基于信号暂态稀疏表示的AIS辐射源个体识别方法

合集下载

一种利用稀疏统计特性的超分辨 ISA R 成像方法

一种利用稀疏统计特性的超分辨 ISA R 成像方法
盛佳恋;张磊;邢孟道;保铮
【期刊名称】《西安电子科技大学学报（自然科学版）》
【年(卷),期】2012(000)006
【摘要】为提高短孔径逆合成孔径雷达的成像分辨率，利用逆合成孔径雷达图像的稀疏统计特性，提出了一种超分辨成像算法。

通过结合逆合成孔径雷达像的强稀疏性，对成像过程建立近似的统计概率分布模型。

利用最大后验概率及贝叶斯估计方法，推导了稀疏控制参数的显式表达，并通过共轭梯度法优化求解图像。

另外，联合恒虚警概率检测和带宽外推技术的步进式成像过程，提高了参数估计和超分辨成像算法的稳健性。

【总页数】6页(P55-60)
【作者】盛佳恋;张磊;邢孟道;保铮
【作者单位】西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071
【正文语种】中文
【中图分类】TN957.52
【相关文献】
1.一种以超分辨率理论为基础的磁共振眼球成像方法 [J], 李宇宙;张喆;陈泉荣;郭华
2.稀疏孔径下的运动补偿及快速超分辨成像方法 [J], 李少东;陈文峰;杨军;马晓岩;吕明久
3.一种基于稀疏先验的综合孔径展源辐射成像统计反演方法 [J], 何方敏;李青侠;赵治华;陈柯
4.利用鉴别典型相关的超分辨率稀疏重构方法 [J], 周梦璇;葛洪伟;顾高升
5.一种改进的稀疏表示超分辨率重建方法 [J], 李冠葳
因版权原因，仅展示原文概要，查看原文内容请购买。

一种结合深度学习和集成学习的辐射源个体识别方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011309448.3(22)申请日 2020.11.20(71)申请人中国电子科技集团公司第二十九研究所地址 610036 四川省成都市金牛区营康西路496号(72)发明人侯思尧　李伟　项川　李永光　李华　陈思静　黄黔川　(74)专利代理机构成都九鼎天元知识产权代理有限公司 51214代理人陈法君(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)G06N 20/20(2019.01)(54)发明名称一种结合深度学习和集成学习的辐射源个体识别方法(57)摘要本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括：S1：生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习模型构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。

本发明的方法能够提升辐射源个体识别准确率。

权利要求书1页说明书4页附图1页CN 112418307 A 2021.02.26C N 112418307A1.一种结合深度学习和集成学习的辐射源个体识别方法，其特征在于，所述辐射源个体识别方法包括：S1：将各辐射源信号进行预处理并建立标签，生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：依次提取训练集中各辐射源信号的指纹特征，生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习方法构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。

