CN104408474B - 辐射源识别方法和装置 - Google Patents
辐射源识别方法和装置 Download PDFInfo
- Publication number
- CN104408474B CN104408474B CN201410743207.8A CN201410743207A CN104408474B CN 104408474 B CN104408474 B CN 104408474B CN 201410743207 A CN201410743207 A CN 201410743207A CN 104408474 B CN104408474 B CN 104408474B
- Authority
- CN
- China
- Prior art keywords
- mrow
- training
- msub
- radiation source
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种辐射源识别方法和装置,包括步骤:A、获取第一数量的辐射源训练信号,作为训练序列;B、求取所述第一数量的辐射源训练信号的希尔伯特谱;C、求取每个训练信号希尔伯特谱与其他训练信号希尔伯特谱之间的相关系数,组成训练向量;D、利用训练向量和训练信号对应的类别标号训练分类器,以区分不同辐射源。E、获取第二数量的辐射源测试信号,作为测试序列;F、求取所述第二数量的辐射源测试信号的希尔伯特谱;G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱的相关系数,组成测试向量;H、利用所述分类器对步骤G的测试向量进行分类,区分测试序列的辐射源。利用本发明能够将点对点场景扩展至中继场景,由此识别各类辐射源。
Description
技术领域
本发明涉及通信信号传输领域,特别是涉及到通信信号传输特征的分析和识别技术领域。
背景技术
通信信号传输***中,存在各种各样的辐射源。对于不同的辐射源,由于其元器件(特别是功率放大器)在生产工艺及安装调试上必定存在差异,导致***产生不同的非线性特性并对***上的信号产生影响,这样辐射源传出的信号携带有标识辐射源硬件差异的细微特征,这些特征被称为辐射源指纹特征。辐射源识别(specific emitteridentification,SEI)是一种从接收信号中提取辐射源指纹特征,从而对不同的辐射源进行区分的技术。辐射源识别SEI技术主要包括特征提取和分类两部分,其中,特征提取的目的在于从接收信号中提取适于分类的特征,即该特征能尽可能地体现出不同辐射源之间的差异,具有良好的可区分度,特征提取方法的优劣会直接影响最终的辐射源识别性能。
基于时频分布的特征提取法是辐射源识别SEI中常见的算法之一。所谓时频分布,是指利用时域和频域的二维联合表示来反映信号的局部性能。Hilbert-Huang变换(Hilbert-Huang transform,HHT)是一种新型的时频分析方法,与传统的时频分析方法相比,其可以自适应地从信号中提取变换所需的基函数,适于对非线性和非平稳信号进行分析,对提取辐射源的指纹特征十分有利。现有技术采用HHT方法获得接收信号的HHT时频分布,又称为希尔伯特谱,将信号的希尔伯特谱看作二维数字图像进行分析,对其进行主成分分析(principal component analysis,PCA)进行降维,并采用核Fisher判决分析(KernelFisher’s Discriminant Analysis,KFDA)进行特征提取。现有技术针对希尔伯特谱中的像素点进行分析,没有考虑希尔伯特谱的整体特性,忽略了相同辐射源及不同辐射源在希尔伯特谱中反映出的一致性与差异性,使得所提取特征的可分离度有限。另外,现有技术采用的PCA和KFDA方法具有较高的复杂度。
此外,考虑***模型,现有技术仅致力于分析点对点场景的情况,并未对应用广泛的中继场景进行考虑。在中继场景下,接收信号经中继设备放大转发,从而携带有中继设备的指纹特征,该特征在一定程度上会掩盖发射端的指纹特征,造成识别正确率的下降。与此同时,现有技术主要分析高斯白噪声(additive white Gaussian noise,AWGN)信道下的辐射源识别SEI问题,而非高斯白噪声或平坦衰落等非理想信道情况下的SEI问题,仍面临挑战。
发明内容
鉴于此,本发明的目的在于本发明将点对点信号场景扩展至中继场景,对其进行分析和建模,扩大辐射源识别方法的使用范围。
另外,本发明的目的还在于解决非高斯白噪声或平坦衰落等非理想信道情况下的辐射源识别SEI问题,提供能够应用于各种不同场景下的辐射源识别SEI方法。
为了实现此目的,本发明采取的技术方案为如下。
