基于无线电信号进行防雷检测的方法、系统与防雷设备与流程

1.本发明涉及无线电检测的技术领域，特别涉及一种基于无线电信号进行防雷检测的方法、系统与防雷设备。


背景技术：

2.为了检测到户外天气变化，会在户外环境中设置气象仪用于监测各项环境参数。然而户外的气象仪由于常年暴露在外，容易遭受到雷达攻击；雷电是一种自然现象，会带来严重的电气安全问题和人身安全隐患。为了保护人们和设备免受雷击伤害，目前传统的防雷监测方法主要依赖于传感器和设备来实时监测雷电的发生情况。然而，传统方法存在一些问题，例如检测精度不高等，不能满足对准确实时防雷预警的要求。


技术实现要素：

3.本发明的主要目的为提供一种基于无线电信号进行防雷检测的方法、系统与防雷设备，旨在克服目前对雷电的检测精度不高的缺陷。
4.为实现上述目的，本发明提供了一种基于无线电信号进行防雷检测的方法，包括：采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；对所述无线电信号进行预处理，得到预处理无线电数据；将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。
5.进一步地，所述将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果的步骤，包括：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。
6.进一步地，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进
行预处理，得到无线电训练数据；对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；构建每个无线电训练数据的热力图特征；将所述无线电训练数据输入至卷积神经网络模型中进行预训练，并将无线电训练数据的热力图特征作为所述卷积神经网络模型的预期输出；计算出预测的热力图特征与所述无线电训练数据的热力图特征之间的差异，得到第一损失热力图；基于预先设置的权重热力图，对所述第一损失热力图进行修正，得到第二损失热力图；基于所述第二损失热力图，利用反向传播算法，调整卷积神经网络模型的模型参数，并迭代训练卷积神经网络模型直至模型收敛，得到所述雷电检测模型。
7.进一步地，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进行预处理，得到无线电训练数据；对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；构建每个无线电训练数据的真实热力图特征；构建一个生成器网络，将每个所述无线电训练数据作为输入，输出为生成的每个无线电训练数据的热力图生成特征；构建一个判别器网络，将每个无线电训练数据的热力图生成特征作为输入，输出为区分真实热力图特征和热力图生成特征的概率；基于所述无线电训练数据，交替训练生成器网络和判别器网络；其中，先固定生成器网络训练判别器网络，然后固定判别器网络训练生成器网络；在每一轮训练中，生成器网络生成热力图生成特征来欺骗判别器网络，判别器网络通过分辨真实热力图特征和热力图生成特征，进行博弈训练，直到生成器网络生成的热力图生成特征，无法被所述判别器网络区分，得到训练完成的热力生成器以及热力判别器；将未参加训练的无线电训练数据输入至热力生成器中，提取得到对应的热力图生成特征，并输入至初始雷电分类网络中进行迭代训练，待模型收敛之后得到雷电分类网络；将所述热力生成器、热力判别器以及雷电分类网络组合构建为雷电检测模型。
8.进一步地，所述设备属性信息为设备的标识字符；所述基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码的步骤，包括：基于所述目标设备的数量，在数据库中匹配对应字符选取规则；其中，数据库中存储有数量与字符选取规则的映射关系；所述字符选取规则包括从各个目标设备的标识字符中选取字符的数量以及位置；基于预设的第一排序规则，对所述目标设备进行排序，得到目标设备的第一排序；按照所述第一排序，基于所述字符选取规则从各个所述目标设备的标识字符中选取出对应的字符，并依序进行拼接，得到拼接字符；基于各个所述目标设备的标识字符，获取各个目标设备的类型；其中，所述类型包
括第一类型以及第二类型；基于所述拼接字符的总数量、第一类型的目标设备数量、第二类型的目标设备数量，计算第一类型以及第二类型的目标设备的加密密码的字符数量；其中，第一类型目标设备的加密密码的字符数量比所述第二类型的目标设备的加密密码的字符数量多2；所有目标设备的加密密码的字符数量总和等于拼接字符的总数量；针对第一排序中的各个所述目标设备，依次根据各个目标设备的类型，按照预设的密码字符选取规则，从所述拼接字符中选取出对应字符数量的字符进行组合得到各个所述目标设备的加密密码。
