本發(fā)明屬于信息處理
技術(shù)領(lǐng)域：
，特別涉及一種通信輻射源個體細微特征提取方法及系統(tǒng)。
背景技術(shù)：
：相關(guān)資料表明，發(fā)達國家針對輻射源個體細微特征提取的研究成果已經(jīng)形成了裝備，相應(yīng)成套的分析設(shè)備已應(yīng)用于偵察飛機、偵察艦艇以及偵察衛(wèi)星等平臺，從而構(gòu)造了立體的電磁輻射源偵察體系，極大地提高了電子情報搜集的能力和效率。以美國為例，從海灣戰(zhàn)爭開始，已經(jīng)能夠利用電子偵察衛(wèi)星及其他陸海空電子偵察平臺，構(gòu)建立體化的電子情報偵察系統(tǒng)，對高頻、特高頻和超高頻波段范圍內(nèi)的信號進行電磁頻譜監(jiān)測，獲取信號特征參數(shù)和表征輻射源個性特征的信號細微特征。國內(nèi)包括中電集團第三十六研究所、電子科技大學(xué)、中電集團第十研究所、國防科技大學(xué)、華中科技大學(xué)、電子工程學(xué)院等科研院所陸續(xù)開展了對通信輻射源個體細微特征提取方法的研究，其研究思想和方法在通信對抗中得到了應(yīng)用。通過理論與技術(shù)分析，證實信號細微特征能有效地從被截獲的通信信號中提取出來，但是從工程實現(xiàn)的角度，仍然缺乏普遍有效的分析處理方法。從技術(shù)研究的角度，現(xiàn)有的方法可劃分為基于暫態(tài)信號的細微特征提取方法和基于穩(wěn)態(tài)信號的細微特征提取方法。暫態(tài)信號特征提取方法主要是通過提取輻射源在非穩(wěn)定工作狀態(tài)下信號的細微特征。目前比較典型的方法有基于輻射源“turn-on”瞬態(tài)特征分析的方法、基于在發(fā)射機輻射信號中嵌入標識個體身份的偽隨機序列方法和基于時頻分析的方法。穩(wěn)態(tài)信號特征提取方法主要是從穩(wěn)定工作狀態(tài)下輻射源個體的噪聲特性、由于內(nèi)部噪聲和非線性等產(chǎn)生的無意識調(diào)制所帶來的雜散特征以及頻率源的不穩(wěn)定性在信號相關(guān)頻率(如載波頻率和碼元速率)上的影響這三個方面進行輻射源個體的細微特征分析。穩(wěn)態(tài)信號特征提取方法包括基于信噪比估計的方法、基于高階統(tǒng)計量的方法、基于調(diào)制參數(shù)的方法、基于信號瞬時特征的方法等?？v觀國內(nèi)外通信輻射源個體細微特征提取的研究現(xiàn)狀與發(fā)展趨勢，可以發(fā)現(xiàn)存在以下幾個重要問題未得到有效解決：(1)實際經(jīng)過調(diào)制和編碼后的通信輻射源發(fā)射信號都是非平穩(wěn)或非高斯信號，現(xiàn)有的基于一階矩、二階矩或功率譜的方法在處理非平穩(wěn)或非高斯信號時一般存在相位和幅度信息失真問題。(2)通信輻射源的各種內(nèi)部差異是以一種聯(lián)合的方式作用在最終的發(fā)射信號上，而現(xiàn)有的方法對這些內(nèi)部效應(yīng)的數(shù)學(xué)模型缺乏研究。(3)輻射源發(fā)射信號，作為輻射源個體細微特征的載體，對于信道、噪聲和環(huán)境都比較敏感，即使同一輻射源在不同信道、噪聲和環(huán)境等條件下的發(fā)射信號之間一般差別都很大，利用現(xiàn)有的方法很難提取到魯棒的通信輻射源個體細微特征。流形學(xué)習(xí)作為一類新興的非線性維數(shù)約簡方法，已在數(shù)據(jù)挖掘、模式識別和機器學(xué)習(xí)等眾多研究領(lǐng)域引起了人們的廣泛關(guān)注，并成功應(yīng)用于人臉識別、手寫數(shù)字識別、圖像檢索和植物分類等。流形學(xué)習(xí)研究水平比較高的國際知名大學(xué)和研究機構(gòu)主要有：美國的斯坦福大學(xué)、賓夕法尼亞大學(xué)、俄亥俄州立大學(xué)、哥倫比亞大學(xué)、華盛頓大學(xué)，加拿大的多倫多大學(xué)以及新加坡國立大學(xué)等。國內(nèi)的北京大學(xué)、浙江大學(xué)和復(fù)旦大學(xué)等單位在此方面的研究也達到了國際先進水平。自從Tenenbaum和Roweis等人2000年在《Science》雜志上相繼發(fā)表了等距特征映射(IsometricFeatureMapping，ISOMAP)和局部線性嵌入(LocallyLinearEmbedding，LLE)兩種流形學(xué)習(xí)算法后，一批代表性的流形學(xué)習(xí)算法紛紛涌現(xiàn)出來。根據(jù)流形學(xué)習(xí)方法嵌入方式的不同，把現(xiàn)有的方法劃分為全局特性保持嵌入方法和局部特性保持嵌入方法。全局特性保持嵌入方法主要是基于保持嵌入在高維觀測空間中內(nèi)在低維流形的全局幾何特性，構(gòu)造所有數(shù)據(jù)點對之間的全局度量矩陣，然后將這種全局度量矩陣轉(zhuǎn)化為內(nèi)積矩陣，通過對內(nèi)積矩陣特征分解，從而獲得數(shù)據(jù)集的內(nèi)在低維表示。