CN107301432A - 基于时频分析的自适应辐射源调制识别方法 - Google Patents
基于时频分析的自适应辐射源调制识别方法 Download PDFInfo
- Publication number
- CN107301432A CN107301432A CN201710562232.XA CN201710562232A CN107301432A CN 107301432 A CN107301432 A CN 107301432A CN 201710562232 A CN201710562232 A CN 201710562232A CN 107301432 A CN107301432 A CN 107301432A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- time
- image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供的是一种基于时频分析的自适应辐射源调制识别方法。一,对接收的辐射源信号使用时频分布进行时频分析,将辐射源信号从时域信号转换为时间‑频率二维图像;二,使用图像处理技术降低计算复杂度和特征维数,经过归一化、二值化、图像细化图像预处理操作,增强信号特征信息在图像中的比重;三,联合二阶四阶矩估计方法,利用自适应主成分分析算法,对预处理后的图像进行图像形状特征提取;四,使用LIBSVM分类器识别辐射源信号的调制方式。本发明即能有效避免低信噪比信号特征缺失,又能避免高信噪比信号特征冗余的情况,同时不影响调制识别率。
Description
技术领域
本发明涉及的是一种辐射源信号脉内调制识别方法。
背景技术
辐射源信号脉内调制识别是辐射源的重要特征之一,是对辐射源进行接收、分选和定位等非合作通信方式时的重要参数。电磁威胁环境的信号密度高达每秒120万个脉冲以上,雷达工作频率覆盖范围达到了0.1~20GHz,并正在向0.05~140GHz扩展,雷达信号波形在时频等多个域中同时变化。辐射源信号的调制识别面临着电磁环境复杂化、调制样式多样化、接收信噪比低等问题。
近年来关于雷达辐射源信号识别的大量研究成果表明,脉内调制识别将有望在新型复杂体制雷达辐射源信号识别技术与装备方面获得重要突破。现有的雷达辐射源信号脉内调制识别方法主要有小波及小波包变换法、小波脊线法、相像系数法、经验模式分解法、相对无模糊相位重构法、熵特征法、围线积分双谱法、复杂度特征法、包络法、分形维数法、模糊函数主脊切面法、瞬时频率派生特征法和模糊函数主脊切面特征法等。现有的方法都是对所有不同信噪比情况进行统一处理,为使不同调制信号之间差异明显将采样信号做某种变换,再使用其相应的特征提取方法对变换后的信号进行特征提取,进而完成对信号的调制方式的识别。这些方法在选用信号脉内特征时,都按照同一特征提取方式提取在不同噪声情况的信号脉内特征,没有探讨高信噪比和低信噪比时对采样信号做相应变换,噪声能量对信号调制特征提取的影响。
发明内容
本发明的目的在于提供一种能够解决提取信号调制特征时高信噪比特征冗余、低信噪比特征缺失问题的基于时频分析的自适应辐射源调制识别方法。
本发明的目的是这样实现的:
首先,对接收的辐射源信号使用时频分布进行时频分析,将辐射源信号从时域信号转换为时间-频率二维图像;
然后使用图像处理技术降低计算复杂度和特征维数,经过归一化、二值化、图像细化图像预处理操作,增强信号特征信息在图像中的比重;
随后,联合二阶四阶矩估计方法,利用自适应主成分分析算法,对预处理后的图像进行图像形状特征提取;
最后,使用LIBSVM分类器识别辐射源信号的调制方式。
本发明的优点在于提出了一种运用主成分分析算法对雷达辐射源信号时频分析图像进行特征提取,通过自适应主成分分析算法提取不同信噪比下关键特征,在信噪比为0dB时,基于自适应PCA识别算法识别率达到98%以上,较之Hu矩和伪Zernike矩有12dB左右的提升,同时自适应PCA处于PCA-15和PCA-20之间,表明自适应PCA即能有效避免低信噪比信号特征缺失,又能避免高信噪比信号特征冗余的情况,同时不影响调制识别率。
附图说明
图1是本发明信号调制识别的流程图。
图2是本发明图像中任一像素P的八邻域图。
图3是本发明二阶四阶矩估计信噪比均值示意图。
图4是本发明自适应PCA及不同PCA特征提取识别结果示意图。
图5是本发明自适应PCA及不变矩特征提取识别结果示意图。
具体实施方式
下面举例对本发明做更详细的描述。
步骤1:选用Choi-Williams分布(CWD)对辐射源信号s(t)进行时频分析。对信号瞬时相关函数R(t,τ)的时间变量t做傅立叶逆变换,信号s(t)的模糊函数χs(τ,ξ)的定义为式(1),
式中,τ为时移,ξ为频移。
选取为时频分布的核函数,式中,τ为时移,ξ为频移,σ为常数(σ越大,自项的分辨率越高;σ越小,对交叉项的抑制越大,实际应用中视信号特点取自项分辨率和交叉项抑制的折中)。将模糊函数χs(τ,ξ)和核函数φ(τ,ξ)代入Cohen类时频分布统一表示形式:
得Choi-Williams分布,即
式中,t是时间,ω是频率,τ是时移,μ是积分σ变量。
引入指数核函数的CWD分布可有效抑制模数平面中的由互模数函数形成的交叉项,辐射源信号经过CWD分布时频变换后得到时频图像。
步骤2:对步骤1得到的时频图像进行图像预处理。
各个信号的时频图像灰度值的动态范围是不一样的,像素点灰度值大的数据对分类识别有着大的影响,为了减少数据间的不平衡性,需要对时频图像灰度值进行归一化。设和σ2分别是所有像素点灰度值的均值和方差。
归一化后像素点的灰度值为:
采用最大方差比的阈值确定方法,提高图像二值化的准确度。
使用Hilditch经典细化算法对二值图像进行细化。目标图像任一像素P相邻8个像素的八邻域如图2所示,若目标像素同时满足以下条件即可删除像素:
i.P0+P2+P4+P6≤3;
ii.NC=1;
iii.PK(0≤k≤7)中至少有一个目标像素为1;
iv.P2=1或NC2=1,NC2为假定P2=0时P的联结数;
v.P4=1或NC4=1,NC4为假定P4=0时P的联结数;
