通信辐射源瞬态特征提取和个体识别方法

合集下载

一种稳健的通信辐射源个体识别方法

一种稳健的通信辐射源个体识别方法

一种稳健的通信辐射源个体识别方法黄欣;郭汉伟【期刊名称】《电讯技术》【年(卷),期】2015(000)003【摘要】通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。

利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。

测试实验表明,识别方法稳健有效,可在信噪比5 dB情况下实现93.7%的正确识别概率。

%Specific communication emitter identification is a hot topic and difficult issue inthe field of com-munications countermeasures and specific emitter idendification of communication emitter is more difficult and complexthan that of radar emitter due to weaker signal and transient characteristics. In this paper, the long-time spectrum feature of specific communication emitter is used to extract the peak and envelope tem-plates in power spectrum domain and construct the specific vector feature. Combining the Naive Bayes clas-sifier with the specific vector feature can effectively identify the communication emitters under the condition of enough training sample number. Actual test results show that the identification method is robust and ef-fective,with the correct recognition probability of 93. 7% when signal-to-noise ratio(SNR) is 5 dB.【总页数】7页(P321-327)【作者】黄欣;郭汉伟【作者单位】中国西南电子技术研究所,成都610036;北京科航军威科技有限公司,北京100044【正文语种】中文【中图分类】TN975【相关文献】1.一种基于经验模态分解的通信辐射源个体识别方法 [J], 梁江海;黄知涛;袁英俊;黄光泉2.一种新的通信辐射源个体识别方法 [J], 赵国庆;彭华;王彬;滕波3.一种基于深度置信网络的通信辐射源个体识别方法 [J], 刘高辉; 张晓博4.一种基于复数残差网络的通信辐射源个体识别方法 [J], 曲凌志;杨俊安;刘辉;黄科举5.嵌入注意力机制的通信辐射源个体识别方法 [J], 曲凌志;杨俊安;刘辉;黄科举因版权原因,仅展示原文概要,查看原文内容请购买。

基于双谱的通信辐射源个体识别

基于双谱的通信辐射源个体识别

识别方法,即采用高阶谱分析对辐射源个体特征参 数进行提取,并在特征 向量 中融合了对分类具有显 著贡献 的特征参数。采用径向基神经网络完成对相 同型 号 、相 同批 次 、工 作参数 相 同的 电台进行个 体 识别 。在 1d 信 噪 比的条件 下 ,识别 正确 率优于 5B
Ab t a t sr c :Ba e n t e b s e t n s d o ip c r a d RBF a n w t o o e t y n i ee t r n mitr ft e s mo e s h a , e meh d f ri n i i g d f r n a s t s o h a d f t e d lwa p e e td Th ee t d s e t n a a tr i n f a tf rc a s c t n o h e e v d s n ! o m e i e t c t n r sn e . e s lc p c r a d p r mee s sg i c n o ls i ai fte rc i e i a f r t d n i a i e a i i f o  ̄ h i f o fa u e v co , n e tr e tr a dRB su e o r aiet eid v d a i e t c t n Ex e i n e ut h w ta t e meh di b e t F wa s dt e l h n i iu l d n i a i . p rme t s l s o h t h t o s a l z i f o r s o c a s yt es mo e t n mi e wi na c r c t f ols h n9 % u d r h n io me t f o r NR. l si h f a d lr s t r t a t ha c u a yr eo n e st a O a n e t ee vr n n o l we S Ke ywo d : e e tdb s e t ; BF i d v d a i e t c t n r s s lc e ip e r R a ;n iiu ld ni ai i f o

利用小波变换特征提取的通信辐射源个体识别方法

利用小波变换特征提取的通信辐射源个体识别方法

利用小波变换特征提取的通信辐射源个体识别方法余沁;程伟;李敬文【摘要】为解决非协作通信条件下对通信辐射源的个体识别问题,提出了一种基于小波变换特征提取的个体识别方法.该方法对非协同通信的接收信号进行小波变换,通过计算类间分离度筛选最优小波基提取特征向量,并根据特征分布选取特定小波基下的小波系数复杂度作为信噪比参考值辅助个体识别.仿真结果表明,在信噪比变化的环境中及通信辐射源个体差异较小的情况下有较好的识别效果,从而验证了该方法的有效性.【期刊名称】《信号处理》【年(卷),期】2018(034)009【总页数】10页(P1076-1085)【关键词】通信辐射源个体识别;功率放大器非线性;小波变换;复杂度【作者】余沁;程伟;李敬文【作者单位】空军预警学院,湖北武汉430019;空军预警学院,湖北武汉430019;空军预警学院,湖北武汉430019【正文语种】中文【中图分类】TN9141 引言在电子侦察和信息对抗领域,如何高效可靠地对通信辐射源进行识别,有着非常重要的意义。

由于辐射源个体之间存在差异,导致通信信号携带设备个体差异特征,所以只要能够提取通信信号中携带的个体特征便可以进行分类识别[1]。

基于暂态信号特征和稳态信号特征的个体识别[2]是目前主流的两大方法。

其中稳态信号获取容易、稳定、实用性强,获得了广泛的研究,目前主要基于稳态信号特征提取的方法识别性能较好,主要有基于频率源特性[3]、噪声特性[4]、调制参数[5]和杂散特性[6]的4种方法。

其中基于杂散特性的特征提取方法性能较好,获得了广泛的研究[7]。

目前针对杂散成分的识别主要有基于高阶统计量[8]、谱相关[9]、小波变换[10]等方法,在高斯信道下均有一定的识别效果。

功率放大器作为重要的通信器件存在于所有辐射源系统中,由于制造工艺的限制,功率放大器的输入-输出幅度呈现出非线性特性,该特性对信号的个体差异影响较大,可以作为识别特征。

目前基于功率放大器杂散特性特征提取识别的方法主要有:基于高阶统计量特性[8]、频谱再生特性[9]以及多重分形维数[7]的方法。

基于深度聚类的通信辐射源个体识别方法

基于深度聚类的通信辐射源个体识别方法

基于深度聚类的通信辐射源个体识别方法
贾鑫;蒋磊;郭京京;齐子森
【期刊名称】《空军工程大学学报》
【年(卷),期】2024(25)1
【摘要】针对非合作通信条件下缺少标签数据的通信辐射源个体识别问题,提出了一种基于深度聚类的通信辐射源个体识别方法。

利用自编码器网络强大的特征提取和数据重构能力对原始I/Q数据进行表征学习,提取个体识别的指纹特征,同时将表征学习过程和特征聚类过程进行联合优化,使表征学习和特征聚类契合度更高,更好地完成无标签条件下的通信辐射源个体识别。

通过对5种ZigBee设备采集的信号进行实验,结果表明在信噪比高于0 dB时,可以达到85%以上的识别准确率,证明了本文方法的有效性和稳定性。

【总页数】8页(P115-122)
【作者】贾鑫;蒋磊;郭京京;齐子森
【作者单位】空军工程大学信息与导航学院;93184部队
【正文语种】中文
【中图分类】TN957.51;TN911.7
【相关文献】
1.一种基于深度置信网络的通信辐射源个体识别方法
2.基于深度学习的辐射源个体识别方法综述
3.基于多域特征融合的通信辐射源个体识别方法
4.基于卷积原型网
络的通信辐射源个体开集识别方法5.基于SDAE_SVDD的通信辐射源个体开集识别方法
因版权原因,仅展示原文概要,查看原文内容请购买。

