基于VMD-Teager能量算子的辐射源识别方法技术

本发明专利技术公开了一种基于VMD

【技术实现步骤摘要】
基于VMD-Teager能量算子的辐射源识别方法


[0001]本专利技术属于辐射源识别
，更为具体地讲，涉及一种基于VMD-Teager能量算子的辐射源识别方法。

技术介绍

[0002]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。通过分析无线电设备的通信信号的特征，即射频指纹，可以分辨信号的辐射源个体来源。辐射源个体识别已经广泛应用于无线电、物联网安全等。
[0003]目前在射频指纹特征提取方面，已经研究出了很多不同的算法，可以总结为从时域和频域中提取两大类：(1)从频域中提取的小波特征、希尔伯特变换、积分双谱和杂散成分的频域特征等。(2)从时域中提取均值特征、自然度量等作为辐射源的射频指纹特征。这些射频指纹特征提取算法在理想环境下，能有效地识别辐射源个体，但是目前没有特地针对低信噪比环境下指纹提取算法的研究，使用已有的方法在低信噪比环境下识别效果不理想。在文献“Klein R W,Temple M A,Mendenhall M J.Application of Wavelet-Based RF Fingerprinting to Enhance Wireless Network Security[J].Journal of Communications and Networks,2012,11(6):544-555.”中，从信号的非瞬态前导响应中提取了基于双树小波变换的小波域指纹特征，但是在信噪比在5dB时，识别率低于60％。文献“梁江海,黄知涛,袁英俊,等.一种基于经验模态分解的通信辐射源个体识别方法[J].中国电子科学研究院学报,2013(04):393-397.”利用经验模态分解(EMD)方法，提取稳态信号杂散成分的频域特征，在信噪比为5dB的环境下，识别率为78％左右。文献“Lin Y,Zhu X,Zheng Z,et al.The individual identification method of wireless device based on dimensionality reduction and machine learning[J].Journal of Supercomputing,2017.”使用希尔伯特特征，提出了一种基于降维和机器学习结合的方法，在0-20dB范围内，平均识别率为82％。文献“Ding L,Wang S,Wang F,et al.Specific Emitter Identification via Convolutional Neural Networks[J].IEEE Communications Letters,2018,22(12):2591-2594.”使用双谱识别特定的发射源，在5dB时识别率不超过70％。文献“Ali A M,Uzundurukan E,Kara A.Assessment of Features and Classifiers for Bluetooth RF Fingerprinting[J].IEEE Access,2019,7:50524-50535.”使用希尔伯特黄变换，利用信号的能量包络提取特征，最终在8～10dB的识别率只有79.3％。文献“Wang X,Zhang Y,Zhang H,et al.Identification and authentication for wireless transmission security based on RF-DNA fingerprint[J].EURASIP Journal on Wireless Communications and Networking,2019,2019(1).”提出在射频指纹中加入均值特征，通过均值、偏态和峰度统计量，利用多重判别分析进行识别，在信噪比为5dB时，识别率在80％左右。
[0004]在射频指纹特征提取涉及到的算法中，EMD是一种将一个多分量信号分解为若干个单独的单分量的算法，即本征模态函数和一个剩余信号，但是该方法包含了由Hilbert变
换引起的包络、模混合、端效应和不可解释的负频率。根据EMD改进的局部均值分解(LMD)方法也存在畸变成分、模态混合和分解时间长等问题。针对这一问题，2014年，Dragomiretskiy和Zosso提出了变分模式分解(VMD)，由于该算法结合了维纳滤波，具有良好的噪声鲁棒性，已经广泛应用于探测信号变化和特征提取。且使用VMD算法能有效减缓EMD和LMD分解产生的模态混叠和容易受噪声干扰等缺点，目前该算法已经广泛应用于机械故障诊断、探测信号变化和特征提取。
[0005]文献“Aghnaiya A,Ali AM,Kara A.Variational Mode Decomposition Based Radio Frequency Fingerprinting of Bluetooth Devices[J].IEEE Access,2019,PP(99):1-1.”中将VMD算法应用到射频指纹识别中，利用VMD将蓝牙暂态信号分解为一系列限带模式，然后根据这些模式重构暂态信号。从重构瞬态的复形式中提取高阶统计特征，然后，利用线性支持向量机分类器对BT设备进行识别。同时基于VMD算法，直接从重构的暂态信号中提取高阶模态特征，在0-5dB,平均识别率为91％，但是在-5至0dB下，平均识别率只有70.1％。可以发现虽然VMD算法具有良好的噪声鲁棒性，但是在低信噪比环境下，使用VMD在有关辐射源识别领域中还有待研究。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于VMD-Teager能量算子的辐射源识别方法，提高在低信噪比环境下辐射源的识别率。
[0007]为实现上述专利技术目的，本专利技术基于VMD-Teager能量算子的辐射源识别方法包括以下步骤：
[0008]S1：对于所需识别的M个辐射源，分别对每个辐射源采集若干信号样本，记第d个信号样本为x
d
(t)＝I
d
(t)+jQ
d
(t)，I
d
(t)、Q
d
(t)分别表示信号样本x
d
(t)的同相分量和正交分量，d＝1,2,
…
,D，t表示时间；
[0009]S2：对每个信号样本的同相分量I
d
(t)、正交分量Q
d
(t)分别采用改进的VMD算法进行信号分解，得到N个模态分量采用改进的VMD算法进行信号分解的具体步骤包括：
[0010]S2.1：初始化模态数量n＝2；
[0011]S2.2：记待分解信号为x(t)，采用VMD算法对待分解信号x(t)进行VMD分解，得到n个模态分量imf
i
′
(t)，i
′
＝1,2,
…
,n；
[0012]S2.3：计算每个待分解信号x(t)与每个模态分量imf
i...

