一种用于雷达LFM信号的抗噪声射频指纹识别方法与流程

本申请涉及一种射频指纹识别方法，尤其涉及一种用于雷达lfm信号的抗噪声射频指纹识别方法。

背景技术：

雷达信号识别是指将被测辐射源信号参数和预先知道的辐射源参数进行比较以确认该辐射源本来属性的过程。雷达信号识别是保证雷达对抗侦查和干扰设备有效发挥其作战效能的重要前提。传统的雷达识别方式只要是基于脉冲描述字(pulsedescriptorword，简称pdw)的技术。该技术提取脉冲信号的脉宽，频率，到达时间，到达角等参数对雷达的体制，用途和型号等信息进行识别，从而掌握其相关武器系统工作状态、制导方式、了解其战术运用特点、活动规律和作战能力的过程。但是随着各国电子信息技术的发展，电子战技术的要求也越来越高，雷达识别在电子对抗中扮演着重要的角色。但是随着电磁环境的日益复杂，雷达识别的要求也越来越高，随着一些复杂体制和特殊体制雷达的相继出现，雷达识别正面临着越来越严峻的挑战。传统的雷达信号分析方法，例如：载频，脉冲幅度，脉冲宽度，到达时间，到达方位角等方法已经远远无法满足目前雷达信号的识别要求。因此我们需要一种新的雷达识别方法解决上述问题。

设备物理指纹特征主要是设备内部的硬件元件的功差造成的。由于每个电子元件都存在独一无二的功差，所以每个设备的物理指纹特征也是唯一的。该物理特征就像设备的“指纹”一样，具有唯一性以及难以克隆的特性。随着设备物理指纹相关技术研究的深入，物理指纹特征被普遍认为是无线设备唯一的特征，从而可以被用于电磁辐射源的身份识别与认证。具体来说，基于物理指纹特征的设备识别技术可以准确区别即使采用了相同频率、带宽、调制方式的无线设备，具有非常好的实用价值。因此，设备物理指纹是一种潜在可行的解决雷达识别困难问题的方法。

然而，现有公开的基于设备物理指纹特征的雷达识别方法主要工作在高信噪比的情况下，且对lfm脉冲信号的研究非常不足。但是lfm信号具有非常好的探测能力和距离分辨能力。因此在声呐和雷达系统中得到了广泛应用。在实际通信中低信噪比的情况也是时经常需要面临的情况。现有的去噪技术通常采用均值法或是滤波法来去除噪声，然而这些去噪方法容易对指纹信息造成破坏，导致设备身份难以识别。所以一种用于雷达lfm信号的抗噪声射频指纹识别方法是迫切需求的。

技术实现要素：

发明目的：为了解决现有技术存在的问题，实现对低信噪比情况下正常通信的lfm雷达信号进行合适的降噪处理，并有效提取低信噪比lfm信号中无线设备的物理指纹特征，本发明提供了一种用于雷达lfm信号的抗噪声射频指纹识别方法。

技术方案：本发明提供的一种用于雷达lfm信号的抗噪声射频指纹识别方法包括以下步骤：

用于雷达lfm信号的抗噪声射频指纹识别方法，其特征在于，包括以下步骤：

(s1)接收机以采样率fs接收射频信号s(t)，得到离散信号s(n)，n为s(n)中采样点的序数，所述射频信号s(t)为经过上变频之后lfm调制的脉冲信号；通过对s(n)下变频得到基带信号y(n)，并测量y(n)的信噪比作为原始信号信噪比；设定门限信噪比，如果原始信号信噪比低于设定的门限信噪比，则对基带信号y(n)进行去噪处理，将处理后的信号作为待提取信号f(n)；反之，直接将基带信号y(n)作为待提取信号f(n)；

