一种基于特征空间处理的跳频通信辐射源个体识别方法技术

本发明专利技术公开了一种基于特征空间处理的跳频通信辐射源个体识别方法，该方法包括：对获取的中频信号数据进行预处理、归一化和双谱估计后，映射至双谱特征空间，得到信号双谱特征集；对信号双谱特征集进行移动累计平均后将其划分为测试特征集和训练特征集以及对其进行平滑处理，基于对平滑后的训练特征集进行双谱特征选择和降维，提取得到训练样本集和测试样本集；将训练样本集输入支持向量机进行分类训练，得到分类模型；将测试样本集输入分类模型中，测试个体识别分类性能；并根据个体识别分类性能评价结果对特征空间处理参数进行调整，直到得到分类性能最佳的分类模型为止，输出辐射源个体识别结果。本发明专利技术的算法复杂度较低，易于工程实现。易于工程实现。易于工程实现。

【技术实现步骤摘要】
一种基于特征空间处理的跳频通信辐射源个体识别方法


[0001]本专利技术涉及信号识别
，特别是一种基于特征空间处理的跳频通信辐射源个体识别方法。

技术介绍

[0002]通信辐射源个体识别目前主要通过提取辐射源无线电设备的细微特征，即信号指纹，从而实现对辐射源个体识别和身份确认的目的。该技术研究近年来在机器学习技术助推下，在军事电子侦察和无线网络安全领域逐渐成为研究热点，应用也愈加广泛。
[0003]从当前国内外研究现状和成果在看，大致分为两条比较主流技术路线，一是统计学习分类方法，这是一种基于信号特征的机器学习过程，通过提取辐射源特征参数来构建分类模型，研究主要集中围绕辐射源特征提取、特征选择和分类器设计等个体识别的三个流程关键环节展开；二是神经网络分类方法，主要利用神经网络的深度自学习能力，对数据或特征样本进行自动的特征提取与分类，研究主要在数据样本处理与可视化、网络设计与模型优化方面。前者依赖于信号分析专家知识，后者虽然减轻对专业知识依赖，但需要优质、大量的训练数据样本，并且模型的可解释性较差。神经网络分类方法对于信号数据样本的要求相对比较苛刻，给信号截获和信号处理都带来了较大的挑战，在实际中，目前基于统计学习分类方法的辐射源个体识别仍具有更强的工程实用价值。
[0004]基于统计学习分类方法的辐射源个体识别从上世纪末研究以来，针对分类器设计的研究已较为成熟，常见的分类器包括决策树、贝叶斯分析器、最近邻分类器和支持向量机等等，尤其是支持向量机作为监督学习的经典模型，核函数设计可以解决非线性分类问题，在理论上可以得到全局最优的划分平面，同时在处理小样本数据问题具有独特优势，也具有较强的扩展性，在辐射源个体识别研究领域，将其作为分类器选择之一。近年来，辐射源个体识别研究基本聚焦在“特征工程”上面，包括特征提取、特征选择等处理，特征提取实质上将辐射源原始或预处理后的信号数据变换到特征空间进行提取的过程，提取并参与分类识别的特征尽量是需要满足时移不变性、尺度变化性和相位保持性等特点，当前差分星座轨迹、双谱和Hilbert
‑
Huang变换等均在一定程度上满足上述特性，理论上是可行的；特征选择主要是为选择出对分类最有增益的特征，一方面达到特征空间降维，一方面避免平凡特征(对分类贡献较小的特征)对于分类性能的影响，当前采用方法包括主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)，以及信息可分离度分析等。
[0005]上述统计分析方法，在理论上和实验室中能够获得较优的个体识别性能，比如双谱分析能够获得较为稳定的特征，并且因其采用多重相关，对于高斯白噪声有较好的抑制效果。但是在实际应用中，面对跳频、突发等抗干扰通信信号，信号持续时间短，实际信道复杂，高斯白噪声特性并不明显，获取的分类特征由于连续数据样本长度限制、噪声分布不平稳、测量差异等原因，变得不再稳定，抗噪抗干扰性能下降明显，无法达到理想性能。