一种辐射源识别方法,所述方法包括以下步骤:A、获取第一数量的辐射源训练信号,作为训练序列;B、求取所述第一数量的辐射源训练信号的希尔伯特谱;C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数,组成训练向量;D、利用训练向量及该训练信号对应的类别标号训练分类器;E、获取第二数量的辐射源测试信号,作为测试序列;F、求取所述第二数量的辐射源测试信号的希尔伯特谱;G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱之间的相关系数,组成测试向量;H、利用所述分类器对步骤G的测试向量进行分类,区分测试序列的辐射源。
在步骤C中,求取希尔伯特谱的相关系数为:
其中,ρ(i,j)是第i和第j个辐射源训练信号的希尔伯特谱Hi和Hj的相关系数;
(Hi)mn和(Hj)mn分别为Hi和Hj第m行、第n列的元素,和分别为Hi和Hj所有元素的均值;
NR为辐射源训练序列的总数。
所述训练分类器的方式是:计算每一个训练信号的希尔伯特谱与其他所有训练信号的希尔伯特谱的相关系数,组成训练向量,与该训练信号所对应的类别标号一起,输入到分类器中进行训练,获取能区分不同辐射源的超平面。
另外,所述分类器包括支持向量机SVM分类器或者神经网络分类器。
当样本线性可分时,采用线性支持向量机SVM分类进行训练和分类;而当样本线性不可分时,则采用非线性支持向量机SVM分类器,在训练和分类过程中采用核函数,所述核函数包括高斯径向核函数或多项式核函数。
另外步骤H之后进一步包括:对比测试序列按照辐射源区分后的结果与测试序列的实际辐射源类别,当分类正确率低于预定阈值时,调整核函数中的参数,画出不同参数与识别正确率的对应关系,从而选择出效果最好的参数取值。
当辐射源超过两类时,采用一对一one-versus-one技术或者一对多one-versus-all技术,进行训练和分类。
其中获取训练序列或者测试序列的方法包括:
A1、接收端接收到每个辐射源发来的信号,分为第一数量的辐射源训练信号,作为训练序列;和
E1、接收端接收到每个辐射源发来的信号,分为第二数量的辐射源测试信号,作为测试序列。
本发明还公开了一种辐射源识别装置,包括:
训练信号获取单元,用于获取第一数量的辐射源训练信号,作为训练序列;
谱分析单元,用于求取所述第一数量的辐射源训练信号的希尔伯特谱,或者求取第二数量的辐射源测试信号的希尔伯特谱;
相关系数求取器,用于求取各训练信号希尔伯特谱之间的相关系数,组成训练向量,或者求取辐射源测试信号和各训练信号希尔伯特谱的相关系数,组成测试向量;
分类器训练单元,利用所述训练向量与训练信号所对应的类别标号一起训练分类器,获取最佳分类超平面;
测试信号获取单元,用于获取第二数量的辐射源测试信号,作为测试序列;
分类器测试单元,利用已训练的分类器对测试向量进行分类,以区分测试序列的辐射源。
通过采用本发明的辐射源识别方法和装置,能够将点对点场景扩展至中继场景,对其进行分析和建模,从接收信号中提取辐射源的指纹特征,由此能够识别各类辐射源。
另外,通过采用本发明的辐射源识别方法和装置,能够考虑到非理想的信道条件,包括非高斯白噪声和平坦衰落信道,提取适用于非理想信道、鲁棒性更好的识别特征。
另外,相对于现有技术采用PCA进行降维,并采用KFDA进行特征提取,具有较高的计算复杂度的情况,本发明实现简单,效果好。
附图说明
图1是本发明实施方式的辐射源识别方法流程图。
图2是本发明实施方式在高斯白噪声信道下的辐射源识别效果示意图。
图3是本发明实施方式在非高斯白噪声信道下的辐射源识别效果示意图。
图4是本发明实施方式在平坦衰落信道下的辐射源识别效果示意图。
具体实施方式
下面结合附图,对本发明作详细说明。
以下公开详细的示范实施例。然而,此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。
然而,应该理解,本发明不局限于公开的具体示范实施例,而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中,相同的附图标记表示相同的元件。
同时应该理解,如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解,当部件或单元被称为“连接”或“耦接”到另一部件或单元时,它可以直接连接或耦接到其他部件或单元,或者也可以存在中间部件或单元。此外,用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如,“之间”对“直接之间”、“相邻”对“直接相邻”等)。
在对于本发明实施方式进行说明之前,先说明本发明所采用的原理。
在一个通信***中,多种辐射源中都存在放大设备,例如产生信号的发射端和转发信号的中继设备。通信***中只存在发射端和接收端的情形被称为点对点场景;在发射端和接收端之间存在中继设备的情形称为中继场景。本发明所要解决的问题就是在点对点场景或者中继场景下,区分来自不同辐射源的信号。
