CN102436588A - 一种辐射源识别方法 - Google Patents
一种辐射源识别方法 Download PDFInfo
- Publication number
- CN102436588A CN102436588A CN2011103609249A CN201110360924A CN102436588A CN 102436588 A CN102436588 A CN 102436588A CN 2011103609249 A CN2011103609249 A CN 2011103609249A CN 201110360924 A CN201110360924 A CN 201110360924A CN 102436588 A CN102436588 A CN 102436588A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- signal
- yardstick
- frequency
- source identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明的目的在于提供一种辐射源识别方法,包括以下步骤:将传感器采集到的辐射源信号从时域变换到频率域,并在频率域中对信号能量进行归一化处理;预处理后的信号进行L层频率域小波分解,得到2L个频率子空间;在不同的频率子空间上计算信号的指数熵,并构造辐射源识别的特征向量,根据辐射源识别特征向量和辐射源特征数据库,采用灰色关联算法得到最终的识别结果。本发明是能在复杂电磁环境和大动态信噪比变化条件下有效、准确、稳定、可靠的辐射源识别方法,能够保证复杂电磁环境和大信噪比动态范围下对辐射源识别的要求。
Description
技术领域
本发明涉及的是一种辐射源识别领域的识别方法。
背景技术
在民用领域中,辐射源识别是认知无线电、无线电定位、通信设备故障检测与识别等领域的关键技术之一,具有非常重要的作用。
随着科学技术的发展,信号所处的电磁信号环境日益复杂,辐射源密度成倍增加,电磁信号样式复杂多变,这些都给辐射源识别带来前所未有的挑战。一般的辐射源识别方法难以实现复杂电磁环境下准确、稳定、可靠的辐射源识别。因此,急需研究开发新的辐射源识别方法。
发明内容
本发明的目的在于提供能在复杂电磁环境和大动态信噪比变化条件下有效、准确、稳定、可靠的一种辐射源识别方法。
本发明的目的是这样实现的:
本发明一种辐射源识别方法,其特征是:
(1)将传感器采集到的辐射源信号从时域变换到频率域,并在频率域中对信号能量进行归一化处理;
(2)将预处理后的信号进行L层频率域小波分解,得到2L个频率子空间;
(3)在不同的频率子空间上计算信号的指数熵,并构造辐射源识别的特征向量:
每层信号的采样点数是N,定义尺度i上的低频信号能量为:
将每一个尺度下的高频信息量都看成是一个独立的信号源,并将信号等分成n个相等的小区间,则第j个子区间的能量为
定义上第j个子区间所包含的信号能量与该尺度上总能量的比值为
定义尺度i上的指数熵为
利用小波分解算法将原始信号分解到L个尺度上,选取每个尺度上的高频信号,按照上面的方法求出L个不同尺度上的指数熵,构造如下的特征向量:
H={H0,H1,·,HL};
(4)根据辐射源识别特征向量和辐射源特征数据库,采用灰色关联算法得到最终的识别结果:
记参考数列为X0={X0(j)|j=1,2·,L},其中j为参考数列中的第j个特征,L为参考数列中的特征维数,特征就是指数熵,L代表小波分解的层数即尺度,
辐射源识别数据库中有M个待识别目标的标准特征向量,即
Xi={Xi(j)|j=1,2·,M},i=1,2·,M,
定义第j个特征的绝对差为
Δij={X0(j)-Xi(j)},
定义Xi(j)与X0(j)的关联系数为
其中a(j)为权重,最后判定γi最大为待识别辐射源。
本发明还可以包括:
1、所述的小波分解算法为:通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频信号xL(i-1,k),通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频信号xH(i-1,k):
xL(i-1,k)=∑lh(l)x(i,2k-l)
xH(i-1,k)=∑lg(l)x(i,2k-l)。
本发明的优势在于:本发明是能在复杂电磁环境和大动态信噪比变化条件下有效、准确、稳定、可靠的辐射源识别方法,能够保证复杂电磁环境和大信噪比动态范围下对辐射源识别的要求。
附图说明
图1为本发明的辐射源识别装置的实现框图;
图2为本发明的流程图。
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1~2,本发明的目的是这样实现的:对于传感器接收到的辐射源信号,首先利用傅里叶变换将信号从时域变换到频率域,并且在频率域对信号的能量进行归一化处理。然后,利用小波分解算法将信号分解到若干个频率尺度下,提取每个尺度下信号的指数熵特征,并构造一个用于辐射源识别的指数熵特征向量。最后,综合辐射源熵特征数据库,利用灰色关联算法得到最终的识别结果。
本发明中如果对信号进行L层小波分解,那么可以得到信号从低频到高频一共2L个频率子空间,也就是说一共可以得到2L个指数熵,大大增加了用于辐射源识别的特征向量的维数,从而保证了复杂电磁环境和大信噪比动态范围下对辐射源识别的要求。