【技术保护点】

【技术特征摘要】
1.一种基于VMD-Teager能量算子的辐射源识别方法，其特征在于，包括以下步骤：S1：对于所需识别的M个辐射源，分别对每个辐射源采集若干信号样本，记第d个信号样本为x
d
(t)＝I
d
(t)+jQ
d
(t)，I
d
(t)、Q
d
(t)分别表示信号样本x
d
(t)的同相分量和正交分量，d＝1,2,
…
,D，t表示时间；S2：对每个信号样本的同相分量I
d
(t)、正交分量Q
d
(t)分别采用改进的VMD算法进行信号分解，得到N个模态分量采用改进的VMD算法进行信号分解的具体步骤包括：S2.1：初始化模态数量n＝2；S2.2：记待分解信号为x(t)，采用VMD算法对待分解信号x(t)进行VMD分解，得到n个模态分量imf
i
′
(t)，i
′
＝1,2,
…
,n；S2.3：计算每个待分解信号x(t)与每个模态分量imf
i
′
(t)的相关系数R
i
′
；S2.4：判断n个相关系数R
i
′
是否随模态序号i
′
的增大而递减，如果是，进入步骤S2.5，否则进入步骤S2.6；S2.5：判断是否n＜N，N表示预设的所需分解的模态数量，如果是，进入步骤S2.6，否则进入步骤S2.7；S2.6：令n＝n+1，返回步骤S2.2；S2.7：判断是否n＞N，如果是，进入步骤S2.8，否则进入步骤S2.10；S2.8：计算n个模态分量所对应相关系数R
i
′
中相邻2个相关系数的差值，选择差值最小的2个相关系数，将其对应的2个模态分量合并，将2个相关系数求和作为该模态分量对应的相关系数；S2.9：令n＝n-1，返回步骤S2.7；S2.10：将当前的N个模态分量作为信号分解结果；S3：对于每个信号样本的同相分量I
d

【专利技术属性】
技术研发人员：金燕华，李秋雪，颜松涛，阎啸，王童樾，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：