之所以存在需要区分辐射源信号的问题,是因为发射端的信号经过信道传输之后,在信道中存在衰落和***噪声。另外,经过中继设备的放大转发后,会引入中继设备的指纹特征,使得问题进一步复杂化。
考虑一个典型的点对点场景,发射端有K个辐射源,通信***采用时分多址(timedivision multiple access,TDMA),即在某一时刻,接收端只能接收到来自一个辐射源的信号,各个辐射源的信号之间没有叠加。此外,假设利用载频估计和调制识别技术,接收端已知发射信号的载频和调制方式。
辐射源功率放大器的输入信号pn为
其中,qn为基带已调信号,fc为载频,Ts为采样间隔,则接收端接收到的接收信号为
其中,f(k)(pn)为辐射源k的功率放大器的输出信号,即辐射源k的发射信号,其携带有辐射源k的硬件特征。在接收端,将从接收信号rn中提取该硬件特征以进行辐射源识别。是辐射源k到接收端信道的平坦衰落系数,ωn为加性噪声。
功率放大器是辐射源中最为关键的部件,其***响应函数f(·)是辐射源硬件特征的主要来源,称为辐射源指纹特征。由于功率放大器是典型的非线性***,因此,可以采用泰勒多项式模型对f(·)进行描述,即对K个辐射源进行相同阶数的泰勒多项式展开,采用不同的多项式系数表征辐射源的指纹特征。令Ls为泰勒多项式阶数,对于辐射源k,其功率放大器的输出信号可以表示为:
其中,为泰勒多项式的系数,代表了辐射源k的指纹特征。因此,将上式代入接收信号表达式,可得:
考虑一个两跳的中继场景,中继采用放大转发(amplify-and-forward,AF)方案。对于辐射源k,中继设备的接收信号为:
上式中,是辐射源k到中继信道的平坦衰落系数,ηn为加性噪声。
经中继设备转发后,接收端的接收信号为:
其中,g(·)为中继设备功率放大器的***响应函数,Hrd为中继设备到接收端信道的衰落系数,υn为加性噪声。类似地,g(·)可由泰勒多项式模型定义为:
其中,Lr为泰勒多项式阶数,bm表征了中继设备的指纹特征。因此,接收端的接收信号可表示为:
因此,接收信号所携带的指纹特征混合了发射端指纹特征和中继设备指纹特征,而后者将掩盖前者的指纹特征,对辐射源识别SEI带来不利的影响。
但是,通过对接收信号的希尔伯特谱进行观察,可以发现,来自同一辐射源的信号,其希尔伯特谱的时频分布轮廓较为一致,而来自不同辐射源的信号,其希尔伯特谱的时频分布轮廓则存在明显差异。因此本发明实施方式中,通过提取信号希尔伯特谱的相关系数作为识别特征,来对源自不同辐射源的信号进行分类。
正因为如此,如图1所示,本发明的辐射源识别方法包括以下步骤:
A、获取第一数量的辐射源训练信号,作为训练序列;
B、求取所述第一数量的辐射源训练信号的希尔伯特谱;
C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数,组成训练向量;
D、利用所述训练向量与训练样本所对应的类别标号训练分类器,获取最优分类超平面。
分类器经过训练完成后,需要经过测试环节,因此本发明的实施方式中,辐射源识别方法除了以上步骤之后,还进一步包括:
E、获取第二数量的辐射源测试信号,作为测试序列;
F、求取所述第二数量的辐射源测试信号的希尔伯特谱;
G、求取各测试信号希尔伯特谱与各训练信号希尔伯特谱之间的相关系数,组成测试向量;
H、利用所述分类器对步骤G中的相关系数进行分类,区分测试序列的辐射源。
通过使用以上方法,本发明实施方式中,利用训练信号希尔伯特谱的相关系数作为特征训练分类器,能够较好地区分不同辐射源,即使是发射端的信号经过了中继设备转发之后,仍然能够区分出该信号的来源。
需要说明的是,尽管图1中步骤A-H按照顺序执行,但是这并不意味这本发明实施方式只能严格按照该顺序来实现,例如步骤A和步骤E获取辐射源训练信号和辐射源测试信号可以同步进行。
以下逐步说明本发明实施方式的各个步骤的内容、优选实施方式或替代实施方案。
首先,对于步骤A或E中获取训练序列或者测试序列的方法包括:
A1、接收端接收到辐射源发来的信号,分为第一数量的辐射源训练信号,作为训练序列;和
E1、接收端接收到辐射源发来的信号,分为第二数量的辐射源测试信号,作为测试序列。
以上第一数量或第二数量根据实际需要选取,数量越多则训练和测试的时间越长,但相应地效果越好。从节约资源和保证效果的角度综合考虑,一般选择训练信号和测试信号的数量都在10-100之间。特别地,例如选择训练信号和测试信号的数目都是50。
在步骤B或步骤F中,通过对训练信号或者测试信号进行Hilbert-Huang变换,得到希尔伯特谱,所述希尔伯特谱的形式是一个矩阵,因此也可称为希尔伯特谱矩阵。