该细化算法每次扫描删除图像上目标的轮廓像素(满足条件i至v),直到图像上不存在可删除的轮廓像素为止,最终得到辐射源信号的时频骨架图像。
步骤3:运用二阶四阶矩估计法对接收到的辐射源信号x(n)=s(n)+w(n)进行信噪比估计。其中s(n)=Aejφ(n)为辐射源信号,w(n)是均值为0,方差为σ2的复高斯白噪声,雷达信号和高斯白噪声之间相互独立。
用接收信号序列的时间平均来近似二阶量和四阶量,其中辐射源信号x(n)的二阶矩和四阶矩近似表达式如下:
联立由上两式,解得A2、σ2的估计值为:
定义辐射源信号信噪比估计值为联立由上两式解得:
步骤4:辐射源信号经过步骤1得到的时频图像,经过步骤2的预处理后可得到辐射源信号的时频骨架图像,将该图像作为原始样本构成一个数据矩阵为:
其协方差矩阵为R=XXT,可对该协方差矩阵作特征值分解:
RM×M=U∧UT (12)
其中,T表示转置,∧为协方差矩阵的特征值对角阵,U为相应的特征矩阵,对时频图像作如下变换:
PM×N=UTX=[p1,p2,…,pM]T (13)
其中,P为时频图像二值矩阵的主成分,p1是第一主成分,pj为第j主成分,选取前k个主成分,构成时频图像的骨架特征矩阵。
步骤5:在低信噪比条件下,由于噪声的影响图片上的骨架特征也会掺入杂质,而对于高信噪比过多的提取成分分量,会弱化了区分性能强的成分分量。依据步骤3解得辐射源信号信噪比估计值实现在不同信噪比下选取不同的主成分分量的自适应主成分分析算法。
步骤6:使用台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包LIBSVM,采用交叉验证的方法确定支持向量机本身的参数调节过程。选取支持向量机分类器的核函数,并根据训练样本的形态特征确定核函数的参数,以训练支持向量机分类器。其中,支持向量机分类器的核函数为高斯核函数,即公式(14):
k(x1,x2)=exp(-γ*|x1-x2|2) (14)
具体而言,选择上述的高斯核函数作为核函数,核函数参数的选择采用交叉验证的方法。其中,C(惩罚因子)从2-5~25(成倍增加),γ(核函数参数)从2-5~25(成倍增加),对于某个(C,γ),选择5折交叉验证,即将训练样本分成5份,挑选1份作为测试样本,剩下4份作为训练样本,重复5次,计算平均正确率,以此衡量当前(C,γ)的性能,选择性能相对最好的(C,γ)作为最终的参数。
最后,将步骤5在不同信噪比条件下,自适应得到的时频图像特征向量输入训练好的支持向量机,得到输入该***的辐射源信号脉内调制方式。
实施例
1、实验参数设置如下:对LFM、BPSK、COSTAS、FRANK四种调制方式的雷达辐射源信号进行仿真分析,其中载频为20MHz,采样频率为100MHz,脉冲宽度为10us,BPSK为7位Barker码。对于每一种待分类信号,在信噪比为-2~20dB之间,每隔2dB进行仿真试验,每种信号在当前信噪比下产生200个样本,其中每个信号随机选取140个样本进行SVM的训练,剩余的60个样本用于SVM分类器识别率的测试。试验结果如图3至5所示。
其中图3表示辐射源信噪比估计值的确定,根据步骤3估计AWGN信道下,以BPSK调制信号为例,待估计信噪比范围设为[-10,20]dB,得到二阶四阶矩估计法的信噪比估计均值。
其中图4表示主成分分析选取不同数量特征以LIBSVM为分类器的识别结果,基于PCA-10(选取10个PCA特征)、PCA-15(选取15个PCA特征)、PCA-20(选取20个PCA特征)及自适应PCA这四种不同特征提取情况下的辐射源信号调制识别率变化曲线。
其中图5表示自适应主成分分析及不变矩特征以LIBSVM为分类器的识别结果,基于自适应PCA、Hu矩、伪Zernike矩这三种不同特征提取情况下的辐射源信号调制识别率变化曲线。
2、实验及结果分析
仿真结果表明,使用相同结构的LIBSVM分类器情况下,基于PCA提取的图像特征、基于Hu矩提取的图像特征和基于伪Zernike矩提取的图像特征在信噪比大于0dB的条件下识别效果都较好,基本达到了90%以上。但是另外两种特征提取方法识别率明显低于基于PCA的特征提取方法,同时,使用主成分分量特征越多,识别率越高,基于信噪比的自适应PCA特征提取的识别率在各个信噪比情况下都有较高的识别率,达到了97%以上。由于Hu矩和伪Zernike矩都是提取图像中的不变矩特征,将不变矩特征应用于基于时频分析的信号调制识别中,得到的识别效果明显弱于基于PCA图像特征的调制识别。PCA-15、PCA-20相比,在高信噪比情况下选用PCA-20明显出现了特征冗余,PCA-10、PCA-15、PCA-20相比,在低信噪比情况下选用PCA-10、PCA-15明显出现了特征缺失,基于信噪比的自适应PCA特征提取实现了在对应信噪比选取合适数量的PCA特征,达到了较高的识别率。
本发明提供了一种基于不同信噪比自适应提取PCA特征的调制识别新方法。具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于时频分析的自适应辐射源调制识别方法,其特征是:
步骤一,对接收的辐射源信号使用时频分布进行时频分析,将辐射源信号从时域信号转换为时间-频率二维图像;
步骤二,使用图像处理技术降低计算复杂度和特征维数,经过归一化、二值化、图像细化图像预处理操作,增强信号特征信息在图像中的比重;
步骤三,联合二阶四阶矩估计方法,利用自适应主成分分析算法,对预处理后的图像进行图像形状特征提取;
步骤四,使用LIBSVM分类器识别辐射源信号的调制方式。
2.根据权利要求1所述的基于时频分析的自适应辐射源调制识别方法,其特征是步骤一具体包括:
选用Choi-Williams分布对辐射源信号s(t)进行时频分析,对信号瞬时相关函数R(t,τ)的时间变量t做傅立叶逆变换,信号s(t)的模糊函数χs(τ,ξ)的定义为式(1),
<mrow>
<msub>
<mi>&chi;</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>s</mi>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mfrac>
