辐射源识别方法和装置制造方法
【专利摘要】一种辐射源识别方法和装置，包括步骤：A、获取第一数量的辐射源训练序列和第二数量的辐射源测试序列；B、求取辐射源训练序列和辐射源测试序列的希尔伯特谱；C、对于第一数量的辐射源训练序列的希尔伯特谱，选择类可分离度大的时频点组成最优时频点集合，提取其所对应的谱元素，组成训练向量；D、利用训练向量及各训练序列对应的类别标号训练分类器；E、对于第二数量的辐射源测试序列的希尔伯特谱，提取训练过程中获得的最优时频点集合所对应的谱元素，组成测试向量；F、利用所述分类器对步骤E的测试向量进行分类，区分测试序列的辐射源。利用本发明能够将点对点场景扩展至中继场景，由此识别各类辐射源。
【专利说明】辐射源识别方法和装置
【技术领域】
[0001] 本发明涉及通信信号传输领域，特别是涉及到通信信号传输特征的分析和识别技 术领域。
【背景技术】
[0002] 通信信号传输系统中，存在各种各样的辐射源。对于不同的辐射源，由于其元 器件（特别是功率放大器）在生产工艺及安装调试上必定存在差异，导致系统产生不同 的非线性特性并对系统上的信号产生影响，这样辐射源传出的信号携带有标识辐射源硬 件差异的细微特征，这些特征被称为福射源指纹特征。福射源识别（specific emitter identification，SEI)是一种从接收信号中提取辐射源指纹特征，从而对不同的辐射源进行 区分的技术。辐射源识别SEI技术主要包括特征提取和分类两部分，其中，特征提取的目的 在于从接收信号中提取适于分类的特征，即该特征能尽可能地体现出不同辐射源之间的差 异，具有良好的可区分度，特征提取方法的优劣会直接影响最终的辐射源识别性能。
[0003] 基于时频分布的特征提取法是辐射源识别SEI中常见的算法之一。所谓时频分 布，是指利用时域和频域的二维联合表示来反映信号的局部性能。Hilbert-Huang变换 (Hilbert-Huang transform, HHT)是一种新型的时频分析方法，与传统的时频分析方法相 t匕，其可以自适应地从信号中提取变换所需的基函数，适于对非线性和非平稳信号进行分 析，对提取辐射源的指纹特征十分有利。现有技术采用HHT方法获得接收信号的HHT时频分 布，又称为希尔伯特谱，将信号的希尔伯特谱看作二维数字图像进行分析，对其进行主成分 分析（principal component analysis, PCA)进行降维，并米用核Fisher 判决分析（Kernel Fisher's Discriminant Analysis，KFDA)进行特征提取。现有技术利用希尔伯特谱中所 有的元素进行特征提取，然而，其中的大部分元素都是平凡元素，即利用这些元素区分不同 类别的能力（类可分离度）较弱，因此，这些元素对特征提取没有帮助，甚至会起到反作用， 使得所提取特征的可分离度有限。
[0004] 此外，考虑系统模型时，现有技术的系统模型较为简单，仅致力于分析点对点通信 场景和高斯白噪声（additive white Gaussian noise, AWGN)信道，过于理想。当考虑中继 通信场景时，中继对源辐射源发射的信号进行放大转发，使得接收端的接收信号中将携带 有中继辐射源的指纹特征，其在一定程度上会掩盖源辐射源的指纹特征，造成识别正确率 的下降。同时，辐射源识别在非高斯噪声或平坦衰落等非理想信道情况下的特征提取问题， 仍有待改善。
【发明内容】
[0005] 鉴于此，本发明的目的在于本发明将点对点信号场景扩展至中继场景，对其进行 分析和建模，扩大辐射源识别方法的使用范围。
[0006] 另外，本发明的目的还在于解决非高斯白噪声或平坦衰落等非理想信道情况下的 辐射源识别SEI问题，提供能够应用于各种不同场景下的辐射源识别SEI方法。
[0007] 为了实现此目的，本发明采取的技术方案为如下。
[0008] -种辐射源识别方法，所述方法包括以下步骤：
[0009] A、获取第一数量的辐射源训练序列和第二数量的辐射源测试序列；
[0010] B、求取辐射源训练序列和辐射源测试序列的希尔伯特谱；
[0011] C、对于第一数量的辐射源训练序列的希尔伯特谱，选择类可分离度大的时频点组 成最优时频点集合，提取其所对应的谱元素，组成训练向量；
[0012] D、利用训练向量及训练序列对应的类别标号训练分类器；
[0013] E、对于第二数量的辐射源测试序列的希尔伯特谱，提取步骤C中获得的最优时频 点集合所对应的谱元素，组成测试向量；