在步骤C或步骤G中,求取各辐射源训练信号希尔伯特谱之间的相关系数或者各辐射源测试信号与辐射源训练信号之间的相关系数可以采取通常的相关系数求取方法,特别地,在本发明一实施方式采用的方法中,对于求取辐射源训练信号希尔伯特谱的相关系数为:
其中,ρ(i,j)是第i和第j个辐射源训练信号的希尔伯特谱Hi和Hj的相关系数。
(Hi)mn和(Hj)mn分别为Hi和Hj第m行、第n列的元素,和分别为Hi和Hj所有元素的均值。
NR为辐射源训练序列的训练信号总数。为第k类辐射源的训练信号数目。
而对于求取辐射源测试信号的希尔伯特谱与训练信号希尔伯特谱的相关系数,方法与之类似。
在步骤D中,将每一个训练信号的希尔伯特谱与其他所有训练信号的希尔伯特谱之间的相关系数连同该训练信号所对应的类别标号一起输入到支持向量机SVM分类器中进行训练,获取能区分不同辐射源的超平面,这样就完成了分类器的训练。
具体地,计算出Hi和Hj之间的相关系数ρ(i,j),对于训练信号i,其训练向量为特征维度为NR。
设(ρi,pi)为训练数据集,其中pi∈(1,...,K)为训练序列的类别标号,将(ρi,pi)输入支持向量机SVM分类器,对分类器进行训练。
完成训练后,在针对具体信号的识别过程中,只要对接收端接收到的信号进行变换获取希尔伯特谱,然后求取相关系数后,输入到所述分类器中,即可识别出接收端接收到的信号来自何辐射源。
以上实施方式中,选择支持向量机SVM分类器,例如当样本线性可分时,采用线性支持向量机SVM分类进行训练和分类;而当样本线性不可分时,则采用非线性支持向量机SVM分类器。但是本发明并不限于此,例如可提供较多训练样本的数目时,也可采用神经网络作为替代的分类方式。
对于非线性支持向量机SVM分类器而言,核心部分是其核函数的选取,在本发明一实施方式中,所述SVM分类器采用高斯径向核函数作为其核函数。但是本发明并不限于此方式,例如也可以使用多项式核函数作为其核函数,或者其他的核函数。
支持向量机SVM分类器典型的两类分类器,因此当存在多类辐射源时,需采用多类分类技术,在本发明一实施方式中,所述多类分类技术为一对一one-versus-one技术。但是本发明并不限于此方式,例如也可以使用一对多one-versus-all技术,或者其他的多类分类技术。
本发明另一实施方式中,在测试之后,即步骤H之后还可以进一步包括:对比测试序列按照辐射源分类后的结果与测试序列的实际辐射源类别,当正确率低于预定阈值时,通过画出不同参数所对应的识别正确率,从而选择出效果最好的参数取值。
为了实现本发明实施方式的辐射源识别方法,本发明还包括一种辐射源识别装置,包括:
训练信号获取单元,用于获取第一数量的辐射源训练信号,作为训练序列;
谱分析单元,用于求取所述第一数量的辐射源训练信号的希尔伯特谱,或者求取第二数量的辐射源测试信号的希尔伯特谱;
相关系数求取器,用于求取各辐射源训练信号希尔伯特谱之间的相关系数,得到训练向量,或者求取辐射源测试信号和辐射源训练信号希尔伯特谱的相关系数,得到测试向量;
分类器训练单元,利用所述训练向量与训练信号所对应的类别标号一起训练分类器,获取最佳分类超平面;
测试信号获取单元,用于获取第二数量的辐射源测试信号,作为测试序列;
分类器测试单元,利用已训练的分类器对所述测试向量进行分类,以区分测试序列的辐射源。
以下说明本发明实施方式的技术效果。
首先,在点对点场景中,本发明实施方式的辐射源识别性能明显优于现有技术。考虑两类辐射源(K=2)的情况,本发明实施方式在SNR>0dB时,即可获得可接受的识别性能(即正确识别概率大于等于0.8);而考虑三类辐射源(K=3)的情况,本发明实施方式的可接收识别性能在SNR>4dB时达到。与现有技术相比,本发明在8dB时识别性能提升超过20%。本发明实施方式在高斯白噪声信道下的辐射源识别效果示意图如图2所示,图2中可以看出,本发明实施方式的识别效果明显优于现有技术。
另外,在中继场景中,本发明实施方式的辐射源识别性能同样明显优于现有技术。K=2和K=3时,本发明实施方式的可接受的识别性能分别在SNR>0dB和SNR>8dB时达到。随着SNR的增加,本发明实施方式在点对点场景和中继场景下的识别性能几乎重合,说明本算法可以很好的对抗中继设备硬件指纹带来的不利影响。而与之相比,现有技术即使在SNR=20dB时,两种通信场景下的识别性能仍存在10%的差异。
在非理想的信道条件下,本发明依然具有良好的技术效果。在非高斯白噪声信道下,随着SNR的提高,非高斯白噪声对本发明的辐射源识别性能所带来的不利影响几乎可以忽略。在点对点通信和中继场景下,当SNR>10dB时,本发明在K=2和K=3情况下,均可达到可接受的识别性能。与之相比,现有技术的识别性能较差,仅当K=2,SNR=20dB时方能获得0.8以上的识别正确率。本发明实施方式在非高斯白噪声信道下的辐射源识别效果示意图如图3所示。