局部特性保持嵌入方法主要是基于保持流形的局部幾何特性，即外圍觀測空間鄰域數(shù)據(jù)所具有的局部幾何特性在內(nèi)在低維空間得以保持,從而建立外圍觀測空間與內(nèi)在低維空間之間的聯(lián)系，然后在平均意義下整合排列所有交疊的局部幾何模型，以構(gòu)造全局唯一的低維坐標。由于流形學(xué)習(xí)方法的非線性本質(zhì)、幾何直觀性和計算可行性，使得它們在數(shù)據(jù)挖掘、機器學(xué)習(xí)、模式識別、圖像分析和計算機視覺等研究領(lǐng)域受到了廣泛的關(guān)注并得到了一些成功的應(yīng)用。然而，當它們面臨模式識別與分類任務(wù)時，不可避免地會暴露其自身的局限性：一是無顯式的映射關(guān)系。原始的流形學(xué)習(xí)算法對數(shù)據(jù)進行維數(shù)約簡或特征提取時，所有的操作都是建立在訓(xùn)練樣本集的基礎(chǔ)上，即僅僅產(chǎn)生一個隱含的非線性映射將訓(xùn)練樣本集從高維輸入空間映射到低維空間，而并不能產(chǎn)生一個明確的映射函數(shù)關(guān)系。因此，對于新的測試樣本，無法獲得其在低維空間的投影。二是無監(jiān)督模式學(xué)習(xí)。原始的流形學(xué)習(xí)算法具有很好的維數(shù)約簡能力，但因為是無監(jiān)督模式學(xué)習(xí)，在實際應(yīng)用中不能有效地利用樣本的先驗知識來提高算法的分類識別能力。技術(shù)實現(xiàn)要素：本發(fā)明的目的是：提供一種通信輻射源個體細微特征提取方法及系統(tǒng)，解決了現(xiàn)有方法提取的通信輻射源個體細微特征存在穩(wěn)定度差和清晰度不高等問題，有效保持了通信輻射源發(fā)射信號的相位和幅度信息，為后續(xù)的分類識別提供了更能反映信號內(nèi)在差異的本質(zhì)細微特征。本發(fā)明的技術(shù)方案是：一種通信輻射源個體細微特征提取方法，包括以下步驟：步驟一：通過偵察天線接收各種通信輻射源信號，并將所接收到的通信輻射源信號進行頻率選擇、功率放大、混頻后，獲得中頻信號；步驟二：對獲得的中頻信號濾波、放大、A/D變化、正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；步驟三：對I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得通信輻射源信號的矩形積分雙譜特征向量；步驟四：使用KNN近鄰選擇方法獲得矩形積分雙譜特征向量的局部鄰域，并對局部鄰域進行中心化處理，獲得中心化局部鄰域矩陣；步驟五：對中心化局部鄰域矩陣進行局部切空間坐標轉(zhuǎn)換，獲得中心化局部鄰域的局部切空間坐標；步驟六：對局部切空間坐標進行樣條運算和排列運算，獲得排列矩陣；步驟七：利用排列矩陣、類內(nèi)散度矩陣和類間散度矩陣構(gòu)造廣義特征方程，獲得廣義特征矩陣，再對廣義特征矩陣進行正交投影，獲得正交投影矩陣；步驟八：對矩形積分雙譜特征矩陣進行正交投影，獲得通信輻射源個體的細微特征。更進一步地，所述步驟三對I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，其方法為：對I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得c個通信輻射源的n個矩形積分雙譜特征向量，構(gòu)成D×n維的矩形積分雙譜特征矩陣，記為X＝[x1,x2,...,xi,...,xn]∈RD×n，i＝1,...,n，D表示矩形積分雙譜特征向量的維度，第i個矩形積分雙譜特征向量xi∈RD稱為通信輻射源信號的第i個樣本。更進一步地，所述步驟四使用KNN近鄰選擇方法獲得矩形積分雙譜特征向量的局部鄰域，進一步獲得中心化局部鄰域矩陣，其方法為：利用KNN近鄰選擇方法確定第i個通信輻射源信號樣本xi所對應(yīng)的局部鄰域利用式(1)獲得第i個通信輻射源信號樣本xi所對應(yīng)的中心化局部鄰域XiHk的左奇異向量矩陣Ui：XiHk=UiΣi0(D-k)×kViT,i=1,...,n---(1)]]>式(1)中，是維度為k的中心化算子，I是k×k的單位矩陣，ek＝[1,1,...,1]T∈Rk；Σi＝diag(σ1,...,σk)表示包含中心化局部鄰域矩陣XiHk的k個按降序排列的奇異值；Ui∈RD×D和Vi∈Rk×k分別為中心化局部鄰域矩陣XiHk的左奇異向量矩陣和右奇異向量矩陣。更進一步地，所述步驟五對中心化局部鄰域矩陣進行局部切空間坐標轉(zhuǎn)換，獲得中心化局部鄰域的局部切空間坐標，其方法為：利用式(2)獲得第i個通信輻射源信號樣本xi所對應(yīng)的中心化局部鄰域矩陣XiHk的局部切空間坐標Θi；Θi=(U~i)TXiHk=[θ1(i),θ2(i),...,θt(i),...,θk(i)],i=1,...,n---(2)]]>式(2)中，由Ui的前d個列向量組成；表示第i個通信輻射源信號樣本xi所對應(yīng)的局部鄰域Xi中第t個向量的局部切空間坐標。