一种基于自适应降噪及纹理特征提取的调制类型识别方法技术

本发明专利技术公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，属于信号调制类型识别领域。本发明专利技术实现方法如下：使用DR2D预处理方法计算辐射源信号的二维联合频率特征；根据噪声水平自适应地依次确定阈值滤波的处理阈值以及有用信号频带，并对二维联合频率特征进行阈值滤波和窄带滤波；进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像；计算图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；使用支持向量机进行分类，实现辐射源信号调制类型的分选识别。本发明专利技术能够在低信噪比下实现辐射源信号的分选识别，具有识别准确率高、计算复杂度小、易于硬件实现的优点。易于硬件实现的优点。易于硬件实现的优点。

【技术实现步骤摘要】
一种基于自适应降噪及纹理特征提取的调制类型识别方法


[0001]本专利技术涉及一种基于自适应降噪及纹理特征提取的调制类型识别方法，属于信号调制类型识别领域。

技术介绍

[0002]传统辐射源信号调制类型分选识别主要通过提取信号的时频图像，采用卷积神经网络进行分类，这种方法的识别效果取决于时频分析方法、时频分辨率以及卷积神经网络(CNN)的结构及层数，往往需要增加时频分析的快速傅里叶变换(FFT)计算次数以及卷积神经网络的层数以达到低信噪比下的良好识别效果，但同时计算复杂度以及对硬件的要求也会增加。
[0003]在先技术[1](参见姚瑶,王战红.基于时频预处理下卷积网络的雷达信号识别[J].探测与控制学报,2018,40(06):99
‑
105.)给出一种基于时频图像预处理下卷积神经网络(CNN)的信号分选识别方法，利用平滑伪Wigner
‑
Ville分布的良好时频聚集特性对信号进行时频变换，采用主能量脊提取以及二值化等预处理方法，然后将处理后的时频图像输入到经过预训练的CNN中进行识别。该识别方法相比于人工提取特征的方法在低信噪比下识别准确率有所提升，证明了采用时频图像进行特征提取，搭配卷积神经网络进行分类在信号分选识别技术上的可行性。该方法在
‑
10dB信噪比下识别准确率达到90％左右。
[0004]在先技术[2](参见Liu Y T,Yan X P,Hao X H,et al.Automatic Modulation Recognition of Radiation Source Signals Based on Data Rearrangement and the 2D FFT[J].Remote Sensing,2023,15(2).)给出一种基于数据重排与二维快速傅里叶变换(Data Rearrangement and the 2D FFT,DR2D)的信号二维联合频率特征提取方法，所得频率特征具有两个时间尺度上的频率分辨率，且在能量上相比于一维FFT频谱更具有聚集性，适用于特征提取与识别。