一种稳健的通信辐射源个体识别方法

一种稳健的通信辐射源个体识别方法
法稳 健 有 效 , 可在 信 噪 r E 5 d B 情 况 下 实现 9 3 . 7 % 的正 确识 别概 率 。
关键 词 : 通信 对抗 ; 通 信辐 射 源个体 识 别 ; 峰 值提 取 ; 包络 特征 ; 模板 匹配 ; 模 式识 别
中图分 类号 : T N 9 7 5
文献标 志码 : A
引用格式 : 黄欣 , 郭汉伟. 一种稳健的通信辐射源个体识别方法[ J ] . 电讯技术 , 2 0 1 5, 5 5 ( 3 ) : 3 2 1 — 3 2 7 . [ HU A NG X i n , G U O H a n w e i . A R o b u s t S p e —

种 稳 健 的通 信 辐 射 源 个 体 识 别 方 法
黄 欣 料, 郭汉伟
( 1 . 中国西南电子技术研究所 , 成都 6 1 0 0 3 6 ; 2 . 北京科航 军威科 技有限公 司。 北京 1 0 0 0 4 4)

要: 通信 辐射 源个体 识 别是 目前通 信 对抗领 域研 究 热点 与难 点 问题 , 相 对 于雷达 辐射 源 . 通信 辐
第5 5卷 第 3期
2 0 1 5年 3月
电讯 技 术
T e l e c o mmu n i c a t i o n E n g i n e e r i n g
Vo1 . 5 5. No. 3
Ma r c h, 2 01 5
d o i : 1 0 . 3 9 6 9 / j . i s s n . 1 0 0 1 - 8 9 3 x . 2 0 1 5 . 0 3 . 0 1 6
p l a t e s i n po we r s p e c t r u m d o ma i n a n d c o n s t uc r t t h e s p e c i ic f v e c t o r f e a t u r e . Co mb i n i n g t h e Na i v e Ba y e s c l a s —

基于小波包分析的辐射源特征提取和识别算法

基于小波包分析的辐射源特征提取和识别算法
李 玫
( 西安 电子科技 大 学 电子 工程 学 院,陕 西 西安 70 7) 10 1
摘 要 :提 出了一种 基 于小 波 包的 变换 方 法。 该方 法通 过对 不 同脉 内调制 方 式进行 频 带能 量 的提取 。并 引入 支持 向量 机 来完成 对辐 射 源的 分类 。该 小波 包变换对信 号 局部 的 时频特 征具
11 小 波变换 .
小 波 变 换 是 由法 国科 学 家 Molt 18 年在 r 于 94 e
进 行 地震数 据 分析 时提 出 的 。他 在分 析 地震 波 局 部 信 号 时 ,发 现 传 统 的傅 里 叶 变 换 难 以达 到要 求 ,从 而引人 了小 波概 念 。 小 波变 换 与短 时傅里 叶变换 一样 ,属于 时频 分 析 方 法 中 的 一 类 分 析 方 法 。即 核 函 数 分 解 法 (tm c eo p s in D ,也 就 是 线 性 时 频 描 ao i d cm oio ,A ) t
V0. 2 N . 0 1 o1 1 Oc.2 1 t OOຫໍສະໝຸດ 2 l 年 l 月 OO O
振荡性 、速降性 、带通性 ,在 定义 域 内是 紧支 撑
的。
() 3 :将 各 个频 带 的信 号 能量 组 成特 征 向量 ,

定 义 :设 { }是 由式 ( 1 )给 出的小 波 函
第 l卷 2
第 1 期 0
Vo. 2 No 1 1 .0 1
Oc .2 O t O1
2 1 年 l 月 00 0
d i 03 6 /i n1 6 - 7 5 0 01 .2 o: .9 9 .s .5 3 4 9 . 1 . 0 7 1 js 2 0
基于小波包分析 的辐射源特征 提取和识别算法

采用改进型AlexNet的辐射源目标个体识别方法

采用改进型AlexNet的辐射源目标个体识别方法

采用改进型AlexNet的辐射源目标个体识别方法徐雄【摘要】针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型.以广播式自动相关监视( ADS-B)信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性.结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98. 32% .%For the need of accurately identifying radiation source target and according to machine learning technology represented by deep learning theory,this paper proposes using the improved AlexNet as feature extractor to realize the target's fine feature extraction and solidifying,and form the intelligent recognition network model. With Automatic Dependent Surveillance-Broadcast( ADS-B) signal as the experimental ob-ject,13 targets'ADS-B pulse signal data are collected in an airport as the training and test samples for the radiation source target individual recognition. The experiment uses AlexNet and improved AlexNet to verify the effectiveness of the algorithm. The results show that the improved AlexNet network has faster training time and the comprehensive recognition rate is 98. 32% .【期刊名称】《电讯技术》【年(卷),期】2018(058)006【总页数】6页(P625-630)【关键词】广播式自动相关监视( ADS-B);目标识别;深度学习;卷积神经网络;改进型 AlexNet【作者】徐雄【作者单位】中国西南电子技术研究所,成都610036【正文语种】中文【中图分类】TN9731 引言生物特征识别技术在个人身份鉴定中得到了广泛的重视,尤其是通过计算机利用人体所固有的生理特征(指纹、虹膜、面相等)或行为特征(步态、击键习惯等)来进行个人身份鉴定。

通信辐射源个体识别技术研究

通信辐射源个体识别技术研究

通信辐射源个体识别技术研究通信辐射源个体识别技术对提升无线通信系统的安全性和提高军事通信侦察对抗能力具有重要意义。

通过提取通信辐射源发射机在设计、生产过程中产生的硬件设备差异特征,可以分辨接收的信号来自哪个通信辐射源。

然而,提取这些细微的辐射源个体差异特征非常困难,使得通信辐射源个体识别技术研究成为一项十分具有挑战性的课题。

本文系统的研究了通信辐射源个体识别的理论框架,在此基础上研究了多种具有理论及实用价值的个体识别算法,通过仿真实验和实测数据验证了算法的有效性,部分算法在实际通信辐射源个体识别系统中得到了应用。

本文主要工作包括以下几个方面:1.通信辐射源个体识别基本理论研究。

分析了通信辐射源射频指纹特征信息的传输和处理流程,构建了通信辐射源个体识别的理论框架。

在建立通信辐射源个体特征信息的编译码模型基础上,分析了辐射源个体识别系统的理论性能,指出辐射源个体识别处理流程中应尽可能减少个体特征信息的损失。

2.基于发射机非线性模型的辐射源个体识别方法研究。

在分析通信辐射源个体差异特征的生成机理基础上,研究了基于发射机功放非线性行为的辐射源个体识别方法,可以刻画辐射源发射机功放的弱记忆非线性行为。

针对单器件非线性参数特征不足以精细建模辐射源发射机的个体差异,研究了发射机正交调制器畸变和功放非线性行为联合建模的辐射源个体识别方法,得到的个体特征向量可以更好地刻画不同发射机差异。

考虑到难以精确建模和求解发射机中包含的所有模拟器件非线性行为,提出了一种基于自然测度的辐射源个体识别方法,将辐射源发射机整体视作一个非线性系统,直接提取发射机系统的非线性特征,可有效分辨不同的辐射源发射机个体。

