CN102394711B - 复杂环境下一种新的通信电台个体识别方法 - Google Patents

Abstract

本发明的目的在于提供复杂环境下一种新的通信电台个体识别方法，包括以下步骤：对不同通信电台发射的同种通信信号进行重采样，将通信信号转化为离散时间信号序列，对重采样的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征，利用一种新的分形盒维数算法计算不同重构相空间下的分形盒维数，得到一个分形盒维数特征向量，利用神经网络对得到的向量空间进行分类，进而达到了对不同的通信电台进行识别的目的。本发明可以在复杂多变的环境下，识别出不同通信电台的细微差别。

Description

复杂环境下一种新的通信电台个体识别方法

技术领域

本发明涉及的是一种通信电台识别技术领域的特征识别方法。

背景技术

近几年来通信电台识别成为通信侦查领域中一个重要的课题。其中，通信电台细微特征的提取在电台识别中占有着至关重要的地位。目前，对于相同工作模式、相同型号下的不同电台进行识别成为通信电台个体识别中的难点。它主要根据各电台硬件的微小差异以及在不同的发射环境噪声影响下，发射信号上所表现出来的区别于其它个体的细微特征,来判别信号来自哪个电台，从而实现通信电台的跟踪，为通信电子侦察系统提供重要依据。

目前已有的通信电台个体识别方法主要有基于通信电台信号暂态特征提取的时域分析法，基于频率跳变点检测、谱特征的频域分析法，基于小波变化、WVD变换等的时频分析法以及基于高阶累积量，熵值特征等识别方法。但是，这些方法抗噪性能比较差，往往在低信噪比下都具有较低的识别率，这就对电台识别的环境提出了更高的要求。分形特征是近几年来提出的一种混沌特征参数，其对噪声不敏感且对信号的复杂度特征的刻画具有较好的效描述果。其中，分形盒维数特征因为计算简单而得到了较广泛的应用。这就为低信噪比下通信电台细微特征的提取奠定了很好的理论基础。

发明内容

本发明的目的在于提供可以克服现有技术中对通信电台识别算法复杂度高且低信噪比下难以进行特征提取的问题的复杂环境下一种新的通信电台个体识别方法。

本发明的目的是这样实现的：

本发明复杂环境下一种新的通信电台个体识别方法，其特征是：

（1）对不同通信电台发射的通信信号进行重采样，接收到得通信电台信号为x，重采样信号的采样间隔为Δx，通信信号被转化为离散时间信号序列{x(i)}，i表示信号的采样点数；

（2）对重采样得到的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征：

设离散信号序列{x(i)}为欧式空间Rⁿ上的闭集，离散数据点之间的距离即为采样间隔Δx，则重构信号向量空间x₀可以表示为：

x₀=x_v(u-1)+1,x_v(u-1)+2,…x_v(u-1)+v+1

u=1,2,…,N₀/v，v=1,2…V，u、v为重构空间时所设定的值，V为v的最大值，N₀为采样点数，且V<N₀；当v=V时，向量空间中每一个向量为V+1维向量，即离散信号序列{x(i)}被重构为N₀-V+1个V+1维向量；

（3）利用一种新的分形盒维数算法计算不同重构相空间下通信电台离散信号序列的分形盒维数，得到一个关于分形盒维数特征向量：

设F为Rⁿ上的非空有界子集，表示待计算变量，令N(F,ε)表示覆盖F的边长为ε的最少盒子的数目，则盒维数D的计算公式可以表示为：

$D=\underset{\mathrm{\&epsiv;}\&RightArrow;0}{\lim }\frac{\mathrm{InN}(F,\mathrm{\&epsiv;})}{\mathrm{In}(1/\mathrm{\&epsiv;})}$

