集過程中，采用能量檢測法與匹配濾波法，對信號實施初步檢測及濾波處理，隨后計算信號的瞬時功率，并與預設閾值比對，從而識別出潛在的干擾信號。在數據處理層面，運用分布式協作頻譜感知技術，借助多個傳感器節點實現頻譜數據的共享，采用基于加權融合的協作感知算法，以提升系統的魯棒性與檢測精度。具體而言，各節點首先獨立檢測信號干擾的存在，隨后運用前文提及的算法公式開展能量檢測，節點間的檢測結果經加權平均融合后獲得全局檢測結果，進而增強系統對抗衰落及陰影效應的抵抗力[5]。干擾檢測層結合前文所述的STFT算法對頻譜數據進行時頻分析，獲取干擾信號的時頻圖，并通過基于機器學習的分類算法，如支持向量機（SVM）和隨機森林（RF），實施干擾源分類。該系統能夠識別不同類型的干擾，包括人為干擾、設備故障以及環境噪聲。最終，輸出層通過可視化平臺呈現檢測結果，干擾信號的頻率、功率和時間分布清晰可見，并生成干擾源定位報告。在系統整體設計中，硬件設備通過高性能計算平臺進行連接，選用MATLAB和Python作為數據處理與算法實現的主要工具，以保障系統的高效性與實時性。整體的檢測系統架構如圖3所示。

圖2930MHz～934MHz干擾信號頻譜分析圖

圖3干擾檢測系統架構示意圖

（二）干擾源定位與識別

在GSM-R系統中，信號干擾源的準確定位與識別是確保系統穩定性的關鍵。由于高鐵線路整體的運行時間較長，運行跨度較大，為了實現干擾源的精確定位，本研究基于頻譜感知的基本算法，補充了多源協同定位方案，并結合機器學習算法實現干擾源的分類與識別。具體來看，通過采用基于分布式頻譜感知的協作式定位方法，多個傳感器節點的聯合感知能力顯著提升了系統對干擾信號的空間分辨率和感知準確性。例如，在衛星通信領域，頻譜感知技術被用于快速定位互調干擾源，而在無人機通信中，頻譜感知技術則幫助實時監測和動態調整，以降低通信失敗的風險。以是德科技（Keysight）N9030APXA信號分析儀與USRP B200mini 軟件作為主要的傳感器節點，用以實現軟件定義無線電（SDR）。這些節點分布于目標區域內，通過多點采樣的方式獲取各點的信號強度及頻率特征。干擾源定位采用到達角度（AngleofArrival，AoA）與到達時間差（TimeDifferenceof Arrival，TDOA）聯合算法。傳感器陣列檢測信號相位差與時間差，據此精確推算干擾源的方向與距離。

在干擾源識別階段，使用頻譜感知數據結合機器學習技術可以對干擾類型進行分類。具體來看，采用STFT技術提取頻譜數據的時頻特征，生成干擾信號的時頻圖。通過對時頻圖的分析，提取信號帶寬、持續時間、頻率中心等關鍵性特征，將其嵌入訓練好的分類器。同時，將SVM與RF作為主要的分類算法，進行干擾源的分類與識別。SVM分類器憑借最大化類別間邊界的優勢，擅長處理二類分類問題，如區分人為干擾與設備故障；而RF算法通過多個決策樹，展現出更強的魯棒性，適用于復雜干擾環境下多種類型干擾類型的識別。結合AoA和TDOA算法的多源協同定位方法，可以有效縮小干擾源的定位誤差，定位精度可達米級。同時，機器學習算法在特征提取與分類的過程中體現了較高的準確性，確保分類精度達到 95% 以上。