3.基于统计学习的辐射源个体识别方法研究。

为避免辐射源个体特征提取过程中依赖人的主观经验导致的个体差异信息损失,研究了三种基于统计学习的辐射源个体识别方法。

基于信号暂态稀疏表示的辐射源个体识别方法,利用低维特征空间暂态稀疏表示,采用重构误差最小化原则训练特征提取器,并据此分辨新样本的辐射源类别属性。

通信特定辐射源识别的多特征融合分类方法

通信特定辐射源识别的多特征融合分类方法

2021年2月Journal on Communications February 2021 第42卷第2期通信学报V ol.42No.2通信特定辐射源识别的多特征融合分类方法何遵文,侯帅,张万成,张焱(北京理工大学信息与电子学院,北京 100081)摘 要:针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法。

首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充。

然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据集进行学习,得到初始分类结果。

最后,通过叠加融合学习初始分类结果,得到最终的分类结果。

实测数据分析结果证明,所提方法相比基于单一特征提取方法和经典多特征提取方法有更高的准确率,使用室外典型场景多径衰落信道模型对辐射源信号进行了处理,所提模型仍可进行有效识别,能够适用于复杂无线信道环境的应用。

关键词:特定辐射源识别;生成对抗网络;多特征融合;集成学习中图分类号:TN911.7文献标识码:ADOI: 10.11959/j.issn.1000−436x.2021028Multi-feature fusion classification method forcommunication specific emitter identificationHE Zunwen, HOU Shuai, ZHANG Wancheng, ZHANG YanSchool of Information and Electronics, Beijing Institute of Technology, Beijing 100081, China Abstract: A multi-feature fusion classification method based on multi-channel transform projection, integrated deep learning and generative adversarial network (GAN) was proposed for communication specific emitter identification. First, three-dimensional feature images were obtained by performing various transformations, the time and frequency domain projection of the signal was constructed to construct the feature datasets. GAN was used to expand the datasets. Then, a two-stage recognition and classification method based on multi-feature fusion was designed. Deep neural networks were used to learn the three feature datasets, and the initial classification results were obtained. Finally, through fusion and re-learning of the initial classification result, the final classification result was obtained. Based on the measurement and analysis of the actual signals, the experimental results show that the method has higher accuracy than the single feature extraction method. The multipath fading channel has been used to simulate the outdoor propagation environment, and the method has certain generalization performance to adapt to the complex wireless channel environments.Keywords: specific emitter identification, generative adversarial network, multi-feature fusion, ensemble learning1 引言特定辐射源识别(SEI, specific emitter identi-fication)是将接收到的脉冲波形与唯一发射器进行关联[1]。

通信信号特征提取与识别技术研究

通信信号特征提取与识别技术研究

摘要在现代复杂的电磁环境下,通信电子对抗是电子战领域一个重要环节。

而通信辐射源信号特征提取与识别是该环节中的关键技术,引起了国内外众多学者的关注。

然而,在非协作通信条件下,利用信号特征进行辐射源识别面临诸多挑战,诸如对信号的捕捉、特征提取等。

基于此,本文针对通信辐射源的个体识别问题,对通信信号的个体细微特征的分析提取技术难点展开研究。

本文从特征产生的机理分析入手,分析了通信辐射源信号特征提取方法与辐射源个体识别方法。

本文的工作主要体现在以下四个方面。

1. 分析了影响通信辐射源信号时频域稳定特征的因素,并阐述了产生通信辐射源信号特征的机理。

根据现有文献的研究成果,将通信辐射源信号特征分为稳态特征与暂态特征。

其中,稳态特征包括通信信号辐射源的调制类型特征、通信信号辐射源的载频稳定度特征以及产生通信信号辐射源信号的码速率特征,暂态特征包括开机过渡特征、频率切换特征、时频图像特征等特征。

2. 分析了通信辐射源信号的稳态特征提取方法。

利用循环谱密度函数对截获信号的调制类型进行识别与分类;介绍了基于相位拟合、基于Hilbert变换与相位线性拟合以及短时傅里叶变换时频能量的载频估计方法;介绍了利用Haar小波变换方法实现对码元速率的精确估计。

3. 分析了通信辐射源信号的暂态特征提取方法。

对截获信号的起始信号中的暂态特征的检测方法进行了分析,比较了基于信号瞬时相位方差的起始点检测方法、基于递归图的暂态信号起始点检测以及基于高阶累计量的贝叶斯检测方法;针对基于经验模态分解方法在信号形式未知情况下分解精度较低的问题,利用小波包能量法对截获信号去噪声处理,根据提取的稳态特征重构信号形式,提高了基于经验模态分解方法的适用性,并利用Hilbert Huang变换的时频谱提取截获信号的特征;利用提取Hilbert边缘谱的均值与方差作为特征向量对截获的通信信号聚类。

4. 分析了利用特征进行识别与分类的分类器设计方法。

根据单一分类器的分类特征,设计了组合分类器;并介绍了单一分类器与组合分类器的概率分配函数,以及组合分类器的信息融合分类特征;利用设计组合分类器对提取的特征向量进行了识别与分类实验。

基于解调重构的跳频信号辐射源个体识别方法

基于解调重构的跳频信号辐射源个体识别方法

基于解调重构的跳频信号辐射源个体识别方法
刘人玮;查雄;李天昀;章昕亮;龚佩
【期刊名称】《电讯技术》
【年(卷),期】2024(64)2
【摘要】现有跳频信号辐射源个体识别方法大多围绕跳变瞬态的特征进行讨论,其捕获和精准定位的难度较大。

因此,提出了一种基于解调重构的跳频信号辐射源个体识别方法,能够有效利用跳频信号的稳态信息进行辐射源个体识别。

首先对跳频信号进行跳变定时,提取出各跳的基带波形;然后解调出各跳的符号,并将其经过理想成型滤波器,得到理想的重构基带波形;最后将原始波形和重构波形一起送入神经网络,得到分类结果。

给出发射机畸变模型和畸变参数范围,经过多次测试给出网络参数的建议取值范围,并进行验证实验。

实验结果表明,该方法能够有效地完成跳频信号辐射源个体识别任务。

【总页数】9页(P252-260)
【作者】刘人玮;查雄;李天昀;章昕亮;龚佩
【作者单位】信息工程大学信息系统工程学院
【正文语种】中文
【中图分类】TN971
【相关文献】
1.一种基于时频原子特征的雷达辐射源信号识别方法
2.基于联合时频辐射源信号识别方法
3.基于时频与快速熵的IFF辐射源个体识别方法
4.基于时频能量分布的雷达辐射源信号识别方法
因版权原因,仅展示原文概要,查看原文内容请购买。

