CN108764331A - 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 - Google Patents

Abstract

本发明提供的是一种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。首先应用FRFT技术解决了多信号分离的难题，然后在时频域用预训练CNN结合SVM实现对强信号的精确分类识别，同时提取弱信号的谱峭度、均方根植、AR特征系数及Renyi熵等特征实现特征融合，用主成分分析(PCA)对融合特征降维以提高***有效性，进而将降维后的特征送入SVM实现第二信号分类识别，最终实现在较低信噪比下精确快速的识别多信号调制方式。

Description

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

技术领域

本发明涉及的是一种联合分类器信号调制识别方法，具体地说是一种基于分数阶傅里叶变换(FRFT)对多信号分离的联合分类器信号调制识别方法。

背景技术

随着电磁环境越来越密集，多信号同时到达的问题给信号调制的高可靠性识别带来难度。因此，多信号分离成为对单信号调制方式分类识别前要解决的关键问题。

多信号在时域未混叠时采用的时域检测法以能量检测法的原理为基础，虽然时域算法计算量小、实现简单并且检测速度快，但存在的突出问题是对噪声比较敏感，不适用信噪比较低的情况；频域未混叠时采用的频域检测算法主要以幅度谱和循环谱等为判决量，频域检测算法运算相对复杂且检测速度相对较慢。对于时频域混叠的信号，上述两种常用方法均束手无策。此外，分离后的单信号需要进行调制识别，基于时频图像的脉内调制识别方法适用性广泛，对信号时频分析后提取图像特征，在其后端接入支持向量机(SVM)分类器，可在低信噪比下获得较高识别率。但是该方法需人工提取特征，若人工提取特征信息不当必将使识别出现偏差，最终导致其识别率低，且多信号中弱信号被分离出来后会严重缺失颜色特征和细节特征，提取时频图像特征对信号调制识别时识别率较低。后端应用SVM对信号进行分类识别时，当核函数确定以后，核函数参数和支持向量机惩罚因子的不同取值会对分类结果起到决定性的作用，惩罚因子的大小代表重视损失的程度，核函数参数的大小决定拟合程度。粒子群算法(PSO)对SVM参数优化可获得较好的优化效果，但PSO算法本身易陷入局部最优且整体迭代速度偏慢，影响整体的识别效果。

发明内容

本发明的目的在于提供一种能够实现在较低信噪比下精确快速的识别多信号调制方式的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

本发明的目的是这样实现的：

步骤一：产生9类雷达信号集，对信号进行平滑伪Wigner-Ville分布(SPWVD)得到时频图像，调整时频图像大小；

步骤二：基于MatConvNet官网提供的CNN模型imagenet-***net-DAG，使其参数保持不变，由其Input层至icp9模块构成FT-CNN特征提取模块，接着图像送入特征提取模块从而输出特征，选取时频图像特征作为训练集，随后提取信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，将融合特征作为另一个训练集；

步骤三：将云理论与PSO算法结合，利用PSO算法先计算适应度值，根据适应度值将粒子分为三层，对每层的惯性权重ω进行赋值，其中，中间层采用云理论进行求取，在对惯性权重ω赋值后，联合应用PSO与ABC两算法计算适应度值，每独立计算一次比较取最优适应度值，直到到达最大迭代次数取最优值，通过云理论、PSO算法与ABC算法的三者结合实现对SVM参数寻优，从而构成IPSO-SVM分类器，分别选取图像特征和融合特征训练集对分类器进行训练，利用训练后的分类器对各自训练集进行识别，验证FT-CNN-IPSO-SVM和IPSO-5features-SVM分类器的识别率；

步骤四：***接收多信号时，先将多信号进行FRFT，形成能量的二维分布；

步骤五：对此二维分布进行滤波，滤除能量较弱的信号以及噪声，并对滤波结果做相应的FRFT，得到第一信号的时域形式；

步骤六：在时域中消去当前信号中的第一信号，剩余信号中将包含能量较弱的信号及噪声，对剩余信号做相应的FRFT以进一步消除其中的噪声，再对分离出的信号做FRFT，得到第二信号的时域形式；