<mtable>
<mtr>
<mtd>
<mi>&tau;</mi>
</mtd>
</mtr>
</mtable>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msup>
<mi>s</mi>
<mo>*</mo>
</msup>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mfrac>
<mtable>
<mtr>
<mtd>
<mi>&tau;</mi>
</mtd>
</mtr>
</mtable>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>&xi;</mi>
<mi>t</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,τ为时移,ξ为频移;
选取为时频分布的核函数,式中,τ为时移,ξ为频移,σ为常数;将模糊函数χs(τ,ξ)和核函数φ(τ,ξ)代入Cohen类时频分布统一表示形式:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msub>
<mi>&chi;</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mi>&xi;</mi>
<mo>+</mo>
<mi>&tau;</mi>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mi>d</mi>
<mi>&tau;</mi>
<mi>d</mi>
<mi>&xi;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
得Choi-Williams分布,即
<mrow>
<mi>C</mi>
<mi>W</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mi>&omega;</mi>
<mi>&tau;</mi>
</mrow>
</msup>
<mo>&lsqb;</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msqrt>
<mfrac>
<mi>&sigma;</mi>
<mrow>
<mn>4</mn>
<msup>
<mi>&pi;&tau;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msqrt>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&mu;</mi>
<mo>+</mo>
<mfrac>
<mi>&tau;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>s</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>&mu;</mi>
<mo>-</mo>
<mfrac>
<mi>&tau;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>&mu;</mi>
<mo>-</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>4</mn>
<msup>
<mi>&tau;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mi>d</mi>
<mi>&mu;</mi>
<mo>&rsqb;</mo>
<mi>d</mi>
<mi>&tau;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,t是时间,ω是频率,τ是时移,μ是积分σ变量;
辐射源信号经过CWD分布时频变换后得到时频图像。
3.根据权利要求2所述的基于时频分析的自适应辐射源调制识别方法,其特征是步骤二具体包括:
对时频图像灰度值进行归一化,设和σ2分别是所有像素点灰度值的均值和方差,
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
归一化后像素点的灰度值为:
采用最大方差比的阈值确定方法,提高图像二值化的准确度,
使用Hilditch经典细化算法对二值图像进行细化,若目标像素同时满足以下条件即删除像素:
i.P0+P2+P4+P6≤3;
ii.NC=1;
iii.PK,0≤k≤7中至少有一个目标像素为1;
iv.P2=1或NC2=1,NC2为假定P2=0时P的联结数;
v.P4=1或NC4=1,NC4为假定P4=0时P的联结数;
该细化算法每次扫描删除图像上目标的轮廓像素,直到图像上不存在可删除的轮廓像素为止,最终得到辐射源信号的时频骨架图像。
4.根据权利要求3所述的基于时频分析的自适应辐射源调制识别方法,其特征是步骤三具体包括:
运用二阶四阶矩估计法对接收到的辐射源信号x(n)=s(n)+w(n)进行信噪比估计,其中s(n)=Aejφ(n)为辐射源信号,w(n)是均值为0,方差为σ2的复高斯白噪声,雷达信号和高斯白噪声之间相互独立;
用接收信号序列的时间平均来近似二阶量和四阶量,其中辐射源信号x(n)的二阶矩和四阶矩近似表达式如下:
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<msup>
<mo>|</mo>
<mn>4</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
联立由上两式,解得A2、σ2的估计值为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<msup>
<mi>A</mi>
<mn>2</mn>
</msup>