基于空间分布稀疏特性的多辐射源直接定位方案

doi:10.3969/j.issn.1003-3106.2023.05.016引用格式:张国梅,赵晓丹,尹佳文,等.基于空间分布稀疏特性的多辐射源直接定位方案[J].无线电工程,2023,53(5):1123-1130.[ZHANG Guomei,ZHAO Xiaodan,YIN Jiawen,et al.A Direct Positioning Scheme for Multiple Radiation Sources Based onSparse Spatial Distribution Characteristics [J].Radio Engineering,2023,53(5):1123-1130.]基于空间分布稀疏特性的多辐射源直接定位方案张国梅1,2,赵晓丹1,尹佳文1,金㊀峰3(1.西安交通大学信息与通信工程学院,陕西西安710049;2.地理信息工程国家重点实验室,陕西西安710054;3.西安测绘研究所,陕西西安710054)摘㊀要:针对多个时频域混叠的辐射源位置识别问题,提出了一种基于空间分布稀疏特性的无源直接定位方案㊂分别在接收站采用单天线和天线阵列2种场景下,建立了压缩感知模型和对应的定位优化问题;采用正交匹配追踪和二阶锥规划算法进行稀疏重构,根据稀疏向量映射得到多个辐射源位置㊂仿真结果表明,所提方案的在线计算复杂度均低于基于网格搜索的直接定位方法,且分布式单天线场景下可获得远优于两步间接定位方案的精度㊂关键词:多辐射源定位;直接定位;压缩感知;稀疏重构中图分类号:TN972.4文献标志码:A开放科学(资源服务)标识码(OSID ):文章编号:1003-3106(2023)05-1123-08A Direct Positioning Scheme for Multiple Radiation Sources Based onSparse Spatial Distribution CharacteristicsZHANG Guomei 1,2,ZHAO Xiaodan 1,YIN Jiawen 1,JIN Feng 3(1.School of Information and Communications Engineering ,Xi an Jiaotong University ,Xi an 710049,China ;2.State Key Laboratory of Geo-Information Engineering ,Xi an 710054,China ;3.Xi an Research Institute of Surveying and Mapping ,Xi an 710054,China )Abstract :A passive direct positioning scheme based on sparse spatial distribution is proposed for the position identification ofmultiple overlapping radiation sources in time-frequency domain.Firstly,the compressed sensing model and the corresponding positionoptimization problem are established under the scenarios in which the distributed receiving stations are assembled with a single antenna and an antenna array,respectively.Then the orthogonal matching pursuit and the second-order cone programming algorithms are usedfor sparse reconstruction.Finally the emitters positions are mapped according to the sparse vector.The simulation results show that the online computational complexity of the proposed scheme is much lower than that of the direct positioning method based on gridsearch.Moreover,the accuracy of the scheme for the distributed single antenna scenario is much better than that of the two-stepindirect positioning scheme.Keywords :positioning of multiple radiation sources;direct positioning;compressed sensing;sparse reconstruction收稿日期:2022-11-04基金项目:国家部委基金资助项目Foundation Item:Project Funded by National Ministries and Commissionsof China0㊀引言2020年7月31日,北斗三号卫星导航系统正式开通并组网运行,其主要具备实时导航㊁快速定位和精确授时三大作用[1]㊂然而采用非对称恒包络二进制偏移载波调制的北斗三号B2新信号,由于其分量更多㊁带宽更大,对空间信号质量提出了更高的要求[2]㊂但随着空间电磁传播环境变得日益复杂,对于实际接收信号功率非常微弱的北斗三号系统终端来说更易受到各种无意或恶意干扰的影响㊂辐射源无源定位技术可以用于实现对干扰源位置的估计,为从源头上消除干扰来保证北斗三号系统运行的安全性和稳定性提供重要支撑㊂实际上,辐射源定位技术不仅在卫星导航㊁室内定位等领域发挥着日益重要的作用,同时在共享交通㊁自动驾驶等新兴行业也展现出了巨大的应用前景㊂与此同时,随着干扰成本的下降,各类恶意干扰事件频发[3],多源协同干扰的应用也更加广泛㊂此时需要对多个无线电辐射源进行定位㊂因此,研究多辐射源定位问题具有理论和现实意义㊂为了对非合作的多个辐射源进行定位,通常需要采用多个传感器相互协作来实现[4]㊂传统的两步间接定位方案,通常先在每个接收机处估计辐射源信号的到达方向(Direction of Arrival,DOA),再对同一辐射源对应的多个来波角度进行关联,最后联立空间几何方程组来求解辐射源位置[5]㊂其中, DOA估计算法主要有最大似然(Maximum Likeli-hood,ML)[6]㊁最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)算法和基于子空间分解的多重信号分类(Multiple Signal Classi-fication,MUSIC)算法[7]等㊂然而,MUSIC算法需要已知辐射源个数,而MVDR算法在多辐射源情况下存在漏检情况㊂另外,此类方法需要充足的快拍数和各阵元之间的紧密同步,且在相干源的情况下性能较差㊂近年来学者们利用辐射源DOA在空域的稀疏性,提出了基于压缩感知(Compressed Sensing,CS)的DOA估计算法㊂文献[8]通过协方差矩阵的高阶幂逼近信号子空间并使用高阶幂矩阵的部分元素进行DOA估计,该方法不需要已知辐射数㊂文献[9]提出将稀疏阵列和压缩测量方法结合,减少了天线和前端链路数量,降低了DOA估计的复杂度㊂这类基于CS的算法对阵元分布形式㊁信号相干性等均无要求,对快拍数的要求也较低,有很强的适用性㊂但是在空间谱估计和角度关联环节仍不可避免地存在较大的信息损失㊂为避免参数估计带来的信息损失,学者们提出了多源直接定位(Direct Position Determination, DPD)方案[10-12]㊂这类方法无需估计与辐射源位置有关的中间参数,直接利用原始或简单预处理后的信号构建代价函数,再通过代价函数寻优以获取目标位置,定位精度相比基于参数提取的间接定位方法更高[11]㊂文献[13]提出了一种基于MUSIC算法的多源DPD方案㊂针对目标数未知的情况,文献[14]提出了一种基于MVDR的多源DPD方案,并在文献[15]中详细分析了其定位性能㊂文献[16]利用接收信号和噪声的正交关系构造代价函数,提高了寻优阶段的搜索效率㊂文献[17]结合DPD和MVDR准则解决了间歇发射信号的辐射源直接探测和位置确定问题㊂文献[18]基于DPD思想建立代价函数,对多次定位结果聚类分析得到最终定位结果㊂但是DPD方案的代价函数寻优过程通常采用网格搜索的方式,在目标区域较大时网格搜索集合通常很大,导致计算复杂度极高㊂为避免间接定位方案中参数估计环节带来的信息损失和多源DPD方案中计算复杂度过高的穷举搜索过程,实现定位性能和计算复杂度之间更好的折衷,本文基于辐射源位置空间分布的稀疏特性,提出了一种基于CS的多辐射源直接定位方案,在分布式单天线接收站和多个接收天线阵列2种场景下分别进行稀疏定位模型建立和稀疏重构流程设计,并对所提方案进行了仿真验证㊂1㊀系统模型及问题描述考虑如图1所示的静态多辐射源二维定位场景㊂假设有L个频率和时间上同步的分布式定位接收机,可以配置单天线或多天线阵列㊂假设所有接收机的位置理想已知,第l个接收机的位置记为pl=(xl,y l),共有P个独立的远场窄带辐射源,第p 个辐射源的位置用q p=(x p,y p)表示,辐射源数量P㊁辐射源信号形式和位置均未知㊂第l个接收机的接收信号r l(t)可表示为:rl(t)=ðP p=1βpl s pl(t-τpl)+n l(t)=zl(t)+n l(t),0ɤtɤT,(1)式中:T为观测时长,βpl为第p个辐射源到第l个接收机的衰落系数,假设在观测区间T内,衰落系数保持不变,s p(t-τpl)为第l个接收机接收到的第p个辐射源的信号,nl(t)为加性高斯白噪声,其均值为零㊁方差为σ2l,τpl为第p个辐射源信号到第l个接收机的传播时延,可定义为:τpl=(x p-x l)2-(y p-y l)2c,(2)式中:c为电磁波信号传播速度㊂接收站以时间间隔Ts对接收信号进行采样,得到N点采样序列为:rl [r l(0),r l(1), ,r l(N-1)]Tnl [n l(0),n l(1), ,n l(N-1)]Tzl [z l(0),z l(1), ,z l(N-1)]Tìîíïïïï㊂(3)由式(1)可以得到:rl=zl+nl㊂(4)那么多辐射源定位问题就是依据所有接收机的接收信号向量r l (l =1,2, ,L )和接收机位置p l (l =1,2, ,L ),估计各辐射源位置q p (p =1,2, ,P )的问题㊂图1㊀多辐射源定位场景Fig.1㊀Positioning scene for multiple radiation sources2㊀基于CS 的多辐射源直接定位方案在上节所述的多辐射源二维定位场景中,将整个定位区域范围均匀划分为G 