步骤七：对第一信号进行SPWVD得到时频图像，调整时频图像大小，然后将图像送入步骤二构建的特征提取模块从而输出特征，再将输出的特征送入步骤三的FT-CNN-IPSO-SVM分类器进行分类识别；

步骤八：提取第二信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，并应用PCA对特征降维，将降维特征输入步骤三提出的IPSO-SVM分类器构成IPSO-5features-SVM分类器，实现第二信号的分类识别。

本发明提出了一种基于FRFT的联合分类器多信号调制识别方法，首先应用FRFT技术解决了多信号分离的难题，然后在时频域用预训练CNN结合SVM实现对强信号的精确分类识别，同时提取弱信号的谱峭度、均方根植、AR特征系数及Renyi熵等特征实现特征融合，用主成分分析(PCA)对融合特征降维以提高***有效性，进而将降维后的特征送入SVM实现第二信号分类识别，最终实现在较低信噪比下精确快速的识别多信号调制方式。

与现有技术相比，本发明的优点在于：1、应用分数阶傅里叶变换技术提升多信号分类精度，解决了对同时到达多信号分离难的问题；2、针对多信号中弱信号被分离出来后会严重缺失颜色特征和细节特征这一问题，提出联合分类器多信号调制识别算法，分别将强弱信号输入FT-CNN-IPSO-SVM分类器和IPSO-5features-SVM分类器，大大提升了多信号分离后的识别性能；3、将云理论、PSO算法和ABC算法结合实现对SVM的参数寻优，应用云理论和ABC算法随机性较大的性质可进一步解决PSO易陷入局部最优的问题，且云理论能够使算法收敛速度和精度得到提高；4、利用CNN的自提取性可实现特征的自动提取，然后将特征送入SVM能解决CNN小样本训练精度不高的问题；5、直接提取弱信号的谱峭度、均方根植、AR特征系数及Renyi熵等特征实现特征融合，而谱峭度对淹没在噪声中的非平稳信号异常敏感，再加上Renyi熵的强抗噪能力，会进一步提高对弱信号的识别率；6、用PCA去相关或忽略次要特征对分类的影响，对融合后特征降维以提高***有效性，进而将降维后的特征送入SVM实现分类识别，最终实现在较低信噪比下精确快速的识别多信号调制方式。

附图说明

图1是本发明的多信号分离调制识别流程图。

图2是9类雷达信号的相关参数表1。

图3是信噪比0dB和3dB条件下应用不同分类器识别多信号的结果表2。

具体实施方式

下面举例对本发明做更详细的描述。

步骤一：依据图2的表1提供的9类雷达信号参数值，产生由CW、LFM、BPSK、COSTAS、FRANK、P1、P2、P3和P4组成的雷达信号集。对雷达信号这类非平稳信号的分析处理不能单单局限于时域或频域，要对雷达信号进行时频分析，而SPWVD能在时间和频率两个方向上都进行平滑的同时有效抑制交叉项。对第一信号进行SPWVD得到时频图像，相应的SPWVD公式如下：

对时变局部相关函数作傅里叶变换，即可得到Wigner Ville分布(WVD)：

对Wigner Ville分布加核函数g(u)h(τ)，得到SPWVD：

式中，t为时间，f和ω为频率，且ω＝2πf。

步骤二：完成时频转换后，接下来构造特征提取模块。基于MatConvNet官网提供的预训练CNN模型imagenet-***net-DAG，将时频图像大小调整至224×224×3。使预训练网络模型的参数保持不变，由其Input层至icp9模块构成FT-CNN特征提取模块，将时频图像送入该模块中进行特征提取，选取时频图像特征作为训练集。同时，提取第二信号的谱峭度、均方根植、AR模型系数及Renyi熵等特征实现特征融合。谱峭度对淹没于噪声中的非平稳信号异常敏感从而能精确指示发生频率的位置：