<mo>^</mo>
</mover>
<mo>=</mo>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>M</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>M</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
定义辐射源信号信噪比估计值为联立由上两式解得:
<mrow>
<mi>S</mi>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>M</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
</mrow>
</msqrt>
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>M</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
辐射源信号经过步骤1得到的时频图像,经过步骤2的预处理后得到辐射源信号的时频骨架图像,将该图像作为原始样本构成一个数据矩阵为:
其协方差矩阵为R=XXT,对该协方差矩阵作特征值分解:
RM×M=U∧UT (12)
其中,T表示转置,∧为协方差矩阵的特征值对角阵,U为相应的特征矩阵,对时频图像作如下变换:
PM×N=UTX=[p1,p2,…,pM]T (13)
其中,P为时频图像二值矩阵的主成分,p1是第一主成分,pj为第j主成分,选取前k个主成分,构成时频图像的骨架特征矩阵;
依据步骤3解得辐射源信号信噪比估计值实现在不同信噪比下选取不同的主成分分量的自适应主成分分析算法。
5.根据权利要求4所述的基于时频分析的自适应辐射源调制识别方法,其特征是步骤四具体包括:
选取支持向量机分类器的核函数,并根据训练样本的形态特征确定核函数的参数,以训练支持向量机分类器,其中,支持向量机分类器的核函数为高斯核函数,即公式(14):
k(x1,x2)=exp(-γ*|x1-x2|2) (14)
具体而言,选择上述的高斯核函数作为核函数,核函数参数的选择采用交叉验证的方法,其中,惩罚因子C从2-5~25成倍增加,核函数参数γ从2-5~25成倍增加,对于某个(C,γ),选择5折交叉验证,即将训练样本分成5份,挑选1份作为测试样本,剩下4份作为训练样本,重复5次,计算平均正确率,以此衡量当前(C,γ)的性能,选择性能相对最好的(C,γ)作为最终的参数;
最后,将在不同信噪比条件下,自适应得到的时频图像特征向量输入训练好的支持向量机,得到输入的辐射源信号脉内调制方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710562232.XA CN107301432B (zh) | 2017-07-11 | 2017-07-11 | 基于时频分析的自适应辐射源调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710562232.XA CN107301432B (zh) | 2017-07-11 | 2017-07-11 | 基于时频分析的自适应辐射源调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301432A true CN107301432A (zh) | 2017-10-27 |
CN107301432B CN107301432B (zh) | 2020-09-25 |
Family
ID=60134346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710562232.XA Active CN107301432B (zh) | 2017-07-11 | 2017-07-11 | 基于时频分析的自适应辐射源调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301432B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748356A (zh) * | 2017-11-06 | 2018-03-02 | 西安电子科技大学 | 基于复相像系数的相位编码信号欺骗式干扰类型识别方法 |
CN107918110A (zh) * | 2017-11-06 | 2018-04-17 | 西安电子科技大学 | 基于复相像系数的线性调频信号欺骗式干扰类型识别方法 |
CN108197146A (zh) * | 2017-11-29 | 2018-06-22 | 山东航天电子技术研究所 | 基于脉冲流数据的精分类辐射源识别参量在轨生成*** |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN109034087A (zh) * | 2018-08-06 | 2018-12-18 | 河海大学 | 一种基于pca降维的混合型机器学习信号分类方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109376748A (zh) * | 2018-10-25 | 2019-02-22 | 惠州学院 | 一种图像形状特征提取*** |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110297218A (zh) * | 2019-07-09 | 2019-10-01 | 哈尔滨工程大学 | 基于生成对抗网络的雷达信号未知调制方式检测方法 |
