CN101587186B - 一种雷达脉内调制信号的特征提取方法 - Google Patents

Abstract

本发明提出了一种雷达脉内调制信号的特征提取方法。该方法对接收到的雷达脉内调制信号进行时频分解，得到对应的时频分布图像，然后对该图像进行二维小波分解，并对其进行主分量分析，获得每类雷达脉内调制信号的特征参数，构建相应的分类器。本发明提取的信号特征参数具有很好的鲁棒性，且具有较强的抗噪声能力，利用生成的分类器可以获得较高的信号识别率，从而可以有效地应用于雷达脉内调制信号的识别。

Description

一种雷达脉内调制信号的特征提取方法

技术领域

本发明涉及一种信号的特征提取方法，特别涉及一种雷达脉内调制信号的特征提取方法。

背景技术

雷达脉内调制是指雷达为提高其检测性能、抗干扰措施而采取的特定的调制样式。随着现代雷达技术的不断发展，采用各种复杂脉内调制方式工作的雷达逐渐增多，这给雷达信号的侦察、分选和识别带来了新的挑战。目前，雷达信号脉内调制特征分析的一般方法有时域自相关法、调制域分析法、谱相关法、时域倒谱法等，这些方法都是遵循着通过对采样信号的某种变换，使信号之间特征区分明显，从而达到信号分类识别的目的，因此是相互渗透、相互关联的，但是这些方法无法全面而有效地反映雷达脉内调制信号的特征信息，从而导致对雷达脉内调制信号的识别率较低。

时频分布和小波变换是新发展起来的处理非平稳信号的有力工具。时频分布将时域信号映射成为一个联合时域和频域的信号，在时间和频率点处既表达了某时刻的频率信息，同时获得了相应的时域信息。小波的特点是它能够对信号进行多尺度分析，即能用粗尺度获得信号的概貌，同时，利用细尺度获得信号的细节信息。通过对脉内调制信号进行小波分解得到不同水平下的细节信息，这些信息对不同类别的信号而言，具有明显的差异，因此可以用来进行模式识别。现有的技术主要是利用时频图像来分析雷达信号脉内调制的类型。但该方法仅仅利用了时频分布图像的边缘信息，没有充分挖掘时频分布图像中所包含的丰富信息；而且，在较低信噪比下，时频分布图像的边缘信息很难提取。

发明内容

本发明的目的就在于解决现有技术的缺陷，设计、研究一种雷达脉内调制信号的特征提取方法。

本发明的技术方案是：

一种雷达脉内调制信号的特征提取方法，其特征在于包括以下步骤：

(1)由接收到的雷达脉内调制信号进行时频分解，得到对应的时频分布图像；

(2)对时频分布图像进行二维小波分解，得到低频、高频水平、高频垂直和高频对角方向的四组小波分解系数；

(3)对小波分解系数进行预处理：通过维纳滤波降低噪声的影响，并将小波分解系数归一化为质心为0、模为1的单位向量；

(4)对四组小波分解系数分别进行主分量分析，获得对应的平均向量和特征矩阵，形成各自的特征参数分类器；假设给定的训练样本集合为{S_j}，j＝1，2，3，...，K，K为训练样本的个数，其主分量分析的过程如下：

(4-1)计算样本的平均向量

$\stackrel{\‾}{s}=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{S}_j;$

(4-2)计算协方差矩阵， $V=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}(S_j-\stackrel{\‾}{s}){(S_j-\stackrel{\‾}{s})}^T,$ 其中上标T代表向量转置；

(4-3)对协方差矩阵V进行特征分解，其特征向量p_m满足：Vp_m＝λ_mp_m，

其中，λ_m表示V的第m个特征值，λ_m≥λ_m+1，并且λ_m≠0， $p_m^T{p}_m=1,m=\mathrm{1,2},...,D;$

(4-4)取前t个特征值，满足 $\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_m/\underset{m=1}{\overset{D}{\mathrm{\Σ}}}{\mathrm{\λ}}_m\≥\mathrm{\θ},$ θ为一设定阈值，表征能量截断的比例，同时构造矩阵P＝[p₁ p₂ … p_t]，θ选定之后，则该类样本中的每个向量可以由前t个最大主分量来近似表示，也就是 $s\≈\stackrel{\‾}{s}+\mathrm{Pb},$ 其中，