技术实现思路

[0005]本专利技术主要目的是提供一种基于自适应降噪及纹理特征提取的调制类型识别方法，计算辐射源信号的二维联合频率特征；根据噪声水平自适应地依次确定阈值滤波的处理阈值以及有用信号频带，并对二维联合频率特征进行阈值滤波和窄带滤波；进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像；计算图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；使用支持向量机进行分类，实现辐射源信号调制类型的分选识别。本专利技术能够在低信噪比下实现辐射源信号的分选识别，具有识别准确率高、计算复杂度小、易于硬件实现的优点。
[0006]本专利技术的目的是通过以下技术方案实现的。
[0007]本专利技术公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，包括如下步骤：
[0008]步骤一：使用DR2D预处理方法计算辐射源信号的二维联合频率特征Y(m,n)。
[0009]将M
×
N点辐射源信号分割成N段M点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到M
×
N大小的二维数据重排矩阵X。
[0010]对矩阵X作二维快速傅里叶变换得到的频谱矩阵为：
[0011][0012]式中，(k,l)和(m,n)分别为原矩阵X和频谱矩阵Y的索引，且有k,m＝0,1,
···
,M
‑
1，l,n＝0,1,
···
,N
‑
1。
[0013]对频谱矩阵取模并归一化得到二维联合频率特征为：
[0014][0015]步骤二：根据噪声水平自适应确定阈值滤波的处理阈值，并对二维联合频率特征进行阈值滤波。
[0016]采用某一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：
[0017][0018]频率特征占比表示为：
[0019][0020]所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值。
[0021]采用预定范围内某一定步进值下的一组阈值对应的阈值平面切割二维联合频率特征像，得到一组频率特征占比的值，根据频率特征占比的值以及频率特征占比的微分的值选取合适的对应阈值作为参考阈值thr0。
[0022]为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：
[0023][0024]式中，α为收敛系数。
[0025]使用处理阈值thr
c
对二维联合频率特征进行阈值滤波。
[0026]步骤三：使用步骤二的处理阈值thr
c
确定有用信号频带并进行窄带滤波，得到降噪后的二维联合频率特征。
[0027]使用步骤二得到的滤波阈值thr
c
对二维联合频率特征进行二值化处理，得到该阈值下的特征像切片S
c
；考虑到有用信号频率特征为纵向分布，记算二值分布图像的每一列数值之和与列长度的比值，构成信号的频率特征分布向量，记为：
[0028][0029]当频率特征分布向量的元素值小于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带外噪声分布；当频率特征分布向量的元素值大于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带内有用信号分布；根据预设的频率特征分布向量阈值对频率特征分布向量F
c
进行二值化处理，并根据二维联合频率特征的大小进行复制并按列排布，进一步得到频率特征分布掩板；根据频率特征分布掩板对二维联合频率特征图像的带外噪声分量进行置零操作，实现窄带滤波，降噪后的二维联合频率特征；
[0030]步骤四：对步骤三得到的降噪后的二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像，即获得辐射源信号的二维重排灰度图像。
[0031]步骤五：求解步骤四得到的二维重排灰度图像的灰度共生矩阵，提取辐射源信号的纹理特征向量。
[0032]计算二维重排灰度图像在θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
方向上的灰度共生矩阵。
[0033]灰度共生矩阵在索引(a,b)处的元素值为p(a,b)，则二维重排灰度图像的对比度、相关性、能量、同质性和熵分别为：
[0034][0035][0036][0037][0038][0039]其中，μ
a
和μ
b
分别为图像灰度在行和列方向上的均值，σ
a
和σ
b
分别为图像灰度在行和列方向上的标准差。...

【技术保护点】

【技术特征摘要】
1.一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：包括如下步骤，步骤一：使用DR2D预处理方法计算辐射源信号的二维联合频率特征Y(m,n)；步骤二：根据噪声水平自适应确定阈值滤波的处理阈值thr
c
，并对二维联合频率特征进行阈值滤波；步骤三：使用步骤二的处理阈值thr
c
确定有用信号频带并进行窄带滤波，得到降噪后的二维联合频率特征；步骤四：对步骤三得到的降噪后的二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像，即获得辐射源信号的二维重排灰度图像；步骤五：求解步骤四得到的二维重排灰度图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；步骤六：根据步骤一至步骤五计算不同调制类型辐射源信号，训练样本的纹理特征向量，训练得到支持向量机分类模型；步骤七：使用步骤六得到的支持向量机分类模型对辐射源信号调制类型进行分选识别。2.如权利要求1所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤一实现方法为，将M
×
N点辐射源信号分割成N段M点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到M
×
N大小的二维数据重排矩阵X；对矩阵X作二维快速傅里叶变换得到的频谱矩阵为：式中，(k,l)和(m,n)分别为原矩阵X和频谱矩阵Y的索引，且有k,m＝0,1,
···
,M
‑
1，l,n＝0,1,
···
,N
‑
1；对频谱矩阵取模并归一化得到二维联合频率特征为：3.如权利要求2所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤二实现方法为，采用某一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：频率特征占比表示为：
所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值；采用预定范围内某一定步进值下的一组阈值对应的阈值平面切割二维联合频率特征像，得到一组频率特征占比的值，根据频率特征占比的值以及频率特征占比的微分的值选取合适的对应阈值作为参考阈值thr0；为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：式中，α为收敛系数；使用处理阈值thr
c
对二维联合频率特征进行阈值滤波。4.如权利要求3所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤三实现方法为，使用步骤二得到的滤波阈值thr
c
对二维联合频率特征进行二值化处理，得到该阈值下的特征像切片S
c
；考虑到有用信号...

【专利技术属性】
技术研发人员：闫晓鹏，刘洋天，代健，郝新红，伊光华，刘宇，周鑫，陈秀梅，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：