平坦衰落信道对识别性能有较大的影响,尤其是K=3在情况下,该影响更为显著。在此情况下,本发明在点对点场景和中继场景中的可接受识别性能分别在SNR>8dB和SNR>14dB时获得。因此,为在平坦衰落信道中获得较好的辐射源识别性能,需要较高的SNR。而相比之下,现有技术几乎失效,无法在平坦衰落信道下进行有效的识别。本发明实施方式在平坦衰落信道下的辐射源识别效果示意图如图4所示。
本发明的计算复杂度为式中,K为辐射源的种类数,Ns为每类辐射源的训练序列与测试序列的总数,即,Ns=NR+NT,NH为每个序列希尔伯特谱矩阵的大小,即,NH=M×N,M为希尔伯特谱矩阵的行数,N为希尔伯特谱矩阵的列数。而现有技术的计算复杂度为因此,本发明有着更低的计算复杂度。
以下继续通过一个更加具体的实施例来说明本发明的实现方式,本领域技术人员应该明白,此具体实施例中方法中的一些步骤可以采用替换方式,本发明的保护范围并不局限于此实施例。
1)***的特征
对于辐射源个数,考虑K=2和K=3两种情况。对于不同的辐射源,假设其发射信号采用相同的调制方式、载频和发射功率。信号的调制方式为4阶正交幅度调制(4-QAM),每类辐射源的信号长度为5ms,采样频率为10GHz,载频为2GHz。
辐射源(包括发射端和中继设备)功率放大器泰勒多项式展开阶数均为3(Ls=Lr=3),当K=2时,辐射源功率放大器的泰勒多项式系数为当K=3时,辐射源功率放大器的泰勒多项式系数为其中,为辐射源k的系数向量。中继功率放大器的泰勒多项式系数为BT=(1,0.1,0.1)。
高斯白噪声信道下,不考虑衰落,ωn,ηn和υn均为高斯白噪声,且有SNR定义为1/σ2;在非高斯白噪声信道下,不考虑衰落,ωn,ηn和υn服从Middleton Class A分布;在平坦衰落信道下,衰落系数Hsd,Hsr和Hrd均为独立的零均值高斯随机变量,方差为ωn,ηn和υn为高斯白噪声,且有SNR为衰落系数对于接收端而言是未知的。
2)产生训练及测试序列
在发射端产生随机的数字序列,进行数字调制并上载波,对其进行三阶泰勒多项式展开,得到携带辐射源指纹特征的发射信号。在点对点场景下,信号通过发射端与接收端之间的信道,到达接收端;而在中继场景下,信号经过发射端与中继设备之间的信道,到达中继设备,中继设备对信号进行放大转发,此过程需再次进行三阶泰勒多项式展开,得到混合有中继设备指纹特征的转发信号,而后转发信号通过中继设备与接收端之间的信道,到达接收端。接收端接收到每个辐射源发来的信号,对每个信号平均分为100份,其中50份作为辐射源训练信号,50份作为辐射源测试信号,即每类辐射源的训练和测试信号数目为50。
3)训练与分类
对接收到的所有训练和测试样本,进行HHT变换,得到希尔伯特谱。在训练阶段,根据求取相关系数的方法,求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数,组成训练向量,与各训练信号的类别标号一起输入支持向量机SVM分类器对其进行训练。支持向量机SVM分类器的核函数选择高斯径向核函数,而多类分类问题采用one-versus-one技术;在测试阶段,同样,根据求取相关系数的方法,计算所有测试信号与训练信号希尔伯特谱之间的相关系数,组成测试向量,并与测试信号的正确类别标号一起输入训练好的支持向量机SVM分类器,输出分类后的测试信号类别标号,并且计算正确识别的概率。
需要说明的是,上述实施方式仅为本发明较佳的实施方案,不能将其理解为对本发明保护范围的限制,在未脱离本发明构思前提下,对本发明所做的任何微小变化与修饰均属于本发明的保护范围。
Claims (3)
1.一种辐射源识别方法,所述方法包括以下步骤:
A、获取第一数量的辐射源训练信号,作为训练序列;
B、求取所述第一数量的辐射源训练信号的希尔伯特谱;
C、求取每个训练信号希尔伯特谱与其他所有训练信号希尔伯特谱之间的相关系数,组成训练向量;所述求取希尔伯特谱的相关系数为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>H</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>H</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>H</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>H</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,ρ(i,j)是第i和第j个辐射源训练信号的希尔伯特谱Hi和Hj的相关系数;
(Hi)mn和(Hj)mn分别为Hi和Hj第m行、第n列的元素,和分别为Hi和Hj所有元素的均值;