个网格㊂假设每个网格内只有一个待定位辐射源,并以每个网格的中心位置q g (g =1,2, ,G )代表该网格,然后组成一个网格搜索集合{q g }㊂基于P 个辐射源的空间分布稀疏特性,即G 远大于P ,可将辐射源的位置信息建模成一个长度为G 的稀疏向量x =[x 1,x 2, ,x G ]T ,该向量的每一个元素分别对应一个网格,某网格内有辐射源,则对应元素非零㊂显然,向量x 含有P 个非零元素,非零元素的下标则对应辐射源所在网格的编号㊂上述稀疏定位模型如图2所示㊂图2㊀稀疏定位模型示意Fig.2㊀Sparse positioning model假设将定位区域划分为16个网格,存在2个辐射源且分别位于第7个和第10个网格内,其发射功率相等,则可以将辐射源的空间分布建模成为稀疏向量x =[0,0,0,0,0,0,1,0,0,1,0,0,0,0,0,0]T ,即向量长度为16,除第7个和第10个元素为1外其余元素都为0㊂由此便可以将辐射源位置估计问题转换为稀疏向量x 的重构问题㊂所提出的多辐射源定位方案框架如图3所示㊂图3㊀多辐射源定位方案框架Fig.3㊀Framework of multiple radiation sourcespositioning scheme在上述定位框架基础上,分别针对分布式单天线接收机和多个接收天线阵列的场景进行了定位方案设计㊂2.1㊀面向单天线接收机的压缩感知多辐射源定位2.1.1㊀接收机单天线的稀疏定位模型假设每个定位接收机配备一根天线,第l 个接收机的接收功率定义为:Q l =1NðN -1n =0r l (n )2㊂(5)所有接收机的接收功率向量y 为:y =[Q 1,Q 2, ,Q L ]T ㊂(6)那么稀疏向量x 的压缩感知模型可以表示为:y =Ax +v ,(7)式中:v 为L 维噪声功率向量,A 为提前建立的L ˑG 维感知矩阵,其中第l 行第g 列表示第g 个网格到第l 个接收机的功率衰减值,其衰减模型为:a l ,g =10[20lg(dl ,g)+20lg(f )+32.4]/20,(8)式中:d l ,g 为第g 个网格到第l 个定位接收机的距离,单位km,f 为辐射信号中心频率,单位MHz㊂2.1.2㊀稀疏问题及求解稀疏向量x 可以通过求解以下优化问题得到:min x 0s.t.y -Ax22ɤη{,(9)式中:x表示x 的l 0范数,即x 中非零元素的个数,η为一个正则参数,其大小与噪声功率有关㊂因为l 0范数优化问题的求解是一个非确定性多项式困难(NP )难题,在实际应用中无法实现,通常对其进行凸松弛,采用l 1范数近似将上述非凸问题转化为凸优化问题:min x 1s.t. y -Ax 22ɤη{㊂(10)可使用正交匹配追踪(Orthogonal Matching Pur-suits,OMP)算法和二阶锥规划(Second-Order ConeProgramming,SOCP)算法求解式(10)㊂SOCP 算法说明如下㊂首先引入辅助变量p 和q 将式(10)转化为:min xp +λq s.t. y -Ax 22ɤp㊀㊀ x 1ɤq ìîíïïïï㊂(11)然后,将式(11)进一步转化为:min x p +λqs.t. y -Ax 22ɤp ㊀㊀x i ɤγi,i =1,2, ,G ㊀㊀Iγɤq ,γ=[γ1,γ2, ,γG]T ìîíïïïïïï,(12)式中:x i 表示稀疏向量x 的第i 个元素,I 表示元素值均为1的行向量㊂求解式(12)便可得到稀疏重构向量㊂2.1.3㊀定位方案步骤所提出的面向单天线接收机的压缩感知多辐射源定位方案可分为离线构建和在线定位2个阶段㊂(1)离线构建阶段①在定位范围内部署多个单天线接收机并建立坐标系,记录每个接收机的位置p l (l =1,2, ,L )㊂②产生定位区域的网格集合㊂在定位范围内均匀划分为G 个网格,并记录每个网格中心点的位置q g (g =1,2, ,G ),组成一个网格搜索集合{q g }㊂③构建感知矩阵A ㊂计算每个网格到每个定位接收机的距离,并根据式(8)计算A 的各元素㊂(2)在线定位阶段①在每个接收机处根据采样信号由式(5)统计接收功率㊂②稀疏向量重构㊂利用稀疏重构算法求解优化问题式(11),再根据重构向量非零元素的序号,经网格序号到网格位置坐标的映射确定辐射源位置㊂2.2㊀面向接收天线阵列的压缩感知多辐射源定位2.2.1㊀天线阵列稀疏定位模型在硬件成本固定的情况下,部署大量单天线接收机可以替换为使用数量较少的天线阵列,以实现对多辐射源的定位识别㊂假设有L 个定位接收机,每个接收机配备一个由M 个阵元组成的均匀线阵,相邻阵元间距为d ㊂P 个辐射源以平面波入射,假设P 个辐射源与G 个网格中的P 个网格中心重合㊂由此可以构建第l 个接收机的阵列流形矩阵为:A l =[a l (q 1),a l (q 2), ,a l (q G )],(13)式中:a l (q g )为第g 个网格中心到第l 个接收机的阵列导向矢量,可表示为:a l (q g )=βgl éëê1,e-j2πdλsin(θpl ), ,e-j2πd (M -1)λsin(θpl )ùûúT,(14)式中:βgl 为第g 个网格到第l 个接收机的路径损耗系数,与距离平方成反比,θgl 是第g 个网格中心到第l 个接收机的入射角㊂那么第l 个接收机的接收信号可以写为:r l =w H l A l S +w H l n l ,(15)式中:w l =[w l ,1,w l ,2, ,w l ,M ]T 是第l 个接收阵列的权重矢量,S =[S 1,S 2, ,S G ]T 是G 个网格的稀疏信号向量,其非零元素的序号所对应的网格存在辐射源,n l =[n l ,1,n l ,2, ,n l ,M ]T 为第l 个接收机处的噪声向量㊂令:y l =r l2=r l r ∗l ,(16)则有:y l =ðG g =1wH l A l C g A H l w l x g +w H l n l n Hl w l=ðGg =1φg ,lx g +v l =φT l x +v l ,(17)式中:向量φl =[φ1,l ,φ2,l , ,φG ,l ]T ,C g 为元素下标(g ,g )处为1外其余元素为0的G ˑG 维矩阵,x g =S g 2代表第g 个网格的发射功率㊂令:y =[y 1,y 2, ,y L ]T㊀㊀Ψ=[φT 1,φT 2, ,φT L ]Tv =[v 1,v 2, ,v L]T ìîíïïïï,(18)则有:y =Ψx +v ㊂(19)由此便将多辐射源定位问题同样转化成了稀疏向量x 的重构问题㊂2.2.2㊀稀疏问题求解同样可以采用OMP 算法和SOCP 算法直接重构稀疏向量x ㊂但与式(9)不同的是,感知矩阵Ψ的构造与天线阵列流形和权重矢量均有关㊂下面将对稀疏向量x 与权重矢量w l (l =1,2, ,L )进行联合优化来获得更精确的重构结果㊂所建立的联合优化问题为:min x ,{w l}x 1s.t. y -Ψx 22ɤη{㊂(20)上述联合优化问题将被分解为2个子问题求解㊂子问题1:已知各接收站的接收权重矢量{w l }(w l 初始化为全1向量),建立感知矩阵Ψᶄ,然后采用SOCP 算法进行稀疏向量x 的重构并通过非零元素序号映射后得到辐射源位置㊂子问题2:已知辐射源位置,使用经典MVDR 波束形成器设计,计算得到每个接收机处对准第p 个辐射源的接收权重矢量w ᶄl ,p ㊂为了得到唯一的感知矩阵,在每个接收机处需要对得到的多个w ᶄl ,p 进行融合处理,可以选择使接收功率r l 最大的w ᶄl ,p ,也可以对多个w ᶄl ,p 进行算术平均㊂再根据式(17)和式(18)更新感知矩阵Ψᶄ,最后基于Ψᶄ再次重构稀疏向量x ,并更新源位置㊂2.2.3㊀定位方案步骤根据以上分析,所提出的基于天线阵列的压缩感知多辐射源定位方案同样可分为离线构建和在线定位2个阶段㊂(1)离线构建阶段①在定位范围内部署多个均匀线阵接收机并建立坐标系,记录每个接收机位置p l (l =1,2, ,L )㊂②产生定位区域的网格集合㊂在定位范围内均匀划分为G 个网格,并记录每个网格中心点的位置q g (g =1,2, ,G ),组成一个网格搜索集合{q g }㊂③构建阵列流形矩阵A ㊂计算每一个网格到每一个接收机的距离和到达角,并根据式(14)计算阵列流形矩阵A 的每一个元素㊂④构建初始感知矩阵Ψ㊂初始化每个接收机处的权重矢量并根据式(17)和式(18)计算初始感知矩阵㊂(2)在线定位阶段①在每个接收机处根据采样信号由式(16)和式(18)构建观测向量y ㊂②稀疏向量重构㊂求解子问题1,得到辐射源位置的初始值㊂③更新权重矢量和感知矩阵㊂求解子问题2,更新每个接收机处的接收权重矢量㊂④重新计算感知矩阵Ψᶄ,并求解子问题1得到更新后的辐射源位置㊂3㊀仿真结果及分析通过计算机仿真实验对所提出多辐射源定位方案的性能进行验证㊂对比方案有:①先使用MVDR 算法在每个接收机处估计辐射源的DOA,然后对多组来波方向进行理想关联(即假设已知来波方向与辐射源的对应关系,实际中则需采用一定关联算法),最后根据空间几何方程分别求解各辐射源位置(记为MVDR-AOA 方案)㊂②整个初始定位区域内基于MUSIC 的多源DPD 方案(记为MUSIC-DPD 方案)㊂同一参数配置下共进行K 次独立的定位实验,各次实验噪声和信道衰落系数独立生成㊂每次仿真实验生成P 个辐射源㊂假设q pk =(x pk ,y pk )和q ^pk =(x ^pk ,y ^pk )分别为第k 次实验第p 个辐射源的真实位置和估计得到的位置,则用二者的平均距离误差来衡量各方案的定位误差,其表达式为:㊀E =1P ˑK ðKk =1éëêðPp =1(x pk -x ^pk )2+(y pk -y ^pk)2ùûú㊂(21)仿真计算机配置为Intel(R)Core(TM)i7-8700CPU @3.20GHz,MATLAB R2019a㊂3.1㊀各方案定位误差与单次定位时长对比设置信噪比为[0,30]dB,定位范围是边长为1000m 的正方形区域㊂网格边长为50m,共划分了400个网格㊂设置辐射源数量为2,每次实验随机产生辐射源位置㊂在分布式单天线站场景下,设置了8个单天线接收机,坐标分别为[0,0]㊁[500,0]㊁[1000,0]㊁[0,500]㊁[1000,500]㊁[0,1000]㊁[500,1000]㊁[1000,1000]㊂在天线阵列接收站场景下,设置了4个配备均匀线阵的接收机,坐标分别为[0,0]㊁[1000,0]㊁[0,1000]㊁[1000,1000],每个接收机天线阵列具有8个阵元㊂基于以上场景分别仿真了本文所提4种方案的定位误差随信噪比变化曲线,每种方案进行200次蒙特卡罗实验,并记录了4种方案进行1次定位所需的平均时长㊂仿真结果分别如图4和表1所示㊂图4中的图例含义说明如下:①CS-OMP:分布式单天线阵场景,采用OMP 算法进行稀疏重构;②CS-SOCP:分布式单天线阵场景,采用SOCP 算法进行稀疏重构;③CS-MVDR-W0:天线阵列场景,采用SOCP 算法进行稀疏重构,各接收权重矢量固定为全1向量;④CS-MVDR-W1/W2:天线阵列场景,采用SOCP 