辐射源识别方法和装置制造方法及图纸

一种辐射源识别方法和装置，包括步骤：A、获取第一数量的辐射源训练信号，作为训练序列；B、求取所述第一数量的辐射源训练信号的希尔伯特谱；C、求取每个训练信号希尔伯特谱与其他训练信号希尔伯特谱之间的相关系数，组成训练向量；D、利用训练向量和训练信号对应的类别标号训练分类器，以区分不同辐射源。E、获取第二数量的辐射源测试信号，作为测试序列；F、求取所述第二数量的辐射源测试信号的希尔伯特谱；G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱的相关系数，组成测试向量；H、利用所述分类器对步骤G的测试向量进行分类，区分测试序列的辐射源。利用本发明专利技术能够将点对点场景扩展至中继场景，由此识别各类辐射源。

【技术实现步骤摘要】

本专利技术涉及通信信号传输领域，特别是涉及到通信信号传输特征的分析和识别

技术介绍
通信信号传输系统中，存在各种各样的辐射源。对于不同的辐射源，由于其元器件(特别是功率放大器)在生产工艺及安装调试上必定存在差异，导致系统产生不同的非线性特性并对系统上的信号产生影响，这样辐射源传出的信号携带有标识辐射源硬件差异的细微特征，这些特征被称为辐射源指纹特征。辐射源识别(specific emitter identification,SEI)是一种从接收信号中提取辐射源指纹特征，从而对不同的辐射源进行区分的技术。辐射源识别SEI技术主要包括特征提取和分类两部分，其中，特征提取的目的在于从接收信号中提取适于分类的特征，即该特征能尽可能地体现出不同辐射源之间的差异，具有良好的可区分度，特征提取方法的优劣会直接影响最终的辐射源识别性能。基于时频分布的特征提取法是辐射源识别SEI中常见的算法之一。所谓时频分布，是指利用时域和频域的二维联合表示来反映信号的局部性能。Hilbert-Huang变换(Hilbert-Huang transform,HHT)是一种新型的时频分析方法，与传统的时频分析方法相比，其可以自适应地从信号中提取变换所需的基函数，适于对非线性和非平稳信号进行分析，对提取辐射源的指纹特征十分有利。现有技术采用HHT方法获得接收信号的HHT时频分布，又称为希尔伯特谱，将信号的希尔伯特谱看作二维数字图像进行分析，对其进行主成分分析(principal component analysis,PCA)进行降维，并采用核Fisher判决分析(Kernel Fisher’s Discriminant Analysis,KFDA)进行特征提取。现有技术针对希尔伯特谱中的像素点进行分析，没有考虑希尔伯特谱的整体特性，忽略了相同辐射源及不同辐射源在希尔伯特谱中反映出的一致性与差异性，使得所提取特征的可分离度有限。另外，现有技术采用的PCA和KFDA方法具有较高的复杂度。此外，考虑系统模型，现有技术仅致力于分析点对点场景的情况，并未对应用广泛的中继场景进行考虑。在中继场景下，接收信号经中继设备放大转发，从而携带有中继设备的指纹特征，该特征在一定程度上会掩盖发射端的指纹特征，造成识别正确率的下降。与此同时，现有技术主要分析高斯白噪声(additive white Gaussian noise,AWGN)信道下的辐射源识别SEI问题，而非高斯白噪声或平坦衰落等非理想信道情况下的SEI问题，仍面临挑战。
技术实现思路
鉴于此，本专利技术的目的在于本专利技术将点对点信号场景扩展至中继场景，对其进行分析和建模，扩大辐射源识别方法的使用范围。另外，本专利技术的目的还在于解决非高斯白噪声或平坦衰落等非理想信道情况下的辐射源识别SEI问题，提供能够应用于各种不同场景下的辐射源识别SEI方法。为了实现此目的，本专利技术采取的技术方案为如下。一种辐射源识别方法，所述方法包括以下步骤：A、获取第一数量的辐射源训练信号，作为训练序列；B、求取所述第一数量的辐射源训练信号的希尔伯特谱；C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数，组成训练向量；D、利用训练向量及该训练信号对应的类别标号训练分类器；E、获取第二数量的辐射源测试信号，作为测试序列；F、求取所述第二数量的辐射源测试信号的希尔伯特谱；G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱之间的相关系数，组成测试向量；H、利用所述分类器对步骤G的测试向量进行分类，区分测试序列的辐射源。在步骤C中，求取希尔伯特谱的相关系数为：ρ(i,j)=ΣmΣn((Hi)mn-H‾i)((Hj)mn-H‾j)(ΣmΣn((Hi)mn-H‾i)2)(ΣmΣn((Hj)mn-H‾j)2)i,j=1,...,NR,]]>其中，ρ(i,j)是第i和第j个辐射源训练信号的希尔伯特谱Hi和Hj的相关系数；(Hi)mn和(Hj)mn分别为Hi和Hj第m行、第n列的元素，和分别为Hi和Hj所有元素的均值；NR为辐射源训练序列的总数。所述训练分类器的方式是：计算每一个训练信号的希尔伯特谱与其他所有训练信号的希尔伯特谱的相关系数，组成训练向量，与该训练信号所对应的类别标号一起，输入到分类器中进行训练，获取能区分不同辐射源的超平面。另外，所述分类器包括支持向量机SVM分类器或者神经网络分类器。当样本线性可分时，采用线性支持向量机SVM分类进行训练和分类；而当样本线性不可分时，则采用非线性支持向量机SVM分类器，在训练和分类过程中采用核函数，所述核函数包括高斯径向核函数或多项式核函数。另外步骤H之后进一步包括：对比测试序列按照辐射源区分后的结果与测试序列的实际辐射源类别，当分类正确率低于预定阈值时，调整核函数中的参数，画出不同参数与识别正确率的对应关系，从而选择出效果最好的参数取值。当辐射源超过两类时，采用一对一one-versus-one技术或者一对多one-versus-all技术，进行训练和分类。其中获取训练序列或者测试序列的方法包括：A1、接收端接收到每个辐射源发来的信号，分为第一数量的辐射源训练信号，作为训练序列；和E1、接收端接收到每个辐射源发来的信号，分为第二数量的辐射源测试信号，作为测试序列。本专利技术还公开了一种辐射源识别装置，包括：训练信号获取单元，用于获取第一数量的辐射源训练信号，作为训练序列；谱分析单元，用于求取所述第一数量的辐射源训练信号的希尔伯特谱，或者求取第二数量的辐射源测试信号的希尔伯特谱；相关系数求取器，用于求取各训练信号希尔伯特谱之间的相关系数，组成训练向量，或者求取辐射源测试信号和各训练信号希尔伯特谱的相关系数，组成测试向量；分类器训练单元，利用所述训练向量与训练信号所对应的类别标号一起训练分类器，获取最佳分类超平面；测试信号获取单元，用于获取第二数量的辐射源测试信号，作为测试序列；分类器测试单元，利用已训练的分类器对测试向量进行分类，以区分测试序列的辐射源。通过采用本专利技术的辐射源识别方法和装置，能够将点对点场景扩展至中继场景，对其进行分析和建模，从接收信号中提取辐射源的指纹特征，由此能够识别各类辐射源。另外，通过采用本专利技术的辐射源识别方法和装置，能够考本文档来自技高网...

