雷达辐射源信号个体差异分析方法与流程

本发明是一种雷达辐射源信号个体差异分析方法，用于提高对雷达辐射源的唯一识别准确率。

背景技术：

面对日益密集、复杂的雷达信号环境，对雷达辐射源信号进行分选、识别以及唯一确定一部雷达辐射源的难度越来越大，特别是对于具有相同调制样式和调制参数的雷达信号识别，仅依赖脉内有意调制特征已显得力不从心。而雷达辐射源的脉内无意调制特征是其固有属性，不可改变且各不相同，因此，对调制样式、调制参数均相同的雷达辐射源进行个体差异特征的分析，是当前亟需解决的一个问题。

Wigner三阶谱能同时从时域和频域描述信号的高阶谱特性，更适合挖掘信号之间的细微差异，是分析雷达信号个体差异的有利手段。通过将三阶谱投影图转化为灰度图，保留三阶谱的全部信息，然后对该灰度图提取SIFT特征，并通过SIFT特征匹配实现雷达辐射源信号的个体差异识别。

技术实现要素：

(1)对接收到的雷达辐射源信号求取Wigner三阶谱；

(2)将Wigner三阶谱转化为灰度图；

(3)构造灰度图的SIFT特征描述子；

(4)对不同信号之间进行SIFT特征匹配；

(5)基于匹配点数实现雷达辐射源信号唯一识别。

附图说明

附图1是本发明的流程图。参照附图1，本发明的流程由对接收到的雷达辐射源信号求取Wigner三阶谱、将Wigner三阶谱转化为灰度图、构造灰度图的SIFT特征描述子、对不同信号之间进行SIFT特征匹配以及基于匹配点数实现雷达辐射源信号唯一识别5个部分组成。其中1用于将接收到的雷达辐射源信号求取Wigner三阶谱；2用于将Wigner三阶谱转化为灰度图；3用于构造灰度图的SIFT特征描述子；4用于对不同信号之间进行SIFT特征匹配；5用于基于匹配点数实现雷达辐射源信号唯一识别。

附图2是信号两两之间的准确匹配点数的统计图，图2中横坐标为信号序列，纵坐标为准确匹配的点数。

具体实施方式

实施本发明的原理如下：对雷达信号求取Wigner三阶谱，然后将其转换为灰度图，基于提取的SIFT特征，实现对不同雷达信号之间的匹配识别。本发明对相同调制样式和参数的不同雷达辐射源信号，可以实现个体差异的分析与唯一识别。

(1)对接收到的雷达辐射源信号，求取其Wigner高阶谱

$M_{Wkx}(t,{\mathrm{\ω}}_1,\mathrm{...},{\mathrm{\ω}}_k){\∫}_{{\mathrm{\τ}}_1}\mathrm{...}{\∫}_{{\mathrm{\τ}}_k}\[X*(t-\frac{1}{k+1}\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\τ}}_i)*\underset{i=1}{\overset{k}{\Π}}X(t+{\mathrm{\τ}}_i-\frac{1}{k+1}\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\τ}}_i)\]*e^{-j\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_i{\mathrm{\τ}}_i}{d}_{{\mathrm{\τ}}_1}\mathrm{...}{d}_{\mathrm{\τ}k}---\left(1\right)$

式(1)中，X(t)表示接收到的雷达辐射源信号。

当k取为3时，可以得到Wigner分布的三阶谱。

$M_{W3x}(t,{\mathrm{\ω}}_1,\mathrm{...},{\mathrm{\ω}}_3)={\∫}_{{\mathrm{\τ}}_1}\mathrm{...}{\∫}_{{\mathrm{\τ}}_3}\[X*(t-\mathrm{\τ})X(t-\mathrm{\τ}+{\mathrm{\τ}}_1)*X(t-\mathrm{\τ}+{\mathrm{\τ}}_2)X(t-\mathrm{\τ}+{\mathrm{\τ}}_3)\]*e^{-j\underset{i=1}{\overset{3}{\Σ}}{\mathrm{\ω}}_i{\mathrm{\τ}}_i}{d}_{{\mathrm{\τ}}_1}\mathrm{...}{d}_{{\mathrm{\τ}}_3}---\left(2\right)$

