一种跳频通信电台的分选方法与流程

[0001]
本发明涉及无线通信技术领域，尤其涉及一种跳频通信电台的分选方法。


背景技术：

[0002]
跳频通信系统是指在相同的同步算法和伪随机跳频图案算法的控制下，射频频率在约定的频率范围内伪随机且同步跳变的通信方式。这种通信方式具有良好的抗干扰性、低截获概率和强组网能力，在军事和民用通信领域得到广泛应用。
[0003]
现有跳频通信类研究中，大都侧重于跳频信号的检测和相关参数估计，较少的研究跳频信号的分类识别。跳频信号的电台分类识别是跳频通信对抗的重要一环，现有文献主要利用跳频信号的跳时刻、跳周期、方位信息等参数实现跳频信号的分类与识别。例如：
[0004]
文献1：xu qihua.frequency hopping signal recognition method in signal reconnaissance[d].xi’an，xi'an electronic and science university,2005；提出一种基于最大相关性和时间相关性相结合的跳频信号分选算法；
[0005]
文献2：eric m,dukic m l,obradovic m.frequency hopping signal separation by spatio-frequency analysis based on the music method[j].spread spectrum techni ques&applications,2000,1:78-82；提出的利用music算法估计出跳频信号方位信息，然后利用方位信息实现跳频信号的分选；
[0006]
文献3：chen lihu,zhang eryang,shen rongjun.the sorting of frequency hopping s ignals based on k-means algorithm with optimal initial clustering centers[j].journal of national university of defense technology,2009,31(2):70-75；提出一种基于k-means聚类的跳频信号分选算法，根据跳频信号的跳周期、方位信息以及功率参数通过分类器实现跳频信号的分选，但是算法的性能过度依赖于跳频信号参数的精确度。
[0007]
文献4:wang bing,chen qiuhua,wang cuibai.identification of frequency hopping signals based on clustering[j].journal of beijing university of posts and telecommunications,2009,32(2):80-84；文献4在上述文献3的基础上，提出一种基于改进khm聚类的跳频信号分选算法，一定程度上提高了分选性能，但是这种算法必须预先知道信号的类别数。随着电磁环境日益复杂，而且跳频模式种类逐渐增多，仅靠跳频信号的常见参数实现电台分选就显得捉襟见肘了。
[0008]
近年研究表明，高维特征用于跳频电台细微特征的识别与分选具有很大优势，为了增强对跳频电台的分类识别能力，通常需要增加特征类型和高维特征维数，来进一步提高分类器的分类精度。但是随着特征种类和维数的增加，会引入大量不相关和冗余特征，导致分类计算时间过长，分类正确率较低。
[0009]
此外，特征中存在的噪声、不精确性以及模糊性会影响特征度量的计算结果，从而影响特征选择的结果。例如，噪声、模糊性等会使得原本弱相关的两个特征不相关性，而使得原来不相关的特征变得相关，从而影响特征选择的结果。