算法进行稀疏重构,更新感知矩阵时各接收机使用了对准第1或第2个辐射源的接收波束赋型矢量㊂图4㊀各方案定位误差随信噪比变化的曲线Fig.4㊀Positioning error vs signal-to-noise ratio ofvarious schemes表1㊀各方案的单次定位时长Tab.1㊀Single positioning time of various schemes单位:s方案单次定位时长CS-OMP0.01CS-SOCP 5.81CS-MVDR-W1 6.95MVDR-AOA0.05MUSIC-DPD25.14对比CS-OMP和CS-SOCP两条曲线可以发现,使用SOCP算法进行稀疏重构的效果比OMP算法好,但是以较高的计算复杂度为代价的㊂对比CS-MVDR-W0㊁CS-MVDR-W1和CS-MVDR-W2三条曲线可以发现,使用经典MVDR波束形成器对每个接收机处的权重矢量进行更新并重新重构稀疏向量确实可以提高源定位精度,这是因为通过优化每个接收机处的权重矢量,抑制了非来波方向的功率,从而使得定位精度有所提升㊂此外可以看到,在所有信噪比上,分布式单天线接收站的压缩感知多源定位方案的性能均优于采用天线阵列接收的压缩感知定位方案,且其单次定位时间也低于后者㊂这是因为比起集中布置的传感器(天线阵列上的阵元),分散布置的传感器(分布式单天线接收机)采集到的辐射源信号能更好地体现不同辐射源的位置差异㊂在本文的方案中通过网格化定位区域来构建传感矩阵,对于相距较近的网格中的辐射源,可以通过分散布置的传感器构建传感矩阵来更好地体现出位置差异㊂通过对比所有曲线可以发现,MUSIC-DPD方案的定位性能最佳,但其单次定位时间也远高于其他方案㊂CS-SOCP方案的定位性能仅次于MUSIC-DPD方案而其计算复杂度也远低于MUSIC-DPD方案㊂再者,该方案使用单天线接收机,而其余方案均使用配备均匀线阵的接收机,因此实际使用中该方案的硬件成本会更低㊂此外,所提方案均是利用接收功率来构建基于感知矩阵的,这就意味着不同接收机间不需要严格同步,比起MUSIC-DPD算法来说更容易实现㊂最后,在本次实验中仅设置了8个单天线接收机,若部署更多的单天线接收机,理论上可以进一步提升该方案定位精度,该结论在3.2节仿真中做进一步验证㊂3.2㊀传感器数量对定位精度的影响显然,定位精度与所布置的单天线接收站和天线阵列的数量有关㊂通常情况下传感器数量越多,从所有接收机采集到的信号中提取出与辐射源位置有关的信息越多,定位精度越高㊂因此本节将考察布置不同传感器数量时的定位误差㊂对于接收机单天线的场景,每组分别设置了8㊁12㊁16㊁20个单天线接收机;对于天线阵列场景,每组分别设置了4和16个天线阵列,其物理位置分布与单天线场景一致㊂其余参数设置与3.1节一致㊂基于以上场景分别仿真了定位误差随信噪比变化曲线㊂仿真结果如图5和图6所示㊂图5㊀不同单天线接收机数量下的定位误差Fig.5㊀Positioning error under different number of single antenna receivers从图5可以看出,传感器数量越多,定位误差越低,这与本节开始所分析的一致㊂还可以看出,随着传感器数量的增多,定位性能的提升幅度趋于收敛,这说明该方案的定位性能并不会随着传感器数量的增多而不断增加,过多的传感器所提供的源位置信息是有冗余的㊂通过与MUSIC-DPD 的曲线进行对比,可以看出当布置20个单天线传感器且信噪比大于25dB 时,所提出的基于分布式单天线接收机的方案可以达到与MUSIC-DPD 算法相近的性能㊂而图6中基于天线阵列的方案定位精度也随接收机数量增加而有所提升,但即使在接收机数量相同时相较于单天线场景其性能仍然较差㊂这可能与接收波束赋型矢量的设计不够合理有关㊂此处只将其对准了某一辐射源而未充分考虑所有辐射源,因此忽视了权矢量与感知矩阵RIP 条件的内在联系,后续将对权重矢量的设计做深入研究㊂图6㊀不同天线阵列数量下的定位误差Fig.6㊀Positioning error under different antenna arraynumber3.3㊀辐射源数量对定位精度的影响所提方案中最重要的一环是对稀疏向量进行重构,因此稀疏重构效果会直接影响所提方案的性能㊂在定位区域和网格数量固定的情况下,影响稀疏重构效果的一个重要因素是辐射源数目P ,P 越大稀疏度越低㊂从压缩重构的角度来看,待重构信号稀疏度越低,稀疏重构算法效果会越差㊂因此将考察辐射源数量对定位精度的影响㊂分别设置辐射源数量为2㊁3㊁4㊁5,其余参数设置与3.1节一致,仿真结果如图7所示㊂图7㊀不同辐射源数量下的定位误差Fig.7㊀Positioning error under different number ofradiation sources从图7可以看出,辐射源个数越多,定位误差越大,而且在高信噪比条件下定位性能差异十分明显㊂这是信号稀疏度降低导致稀疏重构效果变差所导致,但仍可以通过增加接收机数量(如桃红色虚线)等手段来提升定位精度㊂4㊀结束语利用多个辐射源的空间分布稀疏特性,提出了一种基于压缩感知理论的多辐射源无源定位方案㊂该方案利用蕴含了辐射源位置信息的接收信号功率构建了稀疏重构模型,并通过稀疏重构方法反演出辐射源位置㊂仿真实验结果表明,所提方案的定位精度高于传统间接定位方案,而计算复杂度远低于经典的多源直接定位方案,有效实现了计算复杂度与定位精度的折中㊂所提方案可为北斗三号系统地面侧的多干扰源位置估计提供一种解决途径㊂然而从仿真实验结果可以看到,所提的单天线接收场景下的方案在高信噪比下取得了接近于直接定位方案的精度㊂但在天线阵列场景下定位精度不够理想,这是因为本方案没有充分利用天线阵列挖掘辐射源的空间特征㊂后续将对基于空间角度信息的感知矩阵构建和角度参数估计方法做深入研究,以期获得改善㊂此外,如何针对北斗三号新信号所敏感的窄带干扰和欺骗干扰等特殊信号源进行高精度定位是未来研究的方向㊂参考文献[1]㊀刘东亮,成芳,沈朋礼,等.北斗三号全球卫星导航系统空间信号精度评估[J].全球定位系统,2022,47(2):114-125.[2]㊀王鹏博,贺成艳,杨倩倩,等.窄带干扰信号对北斗三号B2信号质量的影响[J].系统工程与电子技术,2022,44(7):2286-2292.[3]㊀孟伟.GNSS接收机中基于深度神经网络的欺骗式干扰检测与识别算法研究[D].西安:西安交通大学,2019.[4]㊀纪惠,郭恒恒,孙鹏,等.卫星干扰源定位方法综述[C]ʊ第十五届卫星通信学术年会论文集.北京:中国通信学会卫星通信委员会㊁中国宇航学会卫星应用专业委员会㊁中国通信学会,2019:327-334.[5]㊀唐思圆,凌翔.外辐射源雷达椭圆定位算法仿真及误差分析[J].无线电工程,2021,51(4):288-291. [6]㊀谢昊青,秦琨,孟凡利,等.一种雷达低空目标DOA估计方法[J].无线电工程,2021,51(6):483-491. [7]㊀程安启,王华力.基于卫星平面阵列多波束天线波束空间的自适应调零和干扰源定位技术[J].电子学报,2008,36(7):1279-1283.[8]㊀赵宏伟,刘波,刘恒.用于卫星干扰源定位的压缩感知DOA估计方法[J].火力与指挥控制,2016,41(10):25-28.[9]㊀GUO M,ZHANG Y D,CHEN T.DOA Estimation UsingCompressed Sparse Array[J].IEEE Transactions onSignal Processing,2018,66(15):4133-4146. [10]WEISS A J.Direct Position Determination of NarrowbandRadio Frequency Transmitters[J].IEEE Signal Process-ing Letters,2004,11(5):513-516.[11]WEISS A J.Direct Geolocation of Wideband EmittersBased on Delay and Doppler[J].IEEE Transactions onSignal Processing,2011,59(6):2513-2521. [12]WEISS A J,AMAR A.Direct Geolocation of StationaryWideband Radio Signal Based on Time Delays andDoppler Shifts[C]ʊ2009IEEE/SP15th Workshop onStatistical Signal Processing.Cardiff:IEEE,2009:101-104.[13]WEISS A J,AMAR A.Direct Position Determination ofMultiple Radio Signals[J].EURASIP Journal onAdvances in Signal Processing,2005,1:37-49. [14]TZAFRI L,WEISS A J.High Resolution Direct PositionDetermination Using MVDR[J].IEEE Transactions onWireless Communications,2016,15(9):6449-6461.[15]TIRER T,WEISS A J.Performance Analysis of a High-resolution Direct Position Determination Method[J].IEEE Transactions on Signal Processing,2016,65(3):544-554.[16]HAO K,WAN Q.An Efficiency-improved TDOA-basedDirect Position Determination Method for Multiple Sources[C]ʊ2019IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP).Brighton:IEEE,2019:4425-4429.[17]HAO K,WAN Q.High Resolution Direct Detection andPosition Determination of Sources with Intermittent Emis-sion[J].IEEE Access,2019,7:43428-43437. [18]赵高峰,陈若迅,李营营,等.基于分布式无人机监测的干扰源直接定位[J].太赫兹科学与电子信息学报,2021,19(4):628-634.作者简介㊀㊀张国梅㊀女,(1978 ),毕业于西安交通大学信息与通信工程专业,博士,副教授㊂主要研究方向:智能无线通信㊁GNSS抗干扰和通导一体化等㊂㊀㊀赵晓丹㊀女,(1997 ),硕士研究生㊂主要研究方向:无源定位㊂㊀㊀尹佳文㊀女,(1998 ),硕士研究生㊂主要研究方向:无源定位㊂㊀㊀金㊀峰㊀男,(1981 ),工程师㊂主要研究方向:卫星导航㊂。

