一种复杂环境下的无人机集群通信波形识别方法技术

本发明专利技术公开了一种复杂环境下的无人机集群通信波形识别方法，包括建立Alpha噪声干扰下的无人机集群通信多径衰落信道，获取通过信道的接收信号；对接收信号进行预处理，包括非线性变换、下变频、带通采样；提取预处理后信号的广义循环均值和广义循环谱特征，并构造不同信噪比下的无人机集群通信波形特征矩阵；将特征矩阵输入SAE神经网络进行训练测试，输出无人机集群通信波形类型，实现在Alpha噪声干扰、多径衰落与频移存在的复杂环境下的无人机集群通信波形的识别。本发明专利技术方法复杂环境下具有较强的鲁棒性，在信噪比为

【技术实现步骤摘要】
一种复杂环境下的无人机集群通信波形识别方法


[0001]本专利技术属于数字通信
，具体涉及一种复杂环境下的无人机集群通信波形识别方法。

技术介绍

[0002]由于无人机集群具备高协调性、多功能性、强抗毁性的特点，其在侦察定位、电子对抗、通信情报等军事领域的地位愈加突出。无人机集群作战将成为未来战争的主要形式之一，为维护国家安全，研究无人机集群反制技术迫在眉睫，实现无人机集群通信波形识别是无人机集群反制技术研究的关键环节。
[0003]非合作通信领域中，需要先截获敌方的通信信号，进行分析处理，获取敌方情报，而信号的自动调制识别是获得敌方情报的基础。调制识别发生在信号检测和解调之间，其基本任务是：对所截获的未知信号进行调制类型的分析、判决和分类。
[0004]目前的调制识别方法主要包括两大类：基于最大似然函数的调制识别和基于特征提取的调制识别。调制识别过程主要分为三步：信号预处理、特征提取和分类识别。信号预处理过程包括下变频、噪声抑制、载波频率或符号周期的估计等；特征提取是从信号中提取出能够表征信号调制类型的特征，如循环谱、高阶累积量、小波变换特征等；分类识别则是将所提取的特征与分类性能结合，选择合适的方式进行判决分类，如决策树、神经网络等。
[0005]现有通信信号自动调制识别方法的研究大多考虑在高斯信道下，其研究所假定的信道条件过于理想。在实际通信中，特别是战场环境，信号在传输过程中不可避免的会发生多径效应和多普勒频移，同时还可能存在用户干扰。
[0006]现有调制识别算法信道条件过于理想、低信噪比鲁棒性差，难以满足无人机集群通信波形识别的要求。