更進一步地，所述步驟六對局部切空間坐標進行樣條運算和排列運算，獲得排列矩陣，其方法為：利用式(3)獲得第i個樣條矩陣Ai：Ai=KPPT0∈R(k+l)×(k+l),i=1,...,n---(3)]]>式(3)中，l＝d+1，是元素為Krq的k×k對稱矩陣，是k×l矩陣；Krq=(||θr(i)-θq(i)||)2·log(||θr(i)-θq(i)||)---(4)]]>式(4)中，r,q∈{1,2,…，k}；利用式(5)獲得第i個排列矩陣M(Ii,Ii)：M(Ii,Ii)←M(Ii,Ii)+Bii＝1,2,...,n(5)式(5)中，M(Ii,Ii)的初始值設(shè)為全零矩陣，Ii＝{i1,...,ik}表示第i個通信輻射源信號樣本xi的局部鄰域Xi所對應(yīng)的下標索引集合，Bi是左上角k×k的子矩陣，←表示賦值；更進一步地，所述步驟七用排列矩陣、類內(nèi)散度矩陣和類間散度矩陣構(gòu)造廣義特征方程，獲得廣義特征矩陣，再對廣義特征矩陣進行正交投影，獲得正交投影矩陣，其方法為：計算混合矩陣其中是矩形積分雙譜特征矩陣X＝[x1,x2,...,xn]在主分量分析空間的投影，GPCA是主分量分析投影矩陣；利用式(6)和式(7)分別獲得投影XPCA的類內(nèi)散度矩陣(Sw)PCA和類間散度矩陣(Sb)PCA，以及差值(Sb)PCA-(Sw)PCA：(Sw)PCA=Σj=1cΣs=1nj((xPCA)sj-(uj)PCA)((xPCA)sj-(uj)PCA)T,---(6)]]>(Sb)PCA=Σj=1cnj((uj)PCA-uPCA)((uj)PCA-uPCA)T,---(7)]]>式(6)和式(7)中，uPCA表示所有通信輻射源信號樣本在主分量分析空間投影后的均值向量，(uj)PCA表示第j類通信輻射源信號樣本在主分量分析空間投影后的均值向量，nj表示第j類通信輻射源信號樣本數(shù)，表示第j類的第s個通信輻射源信號樣本在主分量分析空間投影后的向量；利用式(8)獲得第m個廣義特征向量vm：(XPCAMXPCAT-((Sb)PCA-(Sw)PCA))vm=λXPCAXPCATvm,m=1,2,...,d---(8)]]>式(8)中，λ是廣義特征方程式的特征值，由d個廣義特征向量構(gòu)成廣義特征矩陣V＝[v1,v2,...,vm,...,vd]；利用式(9)獲得特征子空間的正交投影矩陣GME＝[g1,g2,...,gm,...,gd]：gm=vm-Σγ=1m-1gγTvmgγTgγgγ,m≥2---(9)]]>式(9)中，令g1＝v1，v1,v2,...,vd是廣義特征對的前d個最小特征值所對應(yīng)的特征向量；更進一步地，所述步驟八對矩形積分雙譜特征矩陣進行正交投影，獲得通信輻射源個體的細微特征，其方法為：利用式獲得矩形積分雙譜特征矩陣X在d維正交特征子空間的投影Y，Y即為提取的通信輻射源個體細微特征。一種通信輻射源個體細微特征提取系統(tǒng)，其特征在于，包括：信號接收與預(yù)處理模塊、信號細微特征提取模塊；所述信號接收與預(yù)處理模塊包括：信號接收與預(yù)處理單元、射頻預(yù)選放大單元、混頻單元、中頻濾波放大單元、A/D處理單元、數(shù)字正交解調(diào)單元、矩形積分雙譜變換單元；所述信號接收與預(yù)處理單元用于通過天線接收通信輻射源；所述射頻預(yù)選放大單元用于對各種通信輻射源信號進行頻率選擇和功率放大處理，獲得預(yù)選信號；所述混頻單元對預(yù)選信號進行混頻處理，獲得中頻信號；所述中頻濾波放大單元對中頻信號進行濾波放大處理；所述A/D處理單元用于對放大后的中頻信號進行A/D變換，獲得中頻數(shù)字信號；所述數(shù)字正交解調(diào)單元對中頻數(shù)字信號進行正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；所述矩形積分雙譜變換單元對所述I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得通信輻射源信號的矩形積分雙譜特征向量；所述信號細微特征提取模塊包括：近鄰圖構(gòu)建單元、求解局部切空間坐標單元、全局坐標排列單元；所述近鄰圖構(gòu)建單元通過KNN近鄰選擇方法獲得所述矩形積分雙譜特征向量的局部鄰域，并對局部鄰域進行中心化處理，獲得中心化局部鄰域矩陣；所述求解局部切空間坐標單元用于對所述中心化局部鄰域矩陣進行局部切空間坐標轉(zhuǎn)換，獲得中心化局部鄰域的局部切空間坐標；所述全局坐標排列單元用于對局部切空間坐標進行樣條運算和排列運算獲得排列矩陣，使用排列矩陣、類內(nèi)散度矩陣和類間散度矩陣構(gòu)造廣義特征方程獲得廣義特征矩陣，對廣義特征矩陣進行正交投影，獲得正交投影矩陣；對矩形積分雙譜特征矩陣進行正交投影，從而獲得通信輻射源個體的細微特征。