技术实现思路

[0006]鉴于此，本专利技术提供一种基于特征空间处理的跳频通信辐射源个体识别方法，提高和改善当前基于统计学习分类方法的辐射源个体识别性能，以解决当前辐射源个体识别方法在实际复杂信道环境中性能下降，对于采用跳频、突发等抗干扰通信体制的通信辐射源识别性能不佳等问题。
[0007]本专利技术公开了一种基于特征空间处理的跳频通信辐射源个体识别方法，包括以下步骤：
[0008]步骤1：对获取的来源于多个同型号跳频通信辐射源的中频原始信号数据进行预处理，得到多个零中频信号数据；每个所述中频原始信号数据均包括跳频脉冲中频数据和对应的跳频通信辐射源个体标注信息；
[0009]步骤2：对多个所述零中频信号数据进行归一化和双谱估计，将数据映射至双谱特征空间，得到信号双谱特征集；
[0010]步骤3：对所述信号双谱特征集进行移动累计平均，得到更新后的所述信号双谱特征集，并将更新后的所述信号双谱特征集划分为测试特征集和训练特征集；
[0011]步骤4：分别对所述测试特征集和所述训练特征集进行平滑处理，得到平滑后的训练特征集和测试特征集；
[0012]步骤5：采用多分类特征选择方法，对平滑后的所述训练特征集进行双谱特征选择和降维，得到选择双谱；按照所述选择双谱对应的有效频率，分别从平滑后的所述训练特征集和所述测试特征集中提取得到训练样本集和测试样本集；
[0013]步骤6：将所述训练样本集输入支持向量机进行分类训练，得到分类模型；将所述测试样本集输入所述分类模型中，测试个体识别分类性能；并根据个体识别分类性能评价结果对特征空间处理参数进行调整，反复迭代步骤3至步骤6，直到得到分类性能最佳的分类模型为止，输出辐射源个体识别结果。
[0014]进一步地，在所述步骤1中，预处理包括滤波、下变频和变换采样速率；所述多个零中频信号数据为其中，为单个跳频脉冲数据，n＝1,2,
…
,N，N为跳频脉冲数量；F
m
为跳频脉冲数据对应的辐射个体标注信息，m＝1,2,
…
,M，M为跳频通信辐射源个体数量。
[0015]进一步地，所述步骤2包括：
[0016]将中的每个跳频脉冲数据作为一组观测数据，对每组观测数据进行功率归一化处理后，采用双谱估计计算得到信号双谱特征集率归一化处理后，采用双谱估计计算得到信号双谱特征集L为双谱估计采用的傅里叶变换长度。
[0017]进一步地，所述步骤3包括：
[0018]步骤31：输入第i类辐射源信号双谱特征集设置累加平均长度为L1，移动步进为L2，进行移动平均计算，计算次数N0为：
[0019][0020]其中，N为的特征向量数量，fix(
·
)为向下取整函数；
[0021]步骤32：对取前L1个特征向量，进行累加平均计算结果为：
[0022][0023]步骤33：对向后移动L2个特征向量，同样取L1个特征向量，按照步骤32类推，重复N0次，得到第i类累加平均后的双谱特征集其中，n0＝1,2,
…
,N0；
[0024]步骤34：重复步骤32和步骤33，完成对所有类通信辐射源信号双谱特征集的累积平均处理，得到更新后的信号双谱特征集
[0025]步骤35：将分为训练特征集和测试特征集其中，n0＝n1+n2。
[0026]进一步地，L1、L2的取值范围分别为：1≤L1≤N/1000，L1/10≤L2≤L1/2；L1和L2的具体取值能够根据所述分类性能进行调整。
[0027]针对跳频或突发通信信号，按照每一次跳频或突发周期驻留信号进行双谱估计，借鉴图像处理背景去噪方法，将每次估计所得到的双谱值作为一次采集图像，进行采用多次累加平均，形成新的平均双谱值，可以克服线性滤波器所带来的图像细节模糊，进一步降低随机噪声的干扰，提高信号的信噪比，同时可以在一定程度上减少多次跳频或突发信号脉冲间的差异，保证特征测量值的稳定度和准确性。