9.进一步地，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：接收各个所述目标设备的反馈信息；其中，所述反馈信息包括请求发送解密密码；判断是否接收到所有所述目标设备的反馈，若接收到所有所述目标设备的反馈，则针对各个所述目标设备，分别发送对应为各个目标设备分配的加密密码，作为对应的解密密码；其中，发送对应为各个目标设备分配的加密密码的步骤，具体包括：生成多个干扰密码；将多个所述干扰密码与所述加密密码分别封装为数据包，并随机进行排列，得到密码数据包序列；将所述密码数据包序列中的数据包依序发送至所述目标设备，并在发送所述加密密码的同时，发送一个第一波段的无线电通讯信号；在发送所述干扰密码的同时，发送一个第二波段的无线电通讯信号；其中，第一波段与第二波段不同。
10.进一步地，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：采集所述防雷设备的多项状态参数；基于预设的安全评估规则对所述防雷设备的多项状态参数进行综合评估，得到对所述防雷设备安全性的评估结果；当所述评估结果为不安全时，发出对应的警示信息至管理终端。
11.本发明还提供了一种基于无线电信号进行防雷检测的系统，包括：采集单元，用于采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；处理单元，用于对所述无线电信号进行预处理，得到预处理无线电数据；分类单元，用于将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；选择单元，用于判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取单元，用于获取所述目标设备的数量，以及获取各个所述目标设备的设备属
性信息；分配单元，用于基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；加密单元，用于将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。
12.进一步地，所述分类单元，具体用于：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。
13.本发明还提供一种防雷设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
14.本发明提供的基于无线电信号进行防雷检测的方法、系统与防雷设备，包括：采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；对所述无线电信号进行预处理，得到预处理无线电数据；将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。在本发明中，通过采集环境中的无线电信号，基于深度学习网络进行信号分析，进行雷电检测；进而，再通过加密方式传输防雷信息进行预警；不仅检测精度高，而且保障了数据安全性，防止篡改。
附图说明
15.图1是本发明一实施例中基于无线电信号进行防雷检测的方法步骤示意图；图2是本发明一实施例中基于无线电信号进行防雷检测的系统结构框图；图3是本发明一实施例的防雷设备的结构示意框图。
16.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
17.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
18.参照图1，本发明一实施例中提供了一种基于无线电信号进行防雷检测的方法，包括以下步骤：步骤s1，采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；
步骤s2，对所述无线电信号进行预处理，得到预处理无线电数据；步骤s3，将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；步骤s4，判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；步骤s5，获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；步骤s6，基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；步骤s7，将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。
19.在本实施例中，上述方案应用于户外的防雷气象仪（设置有防雷设备的气象仪）对户外的无线电信号进行采集，从而进行检测分析是否有雷电，进而进行预警，具备检测精度高，检测速率快的优点。