基于稀疏表示的语音信号盲源分离算法研究

基于稀疏表示的语音信号盲源分离算法研究基于稀疏表示的语音信号盲源分离算法研究摘要：在语音信号的盲源分离领域，稀疏表示成为一种重要的方法。

本文针对基于稀疏表示的语音信号盲源分离算法进行了系统的研究。

首先，介绍了稀疏表示的基本概念和原理。

然后，分析了语音信号的盲源分离问题，并提出了基于稀疏表示的盲源分离框架。

接下来，详细介绍了常用的稀疏表示方法，包括KSVD算法和OMP算法。

并提出了基于KSVD算法的语音信号盲源分离算法。

最后，利用实验对比了不同算法的性能，并对结果进行了讨论。

关键词：稀疏表示；盲源分离；KSVD；OMP1. 引言随着语音信号处理技术的不断发展，语音信号的盲源分离问题备受关注。

盲源分离旨在从混合的语音信号中分离出各个独立的源信号，为语音识别、语音增强等任务提供可行的解决方案。

在盲源分离领域，稀疏表示成为一个重要的工具，它能够通过表征信号的稀疏性，实现源信号的准确分离。

2. 稀疏表示的基本概念和原理稀疏表示是一种基于信号的稀疏性原理进行数据表示的方法。

其基本思想是，通过一个稀疏系数矩阵将信号表示为其他信号的线性组合，其中绝大部分系数为零。

具体地，给定一个信号向量x，假设存在一个稀疏矩阵D，对于每个信号向量x，都可以找到一个最优的稀疏系数向量α，使得x = Dα。

其中，α是稀疏表示的系数向量，D是字典矩阵。

3. 基于稀疏表示的盲源分离框架基于稀疏表示的盲源分离框架主要包括三个步骤：字典学习、稀疏表示和信号分离。

首先，通过字典学习算法学习到一个适应信号特征的字典D。

然后，利用稀疏表示方法计算每个信号的稀疏系数向量α。

最后，根据得到的稀疏系数向量进行信号分离，从而实现源信号的盲源分离。

4. 常用的稀疏表示方法本文介绍了两种常用的稀疏表示方法：KSVD算法和OMP算法。

KSVD算法是一种迭代算法，通过不断更新字典和稀疏系数来达到稀疏表示的目标。

OMP算法是一种贪心算法，通过逐步选择具有最大相关性的原子来构建稀疏系数。

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。

基于小样本的特定辐射源个体识别方法

基于小样本的特定辐射源个体识别方法发布时间：2022-11-25T06:10:39.769Z 来源：《中国科技信息》2022年8月15期作者：潘博阳[导读] 特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，潘博阳（武警指挥学院，天津 300250）摘要：特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，因此研究小样本条件下特定辐射源个体识别成为任务部队在电磁环境中遂行作战任务亟需解决的问题。

以此为背景，本文提出了一种基于一维卷积神经网络的方法来进行辐射源个体识别。

首先通过加权融合和裁剪混合扩充数据多样性，而后使用一维卷积神经网络提取特征从而对辐射源个体进行识别。

实验结果显示，本文提出的方法在验证集上能够达到50.5%的准确率，表明该方法的识别效果优于K近邻算法。

关键词：特定辐射源个体识别; 数据增强; 机器学习1 引言特定辐射源个体识别（Specific Emitter identification, SEI）通常是指对雷达等辐射源发送的电磁信号进行建模，通过其所体现出的微小特征区分辐射源类别的技术[1]。

目前特定辐射源个体识别主要分为基于人工设计特征和基于数据驱动特征两种方法。

基于人工设计特征主要依赖于先验假设，具备一定的解释性。

基于数据驱动特征识别的方法主要利用卷积神经网络自主学习特征。

无论采用传统机器学习或者深度学习的方法都依赖于大量的标注数据，当实际环境中无法获取大量辐射源信号时，上述算法模型的精度均会产生不同程度的降低，因此如何在小样本条件下高效地实现辐射源信号个体识别成为当前研究的主要方向，同时也具有一定的工程应用价值。

本文针对小样本条件下特定辐射源个体识别进行以下创新，主要包括三个方面：首先针对数据样本匮乏的情况，本文设计了两种数据增强方法有效扩充样本的多样性。

基于信号特征深度重构的雷达辐射源识别方法

基于信号特征深度重构的雷达辐射源识别方法作者：幸涛郭博雷张鹏来源：《现代信息科技》2020年第18期摘要：文章将机器学习引入雷达识别领域，提出基于信号特征深度重构的雷达辐射源识别方法。

利用深度置信网络对输入层特征逐层提取和特征重构的非监督特征提取特性，将不同辐射源信号特征的差异逐层放大，利用输入层与重构层的矢量夹角作为识别的模糊一致性评判标准，得到雷达辐射源识别结果，通过对模拟辐射源特征参数的识别测试，验证了算法的有效性。

关键词：机器学习;深度置信网络;雷达辐射源识别;矢量夹角中图分类号：TN957.5 文献标识码：A 文章编号：2096-4706（2020）18-0080-04Abstract：Machine-learning is introduced into the radar recognition in this paper. A method of radar emitter recognition based on deep feature reconstruction is proposed in this paper. We use the DBN’s unsupervising characteristics of feature extraction and reconstruction of in-layer features layer by layer，to amplify the difference of signal features of different emitter layer by layer. Vector angle between the input layer and the reconstructed layer is used as the fuzzy consistency of criterion to get result of recognition of radar emitter. The effectiveness of the algorithm is verified by the recognition test of the characteristic parameters of the simulated radiation source.Keywords：machine learning;DBN;radar emitter recognition;vector angle0 引言随着电子信息技术的不断发展，现代战场中的电子对抗愈发激烈，进而涌现了更多新型复杂体制的雷达辐射源，这些雷达信号的特征参数变幻莫测，雷达辐射源的识别变得更加艰难，加之现代战争中电磁环境复杂，频率覆盖范围几乎接近全频段，使得战场上的电磁环境高度密集，给雷达辐射源的识别带来了更高的难度。

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赵国庆;彭华;王彬;滕波【摘要】Under the condition of low signal-noise-ratio, the individual features of communication transmitter in steady-state signal are covered very easily, and hard to be extracted and identified. In regard to this problem, considering the fact that oscillators used in different communication transmitters have unequal frequency stability, a new method based on fractal dimension and Support Vector Machine (SVM) was proposed. After oversampling IF ( Intermediate Frequency) signal, information dimension was extracted as features, and then SVM classifier was designed to realize the automatic identification of unknown samples. To some extent, the feature was robust under AWGN (Additive White Gaussian Noise). The computer simulation shows that the method has good performance on classifying five PSK signals with the same order and the frequency stability difference of 0.01 ppm under 3 Db, its accuracy being 95%.%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,最后利用支持向量杌(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3dB时,对载波频率稳定度差异为0.01 ppm的5种同阶MPSK 信号的平均分类准确率达到95％.【期刊名称】《计算机应用》【年(卷),期】2012(032)005【总页数】4页(P1460-1462,1466)【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【作者】赵国庆;彭华;王彬;滕波【作者单位】信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;72406部队,山东威海264200【正文语种】中文【中图分类】TN975;TP911.70 引言通信辐射源个体识别是指从接收信号中提取辐射源的细微特征(指纹特征)，进而区分不同的辐射源个体。

通信辐射源个体识别中的特征提取方法综述

通信辐射源个体识别中的特征提取方法综述
韦建宇;俞璐
【期刊名称】《通信技术》
【年(卷),期】2022(55)6
【摘要】辐射源个体识别技术,又称辐射源指纹识别或特定辐射源识别(Specific Emitter Identification,SEI),是指通过对接收的电磁波信号的特征进行提取测量,根据已有的先验知识从而识别出发射该电磁波信号的辐射源个体的技术。