技术实现要素：

[0010]
因此，针对上述的问题，本发明提出一种跳频通信电台的分选方法，通过度量在类别信息条件下候选特征与其他特征的模糊互信息量的大小，并通过最大模糊联合互信息量得到最佳特征子集，最后半监督条件下crc分类器进行跳频通信电台的分选，对噪声、不精确、模糊等数据进行处理，从而消除其对特征度量计算的影响。
[0011]
为实现上述目的，本发明采用了以下技术方案：一种跳频通信电台的分选方法，其特征在于，包括以下步骤：
[0012]
步骤一，初始化，设置最佳特征子集
[0013]
步骤二，收集跳频通信电台的数据样本进行预处理，得到跳频通信电台的多个特征，各特征组成特征集合s＝(s1,s2,...,s
m
)；
[0014]
跳频通信电台的类别信息d；
[0015]
步骤三，计算细微特征集合s与类别信息d的模糊互信息i(s
i
；d)；
[0016]
选取i(s
i
；d)最大值对应的特征s
max
为候选特征s
i
；s
i
∈s-s
select
；
[0017]
s
select
＝s
select
∪s
max
；
[0018]
步骤四，重复执行步骤二、步骤三，形成由多个候选特征s
i
组成的候选特征子集s
k
；
[0019]
步骤五，基于归一化模糊联合互信息的特征选择:
[0020]
定义特征s
p
，s
p
∈s
select
；
[0021]
计算v
jmi
＝i(s
k
,s
p
；d)，假设令v＝v∪v
jmi
，取v的最小值为u
jmi
，u
jmi
为最小联合互信息；
[0022]
即：u
jmi
＝min(v
jmi
)；
[0023]
步骤六，在候选特征子集s
k
的所有候选特征s
i
中，选择使得最小联合互信息的值最大的特征；
[0024]
令u＝u∪u
jmi
，则f＝max(u)；
[0025]
s
select
＝s
select
∪f；
[0026]
步骤八，基于半监督条件下crc分类器对最佳特征子集s
select
进行分选。
[0027]
进一步的，所述细微特征包括跳频通信电台的盒维数、瑞利熵、信息维数、lzc复杂度、峰度和波形特征。
[0028]
通过采用前述技术方案，本发明的有益效果是：本跳频通信电台的分选方法，通过度量在类别信息条件下候选特征与其他特征的模糊互信息量的大小，进行特征与类别、特征与特征的相关性分析，并通过最大模糊联合互信息量得到最佳特征子集，最后半监督条件下crc分类器进行跳频通信电台的分选，对噪声、不精确、模糊等数据进行处理，从而消除其对特征度量计算的影响。在保证分选正确率的基础上，大幅降低运算量，提高跳频电台分选的时效性。
具体实施方式
[0029]
1.模糊互信息的原理：
[0030]
假设数据集u，其中的样本元素d＝{x1,x2,l,x
n
}，特征向量x
i
＝{x
i1
,x
i2
,l,x
in
}(x
ij
表示第i个样本的第j个特征)。令s为特征集中的一个特征，该特征的模糊等价关系为r
s
，则
该特征的模糊等价划分矩阵m(r
s
)可以表示为：
[0031][0032]
其中，r
ij
表示x
i
和x
j
的模糊关系，m(r
s
)的每一行都代表一个模糊等价划分。
[0033]
任意一个特征向量x
i
的模糊等价划分可以表示为：
[0034][0035]
其中，“+”表示组合的联合。式(2)的模糊等价划分可以看做一个模糊集合，其基数|[x
i
]
s
|和模糊概率η
s
分别可以表示为：
[0036][0037]
η
s
＝|[x
i
]
s
|/n
ꢀꢀ
(4)
[0038]
假设s
k
和s
m
是特征集合s＝{s1,s2,l,s
m
}的两任意特征，两个特征的迷糊等价关系分别为和则特征子集{s
k
,s
m
}的模糊等价关系可以表示为：
[0039][0040]
x
i
的两个等价划分为和x
i
在特征子集{s
k
,s
m
}的等价划分可以表示为：
[0041][0042]
式(6)的模糊等价划分可以看做一个新的集合，该集合的模糊基数可以表示为：
[0043][0044]
根据式(7)可以得到模糊概率为：
[0045][0046]
如果特征向量x
i
和x
j
是相同的类别，则(d为类别信息)，反之，则在d条件下，特征向量x
i
的模糊等价划分可以表示为：
[0047][0048]
因此，在d条件下，特征向量x
i
的模糊概率η
d
为：
[0049]
η
d
＝|[x
i
]
d
|/n
ꢀꢀ
(10)
[0050]
对于特征s，根据其模糊概率可以求得其模糊熵h(s)为：
[0051][0052]
同理，类别d的模糊熵为：
[0053][0054]
根据式(8)可以求得特征s
k
和s
m
的模糊联合熵为：
[0055][0056]
根据信息论的计算规则，在确定特征s
k
的条件下，类别d的模糊条件熵h(d|s
k
)为：
[0057]
h(d|s
k
)＝h(s
k
,d)-h(s
k
)
ꢀꢀ
(14)
[0058]
因此，特征s
k
和s
m
的模糊互信息i(s
k
,s
m
)可以表示为：
[0059]
i(s
k
,s
m
)＝h(s
k
)+h(s
m
)-h(s
k
,s
m
)
ꢀꢀ
(15)
[0060]
同理，特征s
k
与类别d的模糊互信息i(s
k
,d)可以表示为：
[0061]
i(s
k
,d)＝h(s
k
)+h(d)-h(s
k
,d)
ꢀꢀ
(16)
[0062]