20.如上述步骤s1所述的，首先，需要在防雷气象仪中集成雷达检测装置，以便采集环境中的无线电信号。这个雷达检测装置能够收集并分析环境中的电磁信号。通过这个装置，可以获取环境中的电磁波信号，并将其转换为数字信号以供进一步分析。
21.环境中的无线电信号主要包括以下几种：广播电视信号：这些信号是由电视台和广播电台发射的，它们可以在较远的距离内被接收。
22.通信信号：包括手机信号、卫星电话信号和电台通信信号等。它们在城市和乡村地区都很常见。
23.卫星定位信号：这些信号是由gps、glonass和其他卫星系统发射的。它们可以被用来确定当前位置和导航。
24.这些信号都可以被防雷气象仪的雷达检测装置采集到，并通过比较和分析数据确定是否存在雷击风险。例如，在雷电爆发前，由于大气层中的电离现象影响，通常可以看到强烈的电磁波干扰。这可能会导致捕捉到一些异常的信号，也可能会在设备中产生干扰，从而发现雷击风险。同样，当雷击发生时，它可以产生强电场，这些信号也可以被雷达检测装置收集，并用于确定是否有雷击事件发生。通过这种方式，防雷气象仪的用户可以更安全地进行野外环境监测，确保设备的安全和数据的完整性。
25.如上述步骤s2所述的，对采集到的无线电信号会进行预处理，以获取预处理后的无线电数据。预处理的过程可能包括滤波、降噪和放大等操作，以提高数据的质量和可用性。
26.如上述步骤s3所述的，使用深度学习网络来对预处理后的无线电数据进行处理，以得到雷电的分类结果。深度学习网络是一类机器学习模型，具有强大的模式识别能力，能够有效地从复杂的数据中提取特征，并进行分类和预测。其具备检测精度高、检测效率高的优点。
27.如上述步骤s4所述的，判断雷电分类结果中的雷电概率是否大于预先设定的阈
值。如果雷电概率超过阈值，则说明存在雷电的可能性。反之，则存在雷电的可能性极低。当雷电概率大于阈值时，从预先存储设备信息的数据库中选择出多个目标设备。数据库中存储了多个设备的相关信息，可以根据需要来选择适合的设备。例如，根据距离远近，选择距离近的设备；或者根据雷电产生的区域选择不同区域内的设备。可以理解的是，上述目标设备可以是各个位置上设置的预警设备。
28.如上述步骤s5所述的，获取所选目标设备的数量和各个设备的设备属性信息。目标设备的数量将决定下一步为各个设备分配加密密码的数量，而设备属性信息可以用于进一步的设备管理和配置。
29.如上述步骤s6所述的，基于目标设备的数量和设备属性信息，为每个目标设备分配不同的加密密码。加密密码的分配可以确保数据的安全性，防止未经授权的人员获取和篡改数据。在本实施例中，为了进一步保障后续数据的安全性，为每个目标设备分配不同的加密密码。这意味着每个目标设备都有一个唯一的密码，用于加密和解密从防雷设备发送到目标设备的数据。
30.在分配加密密码之前，首先获取目标设备的数量和设备属性信息。设备的数量直接影响需要分配的加密密码数量，每个设备都会有一个与之对应的加密密码。设备属性信息可以包括设备的型号、位置、所有者等信息。
31.然后，使用密码生成算法为每个目标设备生成一个唯一的加密密码。这个算法基于设备的信息和其他随机因素，以确保密码的唯一性和安全性。生成的每个密码都是与特定目标设备相关联。
32.如上述步骤s7所述的，将雷电分类结果进行加密封装，得到加密封装数据。然后，通过无线电通信将加密封装数据发送到各个目标设备，以进行预警操作。发送到各个目标设备的数据会使用各自分配的加密密码进行加密，确保数据在传输过程中的安全性。在本实施例中，一旦为每个目标设备生成了加密密码，将密码分发给对应的目标设备。目标设备在接收到加密封装数据时，将使用相应的加密密码对数据进行解密，以获取原始的雷电分类结果。这样，确保了数据只有经过授权的设备才能正确解密和使用。通过为目标设备分配不同的加密密码，确保了数据的安全传输和解密，防止未授权的人员获取敏感信息。
33.在一实施例中，所述将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果的步骤，包括：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。
34.在一实施例中，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进行预处理，得到无线电训练数据；在进行训练之前，需要收集包含雷电和非雷电事件下的训练无线电信号。这些信号可以通过雷达检测装置、无线电接收器或其他无线电设备来采集。收集的数据应具有多样性，涵盖不同的雷电情况和环境条件，以提高模型的鲁棒性和泛化能力。为了提高数据的质量和适用性，采集到的训练无线电信号需要经过预处理。预处理的过程包括滤波、降噪和放大等操作，以减少噪声和干扰，突出雷电事件的特征。经过预处理