通信辐射源瞬态特征提取和个体识别方法

通信辐射源瞬态特征提取和个体识别方法

收稿日期:2008 11 13基金项目:国家级重点实验室基金资助(9140C13050108DZ46)作者简介:陆满君(1982 ),男,哈尔滨工程大学博士研究生,E mail:lumanjun@.通信辐射源瞬态特征提取和个体识别方法陆满君1,2,詹 毅2,司锡才1,杨小牛2(1.哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨 150001;2.通信系统信息控制技术国家级重点实验室,浙江嘉兴 314033)摘要:通信信号的个体识别是近年来非合作通信领域一个重要研究课题.根据瞬态信号的非线性特征,采用递归图的分析方法提取瞬态信号的起始时刻,然后采用小波变换进行特征提取,在此基础上采用遗传算法挑选出分辨能力强的特征,利用支持向量机分类器实现对通信辐射源信号的个体识别.实验结果表明该方法用较少的特征获得较高的正确识别率,正确识别率大于90%.关键词:辐射源识别;细微特征;特征选择;小波变换;遗传算法中图分类号:T N971 文献标识码:A 文章编号:1001 2400(2009)04 0736 05Extraction of the transient characteristics of the communicationradiating source and individual indentificationL U M an j un 1,2,ZH A N Yi 2,S I X i cai 1,YAN G X iao niu 2(1.Scho ol o f Info.and Co mm.Eng.,H arbin Eng.U niv.,H arbin 150001,China;2.N ational L ab.of Info.Contro l T ech.fo r Comm.System,Jiax ing 314033,China)Abstract:Individual co mmunicatio n signals identif ication is an impor tant issue in the field o fco mmunicatio n reconna issance in r ecent years.T he r ecur rence plot metho d is pro po sed to detect the star t up point of the transient signals,w hich is based o n the no nlinear character istics of the transient signal.Wav elet transfor m is used to ex tr act feat ur es f rom t he tr ansmitters.T he most discriminato ry featur es are selected fro m a lar ge number of wavelet t ransfo rm features by genetic alg or ithms,and Suppo rt V ector M achines (SVM )are used to realize the indiv idual identification.Experimental results show that the intro duced method achieves g oo d accuracy r eco gnition r ate in terms o f a little featur es as reference,w ith the accuracy recog nit ion being mo re than 90%.Key Words:tr ansmitt er identification;fine feature;feature selectio n;wavelet transfor ms;g enetic algo rit hms随着通信技术的飞速发展,通信体制和调制样式更加复杂多样,通信电台的配置数量不断增加,常规的电子侦察所采用的信号特征,如载波频率、调制样式和调制参数等在复杂多变的信号环境下,已经难以满足现代战场的需求.因此,在电子战研究领域,出现了辐射源 指纹 识别的方法[1 6],通过对接收信号进行特征测量,确定产生信号的辐射源个体,美军将其定义为 将辐射源惟一电磁特征与辐射源个体关联起来的能力 .通信电台的这种关联起来的能力称为通信电台个体识别.通信电台个体识别主要分为基于嵌入识别码的方法[1]和无意调制特征分析的识别方法[2 6].第1种方法是在发射机辐射信号中嵌入识别个体身份的伪随机序列,这种方法适用于合作辐射源目标的个体识别.第2种方法又可分为两类:一类是基于瞬态特征分析的分类识别方法[2 4],另一类是基于稳态特征分析的分类识别方法[5 6].稳态特征是在同步建立时或者正常通信时电台所表现出来的无意调制特征,该方法需要对通信电台进行精确的同步,因此限制了该方法在非合作通信领域的应用.2009年8月第36卷 第4期西安电子科技大学学报(自然科学版)JOUR NAL OF XIDI AN UNIV ER SI TYAug.2009Vol.36 No.4通信辐射源信号不同于雷达辐射源的脉冲发射体制,其起始时刻是随机的,因此瞬态信号起始检测是通信辐射源个体识别必须要解决的问题.虽然文献[3]认为对采样起始时刻不敏感,只是对起始时刻的精确时间不敏感,对于超短波战术电台而言,瞬态信号只有几毫秒到几十毫秒的时间,因此需要尽可能早地发现瞬态信号,才能较完整地采集到瞬态信号,以供后续分析.笔者根据瞬态信号的非线性特征,引入递归图的分析方法较好地提取了瞬态信号的起始时刻,然后采用小波变换进行特征提取,利用遗传算法从高维的特征向量中挑选出分类能力强的特征,最后采用支持向量机完成对同一类型且工作参数完全相同的电台个体识别.在10dB 信噪比的条件下,且不需要其他参数(如调制指数、载频变化率等)作为分类特征向量,识别正确率优于90%.1 特征提取方法1 1 识别处理流程通信辐射源的个体识别过程可分为设计和决策两个阶段.在设计阶段利用一定数量的样本进行特征提取和特征选择,挑选出最具分类意义的特征向量,然用根据这个特征向量进行分类器的设计.决策时用这个设计好的分类器对未知的样本进行分类.该过程如图1所示.图1 通信辐射源个体识别原理图瞬态信号的采集是基于起始时刻检测规则,一旦跃变检测出来,就开始存储信号;预处理的目的是减小或消除由于距离、传输路径和电磁环境等因素引起的噪声和信号幅度差异;然后进行特征提取和信号分类.在设计阶段还需要进行特征选择,从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的.1 2 跃变检测方法通信信号的瞬态特征包含了丰富的非线性特征,是非平稳的.随着非线性理论研究的深入,非线性分析方法在雷达与通信信号处理中得到了广泛的应用[5,7].在提取非线性特征参数进行信号分析的过程中,对动力学系统进行相空间重构是其中的重要手段.为揭示相空间轨迹运行方式,文献[8]引入了一种从二维图形上观察非线性时间序列内部动力学机理递归的分析方法,称作递归图(recurrence plot,缩写为RP)法.根据T akens 的相空间重构理论[9],选择合适的嵌入维数m 和延迟时间 ,可以将一维的非线性时间{x (i),i =1,2,!}序列重构出向量X i =(x (i),x (i + ),!,x (i +(m -1) )).这些有时间标记的向量序列{X i ,i =1,2,!,N }构成了系统的m 维相空间轨迹.用这些相空间上的向量点作为矩阵的行和列构成N ∀N 的递归图,图中的每个节点由对应的行和列向量点之间的距离来描述:R i,j = ( -X i -X j ) , i,j =1,2,!,N ,(1)其中 为预先确定的阈值常数,表示临界距离;符号*表示取向量的Euclidean 范数; (x )是H eav iside函数.当R i,j 的值为1时,(i,j )位置上表示为一个黑点;当值为0时,(i,j )位置上表示为一个白点.因此,RP 将一个m 维相空间的轨迹关系映射到一个二维图上,图中黑点的比例反映了相空间内向量点递归频率及轨迹在相空间内的聚集度,定义递归度R R[10]如下:R R =1N 2#Ni,j=1R i,j .(2)对于随机噪声序列,递归图上的黑点虽然没有应用在非线性序列上具有明确的动力学含义,但是也表达了序列的某种递归行为.构画递归图前,需要确定3个参数:嵌入维数m,延迟时间 和临界距离 .由于重构相空间的概念不能够用于随机噪声序列,采用设定m =1, =1的方法回避嵌入理论,而使用RP 技术分析737第4期 陆满君等:通信辐射源瞬态特征提取和个体识别方法序列的递归现象.对于噪声下的瞬态信号,由于非线性瞬态信号的 加入 使得噪声信号的 向量点 递归频率和 相空间 聚集度发生了很大的变化,选取合适的临界距离,通过递归度参数可以标记这种现象.图2中以正交采样的复信号作为输入序列,以240个采样点为一帧,相邻两帧起始点之间的间隔为80个采样点,即两帧之间有160个采样点的交叠,临界距离 =0 2.其中图(a)是瞬态信号每一帧的能量,图(b)是相应的递归度.从图中可以看出第299帧信号的递归度明显变大,而该帧信号的能量非常小,因此该方法具有很好的检测效果.图2 瞬态信号的跃变检测1 3 基于小波变换的特征提取小波变换是一种较新的信号分析工具,它提供了一种分析多尺度或多分辨率信号的方法,已被应用于许多领域[11].小波变换在遥感领域中的应用相当广泛,如数据压缩、图像纹理分析、图像边缘检测、图像降噪以及图像融合等.对于任一信号s(t)∃L 2(R)的离散小波变换可表示为信号与小波函数的内积,即C(j ,k)=#n ∃Zs (n)!j.k (n) ,(3)式中s(n)为待分析信号,!j ,k (n)为离散小波函数,j 为尺度参数,k 为平移参数.采用小波变换将信号分解为高频和低频两部分,再将低频部分分解为高频和低频两部分,如此反复可实现多分辨分析.首先对电台辐射源信号进行多尺度的一维离散小波变换,在每一尺度,可得到与原始信号相关性较高的近似系数和包含辐射信号细节信息的高频系数(细节系数),然后对近似系数再进行下一尺度的小波分解,依此重复,将得到所有分解尺度的细节系数以及最终分解尺度的近似系数.假设对信号进行n 尺度小波分解,可得到n 个细节系数和1个近似系数,分别计算细节系数以及近似系数的能量值,则最终可得到n +1个特征波段,这样得到的1∀(n +1)维特征向量F ={F i },由下式得到F i =1K#Kk=1W ik1/2,(4)其中K 表示分解尺度为i 时的小波系数个数,W 表示分解尺度为i 时的第k 个小波系数,n 为小波分解的最大尺度.