由于采样频率f的存在，其采样间隔Δx即为信号的最高分辨率，在计算盒维数时，令最小盒子的边长ε=Δx，

对于离散信号序列{x(i)}，采用近似算法令覆盖信号盒子的最小边长等于采样间隔Δx，依次计算边长为kΔx的盒子在离散信号{x(i)}上的计数N_kΔx，则定义：

p₁=max{x₀}

p₂=min{x₀}

$p\left(\mathrm{k\&Delta;x}\right)=\underset{j=1}{\overset{N_0/k}{\mathrm{\&Sigma;}}}|p_1-p_2|$

j=1,2,…,N₀/k，表示处理后信号的离散点数，即重构空间时所设定的值，k=1,2…K，表示所取盒子边长是采样间隔Δx的倍数，K表示采样间隔Δx的最大倍数；N₀为采样点数，且K<N₀；p(kΔx)为信号纵向坐标的尺度范围，则定义N_kΔx可以表示为：

N_kΔx=p(kΔx)/kΔx+1，

选择拟合曲线lgkΔx～lgN_kΔx中线性度好的一段作为无标度区，则：

lgN_kΔx=-DlgkΔx+b，

k₁≤k≤k₂，k₁，k₂分别为无标度区的起点和终点,b表示拟合曲线的常数项，利用最小二乘法计算出该段直线（lgN_kΔx=-DlgkΔx+b）的斜率，即离散信号的分形盒维数D：

$D=-\frac{(k_2-k_1+1)\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\lg N_{\mathrm{k\&Delta;x}}-\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\mathrm{\&Sigma;lg}{N}_{\mathrm{k\&Delta;x}}}{(k_2-k_1+1){\mathrm{\&Sigma;lg}}^{2}k-{\left(\mathrm{\&Sigma;lgk}\right)}^2},$

对其进行改进，即一种新的分形盒维数算法：

由于对离散信号序列进行了K次相空间重构，每一次相空间重构对应着拟合曲线lgkΔx～lgN_kΔ中的一个点，因此对每一个重构相空间点求导，即：

$D\left(K\right)=\frac{d\left(\mathrm{lgk\&Delta;x}\right)}{d\left(\lg N_{\mathrm{k\&Delta;x}}\right)}$

得到一个盒维数特征向量空间D=(D(1),D(2),…,D(K))，将此向量空间作为各个电台识别的特征；

（4）利用神经网络对得到的电台特征向量空间进行分类，进而达到对不同的通信电台进行识别的目的：

D_i为通信电台特征数据库中的不同电台的分形盒维数特征向量：

D₁=(D₁(1),D₁(2),…,D₁(K))

…

D_i=(D_i(1),D_i(2),…,D_i(K))

…

D_m=(D_m(1),D_m(2),…,D_m(K))

其中，k=1,2…K代表第k个重构空间的分形盒维数。

本发明的优势在于：采用本发明的基于一种新的分形盒维数算法的通信电台个体识别方法，可以在复杂多变的环境下，识别出不同通信电台的细微差别。该方法计算量小，复杂度低，且利用提出的新的分形盒维数特征可以对不同相空间下的信号进行特征提取，提高了特征提取的细微程度，从而可以在很低的信噪比下达到对通信电台个体进行分类识别的目的。

附图说明

图1为本发明的流程图；

图2为不同通信电台的传统分形盒维数值；

图3为不同重构空间下的通信电台盒维数值曲线图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～3，本发明的目的是提出复杂环境下一种新的通信电台个体识别方法，该方法可以克服现有技术中对通信电台识别算法复杂度高，且低信噪比下难以进行特征提取的问题，在对通信电台信号提取新的分形盒维数特征向量后，作为电台信号细微特征，再利用神经网络进行识别，可以达到在较低信噪比的复杂环境下对通信电台进行准确识别的效果。

本发明的目的是这样实现的：

(1.1)首先对不同通信电台发射的同种通信信号进行重采样，将通信信号转化为离散时间信号序列；

(1.2)再对重采样的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征；

(1.3)利用一种新的分形盒维数算法计算不同重构相空间下的分形盒维数，得到一个分形盒维数特征向量；

(1.4)根据分形盒维数抗噪性能高的特点，提取到的特征向量可以反映不同通信电台发射的通信信号的细微差别，利用神经网络对得到的向量空间进行分类，进而达到了对不同的通信电台进行识别的目的。

本发明的核心技术内容在于提出一种新的分形盒维数算法，并利用该算法计算不同重构相空间下的通信电台信号分形盒维数，进而得到一个分形盒维数特征向量，实现了通信电台信号特征提取；