與已有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在：(1)本發(fā)明在矩形積分雙譜特征空間中，利用正交局部樣條判別嵌入流形學(xué)習(xí)方法挖掘嵌入在通信輻射源個體高維觀測數(shù)據(jù)中的低維流形，實現(xiàn)了其本質(zhì)細微特征的提取，有效解決了現(xiàn)有方法提取的通信輻射源個體細微特征存在穩(wěn)定度差和清晰度不高等問題。(2)本發(fā)明采用數(shù)字正交解調(diào)和高階譜(矩形積分雙譜)分析，獲得輻射源發(fā)射信號特征參數(shù)的完備集合，有效避免了現(xiàn)有的基于一階矩、二階矩或功率譜的方法在處理非平穩(wěn)或非高斯信號時存在相位和幅度信息失真問題，從而有效保持了通信輻射源發(fā)射信號的相位和幅度信息，并且具有對加性高斯噪聲的免疫性。(3)本發(fā)明在矩形積分雙譜特征空間中，從非線性流形建模的角度提出一種基于正交局部樣條判別流形嵌入的通信輻射源個體細微特征提取方法，有效解決了現(xiàn)有的方法提取的通信輻射源個體細微特征存在穩(wěn)定度差和清晰度不高等問題，從而為后續(xù)的分類識別提供了更能反映信號內(nèi)在差異的本質(zhì)細微特征。附圖說明圖1為本發(fā)明方法流程圖；圖2為本發(fā)明系統(tǒng)組成框圖。具體實施方式實施例1：參加圖1，一種通信輻射源細微特征提取方法，包括以下步驟：步驟一：通過偵察天線接收各種通信輻射源信號，并將所接收到的通信輻射源信號進行頻率選擇、功率放大、混頻后，獲得中頻信號；步驟二：對獲得的中頻信號濾波、放大、A/D變化、正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；步驟三：對I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得2部FM電臺的矩形積分雙譜特征矩陣X＝[x1,x2,...,xi,...,x10]∈R256×10，i＝1,...,10，矩形積分雙譜特征向量的維度是256，矩形積分雙譜特征向量的個數(shù)是10，第i個矩形積分雙譜特征向量xi∈R256稱為第i個通信輻射源信號樣本；步驟四：設(shè)k＝4；利用KNN近鄰選擇方法確定第i個通信輻射源信號樣本xi所對應(yīng)的局部鄰域X1＝[x4,x5,x2,x3]，X2＝[x5,x4,x1,x3]，X3＝[x5,x4,x1,x2]，X4＝[x1,x5,x2,x3]，X5＝[x2,x4,x1,x3]，X6＝[x8,x7,x9,x10]，X7＝[x8,x10,x9,x6]，X8＝[x9,x7,x6,x10]，X9＝[x8,x7,x10,x6]和X10＝[x7,x9,x8,x6]。步驟五：利用式(1)獲得第i個通信輻射源信號樣本xi所對應(yīng)的中心化局部鄰域XiH4的左奇異向量矩陣Ui：XiH4=UiΣi0252×4ViT,i=1,...,10---(1)]]>式(1)中，是維度為4的中心化算子，I是4×4的單位矩陣，e4＝[1,1,1,1]T∈R4。Σi＝diag(σ1,...,σ4)包含中心化局部鄰域矩陣XiH4的4個按降序排列的奇異值。Ui∈R256×256和Vi∈R4×4分別為中心化局部鄰域矩陣XiH4的左、右奇異向量矩陣；步驟六：利用式(2)獲得第i個通信輻射源信號樣本xi所對應(yīng)的中心化局部鄰域矩陣XiH4的局部切空間坐標Θi；Θi=(U~i)TXiH4=[θ1(i),θ2(i),...,θ4(i)],i=1,...,10---(2)]]>式(2)中，設(shè)d＝4；由Ui的前4個列向量組成；每個中心化局部鄰域矩陣的局部切空間坐標如下：Θ1=1111-0.1651.665-0.945-0.554-1.7170.4400.7880.489-0.161-0.187-1.2191.566Θ2=-1-1-1-10.744-1.6150.915-0.0431.5640.124-1.081-0.607-0.011-0.613-0.9971.622]]>Θ3=11111.390-1.1500.478-0.719-0.900-1.0741.1980.7760.508-0.724-1.1561.372Θ4=-1-1-1-1-0.0951.646-0.972-0.579-1.6960.5230.8730.300-0.340-0.127-1.1371.605]]>Θ5=1111-0.2411.612-1.135-0.2371.333-0.607-1.2550.529-1.079-0.182-0.3701.632Θ6=-1-1-1-11.208-1.135-0.8270.754-0.587-1.2631.3410.510-1.0940.339-0.7191.474]]>Θ7=11111.4980.308-1.022-0.784-0.6931.176-1.2460.7640.525-1.234-0.6331.342Θ8=-1-1-1-1-0.069-1.5850.5871.067-1.5920.699-0.0910.9840.6780.003-1.6270.945]]>Θ9=11111.195-1.4380.609-0.3661.0840.886-0.761-1.2080.630