向量F 的大小为(n +1),其中包括n 个小波细节系数和最终分解尺度的小波近似系数.(n +1)个特征向量代表了每个辐射信号的细微特征信息.2 特征选择一般情况下,只有在特征矢量中包含了足够的类别信息,才能通过分类器实现正确分类.由于特征是否包含足够的信息很难确定,为了提高识别率,总是最大限度地提取特征信息,结果不仅使特征维数增大,而且其中可能存在较多的无效和冗余特征.因此,选择合适的特征来描述模式对模式识别精度、训练时间和存储空间等许多方面都影响较大,并且对分类器的构造也起着非常重要的作用.小波分解所得特征的分辨能力存在较大的差异,而且小波分解所得的特征向量的维数较高,因此有必要从高维特征中挑选出最为有效的一些特征,用来简化分类器的设计和提高识别率.遗传算法是一种基于生物进化机制的随机搜索算法,可以自动寻找原始特征集中的最优特征子集.而二重结构编码的遗传算法是坂和正男在1994年提出来用于考虑约束条件的满足问题,并可以提高遗传算法的搜索效率.个体染色体的二重结构由变量码和附加码两行组成,上行为附加码,下行为对应于附加码的变量码.在对某个个体编码时,附加码按洗牌方式随机产生,然后考虑约束条件来产生变量码.交叉算子采用738西安电子科技大学学报(自然科学版) 第36卷Go ldber g 等提出的基于路径表示的部分交叉(Partially M atched Crossover,缩写为PM X)方法.由PM X 方法对上行附加码进行交叉操作,子个体的下行变量码值仍根据父个体中附加码与变量码的对应关系来确定.变异算子采用逆位遗传算子,即对父个体随机选择两个变异点,两点间的上行附加码按相反顺序重新排列,而下行的变量码顺序不变.笔者选择借鉴二重结构编码的遗传算法,个体染色体的二重结构由变量码和附加码两行组成,上行为附加码,下行为对应于附加码的变量码.若要选择n 个特征中的k 个特征,可以选定k 个附加码对应的变量码值为1,其余变量码值为0,变量码1所对应的位置就是所选择的特征.在交叉算子和变异算子中上行附加码与二重结构编码的遗传算法一致,而下行变量码的值同上行附加码一起变化,从而完成交叉和变异.最优特征子集的评价准则是特征选择的关键问题,下面给出本文的评价准则.这里定义了特征集合空间的可分离度P ij ,定义为p ij =Dij ∀i +∀j,(5)其中∀i 为第i 个样本的归一化标准差,∀i =v ar [B i /R k ],D ij 表示样本的类间距离,即D ij =(B (k)i -B (k)j )R k ,(6)其中B i 表示N 维样本点的第i 类样本的核心,B (k)i 表示第i 个样本的第k 维样本点的核心,R k 为极差,用极差对样本的N 维信息进行归一化,避免各个特征参数的测量值相差悬殊,使特征参数集能够客观地反映样本之间的可分离程度.如果待识别的通信电台信号共有H 类,特征选择的评价准则函数定义为f =2H (H -1)#H -1i=1#Hj =i+1w ij P ij ,(7)其中w ij 为权重因子,满足#H-1i=1#Hj =i+1w ij =1 .(8)对于分类器而言,并不是可分离度均值越大分类效果越好.分类效果的好坏往往取决于可分离度较小的几类样本的分类结果,因此给予可分离度较小的P ij 较大的权重,而分离度较大的P ij 给予较小的权重,使评价准则函数更加合理.w ij =b H (H -1)+(1-b)max (P ij )-P ij#H -1i=1#Hj =i+1(max (P ij )-P ij ),(9)其中b 为固定权重,1-b 为可分配权重.通过以上的分析可知,当f 的值越大,选择出的特征子集就越好.表1 电台分类识别实验结果类别测试样本数量分为该类的数目123456789101112识别数1100941041000000094210039110000041009131005089050001000894100030921000004092510010008703900008761000000192520000927100000026902000090810000004029400009591000010100091214911010000200000093509311100004300001290091121003718989739第4期 陆满君等:通信辐射源瞬态特征提取和个体识别方法3 实验结果分析实验中使用Agilent 的E4440A 采集器对某型号的同一批12个战术电台进行信号采集,采集器的中心频率为407 225kH z,采用正交采样的方式,采样带宽为2M H z,采样频率为2 56M H z,发射机与接收天线的距离为150m,接收信号在信噪比为10dB 的条件下,每个电台采集125个样本,每样本的采集时间为15ms,其中25个样本用于小波特征提取、特征选择和分类器训练.在小波变换中从10部通信电台信号中提取出16维特征向量,用遗传算法进行特征选择,信号类别数为12,种群大小取20,评价准则函数的固定权重取0 5.采用遗传算法选取的5个特征分别为小波变换的第4,5,6,9,11层特征.实验结果如表1所示,总体识别率为91 17%,原始特征集的正确识别率为87 42%,可以看出文中提取的特征能够反映通信电台个体的细微差异.与原始特征集相比,笔者提出的方法大大降低了特征向量的维数,简化了分类器的设计.4 结束语以上讨论了一种通信辐射源个体识别的方法,该方法采用递归图的分析方法检测瞬态信号的起始时刻,然后用小波变换进行特征提取,采用遗传算法进行特征选择,选取的特征不仅能够体现辐射源个体之间的细微差异,而且受时间和外部环境的变换影响较小,具有较好的稳定性.最后采用支持向量机对分类的个体进行识别,实验结果表明该方案具有较高的识别率和较强的稳健性.参考文献:[1]K wo n S C,L ee Y T ,Seo J S.A N ov el T ransmitter Identif ication T echnique fo r use in Distr ibuted 8VSB DT V system [C]//Vehicular T echno log y Co nfer ence.N ew Yo rk:IEEE,2006:2211 2215.[2]H all J,Bar beau M ,Kr anakis E.Detect ing Ro gue Devices in Bluetoo th Netw or ks U sing Radio F requency Finger printing [EB/O L].[2008 10 12].htt p://w w w.scs.car leto n.ca/~kranakis/P aper s/CCN 06.pdf.[3]蔡忠伟,李建东.基于双谱的通信辐射源个体识别[J].通信学报,2007,28(2):75 79.Cai Zhongw ei,L i Jiandong.Study o f T r ansmit ter Individual Identificatio n Based on Bispectra [J ].Journal on Communicat ions,2007,28(2):75 79.[4]许丹,徐海源,卢启中,等.基于自激振荡器模型的辐射源个体识别方法[J].信号处理,2008,24(1):122 126.Xu Dan,Xu H aiyuan,L u Q izhong,et al.A Specific Emitter Identificat ion M et ho d Based on Self Ex citat ion O scillator M o del[J].Signal Pro cessing ,2008,24(1):122 126.[5]许丹,柳征,姜文利,等.窄带信号中的放大器 指纹 特征提取:原理分析及F M 广播实测实验[J].电子学报,2008,36(5):927 932.Xu Dan,L iu Zheng ,Jiang Wenli,et al.Ex tr act ion o f A mplifier Fing erprints fro m N ar row Band Signal:Pr inciple A na lysis and FM Broadcast Ex periment[J].A cta Electro nica Sinica,2008,36(5):927 932.[6]Shieh C S,L in C T.A V ector N eural N etw or k for Emitter Identificat ion[J].IEEE T r ans on A ntennas and P ro pag atio n,2002,50(8):1120 1127.[7]周代英.非线性正则子空间法雷达目标一维距离像识别[J].信号处理,2008,24(1):11 13.Zhou Daiy ing.Recog nition of Radar T ar get Rangepro files Based on N onlinear Cano nical Subspace[J].Signal P rocessing,2008,24(1):11 13.[8]Echmann J P ,K ampho rst S O ,Ruelle D.Recurr ence Plo ts o f Dy namica l Systems[J].Eur ophy sics L etter,1987(4):973 977.[9]T akens F.Detect ing St range Att ractor s in T ur bulence [C]//D ynamical Systems and T urbulence,L ect ur e N otes in M athematics.N ew Yo rk:Spring er,1981:366 381.[10]Zbilut J P,Webber C L.Embeddings and Delays As Derived fro m Q uant ificatio n of Recur rence P lots[J].Physics Lett er s A ,1992,171(3 4):199 203.[11]胡建伟,杨绍全.小波域的最大似然调制分类[J].西安电子科技大学学报,2006,33(2):247 250.H u Jianw ei,Y ang Shaoquan.M ax imum L ikeliho od Classificatio n fo r M P SK Signals in the Wavelet Domain[J].Jour nalof X idian U niversit y,2006,33(2):247 250.(编辑:郭 华)740西安电子科技大学学报(自然科学版) 第36卷。