本发明包括的一种新的分形盒维数算法，其主要内容为：在传统分形盒维数算法的基础上，对不同重构空间拟合曲线的重构空间点求导，由于拟合曲线的斜率代表该信号的分形盒维数，因此求导后曲线点值代表了不同重构相空间下的分形盒维数，这样，就得到了更细致的信号特征向量；

本发明包括的离散信号序列相空间重构，其主要内容为：对重采样后的信号序列以一定的重构算法对信号序列进行分组，分组后的点重新构成一个向量空间，这样，通过不同的重构方法就可以得到不同的特征空间，从而可以获得不同观测角度下的信号特征向量，为通信电台的识别提供了很好的识别依据；

在比较复杂的电磁环境下，通信电台识别算法系统识别流程框图如图1所示，其主要步骤为：

1.首先对不同通信电台发射的通信信号进行重采样，假设接收到得通信电台信号为x，重采样信号的采样间隔为Δx，此时通信信号被转化为离散时间信号序列{x(i)}，i表示信号的采样点数；

2.再对重采样得到的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征，具体计算方法如下：

设离散信号序列{x(i)}为欧式空间Rⁿ上的闭集，离散数据点之间的距离即为采样间隔Δx，则重构信号向量空间x₀可以表示为：

x₀=x_v(u-1)+1,x_v(u-1)+2,…x_v(u-1)+v+1   (1)

式(1)中，u=1,2,…,N₀/v，v=1,2…V，其中，u、v为重构空间时所设定的值，可根据所需重构空间的点数选择其大小，V为v的最大值，N₀为采样点数，且V<N₀；

这样就将离散信号序列映射到了不同变量个数的向量空间：

式(1)式中，当v=1时，向量空间中每一个向量为二维向量，即离散信号序列{x(i)}被重构为N₀个二维向量；

当v=2时，向量空间中每一个向量为三维向量，即离散信号序列{x(i)}被重构为N₀-1个三维向量；

以此类推，当v=V时，向量空间中每一个向量为V+1维向量，即离散信号序列{x(i)}被重构为N₀-V+1个V+1维向量。

由此，便实现了将离散信号序列划分到不同的向量空间进而再进行盒维数计算的目的，更为精确地从不同的重构空间角度对信号进行更为精细的描述。

3.利用一种新的分形盒维数算法计算不同重构相空间下通信电台离散信号序列的分形盒维数，得到一个关于分形盒维数特征向量，算法具体实施方法如下：

设F为Rⁿ上的非空有界子集，表示待计算变量，令N(F,ε)表示覆盖F的边长为ε的最少盒子的数目，则盒维数D的计算公式可以表示为：

$D=\underset{\mathrm{\&epsiv;}\&RightArrow;0}{\lim }\frac{\mathrm{InN}(F,\mathrm{\&epsiv;})}{\mathrm{In}(1/\mathrm{\&epsiv;})}$    (2)

对于实际离散信号而言，由于采样频率f的存在，其采样间隔Δx即为信号的最高分辨率。在计算盒维数时，令ε→0是没有意义的。通常令最小盒子的边长ε=Δx。

对于(1)中已经处理过的离散信号序列{x(i)}，采用近似算法令覆盖信号盒子的最小边长等于采样间隔Δx，依次计算边长为kΔx的盒子在离散信号{x(i)}上的计数N_kΔx，则定义：

p₁=max{x₀}

p₂=min{x₀}

$p\left(\mathrm{k\&Delta;x}\right)=\underset{j=1}{\overset{N_0/k}{\mathrm{\&Sigma;}}}|p_1-p_2|$    (3)

式(3)中，j=1,2,…,N₀/k，表示处理后信号的离散点数，即式(1)重构空间时所设定的值，k=1,2…K，表示所取盒子边长是采样间隔Δx的倍数，K表示采样间隔Δx的最大倍数；N₀为采样点数，且K<N₀；p(kΔx)为信号纵向坐标的尺度范围。则定义N_kΔx可以表示为：

N_kΔx=p(kΔx)/kΔx+1

选择拟合曲线lgkΔx～lgN_kΔx中线性度好的一段作为无标度区，则：

lgN_kΔx=-DlgkΔx+b   (4)

式(4)中，k₁≤k≤k₂，k₁，k₂分别为无标度区的起点和终点,b表示拟合曲线的常数项。理论上，利用最小二乘法计算出该段直线(lgN_kΔx=-DlgkΔx+b)的斜率，即为所要计算离散信号的分形盒维数D：

$D=-\frac{(k_2-k_1+1)\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\lg N_{\mathrm{k\&Delta;x}}-\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\mathrm{\&Sigma;lg}{N}_{\mathrm{k\&Delta;x}}}{(k_2-k_1+1){\mathrm{\&Sigma;lg}}^{2}k-{\left(\mathrm{\&Sigma;lgk}\right)}^2}$

由于这种传统分形盒维数的算法只能对信号线性拟合，得到拟合曲线的斜率即为通信电台信号的分形盒维数值，是一个单一的整体估计值，如图2所示，3个不同电台的分形盒维数值只是三个特征点值。这样，往往对于不是具有严格分形特征的通信电台信号不能进行准确的估计，误差较大，不能对不同电台特征进行准确分类识别。

由于对离散信号序列进行了K次相空间重构，每一次相空间重构对应着拟合曲线lgkΔx～lgN_kΔ中的一个点，因此，对每一个重构相空间点求导，即：

$D\left(K\right)=\frac{d\left(\mathrm{lgk\&Delta;x}\right)}{d\left(\lg N_{\mathrm{k\&Delta;x}}\right)}$

这样，就得到了一个盒维数特征向量空间D=(D(1),D(2),…,D(K))，将此向量空间作为各个电台识别的特征，为最后的分类识提供了可靠的依据。采用改进的广义分形盒维数算法对通信电台信号进行构建向量空间特征，计算不同重构空间下的分形盒维数，可以对通信电台信号进行更为精细的特征提取，仿真结果如图3所示。从图3的仿真结果表明，新的分形盒维数算法增大了不同通信电台特征向量的类间距离，相对于传统的分形盒维数算法，具有更好的分类效果。

4.根据分形盒维数抗噪性能高的特点，提取到的特征向量可以反映不同通信电台发射的通信信号的细微差别，具有相对稳定性，再利用神经网络对得到的电台特征向量空间进行分类。

设D_i为通信电台特征数据库中的不同电台的分形盒维数特征向量，表示如下：

D₁=(D₁(1),D₁(2),…,D₁(K))

…

D_i=(D_i(1),D_i(2),…,D_i(K))

…

D_m=(D_m(1),D_m(2),…,D_m(K))

其中，k=1,2…K代表第k个重构空间的分形盒维数。

用3种附加不同噪声的相同的信号表示发射相同信号的不同的通信电台，利用本发明提出的方法对3种电台信号进行识别，每种电台在不同的信噪比下随机产生100种信号，利用神经网络分类器，将提取到的不同电台的不同重构空间的分形盒维数特征向量输入到神经网络，一部分作为训练样本对神经网络进行训练，一部分作为测试样本对神经网络进行测试。该神经网络采用4层BP神经网络，则不同信噪比下的识别率计算结果如表1所示：

表1不同信噪比下通信电台识别率

表1的计算结果表明：利用信号的一种新的分形盒维数特征构成特征向量对不同的通信电台进行识别具有较好的分类效果。通常情况下，同类通信电台发射信号附加的细微噪声分布特性相似，计算出的分形盒维数特征值向量的空间距离比较近，而不同通信电台受内部元器件固有特性、空间噪声的影响，发射信号附加的细微噪声分布特性也因此不同，计算出的分形盒维数特征向量的空间距离比较大，这正是通信电台分类识别的基础。

表1中计算了不同信噪比下的识别率，在较低信噪比下，具有较好的识别率，这就为在复杂的电磁环境中的电子侦察活动奠定了很好的基础，能够更好的为电子侦察中的通信电台识别服务。

Claims (1)

1.复杂环境下一种新的通信电台个体识别方法，其特征是：

（1）对不同通信电台发射的通信信号进行重采样，接收到得通信电台信号为x，重采样信号的采样间隔为Δx，通信信号被转化为离散时间信号序列{x(i)}，i表示信号的采样点数；