表示平均形状，b为主分量参数，P为主成分特征向量构成的变换矩阵。

(5)对低频部分、高频水平两个分类器进行加权组合成一个更强的分类器，用于后续的信号识别。

本发明的优点和效果在于：

1.利用时频图像所包含的信息来识别不同脉内调制特征类型的信号是完全可行的，而且可以取得很高的识别率。

2.本发明提取的特征参数具有很好的鲁棒性和抗噪声特性，在较低信噪比环境下仍然有效，而其他方法则需要较高的信噪比，这在实际情况中是很难满足的。

3.时频图像中的低频分量信息和高频水平方向部分的信息显著地反映了不同脉内调制特征类型之间的差别，利用两者特征构造的分类器可以取得很高的识别率，将两者加权组合成一个分类器，取得了比原来单独两个分类器进行独自分类更好的效果。

本发明的其他优点和效果将在下面继续描述。

附图说明

图1——特征参数提取和分类器构造流程图。

图2——常规单频信号的时频分布图像(从左至右信噪比为：0dB，10dB，20dB)。

图3——线性调频信号的时频分布图像(从左至右信噪比为：0dB，10dB，20dB)。

图4——二相编码信号的时频分布图像(从左至右信噪比为：0dB，10dB，20dB)。

图5——四相编码信号的时频分布图像(从左至右信噪比为：0dB，10dB，20dB)。

图6——常规单频信号小波变换分解示意图。

图7——第一主分量分析示意图(从左至右：-3倍偏差，平均向量，+3倍偏差)。

图8——第二主分量分析示意图(从左至右：-3倍偏差，平均向量，+3倍偏差)。

图9——单个分类器和组合分类器识别结果。

具体实施方式

下面结合附图和实施例，对本发明所述的技术方案作进一步的阐述。

图1为雷达脉内调制信号的特征参数提取和分类器构造流程图，具体流程如下：(1)由接收到的雷达脉内调制信号进行时频分解，得到对应的时频分布图像：

设侦察接收机的接收到的雷达信号为：

x(t)＝s(t)+n(t)，0≤t≤T    (式1)

其中，n(t)是零均值，方差为σ²的高斯白噪声过程，T为脉冲宽度，s(t)是雷达信号，用解析信号形式表示

(式2)

其中f₀是载频，

是初相，c(t)是相位函数，A是幅度。信号的调制方式体现在相位函数c(t)之中，这里以四种典型信号为例进行仿真，分别是常规单频信号，线性调频信号、二相编码信号和四相编码信号，其中二相编码信号采用长度为7的Barker码，四相编码采用长度为16的Frank码。

由接收到的雷达脉内调制信号进行时频分解，这里采用的是Wigner-Ville分布，它是当前广泛使用的一种时频分布形式，可以看作是一种用信号自身作为窗函数的特殊的短时Fourier变换形式，根据信号的特点，相应的窗函数对信号具有某种程度的自适应性，而且该分布具有许多良好的特性，如边缘特性、时频移不变性等。雷达信号s(t)的Wigner-Ville分布为：

$W_s(t,\mathrm{\ω})={\∫}_{-\∞}^{+\∞}s(t+\mathrm{\τ}/2)s^{*}(t-\mathrm{\τ}/2)e^{-\mathrm{j\ω\τ}}\mathrm{d\τ}$ (式3)

图2～图5分别显示了四种不同的雷达信号在不同信噪比下的时频分布图像。从图中可以看出，时频分布图像中蕴含了信号的本质属性，尽管信噪比从20dB变到0dB，我们仍然可以看出信号的时频分布模样；相反，在单纯的时域或频域中，随着信噪比的降低，其相应的图像的可观性将迅速下降，因此，时频分布图像是一种分析雷达信号脉内调制特征的有利工具，可以用来进行分析不同调制模式的信号，同时，时频分布图像具有相当的抗噪声能力特性。

(2)对时频分布图像进行二维小波分解，得到低频、高频水平、高频垂直和高频对角方向的四组小波分解系数：

小波分析是近年来发展起来的一种用于信号分析的数学方法。其主要思想是选择合适的小波基函数，再对小波基函数通过如下方式生成函数簇{φ_a，b}， ${\mathrm{\φ}}_{a,b}\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\φ}\left(\frac{t-b}{a}\right),$ 然后通过函数簇{φ_a，b}对信号进行分析。当尺度a较大时，时频窗口的时域部分较宽，从而分析频率低，适合做概貌的观察，反之，当尺度a较小时，窗口的时域部分较窄，而分析频率高，适合做细节的观察，这种由粗到细对事物的逐级多分辨率分析是小波变换工程应用的一个重要方面。图6为常规单频信号小波变换分解的示意图。