【技术保护点】
一种辐射源识别方法，所述方法包括以下步骤：A、获取第一数量的辐射源训练信号，作为训练序列；B、求取所述第一数量的辐射源训练信号的希尔伯特谱；C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数，组成训练向量；D、利用训练向量及该训练信号对应的类别标号训练分类器；E、获取第二数量的辐射源测试信号，作为测试序列；F、求取所述第二数量的辐射源测试信号的希尔伯特谱；G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱之间的相关系数，组成测试向量；H、利用所述分类器对步骤G的测试向量进行分类，区分测试序列的辐射源。

【技术特征摘要】
1.一种辐射源识别方法，所述方法包括以下步骤：
A、获取第一数量的辐射源训练信号，作为训练序列；
B、求取所述第一数量的辐射源训练信号的希尔伯特谱；
C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相
关系数，组成训练向量；
D、利用训练向量及该训练信号对应的类别标号训练分类器；
E、获取第二数量的辐射源测试信号，作为测试序列；
F、求取所述第二数量的辐射源测试信号的希尔伯特谱；
G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱之间的相关
系数，组成测试向量；
H、利用所述分类器对步骤G的测试向量进行分类，区分测试序列的辐射
源。
2.权利要求1中所述的辐射源识别方法，其特征在于，所述方法中步骤C中，
求取希尔伯特谱的相关系数为：
ρ(i,j)=ΣmΣn((Hi)mn-H‾i)((Hj)mn-H‾j)(ΣmΣn((Hi)mn-H‾i)2)(ΣmΣn((Hj)mn-H‾j)2),i,j=1,...,NR,]]>其中，ρ(i,j)是第i和第j个辐射源训练信号的希尔伯特谱Hi和Hj的相关系
数；
(Hi)mn和(Hj)mn分别为Hi和Hj第m行、第n列的元素，和分别为Hi和
Hj所有元素的均值；
NR为辐射源训练序列的总数。
3.权利要求1中所述的辐射源识别方法，其特征在于，所述训练分类器的方式
是：计算每一个训练信号的希尔伯特谱与其他所有训练信号的希尔伯特谱的相
关系数，组成训练向量，与该训练信号所对应的类别标号一起，输入到分类器
中进行训练，获取能区分不同辐射源的超平面。
4.权利要求3中所述的辐射源识别方法，其中所述分类器包括支持向量机SVM
分类器或者神经网络分类器...

【专利技术属性】
技术研发人员：王方刚，张静文，
申请(专利权)人：中国铁路总公司，北京交通大学，
类型：发明
国别省市：北京;11