-0.384-1.4321.185Θ10=-1-1-1-10.2200.778-1.6920.695-1.7180.7050.3660.647-0.029-1.378-0.0421.449]]>步驟七：令l＝d+1＝5，利用式(3)獲得樣條矩陣Ai：Ai=KPPT0∈R9×9,i=1,...,10---(3)]]>樣條矩陣A1,…，A10分別為：A1=0.0018.3188.3188.3181.0001.000-0.165-1.717-0.1618.3180.0018.3188.3181.0001.0001.6650.440-0.1878.3188.3180.0018.3181.0001.000-0.9450.788-1.2198.3188.3188.3180.0011.0001.000-0.5540.488801.0001.0001.0001.0000.00100001.0001.0001.0001.00000.001000-0.1651.665-0.945-0.554000.00100-1.7170.4400.7880.48880000.0010-0.161-0.187-1.2191.56600000.001]]>A2=0.0018.3188.3188.3181.000-1.0000.7441.564-0.0118.3180.0018.3188.3181.000-1.000-1.6150.124-0.6138.3188.3180.0018.3181.000-1.0000.915-1.081-0.9978.3188.3188.3180.0011.000-1.000-0.043-0.6071.6221.0001.0001.0001.0000.0010000-1.000-1.000-1.000-1.00000.0010000.744-1.6150.915-0.043000.001001.5640.124-1.081-0.6070000.0010-0.011-0.613-0.9971.62200000.001]]>A3=0.0018.3188.3188.3181.000-1.0001.390-0.9000.5088.3180.0018.3188.3181.000-1.000-1.150-1.074-0.7248.3188.3180.0018.3181.000-1.0000.4781.198-1.1568.3188.3188.3180.0011.000-1.000-0.7190.7761.3721.0001.0001.0001.0000.0010000-1.000-1.000-1.000-1.00000.0010001.390-1.1500.478-0.719000.00100-0.900-1.0741.1980.7760000.00100.508-0.724-1.1561.37200000.001]]>A4=0.0018.3188.3188.3181.0001.000-0.095-1.696-0.3408.3180.0018.3188.3181.0001.0001.6460.523-0.1278.3188.3180.0018.3181.0001.000-0.9720.873-1.1378.3188.3188.3180.0011.0001.000-0.5790.3001.6051.0001.0001.0001.0000.00100001.0001.0001.0001.00000.001000-0.0951.646-0.972-0.579000.00100-1.6960.5230.8730.3000000.0010-0.340-0.127-1.1371.60500000.001]]>A5=0.0018.3188.3188.3181.000-1.000-0.2411.333-1.0808.3180.0018.3188.3181.000-1.0001.612-0.607-0.1828.3188.3180.0018.3181.000-1.000-1.135-1.255-0.3708.3188.3188.3180.0011.000-1.000-0.2370.5291.6321.0001.0001.0001.0000.0010000-1.000-1.000-1.000-1.00000.001000-0.2411.612-1.135-0.237000.001001.333-0.607-1.2550.5290000.0010-1.080-0.182-0.3701.63200000.001]]>A6=0.0018.3188.3188.3181.000-1.0001.208-0.587-1.0948.3180.0018.3188.3181.000-1.000-1.135-1.2630.3398.3188.3180.0018.3181.000-1.000-0.8271.341-0.7198.3188.3188.3180.0011.000-1.0000.7540.5101.4741.0001.0001.0001.0000.0010000-1.000-1.000-1.000-1.00000.0010001.208-1.135-0