(s2)从待提取信号f(n)中提取指纹特征，在已建立的合法设备的指纹特征库中根据所述指纹特征进行设备身份识别；

步骤(s1)中，所述去噪处理包括：

(s11)计算基带信号y(n)的频偏δf和调频斜率μ；

(s12)基于频偏δf和调频斜率μ对基带信号y(n)分段，一个正弦波信号周期为一段，得到各分段信号yi(ni)，i为分段信号的序数；

(s13)计算各分段信号yi(ni)的拟合信号fi(ni)；

(s14)对各段的拟合信号fi(ni)进行拼接得到得待提取信号f(n)；

步骤(s1)中，提取指纹信息包括：

(s15)对待提取信号f(n)进行一阶差分操作，得到差分信号f(n)d；

(s16)计算差分信号f(n)d的包络信号f(n)de；

(s17)将包络信号f(n)de划分为三个阶段：第一阶段为信号功率从零上升到额定功率时雷达开机瞬态阶段；第二阶段为雷达在信号保持额定功率时的稳定工作时间段；第三阶段为信号功率从额定功率降至零时雷达关断瞬态阶段；取第一阶段和第三阶段中的采样点作为瞬态指纹，将第二阶段中的信号分割成多个片段，并将每个片段的期望作为稳态指纹，得到信号的指纹特征。

步骤(s1)中，接收机采样率fs大于奈奎斯特采样率。

步骤(s11)中，所述频偏δf等于接收信号s(t)的初始频率与估计的固定载波频率之差；所述频偏δf综合反应了信号初始频率、射频指纹引起的频偏和载波频率残留，由于发送机发送的理想信号的初始频率和载波频率残留对每个信号而言都是相同的，所以频偏δf的变化反映了射频指纹引起的频偏。

步骤(s12)中，各分段信号yi(ni)表示为：

ni＝mi-1+1,mi-1+2,...,mi,i＝1,2,...,p，

mi＝fs/fi,m0＝0，

fi＝δf+0.5μ(mi-1+1)/fs，

其中，z(n)＝2π(δf+1/2μn)，表示初始相位，n(ni)表示第i个周期信号中的均值为0的高斯白噪声，ni表示第i个周期信号包括的采样点的序号，p表示信号y(n)中包含的周期信号个数，mi表示第i个周期信号的信号长度，fi表示第i个周期信号的起始频率。

步骤(s13)中，各分段信号yi(ni)的拟合信号fi(ni)表示为：

fi(ni)＝xicos(z(ni)ni+θi)+ci，

其中，

α(n)＝cos(z(n)n),β(n)＝sin(z(n)n),

其中，xi、θi、ci、ai、bi、an、ad、bn、bd、α(n)、β(n)、w1至w8为出于公式简化目的而引入的中间参数。

步骤(s14)中，所述待提取信号f(n)表示为：

\\f(n)＝[f1(n1),f2(n2),...,fp(np)]。

步骤(s15)中，所述差分信号f(n)d表示为：

其中，t是基带信号y(n)的信号长度。

步骤(s16)中，所述包络信号f(n)de表示为：

f(n)de＝|h[f(n)d]|。

其中，|·|表示取绝对值操作，h[·]表示希尔伯特变换操作。

步骤(s2)中，进行设备身份识时别使用的算法包括以下各项中一或多者的组合：欧氏距离法、马氏距离法、机器学习、k近邻法、机器学习法。

有益效果：相比较现有技术，本发明更加适用于低信噪比的lfm信号。接收机接收到低信噪比的lfm信号后，可以在不破坏设备物理指纹的情况下进行降噪处理，然后从降噪后的信号中提取设备的瞬态和稳态物理指纹特征。该方法可以在信噪比低的情况下有效地提取lfm雷达的物理层指纹特征，有效地解决了基于设备物理指纹的lfm雷达识别方法在现实应用中必须面临的低信噪比问题。

附图说明

图1为本发明的方法流程图；

图2为本发明接收的原始lfm信号和拟合后lfm信号波形的对比图；

图3为本发明原始lfm信号的一阶导数包络和拟合后lfm信号的一阶导数包络波形对比图；

图4为本发明原始lfm信号的一阶导数包络和拟合后lfm信号的一阶导数包络在不同信噪比下的对比图；

图5为本发明使用该发明方法对于lfm雷达设备的识别率结果示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细说明：