一种新的通信辐射源个体识别方法

一种新的通信辐射源个体识别方法

龙源期刊网
一种新的通信辐射源个体识别方法
作者:赵国庆彭华王彬滕波
来源:《计算机应用》2012年第05期
摘要:在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别。

针对该问题,依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实,提出一种适用于多进制数字相位调制(MPSK)信号的基于分形维数的特征提取与分类方法。

首先对中频信号进行过采样,然后提取信号瞬时相位的信息维数作为分类特征,最后利用支持向量机(SVM)分类器实现样本属性的自动判别。

该方法特征维数低、分类简单,对加性高斯白
噪声具有一定的鲁棒性。

计算机仿真实验结果表明,当信噪比为时,对载波频率稳定度差异为的5种同阶MPSK信号的平均分类准确率达到95%。

关键词:个体识别;频率稳定度;瞬时相位;信息维数;抗加性高斯白噪声
中图分类号: TN975;TP911.7文献标志码:A。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

收稿日期:2008 11 13基金项目:国家级重点实验室基金资助(9140C13050108DZ46)作者简介:陆满君(1982 ),男,哈尔滨工程大学博士研究生,E mail:lumanjun@.通信辐射源瞬态特征提取和个体识别方法陆满君1,2,詹 毅2,司锡才1,杨小牛2(1.哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨 150001;2.通信系统信息控制技术国家级重点实验室,浙江嘉兴 314033)摘要:通信信号的个体识别是近年来非合作通信领域一个重要研究课题.根据瞬态信号的非线性特征,采用递归图的分析方法提取瞬态信号的起始时刻,然后采用小波变换进行特征提取,在此基础上采用遗传算法挑选出分辨能力强的特征,利用支持向量机分类器实现对通信辐射源信号的个体识别.实验结果表明该方法用较少的特征获得较高的正确识别率,正确识别率大于90%.关键词:辐射源识别;细微特征;特征选择;小波变换;遗传算法中图分类号:T N971 文献标识码:A 文章编号:1001 2400(2009)04 0736 05Extraction of the transient characteristics of the communicationradiating source and individual indentificationL U M an j un 1,2,ZH A N Yi 2,S I X i cai 1,YAN G X iao niu 2(1.Scho ol o f Info.and Co mm.Eng.,H arbin Eng.U niv.,H arbin 150001,China;2.N ational L ab.of Info.Contro l T ech.fo r Comm.System,Jiax ing 314033,China)Abstract:Individual co mmunicatio n signals identif ication is an impor tant issue in the field o fco mmunicatio n reconna issance in r ecent years.T he r ecur rence plot metho d is pro po sed to detect the star t up point of the transient signals,w hich is based o n the no nlinear character istics of the transient signal.Wav elet transfor m is used to ex tr act feat ur es f rom t he tr ansmitters.T he most discriminato ry featur es are selected fro m a lar ge number of wavelet t ransfo rm features by genetic alg or ithms,and Suppo rt V ector M achines (SVM )are used to realize the indiv idual identification.Experimental results show that the intro duced method achieves g oo d accuracy r eco gnition r ate in terms o f a little featur es as reference,w ith the accuracy recog nit ion being mo re than 90%.Key Words:tr ansmitt er identification;fine feature;feature selectio n;wavelet transfor ms;g enetic algo rit hms随着通信技术的飞速发展,通信体制和调制样式更加复杂多样,通信电台的配置数量不断增加,常规的电子侦察所采用的信号特征,如载波频率、调制样式和调制参数等在复杂多变的信号环境下,已经难以满足现代战场的需求.因此,在电子战研究领域,出现了辐射源 指纹 识别的方法[1 6],通过对接收信号进行特征测量,确定产生信号的辐射源个体,美军将其定义为 将辐射源惟一电磁特征与辐射源个体关联起来的能力 .通信电台的这种关联起来的能力称为通信电台个体识别.通信电台个体识别主要分为基于嵌入识别码的方法[1]和无意调制特征分析的识别方法[2 6].第1种方法是在发射机辐射信号中嵌入识别个体身份的伪随机序列,这种方法适用于合作辐射源目标的个体识别.第2种方法又可分为两类:一类是基于瞬态特征分析的分类识别方法[2 4],另一类是基于稳态特征分析的分类识别方法[5 6].稳态特征是在同步建立时或者正常通信时电台所表现出来的无意调制特征,该方法需要对通信电台进行精确的同步,因此限制了该方法在非合作通信领域的应用.2009年8月第36卷 第4期西安电子科技大学学报(自然科学版)JOUR NAL OF XIDI AN UNIV ER SI TYAug.2009Vol.36 No.4通信辐射源信号不同于雷达辐射源的脉冲发射体制,其起始时刻是随机的,因此瞬态信号起始检测是通信辐射源个体识别必须要解决的问题.虽然文献[3]认为对采样起始时刻不敏感,只是对起始时刻的精确时间不敏感,对于超短波战术电台而言,瞬态信号只有几毫秒到几十毫秒的时间,因此需要尽可能早地发现瞬态信号,才能较完整地采集到瞬态信号,以供后续分析.笔者根据瞬态信号的非线性特征,引入递归图的分析方法较好地提取了瞬态信号的起始时刻,然后采用小波变换进行特征提取,利用遗传算法从高维的特征向量中挑选出分类能力强的特征,最后采用支持向量机完成对同一类型且工作参数完全相同的电台个体识别.在10dB 信噪比的条件下,且不需要其他参数(如调制指数、载频变化率等)作为分类特征向量,识别正确率优于90%.1 特征提取方法1 1 识别处理流程通信辐射源的个体识别过程可分为设计和决策两个阶段.在设计阶段利用一定数量的样本进行特征提取和特征选择,挑选出最具分类意义的特征向量,然用根据这个特征向量进行分类器的设计.决策时用这个设计好的分类器对未知的样本进行分类.