一种非重构条件下基于HB的信号联合特征提取方法与流程

本发明属于信号处理领域，涉及一种非重构条件下基于hb的信号联合特征提取方法，具体用于处理辐射源信号分类识别问题。

背景技术：

特定辐射源识别根据其独特特征将单个发射器与其他发射器区分开，从而识别出不同的发射器。辐射源识别技术主要用于军事通信中。随着新技术的出现，例如认知无线电和自组织网络，它变得越来越重要。

基于发射器的工作方式，辐射源识别可以对瞬态或稳态信号进行发射器识别。瞬态信号又称为开/关信号，所得的发射器特异性可用来提取特征。要提取瞬态信号的特征，主要方法是通过检测噪声的起点和终点来提取瞬态信号。但是，瞬态信号的持续时间短且难以捕获。它也容易受到复杂信道的干扰，并影响发射器的识别效果。稳态信号在整个信号的瞬态开始和结束之间传输。与瞬态信号相比，稳态信号的检测和采集更加简单。然而，由于稳态特征容易被破坏，使得稳态特征的提取变得困难。对于稳态信号，研究了各种特征提取方案。最常用的方法是基于时频分析算法，如短时傅里叶变换、小波等。除了这些方法，像累积量，双谱也被大量采用。

传统的提取特征方式虽然能够有效的提取辐射源特征，但是作为单一特征有时会造成识别结果漂移，降低正确识别率。本发明提出一种基于高阶累积量和双谱系数估计的联合指纹特征（hb,jointfingerprintfeaturesbasedonhigher-ordercumulantsandbispectrumcoefficientestimation）提取算法。它能解决单一特征存在识别结果易漂移的问题，提高辐射源识别稳定性。

技术实现要素：

本发明针对单一特征存在识别结果易漂移的问题，提出一种多特征联合特征识别方法。

本发明所用的技术方案如下：

非重构条件下基于hb的信号联合特征提取，主要有以下几步：

步骤1、生成辐射源信号；

步骤2、利用mwc对辐射源进行预处理；

步骤3、提取高阶累积量特征；

步骤4、提取双谱系数估计特征；

步骤5、使用支持向量机（svm）对辐射源信号进行分类识别。

有益效果：1）本发明的方法在有三个辐射源的情况下，与vmd_sf算法和emd_em算法对比，识别效果更好；2）随着待识别的辐射源数目增加，识别难度会越来越大，但是当5个辐射源在信噪比达到10db时，识别率仍能达到90%。

附图说明

图1是mwc系统结构图；

图2是mwc频谱搬移图；

图3是非重构条件下基于hb的信号联合特征提取算法流程图；

图4是本发明的tsoc特征分布图；

图5是本发明的seoc特征分布图；

图6是本发明的双谱系数估计特征分布图；

图7是本发明的hb联合特征分布图；

图8是本发明与vmd_sf和emd_em算法在高斯白噪声信道的识别率对比图；

图9是本发明与vmd_sf和emd_em算法在衰落信道的识别率对比图；

图10是本发明与vmd_sf和emd_em算法在4个辐射源下的识别率对比图；

图11是本发明与vmd_sf和emd_em算法在5个辐射源下的识别率对比图。

具体实施方式

1.生成辐射源信号

在发射机中包含很多非线性器件，建立的系统模型主要考虑功率放大器的非线性为辐射源指纹产生的机理。建立泰勒级数模型，令为泰勒多项式的阶数，对于发射机的输出可表示为

（1）

其中

（2）

是功率放大器的输入信号，其中为第个发射机在时间处的基带调制信号，是总的辐射源数目。为载波频率，为采样周期，是泰勒多项式的系数。表示辐射源功率放大器的输出信号。时间接收信号可以表示为

（3）

其中是从辐射源到接收机的信道衰落系数，是加性噪声。把式（1）代入式（3）得到信号为

（4）

在接收端接收信号，从中提取特征来识别不同辐射源。

2.辐射源信号预处理

在信号预处理部分，我们用到调制宽带转换器（mwc），其采样系统的原理框图如图1所示。输入信号被分成m路输入mwc采样系统，其中每一个欠采样通道分别由伪随机混频、低通滤波（lpf）和低速adc组成，输出结果为原信号的压缩采样序列。图2为mwc各个通道的频谱搬移图，经过频谱切割之后整个频带被分为l个频谱，各子频带相互搬移混合之后包含了这个通道中信号的全局信息。

接收信号经过mwc压缩采样之后得到一个维矩阵，记为

(5)

其中是维列向量。避免在提取特征时由于强度敏感、幅度敏感性造成影响，采用包络对齐方法实现样本数据的平移补偿，如下式进行幅度归一化处理

(6)

双谱是被广泛应用于高阶统计分析中的特征，信号三阶累积量的二维离散傅里叶变换（dft,discretefouriertransform)就是双谱。对于确定的离散时间信号，它的三阶累积量为

