一种适用于无人机通信系统的干扰信号分类识别方法技术方案

本发明专利技术公开了一种适用于无人机通信系统的干扰信号分类识别方法，属于数字通信信号处理技术领域。首先针对无人机通信系统建立干扰信号分类识别系统，然后分别提取改进的载波因子和白噪声因子两种特征参数，针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率，判断其是否大于0.8，如果是，则该样本数据的干扰信号分类正确；最后干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别，为下一步信号处理打下基础。本发明专利技术优于传统的阈值分类识别方法，建立了高区分度的特征参数表达，提高了分类识别的准确率。

【技术实现步骤摘要】
一种适用于无人机通信系统的干扰信号分类识别方法
本专利技术属于数字通信信号处理
，具体涉及一种适用于无人机通信系统的干扰信号分类识别方法。
技术介绍
近年来，利用无人机执行任务灵活便捷且成本低，使得执行各种通信任务已经成为无人机研究领域中的热点。由于无人机通信系统在军事和民用领域，时刻遭受着自然干扰和人为干扰，这些干扰会进一步影响无人机数据链功率控制技术等其他应用。因此，在无人机通信领域，对所获取的干扰信号进行分类识别必然有极高的研究意义。目前国内外针对干扰信号的分类识别方法主要有以下两种：一是基于阈值分类的识别方法。传统的阈值分类识别方法操作简单，主要根据不同信号特征参数之间的差异，建立鲁棒性的相似度函数，同时选取合适的阈值，将相似度与选取的阈值进行比较，并做出相应的判断。而阈值的选取依赖于具体的问题，在不同的通信系统或不同的干扰信号中可能会有不同的阈值，因此该类方法通常对于分类识别的适应性较差。二是基于机器学习的分类识别方法。现有的机器学习识别方法包含反向传播(BP)神经网络、支持向量机、决策树理论等统计学习方法，该类方法有较优异的自学习和自适应能力，能够较好的解决非线性以及高维问题，结构简单且速度快。然而该类方法的分类识别性能在很大程度上取决于输入特征参数的表征能力，因此研究应集中在如何建立有效的特征参数。由上述分析可知，当前针对无人机通信系统的干扰信号分类识别主要面临的问题如下：由于无人机通信系统执行任务时干扰的复杂多变，特征参数可能对信号的区分程度不足，导致无法顺利分类；同时，传统的阈值分类方法适应性差，往往导致较低的识别准确率。专利技术内容本专利技术为解决上述问题，提出了一种适用于无人机通信系统的干扰信号分类识别方法，以干扰信号作为研究对象，研究干扰信号的分类识别问题。所述的适用于无人机通信系统的干扰信号分类识别方法对信号进行处理过程如下：步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类。干扰信号种类统计模块对样本数据分别所属的类别进行统计。步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；提取改进的载波因子信号Cg，计算公式如下：x(λ1)是对时域信号s(t)进行快速傅里叶变换后得到的幅值最大的离散信号；对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，按照幅值大小顺序依次排序为x(λ1),x(λ2),...,x(λn)；定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数。提取改进的白噪声因子信号A，计算公式如下：P1为时域信号s(t)的功率谱P(n)的普通均值；P2为大于P1的幅值再计算的均值。步骤三、针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出；具体对比过程如下：将两个样本数据A和B中改进的载波因子作差，当样本数据A的载波因子大于样本数据B的载波因子，且差值大于20时，选择载波因子的值作为样本数据A的输出；将两个样本数据A和B中改进的白噪声因子作差，当样本数据A的白噪声因子大于样本数据B的白噪声因子，且差值大于0.6时，选择白噪声因子的值作为样本数据A的输出；当样本数据A的载波因子的值和白噪声因子的值均能作为该样本数据的输出时，分别计算载波因子和白噪声因子的相对区分程度g；并选择相对区分程度高的值作为样本数据A的输出；相对区分程度g计算公式如下：其中，当利用上述公式计算载波因子的相对区分程度g时，b为载波因子的特征参数差值，a为载波因子的阈值。当利用上述公式计算白噪声因子的相对区分程度g时，b为白噪声因子的特征参数差值，a为白噪声因子的阈值。步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率。