的信号称为无线电训练数据，它将作为模型的输入。
35.对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；构建每个无线电训练数据的热力图特征；对于每个无线电训练数据，需要标注其目标类别（有雷电或无雷电）。此外，为了增强模型对雷电事件的感知能力，还需要构建每个无线电训练数据的热力图特征。热力图特征是一种表示数据空间分布的图像，其中雷电事件的特征将在图像中突出显示。
36.将所述无线电训练数据输入至卷积神经网络模型中进行预训练，并将无线电训练数据的热力图特征作为所述卷积神经网络模型的预期输出；将无线电训练数据输入到卷积神经网络模型中进行预训练。卷积神经网络是一种专门用于图像处理的深度学习模型，可以有效地从数据中提取特征。在预训练过程中，将无线电训练数据的热力图特征作为预期输出，模型将根据这些特征学习到雷电事件的潜在表示。
37.计算出预测的热力图特征与所述无线电训练数据的热力图特征之间的差异，得到第一损失热力图；基于预先设置的权重热力图，对所述第一损失热力图进行修正，得到第二损失热力图；根据预测的热力图特征与无线电训练数据的热力图特征之间的差异，计算出第一损失热力图。然后，基于预先设置的权重热力图，对第一损失热力图进行修正，得到第二损失热力图。这个步骤的核心在于损失热力图的计算和修正机制，通过对不同区域的权重分配来增强对雷电事件的关注。
38.基于所述第二损失热力图，利用反向传播算法，调整卷积神经网络模型的模型参数，并迭代训练卷积神经网络模型直至模型收敛，得到所述雷电检测模型。基于第二损失热力图，运用反向传播算法调整卷积神经网络模型的模型参数。通过迭代训练（通常使用梯度下降算法），模型逐渐学习并优化对雷电事件的识别能力。训练会持续进行直到模型收敛，即模型在训练数据上的性能达到预先设定的要求。
39.在一实施例中，上述构建每个无线电训练数据的热力图特征，具体包括：将每个无线电训练数据进行分割或划分为多个小区域。这些小区域可以是固定大小的网格，也可以是根据数据特点和需求进行自定义的区域划分。
40.对于每个小区域，计算雷电事件或非雷电事件的统计信息。例如，可以统计每个小区域内的信号强度、频率成分、时域特征等。
41.基于统计信息，给予每个小区域一个与之相关的数值或颜色。这些数值或颜色可以表示雷电事件在该区域内的分布或强度。
42.将每个小区域的数值或颜色绘制在一张图像上，得到热力图特征。图像的大小和分辨率可以根据需要来调整。
43.对于无线电训练数据的不同部分或特征，可以重复以上步骤来构建多个热力图特征。这样可以综合利用不同的特征来增强模型对雷电事件的识别能力。通过热力图特征的构建，可以将雷电事件的空间分布和强度信息纳入模型的训练过程，提高模型对雷电事件的感知能力和准确性。
44.在一实施例中，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进
行预处理，得到无线电训练数据；对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；构建每个无线电训练数据的真实热力图特征；构建一个生成器网络，将每个所述无线电训练数据作为输入，输出为生成的每个无线电训练数据的热力图生成特征；构建一个判别器网络，将每个无线电训练数据的热力图生成特征作为输入，输出为区分真实热力图特征和热力图生成特征的概率；基于所述无线电训练数据，交替训练生成器网络和判别器网络；其中，先固定生成器网络训练判别器网络，然后固定判别器网络训练生成器网络；在每一轮训练中，生成器网络生成热力图生成特征来欺骗判别器网络，判别器网络通过分辨真实热力图特征和热力图生成特征，进行博弈训练，直到生成器网络生成的热力图生成特征，无法被所述判别器网络区分，得到训练完成的热力生成器以及热力判别器；将未参加训练的无线电训练数据输入至热力生成器中，提取得到对应的热力图生成特征，并输入至初始雷电分类网络中进行迭代训练，待模型收敛之后得到雷电分类网络；将所述热力生成器、热力判别器以及雷电分类网络组合构建为雷电检测模型。
45.在本实施例中，上述训练方式与上一实施例的区别在于，本实施例中是在生成对抗网络的框架下进行的，通过交替训练生成器网络和判别器网络来生成热力图特征和区分真实特征和生成特征。
46.具体地，构建生成器网络和判别器网络：生成器网络接受每个无线电训练数据作为输入，并输出相应的热力图生成特征，以模拟真实的热力图特征。判别器网络将热力图生成特征作为输入，并输出概率来区分真实热力图特征和生成特征。
47.交替训练生成器和判别器：在每一轮训练中，先固定生成器网络训练判别器网络，然后固定判别器网络训练生成器网络。生成器网络通过产生热力图生成特征来欺骗判别器网络，而判别器网络则通过辨别真实热力图特征和生成特征进行训练。通过反复博弈训练，使得生成器网络生成的热力图生成特征无法被判别器网络明确区分，这样就达到了训练完成的标准。