式中，S_nY(f)表示n阶谱矩。而均方根值用来反映信号的能量大小：

式中，M为信号个数。AR模型是利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型：

式中，s为时间，子样观测值{x_i,i＝0,±1,…}，白噪声序列表示为{a_t}，回归系数为Renyi熵具有强抗噪能力，在低信噪比下识别率高，信号的Renyi熵表示为：

式中，α为阶数，P(t,f)表示信号的时频分布。在融合上述特征后应用PCA对特征降维，选取降维后融合特征作为训练集。

步骤三：将云理论与PSO算法结合，首先要将种群规模、PSO速度范围、SVM的参数及初始适应值进行初始化，使PSO算法先迭代1次计算平均适应度值f_ave，再分别将小于f_ave和大于f_ave的适应度值分为两部分，并分别求两部分的平均适应度值f_ave1和f_ave2，这样就将粒子分成三层，即f≤f_ave1、f_ave1＜f＜f_ave2和f_ave2≤f。然后对每层的惯性权重ω进行赋值，其中适应度值较小的一层ω₁值为0.2，较大层ω₃为0.9，中间层采用云理论进行求取(0.4≤ω₂≤0.9)。其中，云理论三大数字特征为期望E_x、熵E_n和超熵H_e，最小适应度值为f_min，PSO的学习因子为c₁＝2、c₂＝2，云自适应惯性权重产生过程如下：

a.求期望E_x、熵E_n和超熵H_e，令E_x＝f_ave1，E_n＝(f_ave-f_min)/c₁，H_e＝E_n/c₂；

b.生成均值为E_n和方差为H_e的正态随机数E_n'；

c.求得权重

在PSO算法迭代1次求得惯性权重ω后，联合应用PSO算法与ABC算法两算法计算适应值。其中，ABC算法跟PSO算法的种群规模相同。

PSO算法中粒子位置及速度的更新为：

式中，x_i＝[x_i,1,x_i,2,...,x_i,N]^T是N维空间中第i个粒子的位置，v_i＝[v_i,1,v_i,2,...,v_i,N]^T为速度，i＝1,2,...,N，N是种群粒子总数。每个粒子在位置移动过程中都会追踪个体最优适应度的位置p_best与群体适应度最优的位置个最优解g_best。等号右边的v_i,j(t)、x_i,j(t)为第i个粒子在t时刻的速度和位置信息，c₁、c₂为粒子的学习因子，r₁和r₂是介于(0,1)之间的随机数。而ABC算法中搜索方程为：

v_ij＝x_ij+φ_ij(x_ij-x_kj) (8)

式中，k＝1,2,...,SN，k≠i，SN是蜜源数，φ_ij是区间[0,1]的随机数。原蜜源位置x_ij与随机蜜源位置x_kj之间的对比关系，影响着新的蜜源位置v_ij。然后，随从蜂根据花蜜量选择蜜源，蜜源被选中的概率为P_i。

式中，fit_i为解x_i的适应度值。若x_ij经过limit次开采蜂和随从蜂的循环搜索后未被改进，则该位置被放弃，此时开采蜂转变为侦察蜂，并随机搜索一个蜜源替换原蜜源。该侦察蜂将按上式在解空间中随机产生新蜜源并替换原蜜源位置。

分别应用PSO算法和ABC算法独立计算一次适应度值比较取最优适应度值，直到到达最大迭代次数取最优值，通过云理论、PSO算法与ABC算法的三者结合实现对SVM参数寻优，从而构成IPSO-SVM分类器。分别选取图像特征和融合特征训练集对分类器进行训练，利用训练后的分类器对各自训练集进行识别，验证FT-CNN-IPSO-SVM和IPSO-5features-SVM分类器的识别率。

步骤四：***接收多信号时，先将多信号进行FRFT，在0≤|p|≤2变换阶数内寻找最佳旋转角度对x(t)进行旋转角度为的FRFT，形成(α,u)平面上能量的二维分布对应的FRFT公式如下：