本实施例提供一种用于雷达lfm信号的抗噪声射频指纹识别方法，通过本方法，接收机接收到了低信噪比的lfm信号后，可以在不破坏设备指纹的情况下进行降噪处理，并从降噪后的信号中提取设备的物理指纹特征，用于身份认证。

该方法的流程如图1所示：

步骤一：发射机发射射频信号，该射频信号为经过上变频之后lfm调制的脉冲信号，将射频信号记为s(t)。

步骤二：接收机以采样率fs接收射频信号s(t)，得到离散信号s(n)，通过下变频得到中频信号y(n)，并测量y(n)的信噪比作为原始信号信噪比；设定门限信噪比，如果原始信号信噪比低于设定的门限信噪比，则对中频信号y(n)进行去噪处理，将处理后的信号作为待提取信号f(n)；反之，直接将中频信号y(n)作为待提取信号f(n)。

步骤三：从待提取信号f(n)中提取指纹特征，在已建立的合法设备的指纹特征库中根据指纹特征采用合适的算法进行设备身份识别。其中，可采用的算法包括但不限于以下各项中一或多者的组合：欧氏距离法、马氏距离法、机器学习、k近邻法、机器学习法等。

步骤二中，接收机采样率大于奈奎斯特采样率。去噪处理采用线性拟合算法，具体包括如下子步骤：

子步骤1：计算基带信号y(n)的频偏δf和调频斜率μ。

本发明的频偏δf综合反应了信号初始频率、射频指纹引起的频偏、和载波频率残留等。其中，载波频率残留等于载波频率减去估计的固定载波频率值。由于发送机发送的理想信号的初始频率和载波频率残留对每个信号而言都是相同的，因此，可以认为频偏δf的变化反映了指纹引入的频偏。

同时，因为发送机发送的理想信号的初始频率对于接收方来说通常是未知的，所以计算δf时通常是通过接收信号s(t)的初始频率与估计的固定载波频率之差得到。计算δf和μ的算法可以是分数阶傅里叶变换算法或者其他相关算法。频偏综合反应了信号初始频率、射频指纹引起的频偏、和载波频率残留等，可以是其中的一种或者多种组合。

子步骤2：基于频偏δf和调频斜率μ对基带信号y(n)分段，一个正弦波信号周期为一段，得到各分段信号yi(ni)，i为分段信号的序数

首先根据计算得到的δf计算y(n)第一个周期信号的长度m＝fs/δf，则第i个周期的信号表示为：

其中，z(n)＝2π(δf+1/2μn)，表示初始相位，由于每个分段信号都是一个周期长度，所以可以认为每个分段信号的初始相位是相同的。n(ni)表示第一个周期信号中的均值为0的高斯白噪声，ni表示第i各周期信号的采样点，p表示信号y(n)中包含的周期信号个数，mi表示第i个周期信号的信号长度，fi表示第i个周期信号的起始频率。

子步骤3：计算各分段信号yi(ni)的拟合信号fi(ni)

对yi(ni)进行线性拟合，首先假设对整个离散信号y(n)拟合得到的离散信号形式为：

其中，t为基带信号y(n)的信号长度，α(n)＝cos(z(n)n)，β(n)＝sin(z(n)n)，a、b、c是拟合过程中需要确定的变量，线性拟合的目标是寻找合适的ai、bi、ci，使得下述的残差平方和∈最小：

ai、bi、ci可以理解为分段信号进行拟合时需要确定的变量，为了计算ai、bi、ci，首先计算和yi(ni)、α(n)、β(n)相关的8个和，如下所示：

根据上述计算得到的ωi，i＝1，2，...，8，可以计算得到

其中，

此时可以得到yi(ni)的拟合信号为：

至此，第i个周期信号的拟合就结束了。通过这种方式经过多次循环可以得到y(n)所有分段信号的拟合信号。

子步骤4：对各段的拟合信号fi(ni)进行拼接得到待提取信号f(n)：

f(n)＝[f1(n1),...,fi(ni),...,fp(np)](8)