[0014] F、利用所述分类器对步骤E的测试向量进行分类，区分测试序列的辐射源。
[0015] 特别地，所述方法的步骤C中，所述选择类可分离度大的时频点对应的谱元素，组 成训练向量包括：
[0016] C1、对所有辐射源两两组合，执行步骤C2 ;
[0017] C2、对于第i个和第j个辐射源在时频点（《，t)处根据：
【权利要求】
1. 一种辐射源识别方法，所述方法包括以下步骤： A、 获取第一数量的辐射源训练序列和第二数量的辐射源测试序列； B、 求取辐射源训练序列和辐射源测试序列的希尔伯特谱； C、 对于第一数量的辐射源训练序列的希尔伯特谱，选择类可分离度大的时频点组成最 优时频点集合，提取其所对应的谱元素，组成训练向量； D、 利用训练向量及训练序列对应的类别标号训练分类器； E、 对于第二数量的辐射源测试序列的希尔伯特谱，提取步骤C中获得的最优时频点集 合所对应的谱元素，组成测试向量； F、 利用所述分类器对步骤E的测试向量进行分类，区分测试序列的辐射源。
2. 权利要求1中所述的辐射源识别方法，其特征在于，所述方法的步骤C中，所述选择 类可分离度大的时频点对应的谱元素，组成训练向量包括： CU对所有辐射源两两组合，执行步骤C2 ; C2、对于第i个和第j个辐射源在时频点（ω，t)处根据：
求取第i个和第j个辐射源在时频点（ω，t)处的费舍尔判别比，对其进行降序排列， 获取第三数量的费舍尔判别比较大值对应的时频点，组成时频点集合，其中吗 和叭[//广分别为辐射源k训练序列的希尔伯特谱在时频点（ω，t)处的均值和方差， k是i和j之一，1为每个辐射源训练序列的个数； C3、获取所有步骤C2所得的时频点集合，对其求并集，得到总的最优时频点集合，其中 对于重复的时频点，仅保留一个以避免重复； C4、将所有辐射源训练序列的希尔伯特谱在步骤C3所得时频点处的谱元素组成训练 向量。
3. 权利要求2中所述的辐射源识别方法，其特征在于，所述方法的步骤E中，根据步骤 C3获得的总的最优时频点集合，提取所对应的谱元素，组成测试向量。
4. 权利要求1中所述的辐射源识别方法，其中所述分类器包括支持向量机SVM分类器 或者神经网络分类器。
5. 权利要求4中所述的辐射源识别方法，若采用支持向量机SVM分类器，当样本线性可 分时，采用线性支持向量机SVM分类器进行训练和分类；而当样本线性不可分时，则采用非 线性支持向量机SVM分类器，在训练和分类过程中采用核函数，所述核函数包括高斯径向 核函数或多项式核函数。
6. 权利要求5中所述的辐射源识别方法，其中步骤F之后进一步包括：对比测试序列 按照辐射源区分后的结果与测试序列的实际辐射源类别，当分类正确率低于预定阈值时， 调整核函数中的参数，画出不同参数与识别正确率的对应关系，从而选择出效果最好的参 数取值。
7. 权利要求5中所述的辐射源识别方法，其中辐射源超过两类时，采用一对一 one-versus-one技术或者一对多one-versus-all技术，进行训练和分类。
8. 权利要求1中所述的辐射源识别方法，其中获取训练序列或者测试序列的方法包 括： 接收端接收到每个辐射源发来的信号，分为第一数量的辐射源训练序列；和接收端接 收到每个辐射源发来的信号，分为第二数量的辐射源测试序列。
9. 一种辐射源识别装置，包括： 训练序列获取单元和测试序列获取单元，分别用于获取第一数量的辐射源训练序列和 第二数量的辐射源测试序列； 谱分析单元，用于求取所述第一数量的辐射源训练序列的希尔伯特谱，或者求取第二 数量的辐射源测试序列的希尔伯特谱； 训练向量获取单元，用于对于第一数量的辐射源训练序列的希尔伯特谱，选择类可分 离度大的时频点组成最优时频点集合，提取其所对应的谱元素，组成训练向量； 分类器训练单元，利用所述训练向量与训练序列所对应的类别标号一起训练分类器， 获取最佳分类超平面； 测试向量获取单元，用于对于第二数量的辐射源测试序列的希尔伯特谱，提取训练向 量获取单元选择的最优时频点集合所对应的谱元素，组成测试向量；分类器测试单元，利用 已训练的分类器对测试向量进行分类，以区分测试序列的辐射源。
【文档编号】G06K9/66GK104392252SQ201410741082
【公开日】2015年3月4日 申请日期:2014年12月8日 优先权日:2014年12月8日
【发明者】王方刚, 张静文 申请人:中国铁路总公司, 北京交通大学