一种基于MWC和二次降维的特定辐射源识别方法技术

本发明专利技术属于信号处理领域，针对辐射源信号非重构识别中特征值有效提取问题，提出一种二次降维的特征值提取方法用于MWC采样后的非重构辐射源识别。首先利用MWC完成辐射源信号的采样，然后通过奇异值分解完成一次降维，提取特征，再对这些特征值进行带标签的线性判别分析，二次降维，得到融合特征。线性判别分析引入样本标签到降维过程中，可以将样本映射到最佳鉴别空间中，在此鉴别空间中，不同类别信号之间的距离最远，相同类别信号之间距离最近。将融合特征值送入随机森林分类器，可以得到更好的分类识别效果。的分类识别效果。

【技术实现步骤摘要】
一种基于MWC和二次降维的特定辐射源识别方法


[0001]本专利技术属于信号处理领域，涉及一种基于MWC和二次降维的辐射源特征提取方法，具体用于处理辐射源信号分类识别问题。

技术介绍

[0002]特定辐射源识别通过不同辐射源中存在的独特、唯一的指纹特征，将不同发射器区分开。但是随着通信领域的发展，传统基于Nyquist定理的高速采样越发难以胜任信号采样任务。压缩感知技术可以打破Nyquist采样定理的限制完成信号的欠采样，调制宽带转换器(MWC，Modulated Wideband Converter)就是实现了压缩采样的硬件系统，可以通过多个低速通道对辐射源信号完成采样。对于采集到的压缩采样数据，如果不关心信号的具体内容，只关心信号发射器的类别特征，可以使用压缩采样数据在未重构信号的情况下进行辐射源类别分类，省去了重构信号所需要的计算资源。
[0003]调制宽带转换器多通道并行完成信号采样，得到压缩采样数据。如何从中有效提取辐射源特征以提高后续分类识别率，意义重大。针对此问题，有学者对压缩矩阵进行频域变换，并计算灰度图像对比度特征作为分类依据，但分类识别率提升有限。为了提高分类器性能，该学者提取信号的多个高阶累积量以及双谱系数作为联合指纹特征，但是存在计算量偏大的问题。另有学者通过奇异值分解得到信号的特征值，取权重占比前90％的特征值作为分类依据，在计算成本较小的情况下获得了较好的识别率。本文采用二次降维的方法，在特征提取时，将奇异值分解进一步结合线性判别分析，将奇异值分解得到的数十个特征值映射成若干个融合特征。相较于计算多个高阶累积量和双谱系数的联合指纹特征，本章所提出的特征提取方法计算量更少；相较于直接进行奇异值分解然后分类识别，本章所提出的特征提取方法在识别性能上表现更优。