.8270.754000.00100-0.587-1.2631.3410.5100000.0010-1.0940.339-0.7191.47400000.001]]>A7=0.0018.3188.3188.3181.0001.0001.498-0.6930.5258.3180.0018.3188.3181.0001.0000.3081.176-1.2348.3188.3180.0018.3181.0001.000-1.022-1.246-0.6338.3188.3188.3180.0011.0001.000-0.7840.7641.3421.0001.0001.0001.0000.00100001.0001.0001.0001.00000.0010001.4980.308-1.022-0.784000.00100-0.6931.176-1.2460.7640000.00100.525-1.234-0.6331.34200000.001]]>A8=0.0018.3188.3188.3181.0001.000-0.070-1.5920.6788.3180.0018.3188.3181.0001.000-1.5850.6990.0038.3188.3180.0018.3181.0001.0000.587-0.091-1.6278.3188.3188.3180.0011.0001.0001.0670.9840.9451.0001.0001.0001.0000.00100001.0001.0001.0001.00000.001000-0.070-1.5850.5871.067000.00100-1.5920.699-0.0910.9840000.00100.6780.003-1.6270.94500000.001]]>A9=0.0018.3188.3188.3181.000-1.0001.1951.0840.6308.3180.0018.3188.3181.000-1.000-1.4380.886-0.3848.3188.3180.0018.3181.000-1.0000.609-0.761-1.4328.3188.3188.3180.0011.000-1.000-0.366-1.2081.1851.0001.0001.0001.0000.0010000-1.000-1.000-1.000-1.00000.0010001.195-1.4380.609-0.366000.001001.0840.886-0.761-1.2080000.00100.630-0.384-1.4321.18500000.001]]>A10=0.0018.3188.3188.3181.0001.0000.220-1.718-0.0298.3180.0018.3188.3181.0001.0000.7780.705-1.3788.3188.3180.0018.3181.0001.000-1.6920.366-0.0428.3188.3188.3180.0011.0001.0000.6950.6471.4491.0001.0001.0001.0000.00100001.0001.0001.0001.00000.0010000.2200.778-1.6920.695000.00100-1.7180.7050.3660.6470000.0010-0.029-1.378-0.0421.44900000.001]]>步驟八：利用式(5)獲得排列矩陣M：M(Ii,Ii)←M(Ii,Ii)+Bii＝1,2,...,10(5)式(5)中，M(Ii,Ii)的初始值設(shè)為全零矩陣，Ii＝{i1,...,i4}表示第i個通信輻射源信號樣本xi的局部鄰域Xi所對應(yīng)的下標索引集合，Bi是左上角4×4的子矩陣；←表示賦值；排列矩陣M為：M=-0.000870.000090.000090.000090.00009000000.00009-0.000870.000090.000090.00009000000.000090.00009-0.000870.000090.00009000000.000090.000090.00009-0.000870.00009000000.000090.000090.000090.00009-0.000870000000000-0.000870.000090.000090.000090.00009000000.00009-0.000870.000090.000090.00009000000.000090.00009-0.000870.000090.00009000000.000090.000090.00009-0.000870.00009000000.000090.000090.000090.00009-0.00087]]>步驟九：計算混合矩陣其中是矩形積分雙譜特征矩陣X＝[x1,x2,...,xn]在主分量分析空間的投影，GPCA是主分量分析投影矩陣：XPCAMXPCAT=-919.582287.68-184.56-555.89885.34267.6362.3816.29-267.642287.68-12381.621