CN110703323A (zh) * | 2019-10-15 | 2020-01-17 | 广东石油化工学院 | 一种利用时频统计量的微震事件检测方法和*** |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111680737A (zh) * | 2020-06-03 | 2020-09-18 | 西安电子科技大学 | 差异性信噪比条件下的雷达辐射源个体识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN112307422A (zh) * | 2020-10-30 | 2021-02-02 | 天津光电通信技术有限公司 | 一种低信噪比下信号时频分析方法、装置及设备 |
CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
CN113873430A (zh) * | 2021-10-22 | 2021-12-31 | 西京学院 | 一种基于时频分析的终端簇室内定位方法及定位*** |
CN114095102A (zh) * | 2021-11-18 | 2022-02-25 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090144350A1 (en) * | 2007-09-28 | 2009-06-04 | Chein-I Chang | Maximum simplex volume criterion-based endmember extraction algorithms |
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN106778610A (zh) * | 2016-12-16 | 2017-05-31 | 哈尔滨工程大学 | 一种基于时频图像特征的脉内调制识别方法 |
-
2017
- 2017-07-11 CN CN201710562232.XA patent/CN107301432B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090144350A1 (en) * | 2007-09-28 | 2009-06-04 | Chein-I Chang | Maximum simplex volume criterion-based endmember extraction algorithms |
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN106778610A (zh) * | 2016-12-16 | 2017-05-31 | 哈尔滨工程大学 | 一种基于时频图像特征的脉内调制识别方法 |
Non-Patent Citations (5)
Title |
---|
CHIEN-I CHANG ET AL.: "Interference and noise-adjusted principal components analysis", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
徐书华 等: "基于SIB/PCA的通信辐射源个体识别", 《华中科技大学学报(自然科学版)》 * |
毕晓冬: "智能交通信号控制***中车牌识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王维平 等: "M2M4信噪比估计算法的统计性能分析", 《现代雷达》 * |
郭书超: "非平稳信号Choi_Williams分布研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748356B (zh) * | 2017-11-06 | 2019-07-23 | 西安电子科技大学 | 基于复相像系数的相位编码信号欺骗式干扰类型识别方法 |
CN107918110A (zh) * | 2017-11-06 | 2018-04-17 | 西安电子科技大学 | 基于复相像系数的线性调频信号欺骗式干扰类型识别方法 |
CN107748356A (zh) * | 2017-11-06 | 2018-03-02 | 西安电子科技大学 | 基于复相像系数的相位编码信号欺骗式干扰类型识别方法 |
CN108197146A (zh) * | 2017-11-29 | 2018-06-22 | 山东航天电子技术研究所 | 基于脉冲流数据的精分类辐射源识别参量在轨生成*** |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN109034087A (zh) * | 2018-08-06 | 2018-12-18 | 河海大学 | 一种基于pca降维的混合型机器学习信号分类方法 |
CN109034087B (zh) * | 2018-08-06 | 2021-11-30 | 河海大学 | 一种基于pca降维的混合型机器学习信号分类方法 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109376748A (zh) * | 2018-10-25 | 2019-02-22 | 惠州学院 | 一种图像形状特征提取*** |
CN109254274B (zh) * | 2018-11-23 | 2022-12-13 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110197209B (zh) * | 2019-05-15 | 2022-07-26 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110244271B (zh) * | 2019-05-17 | 2022-06-10 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN110297218A (zh) * | 2019-07-09 | 2019-10-01 | 哈尔滨工程大学 | 基于生成对抗网络的雷达信号未知调制方式检测方法 |