48.迭代训练初始雷电分类网络：将未参与训练的无线电训练数据输入热力生成器中，提取对应的热力图生成特征，并将其输入初始的雷电分类网络中进行迭代训练。训练过程中，通过反向传播算法和梯度下降优化网络参数，直到模型收敛于对雷电事件的准确分类。
49.构建雷电检测模型：将完成训练的热力生成器、热力判别器和雷电分类网络进行组合，构建成完整的雷电检测模型。热力生成器负责生成对应真实热力图特征的生成特征，热力判别器负责判断输入热力图特征的真实性，雷电分类网络则负责最终的雷电事件分类任务。
50.本实施例的核心在于采用生成对抗网络的方法，通过对抗性训练的过程，使得生成器网络能够生成与真实特征接近的热力图生成特征。判别器网络的训练则通过与生成器网络的博弈，提高对真实特征和生成特征的区分能力。使用生成对抗网络的思想，可以有效地利用无线电信号的特征来生成热力图特征，进而训练出更准确的雷电检测。
51.在一实施例中，所述设备属性信息为设备的标识字符；所述基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码的步骤，包括：基于所述目标设备的数量，在数据库中匹配对应字符选取规则；其中，数据库中存储有数量与字符选取规则的映射关系；所述字符选取规则包括从各个目标设备的标识字符中选取字符的数量以及位置；基于预设的第一排序规则，对所述目标设备进行排序，得到目标设备的第一排序；上述排序可以根据设备的重要性、使用频率等因素进行设定。
52.按照所述第一排序，基于所述字符选取规则从各个所述目标设备的标识字符中选取出对应的字符，并依序进行拼接，得到拼接字符；通过这个步骤，可以根据字符选取规则从每个目标设备的标识字符中提取关键信息。
53.基于各个所述目标设备的标识字符，获取各个目标设备的类型；其中，所述类型包括第一类型以及第二类型；基于所述拼接字符的总数量、第一类型的目标设备数量、第二类型的目标设备数量，计算第一类型以及第二类型的目标设备的加密密码的字符数量；其中，第一类型目标设备的加密密码的字符数量比所述第二类型的目标设备的加密密码的字符数量多2；所有目标设备的加密密码的字符数量总和等于拼接字符的总数量；针对第一排序中的各个所述目标设备，依次根据各个目标设备的类型，按照预设的密码字符选取规则，从所述拼接字符中选取出对应字符数量的字符进行组合得到各个所述目标设备的加密密码。
54.对于预设的第一排序中的每个目标设备，根据目标设备的类型和预设的密码字符选取规则，从拼接字符中选取相应数量的字符进行组合，得到每个目标设备的加密密码。这里的核心之处包括两个方面：a. 设备类型与字符选取规则的关联：根据设备类型，使用预设的密码字符选取规则来决定所选取的字符数量和位置。不同类型的设备可能拥有不同数量的字符或具有特定的密码组合逻辑。通过与设备类型相关联的密码字符选取规则，可以为每个设备生成独特的加密密码。
55.b. 加密密码的位置依赖性：根据第一排序中设备的位置，将从拼接字符中选取的字符依次组合成加密密码。由于拼接字符是根据目标设备的标识字符生成的，而目标设备在排序中的位置是基于其重要性或其他因素决定的，生成的加密密码也具有一定的位置依赖性。这种位置依赖性可以增加加密密码的复杂度和安全性。
56.通过以上核心点，组合生成加密密码，结合了设备类型和位置信息，以及密码字符选取规则，从而为每个目标设备分配了唯一的加密密码。这个方案能够确保每个设备的加密密码独立且安全，并提供一定程度的密码复杂性，以满足设备加密和安全通信的需求。
57.在一实施例中，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：接收各个所述目标设备的反馈信息；其中，所述反馈信息包括请求发送解密密码；判断是否接收到所有所述目标设备的反馈，若接收到所有所述目标设备的反馈，则针对各个所述目标设备，分别发送对应为各个目标设备分配的加密密码，作为对应的解
密密码；其中，发送对应为各个目标设备分配的加密密码的步骤，具体包括：生成多个干扰密码；将多个所述干扰密码与所述加密密码分别封装为数据包，并随机进行排列，得到密码数据包序列；将所述密码数据包序列中的数据包依序发送至所述目标设备，并在发送所述加密密码的同时，发送一个第一波段的无线电通讯信号；在发送所述干扰密码的同时，发送一个第二波段的无线电通讯信号；其中，第一波段与第二波段不同。
58.在本实施例中，系统会生成多个干扰密码。这些干扰密码是为了增加加密通信的安全性，使得第三方难以破解实际的加密密码。干扰密码是随机生成的，与真实的加密密码无关，并且它们的数量通常比目标设备数量多。生成的干扰密码的长度和复杂度可以根据安全需求进行调整。
59.封装密码数据包并随机排列：将生成的干扰密码和对应的加密密码分别封装为数据包，并对它们进行随机排列，得到一个密码数据包序列。这一步的目的是使得每个目标设备接收到的数据包顺序不同，以增加攻击者破解的难度。此外，将加密密码和干扰密码分开封装也可以提高系统的安全性。