由于fi(ni)＝xicos(z(ni)ni+θi)+ci，其中ci为第i个周期信号中噪声的均值。所以最终的拟合信号f(n)可以表示为：

其中，nc(n)表示每个周期信号中残留噪声组合成的新的干扰项。通过去噪处理后最终得到的拟合信号f(n)即为待提取信号f(n)。

图2为原始lfm信号和拟合lfm信号的对比图，图中可以看出在信号起始段，稳态段和结束段，拟合信号和原始信号都吻合非常好。但是拟合信号的毛刺更少，由此可以认为该去噪处理可以在降低噪声对于原始信号影响的情况下，保留绝大部分原始信号的指纹信息。

步骤二中，提取指纹信息又具体包含如下子步骤：

子步骤5：对待提取信号f(n)进行一阶差分操作，得到差分信号f(n)d，具体表示为：

通过上述差分信号f(n)d的表达式可以看出，差分信号f(n)d的频偏δf、调频斜率μ、信号长度t与基带信号y(n)的一致，这也就确保了射频指纹信息不被破坏。

子步骤6：计算差分信号f(n)d的包络信号f(n)de

f(n)de＝|h[f(n)d]|(11)

其中|·|表示取绝对值操作，h[·]表示希尔伯特变换操作。

子步骤7：从包络信号f(n)de中提取出指纹特征

包络信号包括了雷达脉冲的三个阶段。如图3所示，信号段1：信号功率从零上升到额定功率时雷达开机瞬态阶段。信号段2：雷达在信号保持额定功率时的稳定工作时间段。信号段3：信号功率从额定功率降至零时雷达关断瞬态阶段。从图中可以看出拟合信号的一阶导数包络和原始信号的一阶导数包络吻合很好，噪声也很低。

图4展示了当snr变化时，原始信号和拟合信号一阶导数包络的变化。从图中可以看出随着信噪比变低，原始信号一阶导数包络发生严重的形变，有用信号逐渐被噪声淹没，而拟合信号基本一直保持不变，由此可以认为本文提出的方法具有很好的去噪效果，同时可以保持指纹不被破坏。

在这里取阶段1和3信号的采样点作为瞬态指纹将阶段2中的信号分割成多个片段，并将每个片段的期望作为稳态指纹因此可以得到信号的射频指纹特征如下所示：

其中分别表示阶段1和阶段3的瞬态指纹，ri，i＝1，2，...，n1，di，i＝1，2，...，n2分别表示阶段1，和3的采样点。e(·)标志期望操作。n3表示阶段2分段的数量。

本实例中，对采集的3个实际lfm雷达的6000个脉冲进行了身份识别研究。通过上述方法提取到lfm脉冲的物理指纹后，利用马氏距离方法进行设备识别性能评估。识别性能对比图如图5所示。可以看出，稳态指纹和瞬态指纹特征都具有良好的识别性能，但是综合指纹特征的识别性能在所有信噪比条件下要高于前面两者。当信噪比大于0db时，综合指纹的识别率几乎达到100％，说明本文提出的射频指纹方法对lfm雷达信号具有较好的识别性能。和不去噪情况的对比也说明在本文的方法去噪方面有很好的效果，并且不会破坏信号中的物理指纹信息。从图中也可以看出，当雷达指纹库是在单一信噪比下建立的，综合指纹的整体识别性能不如在多信噪比下建立指纹库的情况，尤其是在低信噪比的情况下。然而，在高信噪比场景(大于0db)下仍然具有良好的识别性能(大于99％)。这表明在一个合适的信噪比下建立的雷达指纹库可以满足多个信噪比场景下的设备识别需求。这也意味着本发明提出的方法在实际工程应用中具有很大的优势，因为在实际雷达识别系统中，建立一个包含所有信噪比场景的雷达指纹库并不容易。