(2)将Wigner三阶谱转化为灰度图

由于雷达辐射源信号的Wigner三阶谱投影图可以充分反映信号的个体特征，因此从图像处理的角度出发，将Wigner三阶谱投影图转化为灰度图，保留了其全部信息。

(3)构造灰度图的SIFT特征描述子，具体过程为：首先建立尺度空间、检测特征点，DoG算子为两个不同尺度的高斯核的差分，具有计算简单的优点，其定义如下

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ) (3)

特征点的检测则是对DoG尺度空间产生特征点图层的每个像素点与相邻尺度、相邻位置的像素点逐个进行比较，得到的局部极值位置作为关键点所处的位置和对应的尺度。

其次对特征点进行精确定位，具体包括剔除低对比度的特征点和剔除位于图像边缘的特征点两个环节。然后再确定特征点梯度幅值和方向

$m(x,y)=\sqrt{{\left(L\right(x+1,y)-L(x-1,y\left)\right)}^2+{\left(L\right(x,y+1)-L(x,y-1\left)\right)}^2}$

$\mathrm{\θ}(x,y)=\arctan \left(\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}\right)---\left(4\right)$

式中，m(x,y)为梯度的幅值，θ(x,y)为梯度方向，L所用的尺度为每个特征点各自所在的尺度。

最后构造SIFT特征描述子，至此，图像中的每个特征点具备三个信息：空间坐标、尺度、方向。生成特征描述子的具体方法：在特征所处的尺度空间，以其为中心取16×16像素大小的邻域，再将其划分为4×4共16个子区域，分别对每个子区域计算8个方向的梯度方向直方图，并计算每个梯度方向的累加值，即可形成4个种子区域，一个特征点邻域划分的4×4个子区域的联合梯度信息，对于每个特征点最终形成4×4×8＝128维的向量，该向量就是SIFT特征描述子。

(4)对不同信号之间进行SIFT特征匹配。首先对接收到的每个信号首先进行三阶谱变换，并将其转换为灰度图像，然后提取SIFT特征，并依次与第一个信号进行SIFT特征匹配，选择SIFT特征描述子的欧氏距离作为匹配的相似性判定度量。并且对信号两两之间的准确匹配点数进行统计图，以此作为不同信号之间个体差异体现的依据。

(5)基于匹配点数实现雷达辐射源信号唯一识别。

下面结合实例说明一下整个发明的优势。

雷达1产生100个线性调频信号，开始频率为30MHz，带宽5MHz，脉宽10μs，采样频率120MHz。信号包含-30dB的高斯白噪声和-20dB的服从韦布尔分布的噪声，韦布尔分布的形状参数为4、强度参数为2；雷达2也产生100个线性调频信号，调制参数同雷达1。信号包含-28dB的高斯白噪声和-18dB的服从韦布尔分布的噪声，韦布尔分布的形状参数为1、强度参数为6。对接收到的每个信号首先进行Wigner三阶谱变换，并将Wigner三阶谱变换结果转换为灰度图像，然后提取SIFT特征，并依次与第一个信号进行SIFT特征匹配，选择SIFT特征描述子的欧氏距离作为匹配的相似性判定度量。信号两两之间的准确匹配点数的统计图如图2所示，图中横坐标的1-100表示第一部雷达辐射源产生的100个信号，纵坐标表示与第一个信号的准确匹配点数，101-200表示第二部雷达辐射源产生的100个信号，纵坐标表示与第一个信号的准确匹配点数(包括第一个信号的自配)。由统计图可知，由于两部雷达的噪声大小和分布参数不同，所以准确匹配的点数存在差异，既充分挖掘出了他们之间的个体差异，然后基于KFCM算法可以准确将信号分为两类，识别准确率达到100％。