式中，u为频率，γ＝cotα，β＝cscα，α为FRFT轴与时间轴之间的夹角，且α＝pπ/2。上式是在假定0.5≤|p|≤1.5的条件下得到的，利用FRFT的旋转相加性可方便地将阶次范围扩展到0≤|p|≤0.5或1.5≤|p|≤2时的情况。

步骤五：对采用以为中心的窄带滤波器进行滤波，滤除能量较弱的信号以及噪声，并对滤波结果做阶的FRFT，即可得到第一信号的时域形式。

步骤六：在时域中消去当前信号中的第一信号，剩余信号中将包含能量较弱的信号及噪声，对剩余信号做相应的FRFT以进一步消除其中的噪声，再对剩余信号做阶的FRFT即可得到第二信号的时域形式。

步骤七：对第一信号进行SPWVD得到时频图像，调整时频图像大小，然后将图像送入步骤二构建的特征提取模块从而输出特征，再将输出的特征送入步骤三的FT-CNN-IPSO-SVM分类器进行分类识别。

步骤七：提取第二信号的谱峭度、均方根植、AR特征系数及Renyi熵等特征实现特征融合，并应用PCA对特征降维，将降维特征输入步骤三提出的IPSO-SVM分类器构成IPSO-5features-SVM分类器，实现第二信号的分类识别。

图3的表2给出信噪比为0dB和3dB条件下应用FT-CNN-IPSO-SVM分类器识别多信号和应用联合分类器识别多信号的结果，信噪比3dB条件下各信号的调制识别率相对于信噪比0dB时都有提升。联合分类器调制识别算法充分发挥了IPSO-5features-SVM分类器对形状特征的优势，使得该算法对第二信号的调制识别率明显高于使用FT-CNN-IPSO-SVM分类器的调制识别率，表明了本发明对同时到达的多信号调制识别率(尤其第二信号)较高。此外，本发明测试稳定，识别率未出现大幅度的波动，表明了本发明稳定性较好，具有很好的实用性。

本发明提供了一种基于FRFT对多信号分离的联合分类器信号调制识别方法，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 (1)

1.一种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，其特征是：

步骤一：产生9类雷达信号集，对信号进行平滑伪Wigner-Ville分布得到时频图像，调整时频图像大小；

步骤二：基于MatConvNet官网提供的CNN模型imagenet-***net-DAG，使其参数保持不变，由其Input层至icp9模块构成FT-CNN特征提取模块，接着图像送入特征提取模块从而输出特征，选取时频图像特征作为训练集，随后提取信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，将融合特征作为另一个训练集；

步骤三：将云理论与PSO算法结合，利用PSO算法先计算适应度值，根据适应度值将粒子分为三层，对每层的惯性权重ω进行赋值，其中，中间层采用云理论进行求取，在对惯性权重ω赋值后，联合应用PSO与ABC两算法计算适应度值，每独立计算一次比较取最优适应度值，直到到达最大迭代次数取最优值，通过云理论、PSO算法与ABC算法的三者结合实现对SVM参数寻优，从而构成IPSO-SVM分类器，分别选取图像特征和融合特征训练集对分类器进行训练，利用训练后的分类器对各自训练集进行识别，验证FT-CNN-IPSO-SVM和IPSO-5features-SVM分类器的识别率；

步骤四：***接收多信号时，先将多信号进行FRFT，形成能量的二维分布；

步骤五：对此二维分布进行滤波，并对滤波结果做相应的FRFT，得到第一信号的时域形式；

步骤六：在时域中消去当前信号中的第一信号，对剩余信号做相应的FRFT，再对分离出的信号做FRFT，得到第二信号的时域形式；

步骤七：对第一信号进行SPWVD得到时频图像，调整时频图像大小，然后将图像送入步骤二构建的特征提取模块从而输出特征，再将输出的特征送入步骤三的FT-CNN-IPSO-SVM分类器进行分类识别；

步骤八：提取第二信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，并应用PCA对特征降维，将降维特征输入步骤三提出的IPSO-SVM分类器构成IPSO-5features-SVM分类器，实现第二信号的分类识别。