基于MFCC特征和Transformer集成分类器的LFM信号分类方法技术

本发明专利技术公开了一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法，对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，再进行包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取的MFCC特征提取过程，得到静态基础特征、一阶差分动态特征和二阶差分动态特征；将三组特征分别输入三个Transformer分类器进行差异性训练，得到预分类特征；再将三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。本发明专利技术将MFCC特征和Transformer相结合，提出了适用于线性调频信号的Transformer集成分类方法，有效地解决了配置相同的信号源区分困难的问题。难的问题。难的问题。

【技术实现步骤摘要】
基于MFCC特征和Transformer集成分类器的LFM信号分类方法


[0001]本专利技术属于信息安全
，主要涉及了一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法。

技术介绍

[0002]扩展频谱通信、光纤通信和卫星通被称为是信息时代的三大通信传输方式。其中发展时间最长的是扩展频谱通信，其中的频带扩展一般通过伪随机码完成，以达到抗干扰和可进行多址通信的目的。而线性调频则是一种不需要伪随机编码序列的扩展频谱调制技术，线性调频信号比相同带宽的信号持续时间更长从而被广泛应用在雷达、声纳等场景中，通过从雷达、声纳等装置发射的线性调频信号进行识别，从而判断出信号的具体发射机有着十分重要的意义。因此，工业界需要一种高效、高准确率的LFM信号信号源识别方法。
[0003]传统的识别方法大多基于脉冲描述字技术，通过提取脉冲信号的频率、到达时间等浅层特征进行识别。但随着电磁环境的日益复杂以及电子技术的不断完善，当线性调频信号的信号源拥有相同的配置和参数设置时，识别工作往往难以开展。由于提取出的特征极其相似，分类器往往不能很好的工作，射频指纹技术能很好地解决这一问题。每个信号源发射器在制造时都会存在一些硬件差异，这些由硬件缺陷引起的差异便是该发射器的固有硬件特性，这些特性往往独一无已，如同人的指纹一般，因此将这些特性称为“射频指纹”。通过研究的深入，射频指纹被认为是无线设备最理想的特征，即使发射机的频率、调制方式均相同，射频指纹特征也可以很好的发挥作用。射频指纹特征可以大致分为频率偏移、时域包络、调制域特征、频谱特征等，其中最常用的便是通过梅尔频谱倒谱系数(Mel
‑
frequency Cepstral Coefficients，MFCC)提取出的频谱特征。因此，MFCC是一种潜在可行的用于解决LFM信号识别困难的方法。
[0004]然而，想要高效的识别信号源，光有特征远远不够，一个好的分类器同样起着十分关键的作用。Transformer自提出以来便成为NLP领域最热门的模型，但该模型的优势不仅在于其优秀的分类能力，更重要的是它可以适用于很多领域，具有较强的通用性，如用于CV领域中的Vision Transformer模型。因此将MFCC与Transformer相结合是一种可行的方案。

技术实现思路

[0005]本专利技术正是针对现有技术中相同配置的线性调频信号发射机识别困难的问题，提供一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法，对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，再针对每个有效脉冲信号，进行包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取的MFCC特征提取过程，得到静态基础特征、一阶差分动态特征和二阶差分动态特征；将三组特征分别输入三个Transformer分类器中进行差异性训练，得到预分类特征；再将三个Transformer分类器得到的三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。本专利技术将MFCC特征
和Transformer相结合，提出了适用于线性调频信号的Transformer集成分类方法，有效地解决了配置相同的信号源区分困难的问题。
[0006]为了实现上述目的，本专利技术采取的技术方案是：基于MFCC特征和Transformer集成分类器的LFM信号分类方法，包括以下步骤：
[0007]S1，信号预处理：对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，所述预处理过程至少包括分帧处理和端点确定；
[0008]S2，MFCC特征提取：对步骤S1获得的每个有效脉冲信号，进行MFCC特征提取，得到静态基础特征、一阶差分动态特征和二阶差分动态特征，所述特征提取的过程包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取；
[0009]S3，分类器训练：将三组特征分别输入三个Transformer分类器中进行差异性训练，分类器至少包括两个模块：分割模块和分类模块；所述分割模块中，将输入的特征数据进行归一化后生成适用于Transformer分类器的新特征图，对新特征图进行分割得到子特征图，再将子特征图进行线性映射，使得初始的二维特征图转变为一维向量；经过分类模块，得到预分类特征；
[0010]S4，数据集成：将经过步骤S3三个Transformer分类器得到的三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。
[0011]作为本专利技术的一种改进，所述步骤S1中的分帧处理是根据采样率，确定每帧包含的帧长和帧移；所述端点确定是通过计算短时过零率与短时能量的乘积，确定每个脉冲信号的起始帧和结束帧，相对时间内乘积首次大于阈值是起点，乘积首次小于阈值是终点。
[0012]作为本专利技术的另一种改进，所述步骤S1的分帧处理过程中，帧移为帧长的一半；所述步骤S2的Me l滤波器组阶段中滤波器组的数量M为22
‑
26；离散余弦变换阶段变换得到的MFCC系数取值一半，即MFCC系数维度为
[0013]作为本专利技术的另一种改进，所述步骤S3的分割模块中，将维度为L
×
D的MFCC特征图按顺序划分为N个不重叠的子特征图，每个子特征图的大小为l
×
d，其中接着对每个子特征图进行线性映射，使得初始给定的L
×
D的二维特征图转变为为N个l
×
d的一维向量其中d取值为l取值与d相同。
[0014]作为本专利技术的又一种改进，所述步骤S4中，三层线性层结点取值分别取128、64、32。
[0015]与现有技术相比，本专利技术具有的有益效果：提供了一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法，该方法可以在多个相同配置的发射机的识别任务上取得十分理想的准确率。该方法通过FFT、DCT等一系列信号处理方法将线性调频信号转换为可以体现各发射机差异的三组MFCC特征，通过Transformer分类器得到预分类结果，再经过集成模块综合三个差异性训练的结果，得到最终分类情况。该方法有效地解决了相同配置的发射机分类困难的问题。
附图说明
[0016]图1为本专利技术方法的步骤流程图；
[0017]图2为本专利技术方法步骤S2中MFCC特征提取器的步骤流程图；
[0018]图3为本专利技术方法步骤S3中Transformer特征提取器的步骤流程图；
[0019]图4为本专利技术方法步骤S3中多层感知机的架构图；
[0020]图5为本专利技术方法步骤S4中集成模块的架构图；
[0021]图6为本专利技术测试例中普通Transformer分类器与Transformer集成分类器区分第二个信号源的ROC曲线对比图；
[0022]图7为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MFCC特征和Transformer集成分类器的LFM信号分类方法，其特征在于，包括以下步骤：S1，信号预处理：对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，所述预处理过程至少包括分帧处理和端点确定；S2，MFCC特征提取：对步骤S1获得的每个有效脉冲信号，进行MFCC特征提取，得到静态基础特征、一阶差分动态特征和二阶差分动态特征，所述特征提取的过程包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取；S3，分类器训练：将三组特征分别输入三个Transformer分类器中进行差异性训练，分类器至少包括两个模块：分割模块和分类模块；所述分割模块中，将输入的特征数据进行归一化后生成适用于Transformer分类器的新特征图，对新特征图进行分割得到子特征图，再将子特征图进行线性映射，使得初始的二维特征图转变为一维向量；经过分类模块，得到预分类特征；S4，数据集成：将经过步骤S3三个Transformer分类器得到的三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。2.如权利要求1所述基于MFCC特征和Transformer集成分类器的LFM信号分类方法，其特征在于：所述步骤S1中的分帧处理是根据采样率，确定每帧包含的帧长和帧移；所述端点确定是通过计算短时过零率与短时能量的乘积，确定每个脉冲信号的起始帧和结束帧，相对时间内乘积首次大于阈值是起点，乘积首次小于阈值是终点。3.如权利要求2所述基于MFCC特征和Transformer集成分类器的LFM信号分类方法，其特征在于：所述步骤S2中，预加重阶段：每个有效脉冲信号经过一个高通滤波器使整体的信号频谱平坦，公式如下：s[i]＝s[i+1]
‑
k*s[i]其中，s[i]为有效脉冲信号；k为自定义参数；分帧阶段：将每个有效脉冲信号划分为N个大小相同的帧，与步骤S1中的分帧相同，x(n)记为第n帧；加窗阶段：使用汉明窗h对每帧信号进行处理，以增加左右段连续性，公式如下：4.如权利要求3所述基于MFCC特征和Transformer集成分类器的LFM信号分类方法，其特征在于：所述步骤S2中，快速傅里叶变化阶段：对信号进行快速傅里叶变换处理，得到能量谱F(k)，设K为傅里叶变换的点数，公式如下：Mel滤波器组阶段：将能量谱通过一组Mel尺度的三角滤波器组使频谱平滑化，消除谐波作用，三角滤波器的频率响应公式如下：
其中，f()为梅尔频率，m＝1,2,
…
,M，M为滤波器数量；对数运算阶段：计算每个滤波器组输出的对数能量，公式如下：5.如权利要求3或4所述基于MFCC特征和Transformer集成分类器的LFM信号分类方法，其特征在于：所述步骤S2中，离散余弦变换阶段：经过离散余弦变换得到MFC...

【专利技术属性】
技术研发人员：张宇，常家乐，米思娅，
申请(专利权)人：东南大学，
类型：发明
国别省市：