NR为辐射源训练序列的总数;
D、利用训练向量及该训练信号对应的类别标号训练分类器;所述分类器包括支持向量机SVM分类器或者神经网络分类器;当样本线性可分时,采用线性支持向量机SVM分类进行训练和分类;而当样本线性不可分时,则采用非线性支持向量机SVM分类器,在训练和分类过程中采用核函数,所述核函数包括高斯径向核函数或多项式核函数;
E、获取第二数量的辐射源测试信号,作为测试序列;
F、求取所述第二数量的辐射源测试信号的希尔伯特谱;
G、求取每个测试信号的希尔伯特谱与所有训练信号希尔伯特谱之间的相关系数,组成测试向量;
H、利用支持向量机SVM分类器或者神经网络分类器对步骤G的测试向量进行分类,区分测试序列的辐射源。
2.权利要求1中所述的辐射源识别方法,其特征在于,所述训练分类器的方式是:计算每一个训练信号的希尔伯特谱与其他所有训练信号的希尔伯特谱的相关系数,组成训练向量,与该训练信号所对应的类别标号一起,输入到分类器中进行训练,获取能区分不同辐射源的超平面。
3.权利要求1中所述的辐射源识别方法,在辐射源超过两类时,采用一对一one-versus-one技术或者一对多one-versus-all技术,进行训练和分类;
其中获取训练序列或者测试序列的方法包括:
A1、接收端接收到每个辐射源发来的信号,分为第一数量的辐射源训练信号,作为训练序列;和
E1、接收端接收到每个辐射源发来的信号,分为第二数量的辐射源测试信号,作为测试序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410743207.8A CN104408474B (zh) | 2014-12-08 | 2014-12-08 | 辐射源识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410743207.8A CN104408474B (zh) | 2014-12-08 | 2014-12-08 | 辐射源识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408474A CN104408474A (zh) | 2015-03-11 |
CN104408474B true CN104408474B (zh) | 2017-10-31 |
Family
ID=52646105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410743207.8A Expired - Fee Related CN104408474B (zh) | 2014-12-08 | 2014-12-08 | 辐射源识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408474B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991620B (zh) * | 2016-01-20 | 2019-10-29 | 华北电力大学 | 核电厂线源面源组合的复合辐射源强逆推方法及*** |
CN106991621B (zh) * | 2016-01-20 | 2019-10-29 | 华北电力大学 | 核电厂点源面源组合的复合辐射源强逆推方法及*** |
CN107480689B (zh) * | 2017-06-28 | 2020-07-14 | 山东航天电子技术研究所 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
CN111142661B (zh) * | 2019-12-20 | 2021-07-13 | 腾讯科技(深圳)有限公司 | 信源识别方法、装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101959191A (zh) * | 2010-09-25 | 2011-01-26 | 华中科技大学 | 一种无线网络安全认证方法及其*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8612178B2 (en) * | 2005-05-18 | 2013-12-17 | Bae Systems Information And Electronic Systems Integration Inc. | Geolocation using high order statistics |
-
2014
- 2014-12-08 CN CN201410743207.8A patent/CN104408474B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101959191A (zh) * | 2010-09-25 | 2011-01-26 | 华中科技大学 | 一种无线网络安全认证方法及其*** |