该过程如图1所示.图1 通信辐射源个体识别原理图瞬态信号的采集是基于起始时刻检测规则,一旦跃变检测出来,就开始存储信号;预处理的目的是减小或消除由于距离、传输路径和电磁环境等因素引起的噪声和信号幅度差异;然后进行特征提取和信号分类.在设计阶段还需要进行特征选择,从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的.1 2 跃变检测方法通信信号的瞬态特征包含了丰富的非线性特征,是非平稳的.随着非线性理论研究的深入,非线性分析方法在雷达与通信信号处理中得到了广泛的应用[5,7].在提取非线性特征参数进行信号分析的过程中,对动力学系统进行相空间重构是其中的重要手段.为揭示相空间轨迹运行方式,文献[8]引入了一种从二维图形上观察非线性时间序列内部动力学机理递归的分析方法,称作递归图(recurrence plot,缩写为RP)法.根据T akens 的相空间重构理论[9],选择合适的嵌入维数m 和延迟时间 ,可以将一维的非线性时间{x (i),i =1,2,!}序列重构出向量X i =(x (i),x (i + ),!,x (i +(m -1) )).这些有时间标记的向量序列{X i ,i =1,2,!,N }构成了系统的m 维相空间轨迹.用这些相空间上的向量点作为矩阵的行和列构成N ∀N 的递归图,图中的每个节点由对应的行和列向量点之间的距离来描述:R i,j = ( -X i -X j ) , i,j =1,2,!,N ,(1)其中 为预先确定的阈值常数,表示临界距离;符号*表示取向量的Euclidean 范数; (x )是H eav iside函数.当R i,j 的值为1时,(i,j )位置上表示为一个黑点;当值为0时,(i,j )位置上表示为一个白点.因此,RP 将一个m 维相空间的轨迹关系映射到一个二维图上,图中黑点的比例反映了相空间内向量点递归频率及轨迹在相空间内的聚集度,定义递归度R R[10]如下:R R =1N 2#Ni,j=1R i,j .(2)对于随机噪声序列,递归图上的黑点虽然没有应用在非线性序列上具有明确的动力学含义,但是也表达了序列的某种递归行为.构画递归图前,需要确定3个参数:嵌入维数m,延迟时间 和临界距离 .由于重构相空间的概念不能够用于随机噪声序列,采用设定m =1, =1的方法回避嵌入理论,而使用RP 技术分析737第4期 陆满君等:通信辐射源瞬态特征提取和个体识别方法序列的递归现象.对于噪声下的瞬态信号,由于非线性瞬态信号的 加入 使得噪声信号的 向量点 递归频率和 相空间 聚集度发生了很大的变化,选取合适的临界距离,通过递归度参数可以标记这种现象.图2中以正交采样的复信号作为输入序列,以240个采样点为一帧,相邻两帧起始点之间的间隔为80个采样点,即两帧之间有160个采样点的交叠,临界距离 =0 2.其中图(a)是瞬态信号每一帧的能量,图(b)是相应的递归度.从图中可以看出第299帧信号的递归度明显变大,而该帧信号的能量非常小,因此该方法具有很好的检测效果.图2 瞬态信号的跃变检测1 3 基于小波变换的特征提取小波变换是一种较新的信号分析工具,它提供了一种分析多尺度或多分辨率信号的方法,已被应用于许多领域[11].小波变换在遥感领域中的应用相当广泛,如数据压缩、图像纹理分析、图像边缘检测、图像降噪以及图像融合等.对于任一信号s(t)∃L 2(R)的离散小波变换可表示为信号与小波函数的内积,即C(j ,k)=#n ∃Zs (n)!j.k (n) ,(3)式中s(n)为待分析信号,!j ,k (n)为离散小波函数,j 为尺度参数,k 为平移参数.采用小波变换将信号分解为高频和低频两部分,再将低频部分分解为高频和低频两部分,如此反复可实现多分辨分析.首先对电台辐射源信号进行多尺度的一维离散小波变换,在每一尺度,可得到与原始信号相关性较高的近似系数和包含辐射信号细节信息的高频系数(细节系数),然后对近似系数再进行下一尺度的小波分解,依此重复,将得到所有分解尺度的细节系数以及最终分解尺度的近似系数.假设对信号进行n 尺度小波分解,可得到n 个细节系数和1个近似系数,分别计算细节系数以及近似系数的能量值,则最终可得到n +1个特征波段,这样得到的1∀(n +1)维特征向量F ={F i },由下式得到F i =1K#Kk=1W ik1/2,(4)其中K 表示分解尺度为i 时的小波系数个数,W 表示分解尺度为i 时的第k 个小波系数,n 为小波分解的最大尺度.向量F 的大小为(n +1),其中包括n 个小波细节系数和最终分解尺度的小波近似系数.(n +1)个特征向量代表了每个辐射信号的细微特征信息.2 特征选择一般情况下,只有在特征矢量中包含了足够的类别信息,才能通过分类器实现正确分类.由于特征是否包含足够的信息很难确定,为了提高识别率,总是最大限度地提取特征信息,结果不仅使特征维数增大,而且其中可能存在较多的无效和冗余特征.因此,选择合适的特征来描述模式对模式识别精度、训练时间和存储空间等许多方面都影响较大,并且对分类器的构造也起着非常重要的作用.小波分解所得特征的分辨能力存在较大的差异,而且小波分解所得的特征向量的维数较高,因此有必要从高维特征中挑选出最为有效的一些特征,用来简化分类器的设计和提高识别率.遗传算法是一种基于生物进化机制的随机搜索算法,可以自动寻找原始特征集中的最优特征子集.而二重结构编码的遗传算法是坂和正男在1994年提出来用于考虑约束条件的满足问题,并可以提高遗传算法的搜索效率.个体染色体的二重结构由变量码和附加码两行组成,上行为附加码,下行为对应于附加码的变量码.在对某个个体编码时,附加码按洗牌方式随机产生,然后考虑约束条件来产生变量码.交叉算子采用738西安电子科技大学学报(自然科学版) 第36卷Go ldber g 等提出的基于路径表示的部分交叉(Partially M atched Crossover,缩写为PM X)方法.由PM X 方法对上行附加码进行交叉操作,子个体的下行变量码值仍根据父个体中附加码与变量码的对应关系来确定.变异算子采用逆位遗传算子,即对父个体随机选择两个变异点,两点间的上行附加码按相反顺序重新排列,而下行的变量码顺序不变.笔者选择借鉴二重结构编码的遗传算法,个体染色体的二重结构由变量码和附加码两行组成,上行为附加码,下行为对应于附加码的变量码.若要选择n 个特征中的k 个特征,可以选定k 个附加码对应的变量码值为1,其余变量码值为0,变量码1所对应的位置就是所选择的特征.在交叉算子和变异算子中上行附加码与二重结构编码的遗传算法一致,而下行变量码的值同上行附加码一起变化,从而完成交叉和变异.最优特征子集的评价准则是特征选择的关键问题,下面给出本文的评价准则.这里定义了特征集合空间的可分离度P ij ,定义为p ij =Dij ∀i +∀j,(5)其中∀i 为第i 个样本的归一化标准差,∀i =v ar [B i /R k ],D ij 表示样本的类间距离,即D ij =(B (k)i -B (k)j )R k ,(6)其中B i 表示N 维样本点的第i 类样本的核心,B (k)i 表示第i 个样本的第k 维样本点的核心,R k 为极差,用极差对样本的N 维信息进行归一化,避免各个特征参数的测量值相差悬殊,使特征参数集能够客观地反映样本之间的可分离程度.如果待识别的通信电台信号共有H 类,特征选择的评价准则函数定义为f =2H (H -1)#H -1i=1#Hj =i+1w ij P ij ,(7)其中w ij 为权重因子,满足#H-1i=1#Hj =i+1w ij =1 .(8)对于分类器而言,并不是可分离度均值越大分类效果越好.