(3)对小波分解系数进行预处理：通过维纳滤波降低噪声的影响，并将小波分解系数归一化为质心为0、模为1的单位向量；

(4)对四组小波分解系数分别进行主分量分析，获得对应的平均向量和特征矩阵，形成各自的特征参数分类器；假设给定的训练样本集合为{S_j}，j＝1，2，3，...，K，K为训练样本的个数，其主分量分析的过程如下：

(4-1)计算样本的平均向量

$\stackrel{\‾}{s}=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{S}_j;$

(4-2)计算协方差矩阵， $V=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}(S_j-\stackrel{\‾}{s}){(S_j-\stackrel{\‾}{s})}^T,$ 其中上标T代表向量转置；

(4-3)对协方差矩阵V进行特征分解，其特征向量p_m满足：Vp_m＝λ_mp_m，

其中，λ_m表示V的第m个特征值，λ_m≥λ_m+1，并且λ_m≠0， $p_m^T{p}_m=1,m=\mathrm{1,2},...,D;$

(4-4)取前t个特征值，满足 $\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_m/\underset{m=1}{\overset{D}{\mathrm{\Σ}}}{\mathrm{\λ}}_m\≥\mathrm{\θ},$ θ为一设定阈值，表征能量截断的比例，同时构造矩阵P＝[p₁ p₂ … p_t]，θ选定之后，则该类样本中的每个向量可以由前t个最大主分量来近似表示，也就是 $s\≈\stackrel{\‾}{s}+\mathrm{Pb},$ 其中，

表示平均形状，b为主分量参数，P为主成分特征向量构成的变换矩阵。

图7和图8是以线性调频信号的低频系数为样本，进行主分量分析的结果。分别变动第一主分量和第二主分量特征参数，偏离其平均向量各自3倍的标准差，可以得到由于主分量系数变化所引起的样本变化。

(5)对低频部分、高频水平两个分类器进行加权组合成一个更强的分类器，用于后续的信号识别。

经过上述步骤，分别得到每类信号对应的低频部分、高频水平部分、高频垂直部分和高频对角部分的分类器；根据信号时频分布图像的特点，高频垂直和高频对角方向部分所包含的信息量与低频部分和高频水平部分相比较少，由前两者构造的分类器同后两者相比性能较低，因此，在构建组合分类器时，只对低频部分和高频水平部分两个高性能分类器进行加权组合，构成一个性能更强的分类器，在这里将加权系数设为0.5。

图9中对4组不同的雷达脉内调制信号按照上述方法进行特征提取，并进行识别。每组信号含有36个样本，表中数据为正确识别的样本个数，可见用该方法构造的分类器具有很好的识别能力。

本发明请求保护的范围并不仅仅局限于本具体实施方式的描述。

Claims (1)

1. 一种雷达脉内调制信号的特征提取方法，其特征在于包括以下步骤：

(1)由接收到的雷达脉内调制信号进行时频分解，得到对应的时频分布图像；

(2)对时频分布图像进行二维小波分解，得到低频、高频水平、高频垂直和高频对角方向的四组小波分解系数；

(3)对小波分解系数进行预处理：通过维纳滤波降低噪声的影响，并将小波分解系数归一化为质心为0、模为1的单位向量；

(4)对四组小波分解系数分别进行主分量分析，获得对应的平均向量和特征矩阵，形成各自的特征参数分类器；假设给定的训练样本集合为{S_j}，j＝1，2，3，...，K，K为训练样本的个数，其主分量分析的过程如下：

(4-1)计算样本的平均向量

$\stackrel{\‾}{s}=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{S}_j;$

(4-2)计算协方差矩阵， $V=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}(S_j-\stackrel{\‾}{s}){(S_j-\stackrel{\‾}{s})}^T,$ 其中上标T代表向量转置；

(4-3)对协方差矩阵V进行特征分解，其特征向量p_m满足：Vp_m＝λ_mp_m，

其中，λ_m表示V的第m个特征值，λ_m≥λ_m+1，并且λ_m≠0， $p_m^T{p}_m=1,m=\mathrm{1,2},...,D;$

(4-4)取前t个特征值，满足 $\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_m/\underset{m=1}{\overset{D}{\mathrm{\Σ}}}{\mathrm{\λ}}_m\≥\mathrm{\θ},$ θ为一设定阈值，表征能量截断的比例，同时构造矩阵P＝[p₁ p₂ … p_t]，θ选定之后，则该类样本中的每个向量可以由前t个最大主分量来近似表示，也就是 $s\≈\stackrel{\‾}{s}+\mathrm{Pb},$ 其中，

表示平均形状，b为主分量参数，P为主成分特征向量构成的变换矩阵；

(5)对低频部分、高频水平两个分类器进行加权组合成一个更强的分类器，用于后续的信号识别。

Images