(7)

其中是的共轭。

3.提取高阶累积量特征

提取不同的高阶累积量（hoc，higher-ordercumulants）特征，包括三-六阶累积量（tsoc,tri-sixth-ordercumulant）、方形八阶累积量（seoc,squareeight-ordercumulant）。经过mwc压缩采样获得了接收信号的csd。对于，信号的时变矩定义为

(8)

其中（8）中称为信号的滞后积,是的共轭，是共轭总数。

索引集的不同分区命名为,是分区中元素的数量，并且属于分区的索引集用表示。根据矩-累积量（mc,moment-cumulative）转换公式，的阶累积量表示为

(9)

因此我们可以得到如下的矩-累积量之间的关系

(10)

可以分别从上述参数中提取tsoc、seoc，tsoc特征可以表示为

(11)

seoc特征可以表示为

(12)

如上述公式提取tsoc和seoc作为两个高阶累积量特征。

图4和图5分别画出了三个具有不同泰勒系数辐射源个体的tsoc特征、seoc特征的对比图，其中辐射源1的泰勒系数为，辐射源2的泰勒系数为，辐射源3的泰勒系数为，基带调制方式都为8qam。图4为tsoc特征分布图，图中横轴表示辐射源的信号点数，纵轴表示tsoc特征值。我们可以看出，三个辐射源信号能够大致分类识别，但是区分边界有混淆，如果受到外界干扰，会导致识别率下降。以tsoc单一特征作为分类判别依据不利于辐射源信号分类。图5为seoc特征分布图，图中横轴表示辐射源的信号点数，纵轴表示seoc特征值。图中，辐射源信号1的seoc特征值平均值为11.4，辐射源信号2的seoc特征值平均值为10.9，辐射源信号3的seoc特征值平均值为12.0。三种信号的seoc特征值混淆比较严重，但作为联合特征其中之一依然可行，若单独使用这个特征分类识别，将造成结果严重失真。

4.提取双谱系数估计特征

公式(7)已经给出了离散时间信号的三阶累积量计算公式，故的双谱为

(13)

双谱是将一个频率用其他两个频率表示，本发明采用直接估计法，对进行双谱估计。将采样数据分为段，每段包含个数据，相邻两端数据之间可以有重叠，为了方便描述记为。求每段数据的dft系数

(14)

其中，。设为采样率，计算每个dft系数的三重相关，得到相关序列

(15)

其中表示第段数据的三重相关，。样本数据的双谱系数估计为

(16)

其中。

图6给出了双谱系数估计特征分布情况，图中横轴表示辐射源的信号点数，纵轴表示双谱系数估计特征值。我们可以看出，辐射源信号1和其他两种信号能有效区分，但依然避免不了辐射源信号2和辐射源信号3的边界混淆。图7为hb联合特征分布图，该图为表示三维特征，三条坐标轴分别表示tsoc特征、seoc特征和双谱系数估计特征。我们能清晰地看出，当三个特征组成一联合三维特征是时，能够将不同辐射源个体完全区分开来。

5.使用支持向量机（svm）对辐射源信号进行分类识别

支撑向量机是一种用于二分类问题的监督学习分类器。训练集，是训练向量，是标签的类。我们考虑最简单的情况，正负标签数据可以用简单超平面来分离，

(17)

其中，是超平面的法向量；是原点到超平面的垂直距离。支撑向量机的目的是优化超平面，使其边缘达到最大（表示正点到超平面的最近距离，表示负点到超平面的最近距离）。以此找出的超平面作为不同类别数据的分离边界。对于类数大于2的情况，一般来说，多分类问题可以通过将其简化为几个二分类问题来处理。

使用svm对图7给出的联合特征进行识别，得到识别结果。图8为本发明与vmd_sf和emd_em算法在3类辐射源信号的情况下经过加性高斯白噪声信道的识别率对比图。从图中可以看出，本发明在各snr时的识别正确率都高于另外两种算法，在snr=-5db时，本发明的正确识别率为90%，识别率比vmd_sf高20%，比emd_em高21%。在低snr下，基于hb的识别算法在辐射源识别领域中识别效果优于其他两种算法。

图9是本发明与vmd_sf和emd_em算法在3类辐射源信号的情况下经过衰落信道的识别率对比图，对比于图8，在衰落信道中三种算法的识别率都下降了，本发明的识别率在snr>8db后能达到90%以上，vmd_sf和emd_em算法在snr=20db时识别率分别是81%、73%，由此可以看出本发明在衰落信道下依然能够成功识别辐射源个体。

图10为本发明与vmd_sf和emd_em算法在4类辐射源信号的情况下经过加性高斯白噪声信道的识别性能图。图11表示在5类辐射源信号的情况下经过加性高斯白噪声信道的识别性能图。从图中可以看出随着辐射源数目增加，三个算法的识别率都有所降低，但是与其它两种算法相比，本发明的识别率始终最高。