分类效果的好坏往往取决于可分离度较小的几类样本的分类结果,因此给予可分离度较小的P ij 较大的权重,而分离度较大的P ij 给予较小的权重,使评价准则函数更加合理.w ij =b H (H -1)+(1-b)max (P ij )-P ij#H -1i=1#Hj =i+1(max (P ij )-P ij ),(9)其中b 为固定权重,1-b 为可分配权重.通过以上的分析可知,当f 的值越大,选择出的特征子集就越好.表1 电台分类识别实验结果类别测试样本数量分为该类的数目123456789101112识别数1100941041000000094210039110000041009131005089050001000894100030921000004092510010008703900008761000000192520000927100000026902000090810000004029400009591000010100091214911010000200000093509311100004300001290091121003718989739第4期 陆满君等:通信辐射源瞬态特征提取和个体识别方法3 实验结果分析实验中使用Agilent 的E4440A 采集器对某型号的同一批12个战术电台进行信号采集,采集器的中心频率为407 225kH z,采用正交采样的方式,采样带宽为2M H z,采样频率为2 56M H z,发射机与接收天线的距离为150m,接收信号在信噪比为10dB 的条件下,每个电台采集125个样本,每样本的采集时间为15ms,其中25个样本用于小波特征提取、特征选择和分类器训练.在小波变换中从10部通信电台信号中提取出16维特征向量,用遗传算法进行特征选择,信号类别数为12,种群大小取20,评价准则函数的固定权重取0 5.采用遗传算法选取的5个特征分别为小波变换的第4,5,6,9,11层特征.实验结果如表1所示,总体识别率为91 17%,原始特征集的正确识别率为87 42%,可以看出文中提取的特征能够反映通信电台个体的细微差异.与原始特征集相比,笔者提出的方法大大降低了特征向量的维数,简化了分类器的设计.4 结束语以上讨论了一种通信辐射源个体识别的方法,该方法采用递归图的分析方法检测瞬态信号的起始时刻,然后用小波变换进行特征提取,采用遗传算法进行特征选择,选取的特征不仅能够体现辐射源个体之间的细微差异,而且受时间和外部环境的变换影响较小,具有较好的稳定性.最后采用支持向量机对分类的个体进行识别,实验结果表明该方案具有较高的识别率和较强的稳健性.参考文献:[1]K wo n S C,L ee Y T ,Seo J S.A N ov el T ransmitter Identif ication T echnique fo r use in Distr ibuted 8VSB DT V system [C]//Vehicular T echno log y Co nfer ence.N ew Yo rk:IEEE,2006:2211 2215.[2]H all J,Bar beau M ,Kr anakis E.Detect ing Ro gue Devices in Bluetoo th Netw or ks U sing Radio F requency Finger printing [EB/O L].[2008 10 12].htt p://w w w.scs.car leto n.ca/~kranakis/P aper s/CCN 06.pdf.[3]蔡忠伟,李建东.基于双谱的通信辐射源个体识别[J].通信学报,2007,28(2):75 79.Cai Zhongw ei,L i Jiandong.Study o f T r ansmit ter Individual Identificatio n Based on Bispectra [J ].Journal on Communicat ions,2007,28(2):75 79.[4]许丹,徐海源,卢启中,等.基于自激振荡器模型的辐射源个体识别方法[J].信号处理,2008,24(1):122 126.Xu Dan,Xu H aiyuan,L u Q izhong,et al.A Specific Emitter Identificat ion M et ho d Based on Self Ex citat ion O scillator M o del[J].Signal Pro cessing ,2008,24(1):122 126.[5]许丹,柳征,姜文利,等.窄带信号中的放大器 指纹 特征提取:原理分析及F M 广播实测实验[J].电子学报,2008,36(5):927 932.Xu Dan,L iu Zheng ,Jiang Wenli,et al.Ex tr act ion o f A mplifier Fing erprints fro m N ar row Band Signal:Pr inciple A na lysis and FM Broadcast Ex periment[J].A cta Electro nica Sinica,2008,36(5):927 932.[6]Shieh C S,L in C T.A V ector N eural N etw or k for Emitter Identificat ion[J].IEEE T r ans on A ntennas and P ro pag atio n,2002,50(8):1120 1127.[7]周代英.非线性正则子空间法雷达目标一维距离像识别[J].信号处理,2008,24(1):11 13.Zhou Daiy ing.Recog nition of Radar T ar get Rangepro files Based on N onlinear Cano nical Subspace[J].Signal P rocessing,2008,24(1):11 13.[8]Echmann J P ,K ampho rst S O ,Ruelle D.Recurr ence Plo ts o f Dy namica l Systems[J].Eur ophy sics L etter,1987(4):973 977.[9]T akens F.Detect ing St range Att ractor s in T ur bulence [C]//D ynamical Systems and T urbulence,L ect ur e N otes in M athematics.N ew Yo rk:Spring er,1981:366 381.[10]Zbilut J P,Webber C L.Embeddings and Delays As Derived fro m Q uant ificatio n of Recur rence P lots[J].Physics Lett er s A ,1992,171(3 4):199 203.[11]胡建伟,杨绍全.小波域的最大似然调制分类[J].西安电子科技大学学报,2006,33(2):247 250.H u Jianw ei,Y ang Shaoquan.M ax imum L ikeliho od Classificatio n fo r M P SK Signals in the Wavelet Domain[J].Jour nalof X idian U niversit y,2006,33(2):247 250.(编辑:郭 华)740西安电子科技大学学报(自然科学版) 第36卷。

相关文档
最新文档