技术实现思路

[0007]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种复杂环境下的无人机集群通信波形识别方法，充分考虑了无人机集群通信信号在传输过程中的小尺度衰落和用户间干扰问题，提取无人机通信信号的循环平稳特征，通过稀疏自编码器(Sparse AutoEncoder,SAE)神经网络实现了无人机集群波形的识别。
[0008]为实现上述技术目的，本专利技术采取的技术方案为：
[0009]一种复杂环境下的无人机集群通信波形识别方法，包括：
[0010]步骤1：建立Alpha噪声干扰下的无人机集群通信多径衰落信道，获取通过信道的接收信号；
[0011]步骤2：对接收信号进行预处理，包括非线性变换、下变频、带通采样；
[0012]步骤3：提取预处理后信号的广义循环均值和广义循环谱特征，并构造不同信噪比下的无人机集群通信波形特征矩阵；
[0013]步骤4：将特征矩阵输入SAE神经网络进行训练测试，输出无人机集群通信波形类
型，实现在Alpha噪声干扰、多径衰落与频移存在的复杂环境下的无人机集群通信波形的识别。
[0014]为优化上述技术方案，采取的具体措施还包括：
[0015]上述的无人机集群通信波形类型包括BPSK、QPSK、2FSK、4FSK、2ASK、MSK。
[0016]上述的步骤1中，采用TDL模型和Alpha稳定分布噪声建立无人机集群通信多径衰落信道，其信道参数基于3GPP TR 901.38技术报告设置，则截获的无人机通信信号，即获取的通过信道的接收信号表示为：
[0017][0018]其中，x(t)为发送的调制信号，n(t)为Alpha稳定分布噪声；
[0019]h
l
(t)和τ
l
分别为第l条多径所对应的信道系数和时延，且0≤l≤L
‑
1，L为多径衰落信道的可分辨路径数。
[0020]上述的信道系数h
l
(t)由L个平坦衰落信号发生器的输出与每个抽头的功率相乘获得。
[0021]上述的步骤2包括：
[0022]1)对接收信号r(t)进行非线性变换：
[0023][0024]其中，Δ为正常数；
[0025]2)将非线性变换后的信号下变频至140MHz；
[0026]3)对下变频后的信号进行带通采样、低通滤波，将信号中心频率搬移至4MHz。
[0027]上述的步骤3包括：
[0028]1)提取广义循环平稳特征，预处理后的信号r'(t)的广义循环均值定义为：
[0029][0030]其中，ε＝k/T为循环频率，M
r'
(t)为信号r'(t)的均值；
[0031]2)信号r'(t)的广义循环谱密度表示为：
[0032][0033]其中，为信号r'(t)的循环自相关函数；
[0034]3)选择广义循环均值和广义循环谱的离散峰值及其个数作为特征，则某混合信噪比下的特征矩阵表示为：
[0035][0036]其中，表示采用BPSK调制的无人机用户A的第N个样本信号的特征ρ1。
[0037]上述的步骤4中，利用SAE神经网络识别无人机集群通信波形；
[0038]所述SAE神经网络具有稀疏特性，其前向传播方程如下：
[0039]S
in
＝σ[U(u1,...,u
m
)
×
X
t
+a]ꢀꢀꢀ
(11)
[0040]S
out
＝O
in
＝σ(η1×
S
in
×
V
t
(v1,v2...v
n
)+b)
ꢀꢀ
(12)
[0041]O
out
＝f(η2×
S
out
×
W
t
(w1,w2…
w
p
)+c)
ꢀꢀꢀ
(13)
[0042]其中，S
in
，S
out
和O
out
分别是隐藏层的输入值，隐藏层的输出值和最终的输出值，U、V、W分别为对应连接层的权重矩阵，X
t
为步骤3所构造的特征矩阵；
[0043]σ，f为激活函数，σ为tanh函数或sigmoid函数，f为Softmax函数，η是隐藏层的稀疏系数，a、b、c为各层偏置。
[0044]本专利技术具有以下有益效果：
[0045]无人机集群通信电磁环境复杂，存在用户干扰、多径衰落与频移等现象，传统高斯信道下的波形识别算法在此场景下性能大幅降低，针对该问题，本专利技术提出了一种复杂环境下的无人机集群通信波形识别方法。本专利技术建立Alpha噪声干扰下的无人机集群通信多径衰落信道，获取通过信道的接收信号；对接收信号进行预处理，包括非线性变换、下变频、带通采样；提取预处理后信号的广义循环均值和广义循环谱特征，并构造不同信噪比下的无人机集群通信波形特征矩阵；将特征矩阵输入SAE神经网络进行训练测试，输出无人机集群通信波形类型，实现在Alpha噪声干扰、多径衰落与频移存在的复杂环境下的无人机集群通信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的无人机集群通信波形识别方法，其特征在于，包括：步骤1：建立Alpha噪声干扰下的无人机集群通信多径衰落信道，获取通过信道的接收信号；步骤2：对接收信号进行预处理，包括非线性变换、下变频、带通采样；步骤3：提取预处理后信号的广义循环均值和广义循环谱特征，并构造不同信噪比下的无人机集群通信波形特征矩阵；步骤4：将特征矩阵输入SAE神经网络进行训练测试，输出无人机集群通信波形类型，实现在Alpha噪声干扰、多径衰落与频移存在的复杂环境下的无人机集群通信波形的识别。2.根据权利要求1所述的一种复杂环境下的无人机集群通信波形识别方法，其特征在于，所述无人机集群通信波形类型包括BPSK、QPSK、2FSK、4FSK、2ASK、MSK。3.根据权利要求1所述的一种复杂环境下的无人机集群通信波形识别方法，其特征在于，所述步骤1中，采用TDL模型和Alpha稳定分布噪声建立无人机集群通信多径衰落信道，其信道参数基于3GPP TR 901.38技术报告设置，则截获的无人机通信信号，即获取的通过信道的接收信号表示为：其中，x(t)为发送的调制信号，n(t)为Alpha稳定分布噪声；h
l
(t)和τ
l
分别为第l条多径所对应的信道系数和时延，且0≤l≤L
‑
1，L为多径衰落信道的可分辨路径数。4.根据权利要求4所述的一种复杂环境下的无人机集群通信波形识别方法，其特征在于，所述信道系数h
l
(t)由L个平坦衰落信号发生器的输出与每个抽头的功率相乘获得。5.根据权利要求1所述的一种复杂环境下的无人机集群通信波形识别方法，其特征在于，所述步骤2包括：1)对接收信号r(t)进行非线性变换：其中，Δ为正常数；2)将非线性变换后的信号下变频至140MHz；3)对下变频后的信号进行带通采样、低通滤波，将信号中心频率搬移至4MHz。6.根据权利要求1所述的一种复杂环境下的无人机集群通信波形识别方法，其特征在于，所述步骤3包括：1)提取...

【专利技术属性】
技术研发人员：翟茹萍，党小宇，张书衡，李赛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：