CN110297218B (zh) * | 2019-07-09 | 2022-07-15 | 哈尔滨工程大学 | 基于生成对抗网络的雷达信号未知调制方式检测方法 |
CN110703323A (zh) * | 2019-10-15 | 2020-01-17 | 广东石油化工学院 | 一种利用时频统计量的微震事件检测方法和*** |
CN111160171B (zh) * | 2019-12-19 | 2022-04-12 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111680737A (zh) * | 2020-06-03 | 2020-09-18 | 西安电子科技大学 | 差异性信噪比条件下的雷达辐射源个体识别方法 |
CN111680737B (zh) * | 2020-06-03 | 2023-03-24 | 西安电子科技大学 | 差异性信噪比条件下的雷达辐射源个体识别方法 |
CN111767848B (zh) * | 2020-06-29 | 2022-04-12 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
CN112307422A (zh) * | 2020-10-30 | 2021-02-02 | 天津光电通信技术有限公司 | 一种低信噪比下信号时频分析方法、装置及设备 |
CN113673312A (zh) * | 2021-07-06 | 2021-11-19 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
CN113673312B (zh) * | 2021-07-06 | 2023-08-22 | 太原理工大学 | 基于深度学习的雷达信号脉内调制识别方法 |
CN113640750B (zh) * | 2021-08-13 | 2022-07-05 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
CN113640750A (zh) * | 2021-08-13 | 2021-11-12 | 安徽中金码电子科技有限公司 | 基于图像的雷达信号波形调制方式识别方法、平台及介质 |
CN113873430A (zh) * | 2021-10-22 | 2021-12-31 | 西京学院 | 一种基于时频分析的终端簇室内定位方法及定位*** |
CN113873430B (zh) * | 2021-10-22 | 2023-11-21 | 西京学院 | 一种基于时频分析的终端簇室内定位方法及定位*** |
CN114095102A (zh) * | 2021-11-18 | 2022-02-25 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
CN114095102B (zh) * | 2021-11-18 | 2023-12-29 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107301432B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301432A (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
Wu et al. | Jamming signals classification using convolutional neural network | |
CN107220606A (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN108805039A (zh) | 联合熵与预训练cnn提取时频图像特征的调制识别方法 | |
CN103824088B (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN108416290A (zh) | 基于残差深度学习的雷达信号特征提取方法 | |
CN109613486B (zh) | 一种基于核簇支持向量聚类的雷达信号分选方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN108549832B (zh) | 基于全连接神经网络的低截获雷达信号分类方法 | |
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
Lin et al. | DL-CFAR: A novel CFAR target detection method based on deep learning | |
CN101526995A (zh) | 基于对角子类判决分析的合成孔径雷达目标识别方法 | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN105988113A (zh) | 极化合成孔径雷达图像变化检测方法 | |
Kong et al. | A transformer-based CTDNN structure for automatic modulation recognition | |
Delamou et al. | Deep learning-based estimation for multitarget radar detection | |
Bai et al. | A new radar signal modulation recognition algorithm based on time-frequency transform | |
Jin et al. | Radar signal recognition based on deep residual network with attention mechanism | |
CN107909595A (zh) | 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |