本發(fā)明涉及的是一種輻射源信號脈內(nèi)調(diào)制識別方法。

背景技術(shù)：

輻射源信號脈內(nèi)調(diào)制識別是輻射源的重要特征之一，是對輻射源進(jìn)行接收、分選和定位等非合作通信方式時的重要參數(shù)。電磁威脅環(huán)境的信號密度高達(dá)每秒120萬個脈沖以上，雷達(dá)工作頻率覆蓋范圍達(dá)到了0.1～20ghz，并正在向0.05～140ghz擴(kuò)展，雷達(dá)信號波形在時頻等多個域中同時變化。輻射源信號的調(diào)制識別面臨著電磁環(huán)境復(fù)雜化、調(diào)制樣式多樣化、接收信噪比低等問題。

近年來關(guān)于雷達(dá)輻射源信號識別的大量研究成果表明，脈內(nèi)調(diào)制識別將有望在新型復(fù)雜體制雷達(dá)輻射源信號識別技術(shù)與裝備方面獲得重要突破。現(xiàn)有的雷達(dá)輻射源信號脈內(nèi)調(diào)制識別方法主要有小波及小波包變換法、小波脊線法、相像系數(shù)法、經(jīng)驗?zāi)Ｊ椒纸夥ā⑾鄬o模糊相位重構(gòu)法、熵特征法、圍線積分雙譜法、復(fù)雜度特征法、包絡(luò)法、分形維數(shù)法、模糊函數(shù)主脊切面法、瞬時頻率派生特征法和模糊函數(shù)主脊切面特征法等?，F(xiàn)有的方法都是對所有不同信噪比情況進(jìn)行統(tǒng)一處理，為使不同調(diào)制信號之間差異明顯將采樣信號做某種變換，再使用其相應(yīng)的特征提取方法對變換后的信號進(jìn)行特征提取，進(jìn)而完成對信號的調(diào)制方式的識別。這些方法在選用信號脈內(nèi)特征時，都按照同一特征提取方式提取在不同噪聲情況的信號脈內(nèi)特征，沒有探討高信噪比和低信噪比時對采樣信號做相應(yīng)變換，噪聲能量對信號調(diào)制特征提取的影響。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種能夠解決提取信號調(diào)制特征時高信噪比特征冗余、低信噪比特征缺失問題的基于時頻分析的自適應(yīng)輻射源調(diào)制識別方法。

本發(fā)明的目的是這樣實現(xiàn)的：

首先，對接收的輻射源信號使用時頻分布進(jìn)行時頻分析，將輻射源信號從時域信號轉(zhuǎn)換為時間-頻率二維圖像；

然后使用圖像處理技術(shù)降低計算復(fù)雜度和特征維數(shù)，經(jīng)過歸一化、二值化、圖像細(xì)化圖像預(yù)處理操作，增強(qiáng)信號特征信息在圖像中的比重；

隨后，聯(lián)合二階四階矩估計方法，利用自適應(yīng)主成分分析算法，對預(yù)處理后的圖像進(jìn)行圖像形狀特征提取；

最后，使用libsvm分類器識別輻射源信號的調(diào)制方式。

本發(fā)明的優(yōu)點在于提出了一種運用主成分分析算法對雷達(dá)輻射源信號時頻分析圖像進(jìn)行特征提取，通過自適應(yīng)主成分分析算法提取不同信噪比下關(guān)鍵特征，在信噪比為0db時，基于自適應(yīng)pca識別算法識別率達(dá)到98％以上，較之hu矩和偽zernike矩有12db左右的提升，同時自適應(yīng)pca處于pca-15和pca-20之間，表明自適應(yīng)pca即能有效避免低信噪比信號特征缺失，又能避免高信噪比信號特征冗余的情況，同時不影響調(diào)制識別率。

附圖說明

圖1是本發(fā)明信號調(diào)制識別的流程圖。

圖2是本發(fā)明圖像中任一像素p的八鄰域圖。

圖3是本發(fā)明二階四階矩估計信噪比均值示意圖。

圖4是本發(fā)明自適應(yīng)pca及不同pca特征提取識別結(jié)果示意圖。

圖5是本發(fā)明自適應(yīng)pca及不變矩特征提取識別結(jié)果示意圖。

具體實施方式

下面舉例對本發(fā)明做更詳細(xì)的描述。

步驟1：選用choi-williams分布(cwd)對輻射源信號s(t)進(jìn)行時頻分析。對信號瞬時相關(guān)函數(shù)r(t,τ)的時間變量t做傅立葉逆變換，信號s(t)的模糊函數(shù)χs(τ,ξ)的定義為式(1)，

式中，τ為時移，ξ為頻移。

選取為時頻分布的核函數(shù)，式中，τ為時移，ξ為頻移，σ為常數(shù)(σ越大，自項的分辨率越高；σ越小，對交叉項的抑制越大，實際應(yīng)用中視信號特點取自項分辨率和交叉項抑制的折中)。將模糊函數(shù)χs(τ,ξ)和核函數(shù)φ(τ,ξ)代入cohen類時頻分布統(tǒng)一表示形式：

得choi-williams分布，即

式中，t是時間，ω是頻率，τ是時移，μ是積分σ變量。

引入指數(shù)核函數(shù)的cwd分布可有效抑制模數(shù)平面中的由互模數(shù)函數(shù)形成的交叉項，輻射源信號經(jīng)過cwd分布時頻變換后得到時頻圖像。

步驟2：對步驟1得到的時頻圖像進(jìn)行圖像預(yù)處理。

各個信號的時頻圖像灰度值的動態(tài)范圍是不一樣的，像素點灰度值大的數(shù)據(jù)對分類識別有著大的影響，為了減少數(shù)據(jù)間的不平衡性，需要對時頻圖像灰度值進(jìn)行歸一化。設(shè)和σ²分別是所有像素點灰度值的均值和方差。

歸一化后像素點的灰度值為：

采用最大方差比的閾值確定方法，提高圖像二值化的準(zhǔn)確度。

使用hilditch經(jīng)典細(xì)化算法對二值圖像進(jìn)行細(xì)化。目標(biāo)圖像任一像素p相鄰8個像素的八鄰域如圖2所示，若目標(biāo)像素同時滿足以下條件即可刪除像素：

i.p0+p2+p4+p6≤3；

ii.nc＝1；

iii.pk(0≤k≤7)中至少有一個目標(biāo)像素為1；

iv.p2＝1或nc2＝1，nc2為假定p2＝0時p的聯(lián)結(jié)數(shù)；

v.p4＝1或nc4＝1，nc4為假定p4＝0時p的聯(lián)結(jié)數(shù)；

該細(xì)化算法每次掃描刪除圖像上目標(biāo)的輪廓像素(滿足條件i至v)，直到圖像上不存在可刪除的輪廓像素為止，最終得到輻射源信號的時頻骨架圖像。

步驟3：運用二階四階矩估計法對接收到的輻射源信號x(n)＝s(n)+w(n)進(jìn)行信噪比估計。其中s(n)＝ae^jφ(n)為輻射源信號，w(n)是均值為0，方差為σ²的復(fù)高斯白噪聲，雷達(dá)信號和高斯白噪聲之間相互獨立。

用接收信號序列的時間平均來近似二階量和四階量，其中輻射源信號x(n)的二階矩和四階矩近似表達(dá)式如下：

聯(lián)立由上兩式，解得a²、σ²的估計值為：

定義輻射源信號信噪比估計值為聯(lián)立由上兩式解得：

步驟4：輻射源信號經(jīng)過步驟1得到的時頻圖像，經(jīng)過步驟2的預(yù)處理后可得到輻射源信號的時頻骨架圖像，將該圖像作為原始樣本構(gòu)成一個數(shù)據(jù)矩陣為：

其協(xié)方差矩陣為r＝xx^t，可對該協(xié)方差矩陣作特征值分解：

rm×m＝u∧u^t(12)

其中，t表示轉(zhuǎn)置，∧為協(xié)方差矩陣的特征值對角陣，u為相應(yīng)的特征矩陣，對時頻圖像作如下變換：

pm×n＝u^tx＝[p1,p2,…,pm]^t(13)

其中，p為時頻圖像二值矩陣的主成分，p1是第一主成分，pj為第j主成分，選取前k個主成分，構(gòu)成時頻圖像的骨架特征矩陣。

步驟5：在低信噪比條件下，由于噪聲的影響圖片上的骨架特征也會摻入雜質(zhì)，而對于高信噪比過多的提取成分分量，會弱化了區(qū)分性能強(qiáng)的成分分量。依據(jù)步驟3解得輻射源信號信噪比估計值實現(xiàn)在不同信噪比下選取不同的主成分分量的自適應(yīng)主成分分析算法。

步驟6：使用臺灣大學(xué)林智仁(linchih-jen)教授等開發(fā)設(shè)計的一個簡單、易于使用和快速有效的svm模式識別與回歸的軟件包libsvm，采用交叉驗證的方法確定支持向量機(jī)本身的參數(shù)調(diào)節(jié)過程。選取支持向量機(jī)分類器的核函數(shù)，并根據(jù)訓(xùn)練樣本的形態(tài)特征確定核函數(shù)的參數(shù)，以訓(xùn)練支持向量機(jī)分類器。其中，支持向量機(jī)分類器的核函數(shù)為高斯核函數(shù)，即公式(14)：

k(x1,x2)＝exp(-γ*|x1-x2|²)(14)

具體而言，選擇上述的高斯核函數(shù)作為核函數(shù)，核函數(shù)參數(shù)的選擇采用交叉驗證的方法。其中，c(懲罰因子)從2^-5～2⁵(成倍增加)，γ(核函數(shù)參數(shù))從2^-5～2⁵(成倍增加)，對于某個(c,γ)，選擇5折交叉驗證，即將訓(xùn)練樣本分成5份，挑選1份作為測試樣本，剩下4份作為訓(xùn)練樣本，重復(fù)5次，計算平均正確率，以此衡量當(dāng)前(c,γ)的性能，選擇性能相對最好的(c,γ)作為最終的參數(shù)。

最后，將步驟5在不同信噪比條件下，自適應(yīng)得到的時頻圖像特征向量輸入訓(xùn)練好的支持向量機(jī)，得到輸入該系統(tǒng)的輻射源信號脈內(nèi)調(diào)制方式。

實施例

1、實驗參數(shù)設(shè)置如下：對lfm、bpsk、costas、frank四種調(diào)制方式的雷達(dá)輻射源信號進(jìn)行仿真分析，其中載頻為20mhz，采樣頻率為100mhz，脈沖寬度為10us，bpsk為7位barker碼。對于每一種待分類信號，在信噪比為-2～20db之間，每隔2db進(jìn)行仿真試驗，每種信號在當(dāng)前信噪比下產(chǎn)生200個樣本，其中每個信號隨機(jī)選取140個樣本進(jìn)行svm的訓(xùn)練，剩余的60個樣本用于svm分類器識別率的測試。試驗結(jié)果如圖3至5所示。

其中圖3表示輻射源信噪比估計值的確定，根據(jù)步驟3估計awgn信道下，以bpsk調(diào)制信號為例，待估計信噪比范圍設(shè)為[-10，20]db，得到二階四階矩估計法的信噪比估計均值。

其中圖4表示主成分分析選取不同數(shù)量特征以libsvm為分類器的識別結(jié)果，基于pca-10(選取10個pca特征)、pca-15(選取15個pca特征)、pca-20(選取20個pca特征)及自適應(yīng)pca這四種不同特征提取情況下的輻射源信號調(diào)制識別率變化曲線。

其中圖5表示自適應(yīng)主成分分析及不變矩特征以libsvm為分類器的識別結(jié)果，基于自適應(yīng)pca、hu矩、偽zernike矩這三種不同特征提取情況下的輻射源信號調(diào)制識別率變化曲線。

2、實驗及結(jié)果分析

仿真結(jié)果表明，使用相同結(jié)構(gòu)的libsvm分類器情況下，基于pca提取的圖像特征、基于hu矩提取的圖像特征和基于偽zernike矩提取的圖像特征在信噪比大于0db的條件下識別效果都較好，基本達(dá)到了90％以上。但是另外兩種特征提取方法識別率明顯低于基于pca的特征提取方法，同時，使用主成分分量特征越多，識別率越高，基于信噪比的自適應(yīng)pca特征提取的識別率在各個信噪比情況下都有較高的識別率，達(dá)到了97％以上。由于hu矩和偽zernike矩都是提取圖像中的不變矩特征，將不變矩特征應(yīng)用于基于時頻分析的信號調(diào)制識別中，得到的識別效果明顯弱于基于pca圖像特征的調(diào)制識別。pca-15、pca-20相比，在高信噪比情況下選用pca-20明顯出現(xiàn)了特征冗余，pca-10、pca-15、pca-20相比，在低信噪比情況下選用pca-10、pca-15明顯出現(xiàn)了特征缺失，基于信噪比的自適應(yīng)pca特征提取實現(xiàn)了在對應(yīng)信噪比選取合適數(shù)量的pca特征，達(dá)到了較高的識別率。

本發(fā)明提供了一種基于不同信噪比自適應(yīng)提取pca特征的調(diào)制識別新方法。具體實現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式。本實施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實現(xiàn)。