在确定特征s
m
的条件下，由于固定类别d的信息而导致特征s
k
的不确定性变化的模糊条件互信息i(s
k
,d|s
m
)可以表示为：
[0063]
i(s
k
,d|s
m
)＝h(s
k
|d)-h(s
k
|d,s
m
)
ꢀꢀ
(17)
[0064]
模糊联合互信息可以表示为：
[0065]
i(s
k
,s
m
；d)＝i(s
k
；d)+i(s
m
；d)
ꢀꢀ
(18)
[0066]
2.基于归一化模糊联合互信息的特征选择的原理：
[0067]
模糊联合互信息能够说明特征的相关性，假设在固定特征子集s的情况下，特征s
k
比特征s
m
与类别信息d的相关性大，则：
[0068]
i(s
k
,s；d)＞i(s
m
,s；d)
ꢀꢀ
(19)
[0069]
假设数据集的全部特征集合为m，p为选择特征集合，s
k
∈m-p，s
p
∈p，则最小联合互信息可以表示为：
[0070][0071]
式(20)表示在类别信息d已知的条件下，待选特征s
k
与特征集合p中每一个特征s
p
的共同信息最小。
[0072]
假设在选择特征集合p已知的情况下，采用max-min方法来度量待选择特征与类别信息的相关性，则模糊联合互信息的准则可以表示为：
[0073][0074]
将互信息作为评价标准有一个显著的缺点就是特征选择倾向于选择特征多的特征作为最终的最优特征集。为了解决这个问题，采用归一化模糊联合互信息作为评价准则：
[0075][0076]
其中，sr(s
k
,s
p
；d)可以表示为：
[0077][0078]
3.基于半监督条件下crc分类器的跳频电台分选原理：
[0079]
假设最终需要训练的特征集合为{(s
n
,z
n
),s
o+m
,n＝1,2,l o；m＝1,2,l u}，其中，o表示有标签的训练特征数，u表示没有标签的训练特征数，s
n
表示训练特征向量，z
n
表示标签向量(元素只包含0和1)。
[0080]
本实施例中，crc分类器的特征向量s
i
,i＝1,2,l,o+u稀疏表征系数采用l1范数来求解。首先由l0范数求解的结果为：
[0081][0082]
l0范数所求得解的实际意义是a
i
中非零向量的映射，可以较好的实现分类，但是，l0范数求解问题是n-p问题，因此采用l1范数代替上述的l0范数。基于l1范数的求解问题可以表示为：
[0083][0084]
crc分类器利用中的信息构造判别分类式可以表示为：
[0085][0086]
根据belkin et al提出的基于再生核希尔伯特空间h
k
上的流形正则化框架，传统半监督条件下的正则化函数可表示为:
[0087][0088]
其中，γ
a
和γ
i
是正则化系数；f表示在再生核希尔伯特空间h
k
上的实值分类函数；l(s
i
,z
i
,f)是损失函数，损失函数的选取直接关系到流行正则化算法；表示再生核希尔伯特空间h
k
上的范数，用来控制分类器的复杂度；表示罚函数，用来约束正则化函数在流行上的平滑度。
[0089]
在流行正则化框架下的的罚函数以及式(17)的全局最优解可以表示为：
[0090][0091][0092]
其中，w
i,j
、β
h,i
表示权重系数；k(s
i
,s)表示核函数；c表示分类数。
[0093]
因此，半监督条件下crc分类器可以表示为：
[0094][0095]
其中，
[0096]
将式(27)表示为矩阵形式：
[0097][0098]
其中，
[0099][0100]
其中，p＝(f(s1),f(s2),l,f(s
o+μ
))；α
i,j
表示合作表征系数；
[0101]
因此，改进的半监督条件下crc分类器可以表示为：
[0102][0103]
本实施例提供一种跳频通信电台的分选方法，包括以下步骤：
[0104]
步骤一，初始化，设置最佳特征子集
[0105]
步骤二，收集电台的数据样本进行预处理，得到电台的多个特征，各特征组成特征集合s＝(s1,s2,...,s
m
)；
[0106]
电台的类别信息d；
[0107]
步骤三，计算细微特征集合s与类别信息d的互信息i(s
i
；d)；
[0108]
选取i(s
i
；d)最大值对应的特征s
max
为候选特征s
i
；s
i
∈s-s
select
；
[0109]
s
select
＝s
select
∪s
max
；
[0110]
步骤四，重复执行步骤二、步骤三，形成由多个候选特征s
i
组成的候选特征子集s
k
；
[0111]
步骤五，特征s
p
，s
p
∈s
select
；
[0112]
计算v
jmi
＝i(s
k
,s
p
；d)，假设令v＝v∪v
jmi
，取v的最小值为u
jmi
，u
jmi
为最小联合互信息；
[0113]
即：u
jmi
＝min(v
jmi
)；
[0114]
步骤六，在候选特征子集s
k
的所有候选特征s
i
中，选择使得最小联合互信息的值最大的特征；
[0115]
令u＝u∪u
jmi
，则f＝max(u)；
[0116]
s
select
＝s
select
∪f；
[0117]
步骤八，基于半监督条件下crc分类器对最佳特征子集s
select
进行分选。
[0118]
上述细微特征包括跳频通信电台的盒维数、瑞利熵、信息维数、lzc复杂度、峰度和波形特征等。
[0119]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。