相比于其他辐射源,通信辐射源的特征更加细微,提取更加困难。

通过系统梳理近年来通信辐射源特征提取方法的研究现状,从暂态特征、稳态特征以及深度学习特征提取的角度分析了各种方法的优缺点,还分析了个体识别技术重点和难点所在,希望对辐射源个体识别的研究和应用有所帮助。

【总页数】7页(P681-687)
【作者】韦建宇;俞璐
【作者单位】中国人民解放军陆军工程大学
【正文语种】中文
【中图分类】TP18;TN975
【相关文献】
1.通信辐射源瞬态特征提取和个体识别方法
2.基于排列熵分形维数特征提取的通信辐射源个体识别
3.利用小波变换特征提取的通信辐射源个体识别方法
4.面向个体
识别的通信辐射源特征提取方法综述5.基于EMD和SVD特征提取的通信辐射源个体识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于暂态信号的辐射源个体识别技术综述

３．１基于暂态机理的指纹特征提取
暂态机理指纹特征是基于对发射机暂态产生机理的研究分析。通过机理建模，提取暂态模
型参数作为辐射源指纹特征。暂态机理参数特征
由指纹产生机理作为支撑，提取的参数一般具有
发展
辐射源个体识别这一概念与指纹识别类似，
致分为三类：基于暂态机理的指纹特征提取、基于变换域的暂态指纹特征提取和基于机器学习
的暂态指纹特征提取。
所以满足一定特性并能用于区分不同辐射源的特征也称为指纹特征。本文主要介绍指纹特征
了试验研究，取得了一定的成效。
境态势感知、无线通信安全认证等方面有着广泛的应用前景 …。西方军事强国在辐射源个体识别方面己进行了长达四五十年的持续研究并取得了一系列的研究成果，其中部分成果已转化为了实用的技术手段，也衍生出了一系列成熟的装备。例如：美国的海军实验室、Ｌｉｔｔｏｎ公司、ＮｏｒｔｈｒｏｐＧｒｕｍｍａｎ公司和英国的ＱｉｎｅｔｉＱ公司，均对ＳＥＩ
ＡＬＱ一２１７电子支援系统以及ＡＮ／ＳＬＱ一３２（Ｖ）电
子支援系统。捷克的ＶＥＲＡ— Ｅ系统和英国的

基于信号指纹的无人机遥控端个体识别方法

基于信号指纹的无人机遥控端个体识别方法
何兵;樊宽刚;欧阳清华;李娜;刘亚辉
【期刊名称】《传感器与微系统》
【年(卷),期】2022(41)2
【摘要】针对无人机遥控端个体间信号相似,难以识别的问题,提出了一种基于信号指纹的无人机遥控端个体识别方法。

方法通过多项式拟合暂态信号瞬时幅值包络曲线,得到暂态信号特征,再提取稳态信号的瞬时频率特征,并采用K最近邻(KNN)等多种机器学习方法进行信号识别。

对实际数据处理结果表明:能够有效识别2个无人机遥控端个体,仿真实验结果表明:对5个无人机遥控端个体在信噪比5 dB时平均识别正确率大于90%。

【总页数】4页(P58-61)
【作者】何兵;樊宽刚;欧阳清华;李娜;刘亚辉
【作者单位】江西理工大学机电工程学院;江西理工大学电气工程与自动化学院【正文语种】中文
【中图分类】TN911.72
【相关文献】
1.一种基于射频指纹的通信个体识别方法
2.基于信号暂态稀疏表示的AIS辐射源个体识别方法
3.基于遥控信号频谱特征的无人机识别算法
4.基于跳频通信的车载无人机信号接收与识别方法
5.基于FPGA的无人机遥控及图传信号采集系统设计
因版权原因，仅展示原文概要，查看原文内容请购买。