60.依序发送数据包至目标设备并发送无线电通讯信号：根据密码数据包序列的顺序，依次发送数据包至每个目标设备。在发送加密密码数据包时，同时发送一个第一波段的无线电通讯信号，而在发送干扰密码数据包时，则发送一个第二波段的无线电通讯信号。上述设置的核心点包括以下几个方面：a. 多波段的无线电通讯信号：通过使用第一波段和第二波段的无线电通讯信号，可以在同一时间内发送加密密码和干扰密码信息。这种不同波段的设计可以增加系统的安全性，因为攻击者很难同时截获两个不同波段的无线电信号。更为重要的是，上述第一波的以及第二波动的无线电通讯信号可以用来区分上述干扰密码以及加密密码；只有当目标设备在接收到数据包的同时，还接收到第一波段的无线电通讯信号，才可以表明该数据包中的是加密密码；若是第二波动的无线电通讯信号，则为干扰密码。
61.b. 数据包的随机排列：通过随机排列密码数据包序列中的数据包，每个目标设备将按照不同的顺序接收到数据包。这样做可以防止攻击者通过分析数据包的顺序来推断出加密密码。
62.c. 加密密码和干扰密码的分离：将加密密码和干扰密码分别封装为数据包，然后分开发送，可以增加系统的安全性。这样做可以防止攻击者利用干扰密码来推断出加密密码。
63.在一实施例中，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：采集所述防雷设备的多项状态参数；基于预设的安全评估规则对所述防雷设备的多项状态参数进行综合评估，得到对所述防雷设备安全性的评估结果；当所述评估结果为不安全时，发出对应的警示信息至管理终端。
64.在本实施例中，基于预设的安全评估规则对所述防雷设备的多项状态参数进行综合评估，得到对所述防雷设备安全性的评估结果的步骤，包括：根据防雷设备的多项状态参数，定义预设的安全评估规则。多项状态参数可以包括防雷设备的电流值、电压值、阻抗值以及设备使用年限等参数。
65.使用场强仪对防雷设备的电气设备进行检测，分析其操作条件及性能参数是否满足预设规则中的阻抗值、电压值和电流值的要求。
66.通过非线性节点探测器对防雷设备的物理结构进行检测，包括设备的整体完整性以及是否存在电子器件的丢失或者损坏。
67.如果防雷设备通过非线性节点探测器检测到有电子器件丢失或者损坏，使用金属探测器对防雷设备进行探测，辅助判断丢失或者损坏的电子器件的位置。
68.综合评估和安全性决策步骤：根据前面各步骤的检测数据，根据预设的安全评估规则，对防雷设备的多项状态参数进行综合评估，以此产出防雷设备的安全性评估结果。
69.此创新性方案深化了对防雷设备评估的过程和方法，从电气性能到结构完整性再到安全性检查，其全面综合性的评估方法可确保防雷设备的安全运行，提高环境安全水平。
70.参照图2，本发明一实施例中还提供了一种基于无线电信号进行防雷检测的系统，包括：采集单元，用于采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；处理单元，用于对所述无线电信号进行预处理，得到预处理无线电数据；分类单元，用于将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；选择单元，用于判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取单元，用于获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；分配单元，用于基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；加密单元，用于将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。
71.在一实施例中，所述分类单元，具体用于：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。
72.在本实施例中，上述系统实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
73.参照图3，本发明实施例中还提供一种防雷设备，该防雷设备可以是服务器，其内
部结构可以如图3所示。该防雷设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该防雷设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该防雷设备的数据库用于存储本实施例中对应的数据。该防雷设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述隔离管理的数据管理方法。