Non-Patent Citations (2)
Title |
---|
以相关系数为特征量的飞机目标识别法;杨华 等;《清华大学学报(自然科学版)》;20011231;第41卷(第7期);第30-31页 * |
基于信号指纹的通信辐射源个体识别技术研究;徐书华;《中国博士学位论文全文数据库信息科技辑》;20091215(第12期);第70-88、115-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408474A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hauser et al. | Signal detection effects on deep neural networks utilizing raw IQ for modulation classification | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
Ureten et al. | Wireless security through RF fingerprinting | |
Quan et al. | Optimal spectral feature detection for spectrum sensing at very low SNR | |
CN104408474B (zh) | 辐射源识别方法和装置 | |
Yang et al. | Specific emitter identification with limited samples: A model-agnostic meta-learning approach | |
CN110099019B (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN106130942A (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN106169070A (zh) | 基于协作表示的通信辐射源个体识别方法及*** | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN104392252B (zh) | 辐射源识别方法和装置 | |
CN106911603A (zh) | 一种宽带监测模式下模拟信号调制类型实时识别方法 | |
CN104363194A (zh) | 基于波形变换的psk调制识别方法 | |
Nie et al. | Automatic modulation classification based multiple cumulants and quasi-newton method for mimo system | |
Smith et al. | A communication channel density estimating generative adversarial network | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、***及存储介质 | |
CN111027614A (zh) | 一种噪声增强射频指纹识别方法及装置 | |
Li et al. | Specific emitter identification based on multi-domain features learning | |
Wang et al. | A radio frequency fingerprinting identification method based on energy entropy and color moments of the bispectrum | |
CN107682119B (zh) | 一种基于分组极值模型的mimo空时码识别方法 | |
CN113905383B (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 | |
CN112488092B (zh) | 基于深度神经网络的导航频段信号类型识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171031 Termination date: 20181208 |
|
CF01 | Termination of patent right due to non-payment of annual fee |