技术实现思路

[0004]本专利技术为了在非重构条件下更有效的提取辐射源信号特征，将奇异值分解结合线性判别分析，提出了基于MWC和二次降维的特定辐射源识别方法。
[0005]本专利技术是通过以下技术方案实现的：1)MWC以欠采样的方式完成辐射源信号的压缩采样；2)对二维压缩采样数据进行频域变换；3)对频域变换后的矩阵进行奇异值分解，得到一定数量的特征值；4)对这些特征值进行带标签的线性判别分析，二次降维，得到若干个融合特征值；5)使用随机森林分类器进行辐射源类别分类。
[0006]有益效果：1)相较于计算多个高阶累积量以及双谱系数的特征提取方法，本特征提取方法仅需进行两次降维，所需计算量更少；2)相较于仅进行奇异值分解的特征提取算法，本特征提取方法平均有着2dB的性能提升，在信噪比低时识别性能表现更好。
附图说明
[0007]图1是MWC系统框架图；
图2是辐射源信号模型示意图；图3是频带被搬移后的示意图；图4是本专利技术中提出的方法流程图；图5
‑
图6是本专利技术在两种信道下信号不同信噪比的识别率图。
具体实施方式
[0008]下面结合具体实施方式对本专利技术做进一步的详细说明：1.信号采集：用MWC完成辐射源信号的采样，得到MxN的二维采样矩阵A，其中M是MWC的通道数量，N是每个通道的信号采集长度。2、频域变换：对采样矩阵A进行二维离散傅里叶变换为B矩阵，其公式如下3、奇异值分解，第一次提取特征：由于B矩阵也是MxN的大小，其中M<N，当展开为一维时维度极高，为了有效的提取特征，因此对B矩阵进行奇异值分解，分解为Mx1的向量。其主要过程是令样本在w方向上的投影后的方差σ2最大，σ2可表示为其中n为样本的数量，μ为样本投影的均值。其最大的方差σ2为σ2＝w
T
εw＝λww
T
＝λ即投影后的方差是协方差矩阵的特征值，投影方向为其特征向量。4、线性判别分析，压缩融合特征值：将样本标签引入到降维过程中，最终得到最大化类间差异、最小化类内差异的投影方向，以利于将不同类别的样本有效分开，在此向量上映射后，不同类别信号之间的距离最远，相同类别信号之间距离最近。设有c个类别，共存在n个样本，表示第i类的第j个样本，类间散度矩阵S
B
和类内散度矩阵S
W
可分别表示为：可分别表示为：其中，m
i
和m分别是第i类类别和总体样本的均值。线性判别分析的目标函数为对w求导，求解问题即可得到最大的k个特征值对应的特征矢量集，即投影方向。第一次奇异值分解后的数十个特征值经过求得的投影方向映射后，被线性变换为若干个压缩融合特征。
5、完成辐射源信号的分类识别：1)对训练集提取融合特征，带上标签后组成特征向量，进行随机森林分类器有监督的训练。2)对测试集提取融合特征，不带标签，使用训练好的分类器进行辐射源类别判断。
[0009]附图详细说明：图1为MWC采样系统的原理框图，输入信号x(t)同时从M路进入MWC采样系统，其中每一个欠采样通道分别由伪随机混频、低通滤波和低速ADC构成，输出结果为原信号的压缩采样序列，为一个二维MxN的压缩采样数据，其中M为通道数量，N是每个通道的信号采样长度。
[0010]图2是辐射源信号模型，该信号包含较少的载波频带，频带数为N，且分布于一个较宽的频率范围内，整个频带被分为L个频谱切片。
[0011]图3为被搬移后的频谱图，通过随机序列的混频，在低通窄带中包含了所有频带的信息。
[0012]图4为本专利技术的方法流程图，主要在于先通过奇异值分解初步提取数十个特征值，再进行线性判别分析获得最优鉴别方向，进一步压缩特征值得到若干个融合特征值。
[0013]图5
‑
图6为本专利技术分别在加性高斯白噪声和瑞利衰落信道中的不同信噪比下的性能识别图，图中横轴表示信号的信噪比，纵轴表示识别率，系统中存在的辐射源类别数目为3。为方便描述将提出的基于MWC和二次降维的SEI算法(MWC_DR,Dimensionality reduction Based on Modulation Wideband Converter)简称为MWC_DR算法。从图5中我们可以看出在加性高斯白噪声信道下本算法在
‑
10dB时有着60％的识别率，而此时MWC_SVD仅有55％，在低信噪比下表现明显。图6是瑞利衰落信道下的识别率对比图，MWC_DR和MWC_SVD在此信道下识别率均有所下降，但是本算法依旧有着平均2dB的性能提升。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MWC和二次降维的特定辐射源识别方法，其特征在于，步骤如下：步骤1、信号采集；步骤2、对采集数据进行频域变换；步骤3、奇异值分解，第一次提取特征；步骤4、线性判别分析，二次降维，得到融合特征值；步骤5、将融合特征送入随机森林分类器完成辐射源信号的分类识别。2.根据权利要求1所述的一种基于MWC和二次降维的特定辐射源识别方法，其特征在于：步骤1中用MWC完成辐射源信号的采样，得到MxN的二维采样矩阵A，其中M是MWC的通道数量，N是每个通道的信号采集长度。3.根据权利要求1所述的一种基于MWC和二次降维的特定辐射源识别方法，其特征在于：步骤3中采用奇异值分解提取特征方法为：令样本在w方向上的投影后的方差σ2最大，σ2可表示为其中n为样本的数量，μ为样本投影的均值，其最大的方差σ2为σ2＝w<...

【专利技术属性】
技术研发人员：李智，郝家瑞，李健，李欣阳，
申请(专利权)人：四川大学，
类型：发明
国别省市：