044.782853.32-4606.60-1399.69-314.29-79.891393.72-184.561044.78-261.43-248.87401.29121.8727.467.00-121.40-555.892853.32-248.87-747.231094.85332.7174.6318.95-331.25885.34-4606.60401.291094.85-1797.97-537.18-120.57-30.64534.87267.63-1399.69121.87332.71-537.18-177.02-36.64-9.31162.5262.38-314.2927.4674.63-120.57-36.64-14.00-2.0836.4816.29-79.897.0018.95-30.64-9.313-2.08-3.389.27-267.641393.72-121.40-331.25534.87162.5236.489.27-163.72]]>步驟十：利用式(6)、式(7)獲得XPCA的類內(nèi)散度矩陣(Sw)PCA和類間散度矩陣(Sb)PCA，以及它們的差值(Sb)PCA-(Sw)PCA：(Sw)PCA=Σj=12Σs=15((xPCA)sj-(uj)PCA)((xPCA)sj-(uj)PCA)T,---(6)]]>(Sb)PCA=Σj=125·((uj)PCA-uPCA)((uj)PCA-uPCA)T,---(7)]]>式(6)和式(7)中，uPCA表示所有通信輻射源信號樣本在主分量分析空間投影后的均值向量，(uj)PCA表示第j類通信輻射源信號樣本在主分量分析空間投影后的均值向量，nj表示第j類通信輻射源信號樣本數(shù)，表示第j類的第s個通信輻射源信號樣本在主分量分析空間投影后的向量；本實施例中，(Sw)PCA和(Sb)PCA分別為：(Sw)PCA=74133.3590151.29-39872.575060.5118483.848632.90-3079.26-1734.03-6078.9590151.29381667.784553.72-577.94-2110.98-985.94351.67198.04694.26-39872.574553.72174932.69255.62933.65436.06-155.54-87.59-307.065060.51-577.94255.6271684.13-118.50-55.3419.7411.1238.9718483.84-2110.98933.65-118.5030707.81-202.1572.1040.60142.348632.90-985.94436.06-55.34-202.1514179.5533.6818.9666.48-3079.26351.67-155.5419.7472.1033.685976.02-6.76-23.71-1734.03198.04-87.5911.1240.6018.96-6.762943.23-13.35-6078.95694.26-307.0938.97142.3466.48-23.71-13.351908.81]]>(Sb)PCA=789369.20-90151.2939872.57-5060.51-18483.84-8632.903079.261734.036078.95-90151.2910295.89-4553.72577.942110.98985.94-351.67-198.04-694.2639872.57-4553.722014.04-255.62-933.65-436.06155.5487.59307.06-5060.51577.94-255.6232.44118.5055.34-19.74-11.12-38.97-18483.842110.98-933.65118.5432.82202.15-72.10-40.60-142.34-8632.90985.94-436.0655.34202.1594.41-33.68-18.96-66.483079.26-351.67155.54-19.74-72.10-33.6812.016.76423.711734.03-198.0487.59-11.12-40.60-18.966.7643.8113.356078.95-694.26307.06-38.97-142.34-66.4823.7113.3546.81]]>步驟十一：利用式(8)獲得廣義特征向量vm：(XPCAMXPCAT-((Sb)PCA-(Sw)PCA))vm=λXPCAXPCATvm,m=1,2,...,4---(8)]]>式(8)中λ是廣義特征方程式的特征值，由d＝4個廣義特征向量構(gòu)成廣義特征矩陣V＝[v1,v2,v3,v4]；本實施例中，V=-0.00100000.0010-0.00050.0001-0.000200-0.00210.00030-0.0017-0.0010-0.00020.00130.0004-0.001100.00260.0038-0.0008-0.00090.0005-0.00860.0012-0.00090.00040.00200