【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 o
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。