首先，选取核函数和参数训练支持向量机SVM；然后，将选取的样本数据复制N个，并选定其中某种干扰类型均设置标签1，其余的干扰类型均设置标签-1，结合样本数据的输出，作为训练集，放入训练好的支持向量机SVM进行分类，得到分类结果；最后，对比分类结果与人工标签，得出分类准确率η；计算公式如下：步骤五、判断分类准确率η是否大于0.8，如果是，则该样本数据的干扰信号分类正确，否则，该样本数据的干扰信号分类错误，返回步骤二。步骤六、针对某段时间，干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别。本专利技术具有以下优点：1)一种适用于无人机通信系统的干扰信号分类识别方法，改进原有特征提取的参数，建立高区分度的特征参数表达，提高分类识别的准确率；2)一种适用于无人机通信系统的干扰信号分类识别方法，采用支持向量机交叉验证的方式，在分类识别准确率上优于传统的阈值分类识别方法；3)一种适用于无人机通信系统的干扰信号分类识别方法，建立一段时间内干扰信号种类的统计模型，为下一步信号处理打下基础。附图说明图1为本专利技术适用于无人机通信系统的干扰信号分类识别方法原理图；图2为本专利技术适用于无人机通信系统的干扰信号分类识别方法流程图；图3为本专利技术建立的干扰信号分类识别系统框图；图4为本专利技术适用于无人机通信系统的干扰信号分类识别方法中提取特征参数流程图；图5a为本专利技术改进的载波因子系数与原载波因子系数对于信号区分度的对比图；图5b是本专利技术实施例中使用支持向量机进行干扰信号分类识别的分类结果；图6为本专利技术的GUI交互界面示例图。具体实施方式下面结合附图，对本专利技术的具体实施方法进行详细说明。本专利技术一种适用于无人机通信系统的干扰信号分类识别方法，如图1所示，首先通过对输入信号提取特征，也就是对输入的样本信号提取两个特征因子：改进的载波因子与白噪声因子，对信号的固有特性进行分析，并且依照特征参数选取标准选择区分度高的特征参数，作为SVM分类识别干扰的输入。其中输入信号代表产生样本数据阶段，其中信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰这四种类型的信号干扰。其次，通过已建立的特征参数对干扰信号进行特征提取，采用支持向量机SVM的方法对干扰信号进行分类识别，输出对不同干扰信号的识别准确率；SVM分类识别干扰使用已经训练好的分类器，对输入的样本信号进行分类，将识别准确率输入到统计干扰类型，经过判别识别准确率，统计各种类型干扰信号的数量。通过对识别准确率设置门限进行比较，确定干扰信号种类，进而一段时间内干扰信号种类的统计，建立干扰信号种类数量的统计模型；最后，在特征提取与识别的基础上，建立干扰信号分类识别系统，最终构建一个基于矩阵实验室(MATLAB)的干扰识别用户交互系统。如图2所示，具体步骤如下：步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；该系本文档来自技高网...

【技术保护点】
一种适用于无人机通信系统的干扰信号分类识别方法，其特征在于，具体步骤如下：步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类；干扰信号种类统计模块对样本数据分别所属的类别进行统计；步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；提取改进的载波因子信号Cg，计算公式如下：

【技术特征摘要】
1.一种适用于无人机通信系统的干扰信号分类识别方法，其特征在于，具体步骤如下：步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类；干扰信号种类统计模块对样本数据分别所属的类别进行统计；步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；提取改进的载波因子信号Cg，计算公式如下：x(λ1)是对时域信号s(t)进行快速傅里叶变换后得到的幅值最大的离散信号；对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，按照幅值大小顺序依次排序为x(λ1),x(λ2),...,x(λn)；定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数；提取改进的白噪声因子信号A，计算公式如下：P1为时域信号s(t)的功率谱P(n)的普通均值；P2为大于P1的幅值再计算的均值；步骤三、针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出；步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率；首先，选...

【专利技术属性】
技术研发人员：丁文锐，虎媛，刘春蕾，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11