四、實驗與數據分析

（一）實驗環境與數據采集

在該高鐵線路沿線部署的GSM-R通信系統中，實驗地點聚焦于該線路的關鍵干擾區段，包括隧道入口、車站附近及沿線工業地帶，這些區域可能存在電磁干擾。檢測點具體設置在線路的5個位置，每點間隔為 5km 確保全面覆蓋干擾源的空間分布情況。實驗數據收集時段為2024年7月1日至7月15日，每日8：00-18：00，累計收集160h的GSM-R信號數據。為同步采集不同傳感器節點的數據，本實驗采用時間同步協議（TimeSynchronizationProtocol，TSP），以確保所有節點的時間戳精確到微秒級。數據采集的分辨率為每秒1024次采樣，頻率分辨率為 kHz ，可以有效捕捉干擾信號的細微波動。各傳感器節點通過有線以太網與中央數據處理服務器相連，以實現采集信號數據的實時傳輸。數據處理環節運用MATLAB R202la 平臺，并結合 Signal ProcessingToolbox工具箱對采集數據進行處理與存儲。

（二）結果分析

通過對885MHz～889MHz和 930MHz～934MHz 兩個頻段的信號進行實時監測與分析，結果顯示存在顯著的干擾特征。在885MHz～889MHz頻段，干擾峰值主要聚焦于 885.2MHz 和 886.5MHz 兩點，信號強度分別達到 -70dBm 和 -66dBm ，展現出清晰的周期性波動，據此推測干擾可能源自人為干擾因素或設備故障。其中， 885.2MHz 的干擾源或源自非法通信設備，呈現出高能量的瞬時脈沖特性；而 886.5MHz 處的干擾波動較為連續，初步判定為老舊設備異常運行所致。在930MHz～934MHz頻段，干擾信號同樣集中于特定頻率點，尤其是 930.8MHz 和 932.5MHz 處。 930.8MHz 頻率處的信號強度顯著下降，表現為局部峰值擾動，具有高集中性和短時特性，推測為人為干擾引發。相較而言， 932.5MHz 處的干擾峰值更為顯著，下沉幅度更大，信號強度波動劇烈，呈現出非平穩性和寬帶分布特征。綜合而言，這些頻譜數據證實了GSM-R系統在885MHz～889MHz和 930MHz～934MHz 兩個頻段內的干擾特性，定位準確率可達 95% 以上，明確了主要干擾源的頻率分布與信號特征，為后續干擾源的精確定位與消除提供了具體參考依據。

五、結束語

本文提出的基于頻譜感知技術的干擾檢測系統，有效緩解了GSM-R信號面臨的干擾問題。實驗結果顯示，該系統能精確鎖定干擾源，涵蓋人為干擾、設備故障及環境噪聲等主要類型，分類精度高達 95% 以上。通過采用STFT進行時頻分析，并結合機器學習算法提取與分類干擾信號特征，顯著提升了干擾檢測的魯棒性和精確度。本系統在實際應用中展現出良好的抗干擾能力和高效的定位性能，為GSM-R通信系統的長期穩定運行提供了堅實的技術支持。

作者單位：姜宏李金城中國鐵路蘭州局集團有限公司蘭州通信段李永康中國鐵路上海局集團有限公司上海通信段

參考文獻

[1]張國振，田宏達，李杰，等.GSM-R 網絡分組域仿真系統關鍵技術研究[J].鐵路通信信號工程技術，2023，20（09）：42-47.

[2]蘭子林，鄒喜華，白文林，等.光載信息能量同傳方案及其通信檢測應用[J].電子學報，2022，50（04）：804-810.

[3]高銳，閆光輝，嚴天峰，等.基于SWU算法的西北多山地區GSM-R無線傳播模型研究[J].鐵道學報，2022，44（10）：62-72.

[4]程百魁.基于光纖傳能的鐵路GSM-R系統電磁干擾檢測方案[J].電腦樂園，2022，7（07）：76-78.

[5]劉芳.基于GSM-R的Um接口監測系統的設計及應用[J].電子質量，2022，（05）：176-182.

[6]田園，梁軼群，蔣韻，等.鐵路GSM-R系統高速適應性測試及分析[J].鐵道標準設計，2024，68（01）：185-191.