基于星座图的通信辐射源个体识别方法

基于星座图的通信辐射源个体识别方法王威;李诗娴;王新【摘要】提出了一种新的基于星座图的通信辐射源个体识别方法.首先采用频域能量检测法检测突发信号;然后进行载波恢复、符号速率估计和定时估计;最后在此基础上进行星座图提取,并通过Hausdorff距离进行相似性度量,识别信号发射设备.以QPSK信号发射极为例进行了实验,实验结果表明,所提方法可以很方便地进行通信设备识别,为研制通信SEI设备提供了新的思路.【期刊名称】《湖南城市学院学报（自然科学版）》【年(卷),期】2017(026)005【总页数】5页(P51-55)【关键词】辐射源个体识别;能量检测;载波恢复;星座图提取【作者】王威;李诗娴;王新【作者单位】长沙理工大学计算机与通信工程学院,长沙 410114;长沙理工大学计算机与通信工程学院,长沙 410114;长沙理工大学计算机与通信工程学院,长沙410114【正文语种】中文【中图分类】TN919.5在信号侦查中，不仅要知道信号是从哪类设备发射，更应该知道是从哪个设备发射的，这样才能提高情报的准确性﹒通信辐射源个体识别(SEI: Specific Emitter Identification)是通信电子战和无线网络领域一个重要的研究课题﹒发射机元器件的硬件差异会产生非理想特性，从而导致各通信设备在发射信号上表现出来细微差异(如辐射信号包络的畸变和相位的畸变)，那些具有长期稳定性的特征就可以用做鉴别个体的特征﹒根据这些畸变，我们可以判别信号来自哪部设备，从而确定这些设备或系统的类型、用途、工作规律、所在位置及其各种技术参数，实现设备追踪，进而实现设备平台(如舰船、飞机、通信车辆等)的追踪，精确分析和判断其行动意图，为下一步对该通信装备及其载体采取跟踪监视、电子攻击甚至军事打击提供支撑﹒Langley L E[1]等用融合方法通过频率、幅值、脉冲宽度、脉冲重复率进行 SEI，目前论文被引100多次﹒Owechko Y在申请的专利中对数据进行分区并未为每个分区计算直方图，通过计算梯度的大小进行识别[2]﹒Zhang J等提出了基于希尔伯特谱的3种算法，通过选择具有较强的类别可分性的希尔伯特谱元素得到识别特征[3]﹒Dudczyk J研究了基于分形特征的SEI方法[4]﹒Jia Y Q等研究了一种新的自动识别系统中辐射源瞬变指纹稀疏表示判别方法[5]﹒张斯梅对通信辐射源特征提取研究进行了深入研究，实现了基于相位方差和基于递归图的起始检测方法[6]﹒资晓军等[7]分析了辐射源特征对于目标个体识别的意义，给出了信号载频偏差、包络高阶特征及积分双谱特征的计算方法﹒桂云川等[8]则研究了基于固有时间尺度分解(ITD)模型的通信辐射源特征提取算法﹒王金明等[10]在对辐射源信号进行时频分析的基础上提出一种基于特征融合的通信辐射源个体识别方法﹒唐哲[11]提出一种基于最大相关熵的通信辐射源个体识别方法，提取矩形积分双谱特征来表征辐射源个体差异﹒黄欣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[12]﹒唐哲等[13]提出基于 L2正则化的最大相关熵通信辐射源个体识别算法，提取通信辐射源信号矩形积分双谱特征表征辐射源个体差异﹒李刚等以稳态信号的杂散输出特征为基础，设计了一种工程中可用的 SVM 分类器算法完成短波电台个体识别[14]﹒美国Northrop Grumman公司早在20世纪60年代就开始研发SEI技术，经过40多年的研究，形成了一套比较完善的SEI系统，可适应各个频段的通信信号的个体识别﹒国内对SEI技术的相关研究与美国等发达国家相比还有较大的差距，从上世纪90年代开始，国防科技大学、成都29所、西南交通大学、西安电子科技大学等单位跟踪国外报道，对脉内细微特征和辐射源个体识别等概念及可用方法展开了研究，但总体来说还存在很多问题：(1)理论研究以实验验证为主，缺少实战检验；(2)样本集对接收机依存度较强，算法可用度低﹒即使是同一批次生产的同型号的接收机，其提取的样本集个体特征差异也很明显；(3)对多卜勒效应比较敏感；(4)完成一次识别需要数十至数百个脉冲的积累﹒本文针对通信SEI中的信号检测与定位，特别是个体特征提取这两项关键技术展开研究，利用符合个体识别特征的星座图形状特征，为通信设备SEI提供了新的思路﹒通信SEI主要分为3步：信号预处理、个体特征提取和分类识别，如图1所示﹒其中，信号预处理工作主要完成信号去噪、幅度的归一化、频率的中心化、突发信号包络的前沿对齐、突发信号的起始点和结束点位置的检测与估计等处理任务，减小由环境噪声、多径干扰、多普勒效应等外在因素对个体特征提取的影响﹒如何精确定位突发信号的起止点就成了对信号进行个体特征分析的首要问题﹒定位突发信号起始点和结束点最经典的方法是能量检测法﹒能量检测法需预先知道噪声功率，而在实际环境中噪声功率是时变的，且实现自适应的门限判别较为困难﹒在充分分析和实验的基础上，本文选择用频域能量检测法来提取信号﹒频域能量检测法是对信号作DFT变换，在频域上求取带内的信号能量，以排除带外噪声对信号检测器的影响﹒利用这种计算结果进行门限判决，可以提高检测的可靠性，并可精确确定信号的起始点和结束点﹒频域能量检测法理论依据是帕塞瓦尔定理﹒根据帕塞瓦尔定理，信号时域的总能量等于频域的总能量，满足能量守恒原理﹒若长度为N点的序列x（ n）的N点DFT为则有这表明一个序列在时域计算的能量与在频域计算的能量是相等的﹒在大多数情况下，信号的中心频率和带宽是可以知道的，频域能量检测法是将接收信号作DFT变换，在频域上求带内信号的能量，从而抑制带外噪声的干扰，提高检测的准确性﹒频域能量检测的实质是利用快速傅里叶变换(FFT)将时域信号转换成频域信号，在频域内对带内频谱进行平方再累加，从而实现快速检测﹒由于DFT实际上是一组由N个FFT子带组成的滤波器组，选择合适的窗函数可以获得很高的阻带衰减，带外噪声对带内影响较小，因而可以获得更高的检测可靠性﹒但是，由于需要用到FFT运算，计算量同样较大﹒理想通信设备的星座图的每个星座是点状，但受到噪声污染时，呈现为圆球型的云团状﹒实际上，不同辐射源硬件设备中，其振荡源、混频器和功率放大器等器件的非线性特性会有细微差异，所以设备发射信号的星座图形状也会不同，我们根据星座图形状的差异特性就可以判别信号来自哪个辐射源﹒提取信号的星座图需要对接收信号解调后得到基带信号，提取同步正交分量﹒具体步骤为：先求信号的4次方，做DFT变换得到对应于4倍载频的线谱，对得到的频谱进行谱线搜索求得载频；再用判决方差最小法方法进行定时恢复并求得初始相位，便可得到复基带信号；再进行抽样，即可绘出信号的星座图﹒下面以QPSK为例说明星座图提取方法﹒假设接收信号为其中A是信号幅度；ω0是信号载波；φ(t)是QPSK的载波相位；φ0是信号的初相，φ0在0～2π区间内均匀分布﹒接收信号4次方运算可得式(3)﹒对y（t）进行 DFT 变换后取绝对值得到频谱从式(3)可以看出，y（ t）由 3 部分组成：第1项为线谱分量，第2项为宽谱分量，第3项为直流分量﹒其中，线谱分量的谱峰位于40ω﹒通过谱线搜索得到频率40ω，将其除以4即可得到载波频率0ω﹒符号估计采用瞬时自相关法，主要利用相位的跳变信息﹒假设检测到的信号为对该信号进行Hilbert变换后得到复解析信号为将复解析信号的共轭与复解析信号偏移τ后相乘，且τ小于符号宽度Tb，可得式(5)中第1项为常数项；第2项中符号φ(n)是宽度为 Tb的随机变量﹒由于τ＜Tb，因此在一个符号周期内第2项有可能发生2次）的相位跃变，即相位的最小变化周期为 Tb﹒所以）的频谱中含有线谱分量，该线谱分量所对应的频率值即为符号速率在接收数字信号时，为了在准确对接收符号进行判决，必须得知接收符号的准确起止时间﹒本文提出了一种判决方差最小法，来实现最大精度地估计符号定时误差﹒判决方差最小法的基本原理是，在一帧信号中，眼图张开最大的地方，既是符号采样的最佳时刻点，也是符号采样值方差最小的采样点﹒在最佳时刻采样，得到同相支路I和正交支路Q的数据，即可绘制QPSK解调信号的星座图﹒而在实际接收信号中，在完成载波恢复之后，但还没有完成定时恢复时，QPSK信号的眼图如图2所示﹒由图2可见眼图张开最大的点尚未落在整符号宽度采样点上，此时不能实现最佳采样﹒为了实现最佳采样，我们将一帧数据中，从0～Tb区间内N个采样时刻的每一组采样值的绝对值做一个统计分析，便可以求出它们的标准方差然后求σ（n ）的最小值，则所对应的时刻即为最佳采样时刻，随即得到定时偏差值定时误差的标准方差σ（n）变化曲线见图3﹒对比分析图2和图3，可以看出，定时偏差的位置正好是对着眼图张开程度最大的位置﹒因此，只要消除了定时偏差，即可实现符号序列的最佳采样﹒实验选取6部同型号移动通信设备，分别标为1号至6号通信设备﹒该类设备工作在QPSK突发通信模式﹒在数据传输速率等工作参数相同的前提下，对每台发射机采集QPSK模式下发射信号，并生成各自的星座图见图4﹒理想通信设备的星座图的每个星座是一个圆点，但由于在实际通信环境中受到噪声等干扰的影响，每个星座成圆球状散布﹒而对于实际使用的通信设备，由于设备所使用的模拟器件的非理想性，每个星座的形状一般成非圆球型散布，每个星座球的独特形状就成了通信设备的个体特征，我们可以根据这些形状差异很容易地将这6台设备区分开﹒实验采用 Hausdorff距离算法对于星座图相似度度量﹒选取6台通信机在4个不同时段发射信号的星座图的第1个时段的星座图作为参考标准，剩余3个时段的星座图相互之间的Hausdorff距离如表1所示﹒从表1中可以看出，1号通信机类内距离在11～20之间，类间距离在40～700之间；2号通信机类内距离在0～2之间，类间距离在6～800之间；3号通信机类内距离在3～4之间，类间距离在6～800之间；4号通信机类内距离在13～21之间，类间距离在 30～800之间；5号通信机类内距离在69～71之间，类间距离在 160～500之间；6号通信机类内距离在120～200之间，类间距离在380～720之间﹒相比较而言，类内距离要远远小于类间距离，因此我们可以通过Hausdorff距离进行通信设备识别﹒为了观察基于星座图个体识别算法的长效性，对6号通信机录取20帧信号，并将星座图与每个通信机的星座图进行比较，结果如图5所示﹒由图5可见，6号通信机不同时段发出的突发帧信号，其星座图与6号通信机本身的模版很相似，其Hausdorff距离均小于100；而与其它5部通信机的Hausdorff距离均大于200，表现出了良好的类内一致性和类间差异性﹒本文针对通信SEI中的信号检测与定位、个体特征提取这两项关键技术展开研究，得到了符合个体识别特征的星座图形状特征，为研制通信SEI设备提供了新的思路﹒针对星座图形状差异的个体识别，下一步需要在特征的矢量量化和分类器的设计方面展开深入的研究，并将人工智能等理论应用到辐射源个体识别系统中﹒【相关文献】[1]LANGLEY L E. Specific emitter identification (SEI) and classical parameter fusion technology[C]. Wescon '93 Conference Rec, IEEE, 2002: 377-381.[2]OWECHKO Y. Specific emitter identification using histogram of oriented gradient features[P]. US, US008131074 B2, 2012.[3]ZHANG J, WANG F, DOBRE O A, et al. Specific emitter identification via Hilbert-Huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics amp; Security, 2016, 11(6): 1192-1205.[4]DUDCZYK J. Specific emitter identification based on fractal features//Fractal Analysis - Applications in Physics, Engineering and Technology[M]. Rijeka: InTechOpen, 2017.[5]JIA Y Q, GAN L. A novel fingerprint identification method based on sparse representation for transient of AIS emitter[J]. Journal of Signal Processing, 2016, 32(10): 1146-1152.[6]张斯梅. 通信辐射源特征提取研究[D]. 西安: 西安电子科技大学, 2013.[7]资晓军, 谢丹, 杨剑波. 通信辐射源指纹特征提取算法研究[J].舰船电子工程, 2017, 37(3): 63-65.[8]桂云川, 杨俊安, 吕季杰. 基于固有时间尺度分解模型的通信辐射源特征提取算法[J]. 计算机应用研究, 2017, 34(4):1172-1175.[10]王金明, 徐玉龙, 徐志军, 等. 基于指纹特征融合的通信辐射源个体识别研究[J]. 计算机工程与应用, 2014, 50(19):217-221.[11]唐哲, 雷迎科. 基于最大相关熵的通信辐射源个体识别方法[J]. 通信学报, 2016, 37(12): 171-175.[12]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, 2015, 55(3): 321-327.[13]唐哲, 雷迎科. 通信辐射源个体识别中基于L2正则化的最大相关熵算法[J]. 模式识别与人工智能, 2016, 29(6): 527-533.[14]李刚, 包从开. 辐射源个体特征识别技术及在短波电台识别上的应用[J]. 信息通信, 2016,167(11): 175-177.。