.00620.00090.01550.00220.0007]]>步驟十二：利用式(9)獲得特征子空間的正交投影矩陣GME＝[g1,g2,g3,g4]：gm=vm-Σγ=1m-1gγTvmgγTgγgγ,m≥2---(9)]]>式(9)中，令g1＝v1，v1,v2,...,vd是廣義特征對的前d個最小特征值所對應(yīng)的特征向量；正交投影矩陣GME為GME=-0.5446-0.2552-0.2138-0.39940.0388-0.05020.08130.0375-0.1170-0.0550-0.0534-0.44950.17320.08380.2543-0.0023-0.1260-0.1499-0.0875-0.32180.0444-0.1590-0.3746-0.2553-0.4835-0.25550.75610.0424-0.4451-0.2325-0.39710.68110.4566-0.86900.05360.0509]]>步驟十三：利用式獲得矩形積分雙譜特征矩陣X＝[x1,x2,...,x10]在d＝4維正交特征子空間的投影Y。本實施例中，Y=185.67200.4487.85160.95154.60-207.54-158.30-171.39-46.82-180.0098.99110.2517.9762.8375.05-91.06-83.75-28.75-42.09-107.6848.2774.2165.5688.2736.09-116.31-129.16-30.084.70-31.4852.69208.9191.7432.68205.08-207.13-123.83-94.40-30.00-116.70]]>為了測試提出的通信輻射源個體細微特征提取算法的性能，將其與傳統(tǒng)的雙譜(BiSpectrum)、雙譜+主分量分析(BiSpectrum+PCA)方法進行比較。數(shù)據(jù)集采用由同種型號、同種廠家、相同批次、相同工作模式的10部不同F(xiàn)M電臺所產(chǎn)生的時域信號樣本。電臺中心頻率為160MHz，電臺信道帶寬為25kHz，接收機信道帶寬為100kHz，采樣頻率為204.8kHz，采樣點數(shù)為1023658個點，采樣數(shù)據(jù)為零中頻IQ正交數(shù)據(jù)。每部電臺采樣9個樣本信號，共有90個原始樣本信號。為了客觀評價細微特征提取方法的性能，分類器選用簡單的1近鄰分類器，每次實驗重復(fù)20次，取其平均識別率作為測試結(jié)果。具體測試結(jié)果詳見表一。表一對10部FM電臺的識別結(jié)果方法平均識別率(％)BiSpectrum79.63％BiSpectrum+PCA79.88％BiSpectrum+O-LSDE82.37％從表一的測試結(jié)果可知，基于正交局部樣條判別流形嵌入的通信輻射源個體細微特征提取方法能夠提取更具判別性的細微特征，因此，該方法獲得最優(yōu)的識別性能。實施例2：參加圖2，一種通信輻射源個體細微特征提取系統(tǒng)，其特征在于，包括：信號接收與預(yù)處理模塊1、信號細微特征提取模塊2；所述信號接收與預(yù)處理模塊1包括：信號接收與預(yù)處理單元1.1、射頻預(yù)選放大單元1.2、混頻單元1.3、中頻濾波放大單元1.4、A/D處理單元1.5、數(shù)字正交解調(diào)單元1.6、矩形積分雙譜變換單元1.7；所述信號接收與預(yù)處理單元1.1用于通過天線接收通信輻射源；所述射頻預(yù)選放大單元1.2用于對各種通信輻射源信號進行頻率選擇和功率放大處理，獲得預(yù)選信號；所述混頻單元1.3對預(yù)選信號進行混頻處理，獲得中頻信號；所述中頻濾波放大單元1.4對中頻信號進行濾波放大處理；所述A/D處理單元1.5用于對放大后的中頻信號進行A/D變換，獲得中頻數(shù)字信號；所述數(shù)字正交解調(diào)單元1.6對中頻數(shù)字信號進行正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；所述矩形積分雙譜變換單元1.7對所述I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得通信輻射源信號的矩形積分雙譜特征向量。所述信號細微特征提取模塊2包括：近鄰圖構(gòu)建單元2.1、求解局部切空間坐標單元2.2、全局坐標排列單元2.3；所述近鄰圖構(gòu)建單元2.1通過KNN近鄰選擇方法獲得所述矩形積分雙譜特征向量的局部鄰域，并對局部鄰域進行中心化處理，獲得中心化局部鄰域矩陣；所述求解局部切空間坐標單元2.2用于對所述中心化局部鄰域矩陣進行局部切空間坐標轉(zhuǎn)換，獲得中心化局部鄰域的局部切空間坐標；所述全局坐標排列單元2.3用于對局部切空間坐標進行樣條運算和排列運算獲得排列矩陣，使用排列矩陣、類內(nèi)散度矩陣和類間散度矩陣構(gòu)造廣義特征方程獲得廣義特征矩陣，對廣義特征矩陣進行正交投影，獲得正交投影矩陣；對矩形積分雙譜特征矩陣進行正交投影，從而獲得通信輻射源個體的細微特征。當前第1頁1 2 3