74.本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的防雷设备的限定。
75.本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述隔离管理的数据管理方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
76.综上所述，为本发明实施例中提供的基于无线电信号进行防雷检测的方法、系统与防雷设备，包括：采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；对所述无线电信号进行预处理，得到预处理无线电数据；将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。在本发明中，通过采集环境中的无线电信号，基于深度学习网络进行信号分析，进行雷电检测；进而，再通过加密方式传输防雷信息进行预警；不仅检测精度高，而且保障了数据安全性，防止篡改。
77.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双速据率sdram（ssrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram等。
78.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
79.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于无线电信号进行防雷检测的方法，其特征在于，包括：采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；对所述无线电信号进行预处理，得到预处理无线电数据；将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。2.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果的步骤，包括：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。3.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进行预处理，得到无线电训练数据；对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；构建每个无线电训练数据的热力图特征；将所述无线电训练数据输入至卷积神经网络模型中进行预训练，并将无线电训练数据的热力图特征作为所述卷积神经网络模型的预期输出；计算出预测的热力图特征与所述无线电训练数据的热力图特征之间的差异，得到第一损失热力图；基于预先设置的权重热力图，对所述第一损失热力图进行修正，得到第二损失热力图；基于所述第二损失热力图，利用反向传播算法，调整卷积神经网络模型的模型参数，并迭代训练卷积神经网络模型直至模型收敛，得到所述雷电检测模型。4.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述雷电检测模型的训练方式，包括：采集雷电事件以及非雷电事件下的训练无线电信号，并对所述训练无线电信号进行预处理，得到无线电训练数据；对每个所述无线电训练数据标注目标类别；其中，所述目标类别包括有雷电或者无雷电；
构建每个无线电训练数据的真实热力图特征；构建一个生成器网络，将每个所述无线电训练数据作为输入，输出为生成的每个无线电训练数据的热力图生成特征；构建一个判别器网络，将每个无线电训练数据的热力图生成特征作为输入，输出为区分真实热力图特征和热力图生成特征的概率；基于所述无线电训练数据，交替训练生成器网络和判别器网络；其中，先固定生成器网络训练判别器网络，然后固定判别器网络训练生成器网络；在每一轮训练中，生成器网络生成热力图生成特征来欺骗判别器网络，判别器网络通过分辨真实热力图特征和热力图生成特征，进行博弈训练，直到生成器网络生成的热力图生成特征，无法被所述判别器网络区分，得到训练完成的热力生成器以及热力判别器；将未参加训练的无线电训练数据输入至热力生成器中，提取得到对应的热力图生成特征，并输入至初始雷电分类网络中进行迭代训练，待模型收敛之后得到雷电分类网络；将所述热力生成器、热力判别器以及雷电分类网络组合构建为雷电检测模型。5.