[0028]进一步地，所述步骤4包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征空间处理的跳频通信辐射源个体识别方法，其特征在于，包括以下步骤：步骤1：对获取的来源于多个同型号跳频通信辐射源的中频原始信号数据进行预处理，得到多个零中频信号数据；每个所述中频原始信号数据均包括跳频脉冲中频数据和对应的跳频通信辐射源个体标注信息；步骤2：对多个所述零中频信号数据进行归一化和双谱估计，将数据映射至双谱特征空间，得到信号双谱特征集；步骤3：对所述信号双谱特征集进行移动累计平均，得到更新后的所述信号双谱特征集，并将更新后的所述信号双谱特征集划分为测试特征集和训练特征集；步骤4：分别对所述测试特征集和所述训练特征集进行平滑处理，得到平滑后的训练特征集和测试特征集；步骤5：采用多分类特征选择方法，对平滑后的所述训练特征集进行双谱特征选择和降维，得到选择双谱；按照所述选择双谱对应的有效频率，分别从平滑后的所述训练特征集和所述测试特征集中提取得到训练样本集和测试样本集；步骤6：将所述训练样本集输入支持向量机进行分类训练，得到分类模型；将所述测试样本集输入所述分类模型中，测试个体识别分类性能；并根据个体识别分类性能评价结果对特征空间处理参数进行调整，反复迭代步骤3至步骤6，直到得到分类性能最佳的分类模型为止，输出辐射源个体识别结果。2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，预处理包括滤波、下变频和变换采样速率；所述多个零中频信号数据为其中，为单个跳频脉冲数据，n＝1,2,
…
,N，N为跳频脉冲数量；F
m
为跳频脉冲数据对应的辐射个体标注信息，m＝1,2,
…
,M，M为跳频通信辐射源个体数量。3.根据权利要求2所述的方法，其特征在于，所述步骤2包括：将中的每个跳频脉冲数据作为一组观测数据，对每组观测数据进行功率归一化处理后，采用双谱估计计算得到信号双谱特征集化处理后，采用双谱估计计算得到信号双谱特征集L为双谱估计采用的傅里叶变换长度。4.根据权利要求3所述的方法，其特征在于，所述步骤3包括：步骤31：输入第i类辐射源信号双谱特征集设置累加平均长度为L1，移动步进为L2，进行移动平均计算，计算次数N0为：其中，N为的特征向量数量，fix(
·
)为向下取整函数；步骤32：对取前L1个特征向量，进行累加平均计算结果为：
步骤33：对向后移动L2个特征向量，同样取L1个特征向量，按照步骤32类推，重复N0次，得到第i类累加平均后的双谱特征集其中，n0＝1,2,
…
,N0；步骤34：重复步骤32和步骤33，完成对所有类通信辐射源信号双谱特征集的累积平均处理，得到更新后的信号双谱特征集步骤35：将分为训练特征集和测试特征集其中，n0＝n1+n2。5.根据权利要求4所述的方法，其特征在于，L1、L2的取值范围分别为：1≤L1≤N/1000，L1/10≤L2≤L1/2；L1和L2的具体取值能够根据所述分类性能进行调整。6.根据权利要求1所述的方法，其特征在于，所述步骤4包括：步骤41：分别提取平滑后的所述测试特征集和所述训练特征集中的第i个分类的特征集，特征集所属特征空间维度为L
×
L；步骤42：针对第i个分类的特征集，按照每个特征维度逐一对特征序列采用Savitsky
‑
Golay平滑算法进行数据平滑处理，即通过多项式实现滑动窗内的最小二乘拟合，计算滑动窗内中心点与其周围点的加权平均和；计算遍历全部特征维度后，得到平滑...

【专利技术属性】
技术研发人员：崔旭，吉磊，徐娜，张业亮，袁叶，赵海，
申请(专利权)人：中国电子科技集团公司第三十研究所，
类型：发明
国别省市：