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、"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、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)。

１３］ＩＴＵＲＭ．１３７１４规范要求［。ＡＩＳ信号占用频率
ｒｉｋ提出以解调信号的星座特征向量的提取方法。Ｂ图向量误差来表征发射机个体
［７］
，唐智灵提取辐射源
功放的静态非线性特征参数作为辐射源个体特征向
８］量［，也取得了很好的识别效果。
［９１０］
图１ＡＩＳ信号传输帧结构Ｆｉｇ．１ＦｒａｍｅｓｔｒｕｃｔｕｒｅｏｆＡＩＳｓｉｇｎａｌ
ＡＩＳ发射机信号稳态输出功率标称值为１２．５Ｗ（Ａ类终端）或者２Ｗ（Ａ类或Ｂ类终端），容差范围１ｄＢ到１．５ｄＢ。发射机在训练序列前６个符号处的信号暂态输出功率应比信号稳态输出功率至少低５０ｄＢ，在训练序列第３个符号处输出功率应不低于信号稳态输出功率８０ＩＳ发。对于每一个Ａ射机来说，信号暂态尚无调制信息，各发射机暂态波形应该一致，但是受辐射源结构设计、器件工艺影响，实际接收到的信号暂态波形是不同的，不同ＩＳ发射机的个体差异信息。如的信号暂态反映了Ａ经预处理后的五个ＡＩＳ发射机信号暂态图２所示，归一化幅度有明显区别。
图２五个辐射源归一化幅度均值曲线Ｆｉｇ．２Ｍｅａｎｏｆｎｏｒｍａｌｉｚｅｄａｍｐｌｉｔｕｄｅｅｘｔｒａｃｔｅｄｆｒｏｍ５ＡＩＳｅｍｉｔｔｅｒｓ
１１４８
信
号
处
理
第３２卷
３ＲＴＦＳＲＤ算法
ＣＨ８７Ｂ（１６１．９７５ＭＨｚ）或者频率ＣＨ８８Ｂ（１６２．０２５ＭＨｚ），ＭＳＫ调制，速率９６００ｋＢｄ。ＡＩＳ信号以突发采用Ｇ６．６７ｍｓ，可传输２５６形式传送，每个突发结构时长２个符号，如图１所示，其中信号暂态部分８个符号，４个符号，开始标志码８个符号。训练序列２
技术可运用于检测非法辐射源信号, 如在民用船舶
第１０期
贾永强等：基于信号暂态稀疏表示的ＡＩＳ辐射源个体识别方法
１１４７
ＤＷＴ系数等个体特征向量提的瞬时幅度、瞬时相位、取方法，可以识别Ｂｌｕｅｔｏｏｔｈ和ＩＥＥＥ８０２．１１的发射机
文章编号:1003-0530 ( 2016 ) 10-1146-07
第 32 卷摇第 10 期 2016 年 10 月
JOURNAL OF SIGNAL PROCESSING
信
号
处
理
Vol. 32摇 No. 10 Oct. 2016
基于信号暂态稀疏表示的 AIS 辐射源个体识别方法
( 电子科技大学网络空间安全研究中心电子工程学院, 四川成都 611731 ) 摘摇要: 针对民用船舶自动报告系统通信辐射源个体识别问题, 该文提出一种基于信号暂态稀疏表示的个体识别方法。该算法求解一个充分利用信号暂态样本类别信息且可保持样本稀疏表示结构的投影变换, 来提取低维个体特征矢量。该算法通过最大化类间特征的重构误差和最小化类内特征的重构误差来构造目标函数求解投影变换, 并在低维辨别子空间以最小稀疏表示重构误差准则来判定测试样本类别属性。对实际数据处理结果表明该文提出的新算法可有效识别不同辐射源个体; 对辐射源暂态信号建模仿真结果, 验证了该文算法的正确性和有效性, 且平均正确识别率优于现有算法。关键词: 特定辐射源识别; 稀疏表示; 重构误差
JIA Yong鄄qiang摇 GAN Lu
Abstract: Based on the sparse representation of transient, a novel method of radio transient fingerprint sparse representa鄄 sparse representation structure of transient vectors and class label information to project the test vector to the optimal low di鄄 inter鄄class features, and minimizing reconstructed error of intra鄄class features. The criterion of minimum reconstruction er鄄
。受此启发，可以认为辐射源个体特
征向量的提取就是一个将信号空间高维矢量变换到特征空间的低维矢量，这个投影变换可以在训练数据集自动学习得到。通过自动学习所提取的辐射源个体特征比人工指定的具备明确物理意义的个体特征具备更强的差异描述能力。针对ＡＩＳ辐射源信号特点和现有方法个体识别准确率不高的问题，本文提出一种基于信号暂态稀疏表示的通信辐射ＲａｄｉｏＴｒａｎｓｉｅｎｔＦｉｎｇｅｒｐｒｉｎｔＳｐａｒｓｅ源个体识别方法（ＲｅｐｒｅｓｅｎｔａｔｉｏｎＤｉｓｃｒｉｍｉｎａｎｔ，ＲＴＦＳＲＤ）。该方法可以从暂态信号直接提取低维的个体差异特征向量，避免了提取具备物理意义的特征时存在的差异信息损失，具备很强分类辨别能力。近年来，稀疏表示广泛运用于压缩感知、图像去噪、图像分类等领域。稀疏表示在图像识别领域的应用取得了很好
中,如果有人修改了唯一标识舰船身份信息的海事
移动服务识别号 ( Maritime Mobile Service Identity, MMSI)、位置、航速和其他 AIS 载荷信息,将给航行安全带来极大威胁。 Takashi I 提出了两种 AIS 辐射源个体识别方法[1] 。近年来,Hall 等人研究了基于信号
贾永强摇甘摇露
中图分类号: TN92摇摇摇文献标识码: A摇摇摇 DOI: 10. 16798 / j. issn. 1003鄄0530. 2016. 10. 02
A Novel Fingerprint Identification Method Based on Sparse Representation for Transient of AIS Emitter
［１４］
类的第时在低维空间仍保持了稀疏表示结构。第ｃｉ个训练样本ｘ的投影为：ｃｉｙＷＴｘｃｉ＝ｃｉ其稀疏表示重构样本为：
tion discriminant for emitters in Automatic Identification System is investigated. The algorithm finds a projection preserved mensional discriminable subspace. An objective function is constructed by simultaneously maximizing reconstructed error of ror of sparse representation for test vector is applied to find classification label. Its applications to signals measured through an antenna show promising results for radiometric identification of emitters in Automatic Identification System. Simulations on the data set of the radio transient mathematical model proves the correctness and validity of the proposed method, and the simulation results show that the average correct classification ratio of the proposed method have a huge advantage in comparison with the existing algorithm. Key words: specific emitter identification; sparse representation; reconstruction error
１１１２］。在训练数据集中，ＲＴＦＳ构且充分利用样本类别属性信息的投影变换矩阵，通过该投影变换矩阵可在低维子空间使新的辐射源测试样本到同类样本子空间距离最小、到异类样本子空间距离最大，从而可判决测试样本的类别属性。ＩＳ信本文其余内容安排如下：第２节介绍了Ａ号结构；第３节重点介绍了ＲＴＦＳＲＤ算法，并在第４
( Center for Cyber Security, School of Electronic Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan 611731, China)
２３］。基于信号稳态的个体特征向量提取和在变个体［４６］换域寻找个体分辨特征向量的研究［，拓展了个体
节以实际ＡＩＳ数据验证了算法的有效性；最后对所提算法进行了总结，并展望下一步的研究工作。
２ＡＩＳ信号
根据国际海事组织要求，ＡＩＳ终端发射机要遵循