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述设备属性信息为设备的标识字符；所述基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码的步骤，包括：基于所述目标设备的数量，在数据库中匹配对应字符选取规则；其中，数据库中存储有数量与字符选取规则的映射关系；所述字符选取规则包括从各个目标设备的标识字符中选取字符的数量以及位置；基于预设的第一排序规则，对所述目标设备进行排序，得到目标设备的第一排序；按照所述第一排序，基于所述字符选取规则从各个所述目标设备的标识字符中选取出对应的字符，并依序进行拼接，得到拼接字符；基于各个所述目标设备的标识字符，获取各个目标设备的类型；其中，所述类型包括第一类型以及第二类型；基于所述拼接字符的总数量、第一类型的目标设备数量、第二类型的目标设备数量，计算第一类型以及第二类型的目标设备的加密密码的字符数量；其中，第一类型目标设备的加密密码的字符数量比所述第二类型的目标设备的加密密码的字符数量多2；所有目标设备的加密密码的字符数量总和等于拼接字符的总数量；针对第一排序中的各个所述目标设备，依次根据各个目标设备的类型，按照预设的密码字符选取规则，从所述拼接字符中选取出对应字符数量的字符进行组合得到各个所述目标设备的加密密码。6.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：接收各个所述目标设备的反馈信息；其中，所述反馈信息包括请求发送解密密码；判断是否接收到所有所述目标设备的反馈，若接收到所有所述目标设备的反馈，则针对各个所述目标设备，分别发送对应为各个目标设备分配的加密密码，作为对应的解密密码；其中，发送对应为各个目标设备分配的加密密码的步骤，具体包括：
生成多个干扰密码；将多个所述干扰密码与所述加密密码分别封装为数据包，并随机进行排列，得到密码数据包序列；将所述密码数据包序列中的数据包依序发送至所述目标设备，并在发送所述加密密码的同时，发送一个第一波段的无线电通讯信号；在发送所述干扰密码的同时，发送一个第二波段的无线电通讯信号；其中，第一波段与第二波段不同。7.根据权利要求1所述的基于无线电信号进行防雷检测的方法，其特征在于，所述将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警的步骤之后，还包括：采集所述防雷设备的多项状态参数；基于预设的安全评估规则对所述防雷设备的多项状态参数进行综合评估，得到对所述防雷设备安全性的评估结果；当所述评估结果为不安全时，发出对应的警示信息至管理终端。8.一种基于无线电信号进行防雷检测的系统，其特征在于，包括：采集单元，用于采集环境中的无线电信号；其中，所述环境为防雷设备所处的室外环境；处理单元，用于对所述无线电信号进行预处理，得到预处理无线电数据；分类单元，用于将预处理无线电数据输入至雷电检测模型中，得到雷电分类结果；其中，所述雷电分类结果包括有雷电的分类以及对应的有雷电概率；其中，所述雷电检测模型为深度学习网络训练所得；选择单元，用于判断所述有雷电概率是否大于预设阈值，若大于，则从数据库中选择出多个目标设备；其中，所述数据库中预先存储有多个设备的信息；获取单元，用于获取所述目标设备的数量，以及获取各个所述目标设备的设备属性信息；分配单元，用于基于所述目标设备的数量以及各个设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；加密单元，用于将所述雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，将所述加密封装数据发送至各个目标设备，以通过各个所述目标设备进行预警；其中，发送至各个所述目标设备的雷电分类结果通过对应分配的加密密码进行加密。9.根据权利要求8所述的基于无线电信号进行防雷检测的系统，其特征在于，所述分类单元，具体用于：基于所述雷电检测模型的特征提取层提取所述无线电数据的特征信息，得到无线电特征；基于所述雷电检测模型的分类层对所述无线电特征进行分类，得到雷电分类结果。10.一种防雷设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

技术总结
本发明涉及无线电检测技术领域，提供一种基于无线电信号进行防雷检测的方法、系统与防雷设备，包括：采集环境中的无线电信号；对无线电信号进行预处理，输入至雷电检测模型中，得到雷电分类结果；有雷电概率大于预设阈值，则从数据库中选择出目标设备；获取目标设备的数量，以及各个目标设备的设备属性信息；基于目标设备的数量以及各设备属性信息，为各个目标设备分配加密密码；其中，各个目标设备分配的加密密码不同；将雷电分类结果进行加密封装得到加密封装数据，并通过无线电通讯，发送至各个目标设备，以通过各个目标设备进行预警。在本发明中，通过采集环境中的无线电信号，基于深度学习网络进行信号分析，进行雷电检测，检测精度高。测精度高。测精度高。


技术研发人员：朱正 张光辉 李俊山
受保护的技术使用者：深圳市气象服务有限公司
技术研发日：2023.08.03
技术公布日：2023/9/7