（2）对重采样得到的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征：

设离散信号序列{x(i)}为欧式空间Rⁿ上的闭集，离散数据点之间的距离即为采样间隔Δx，则重构信号向量空间x₀可以表示为：

x₀=x_v(u-1)+1,x_v(u-1)+2,…x_v(u-1)+v+1

u=1,2,…,N₀/v，v=1,2…V，u、v为重构空间时所设定的值，V为v的最大值，N₀为采样点数，且V<N₀；当v=V时，向量空间中每一个向量为V+1维向量，即离散信号序列{x(i)}被重构为N₀-V+1个V+1维向量；

（3）利用一种新的分形盒维数算法计算不同重构相空间下通信电台离散信号序列的分形盒维数，得到一个关于分形盒维数特征向量：

设F为Rⁿ上的非空有界子集，表示待计算变量，令N(F,ε)表示覆盖F的边长为ε的最少盒子的数目，则盒维数D的计算公式可以表示为：

$D=\underset{\mathrm{\&epsiv;}\&RightArrow;0}{\lim }\frac{\mathrm{InN}(F,\mathrm{\&epsiv;})}{\mathrm{In}(1/\mathrm{\&epsiv;})}$

由于采样频率f的存在，其采样间隔Δx即为信号的最高分辨率，在计算盒维数时，令最小盒子的边长ε=Δx，

对于离散信号序列{x(i)}，采用近似算法令覆盖信号盒子的最小边长等于采样间隔Δx，依次计算边长为kΔx的盒子在离散信号{x(i)}上的计数N_kΔx，则定义：

p₁=max{x₀}

p₂=min{x₀}

$p\left(\mathrm{k\&Delta;x}\right)=\underset{j=1}{\overset{N_0/k}{\mathrm{\&Sigma;}}}|p_1-p_2|$

j=1,2,…,N₀/k，表示处理后信号的离散点数，即重构空间时所设定的值，k=1,2…K，表示所取盒子边长是采样间隔Δx的倍数，K表示采样间隔Δx的最大倍数；N₀为采样点数，且K<N₀；p(kΔx)为信号纵向坐标的尺度范围，则定义N_kΔx可以表示为：

N_kΔx=p(kΔx)/kΔx+1，

选择拟合曲线lgkΔx～lgN_kΔx中线性度好的一段作为无标度区，则：

lgN_kΔx=-DlgkΔx+b，

k₁≤k≤k₂，k₁，k₂分别为无标度区的起点和终点,b表示拟合曲线的常数项，利用最小二乘法计算出该段直线：lgN_kΔx=-DlgkΔx+b的斜率，即离散信号的分形盒维数D：

$D=-\frac{(k_2-k_1+1)\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\lg N_{\mathrm{k\&Delta;x}}-\mathrm{\&Sigma;}\left(\mathrm{lgk}\right)\&CenterDot;\mathrm{\&Sigma;lg}{N}_{\mathrm{k\&Delta;x}}}{(k_2-k_1+1){\mathrm{\&Sigma;lg}}^{2}k-{\left(\mathrm{\&Sigma;lgk}\right)}^2},$

对其进行改进，即一种新的分形盒维数算法：

由于对离散信号序列进行了K次相空间重构，每一次相空间重构对应着拟合曲线lgkΔx～lgN_kΔ中的一个点，因此对每一个重构相空间点求导，即：

$D\left(K\right)=\frac{d\left(\mathrm{lgk\&Delta;x}\right)}{d\left(\lg N_{\mathrm{k\&Delta;x}}\right)}$

得到一个盒维数特征向量空间D=(D(1),D(2),…,D(K))，将此向量空间作为各个电台识别的特征；

（4）利用神经网络对得到的电台特征向量空间进行分类，进而达到对不同的通信电台进行识别的目的：

D_i为通信电台特征数据库中的不同电台的分形盒维数特征向量：

D₁=(D₁(1),D₁(2),…,D₁(K))

…

D_i=(D_i(1),D_i(2),…,D_i(K))

…

D_m=(D_m(1),D_m(2),…,D_m(K))

其中，k=1,2…K代表第k个重构空间的分形盒维数。

Images