本发明的识别装置利用FPGA的结构特点设计了并行处理结构,也就是说同时获得不同尺度上的指数熵,构建辐射源识别特征向量,并且与辐射源数据库做比较,大大提高了算法的实时性。
辐射源识别装置由传感器1、接口电路2、可编程逻辑器件FPGA3组成。
传感器1将接收到的辐射源信号通过接口电路2传送给可编程逻辑器件FPGA3。在FPGA中实现辐射源信号从时域到频率域的变换,设计并行处理单元实现信号的频率域小波分解、计算指数熵、构造辐射源特征向量,最后采用灰色关联算法得到识别结果。
算法的步骤如下:
1、将传感器采集到的辐射源信号从时域变换到频率域,并在频率域中对信号能量进行归一化处理。在时域提取的辐射源特征易受载频变化的影响,而在频率域中提取特征可以消除这种影响。在频率域中进行能量归一化处理可以消除辐射源距离远近的影响,保证提取的特征在信噪比大范围变化时能够保持稳定。
2、将预处理后的信号进行L层频率域小波分解,得到2L个频率子空间,这里可以根据实际情况选择适当的小波基函数和分解的层数。
3、在不同的频率子空间上计算信号的指数熵,并构造辐射源识别的特征向量。这里所定义的指数熵在信噪比大范围变化时具有比较好的稳定性,由不同频率子空间指数熵构造的辐射源识别特征向量保证了复杂电磁环境下识别的准确率。但是,在构造特征向量时需要考虑算法的实时性和复杂度,一般取L维即可,即只需计算L个频率子空间的指数熵。
4、根据辐射源识别特征向量和辐射源特征数据库,采用灰色关联算法得到最终的识别结果,保证了复杂电磁环境下辐射源识别的准确率。
小波分解算法:
由小波理论可知,通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频信号xL(i-1,k),通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频信号xH(i-1,k):
xL(i-1,k)=∑lh(l)x(i,2k-l)
xH(i-1,k)=∑lg(l)x(i,2k-l)
计算指数熵:
假设每层信号的采样点数都是N,定义尺度i上的低频信号能量为:
将每一个尺度下的高频信息量都看成是一个独立的信号源,并将信号等分成n个相等的小区间,则第j个子区间的能量为
定义上第j个子区间所包含的信号能量与该尺度上总能量的比值为
定义尺度i上的指数熵为
利用小波分解算法将原始信号分解到L个尺度上,选取每个尺度上的高频信号,按照上面的方法求出L个不同尺度上的指数熵,构造如下的特征向量:
H={H0,H1,·,HL}
利用灰色关联算法判断辐射源类型:
灰色关联算法是根据数据列因素之间相似或相异程度来衡量数据列接近的程度,进而判断出辐射源类型。
记参考数列为X0={X0(j)|j=1,2·,L},其中j为参考数列中的第j个特征,L为参考数列中的特征维数。在本发明中,特征就是指数熵,L代表小波分解的层数,即尺度。
假设辐射源识别数据库中有M个待识别目标的标准特征向量,即
Xi={Xi(j)|j=1,2·,M},i=1,2·,M
定义第j个特征的绝对差为
Δij={X0(j)-Xi(j)}
定义Xi(j)与X0(j)的关联系数为
由于关联系数结果较多,不便于比较,因此定义加权关联度为:
其中a(j)为权重,可以根据需要人为确定。
最后判定γi最大为待识别辐射源。
Claims (2)
1.一种辐射源识别方法,其特征是:
(1)将传感器采集到的辐射源信号从时域变换到频率域,并在频率域中对信号能量进行归一化处理;
(2)将预处理后的信号进行L层频率域小波分解,得到2L个频率子空间;
(3)在不同的频率子空间上计算信号的指数熵,并构造辐射源识别的特征向量:
每层信号的采样点数是N,定义尺度i上的低频信号能量为:
将每一个尺度下的高频信息量都看成是一个独立的信号源,并将信号等分成n个相等的小区间,则第j个子区间的能量为
定义上第j个子区间所包含的信号能量与该尺度上总能量的比值为
定义尺度i上的指数熵为
利用小波分解算法将原始信号分解到L个尺度上,选取每个尺度上的高频信号,按照上面的方法求出L个不同尺度上的指数熵,构造如下的特征向量:
H={H0,H1,·,HL};
(4)根据辐射源识别特征向量和辐射源特征数据库,采用灰色关联算法得到最终的识别结果:
记参考数列为X0={X0(j)|j=1,2·,L},其中j为参考数列中的第j个特征,L为参考数列中的特征维数,特征就是指数熵,L代表小波分解的层数即尺度,
辐射源识别数据库中有M个待识别目标的标准特征向量,即
Xi={Xi(j)|j=1,2·,M},i=1,2·,M,
定义第j个特征的绝对差为
Δij={X0(j)-Xi(j)},
定义Xi(j)与X0(j)的关联系数为
定义加权关联度为:
其中a(j)为权重,最后判定γi最大为待识别辐射源。
2.根据权利要求1所述的一种辐射源识别方法,其特征是:所述的小波分解算法为:通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频信号xL(i-1,k),通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频信号xH(i-1,k):
xL(i-1,k)=∑lh(l)x(i,2k-l)
xH(i-1,k)=∑lg(l)x(i,2k-l)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103609249A CN102436588A (zh) | 2011-11-15 | 2011-11-15 | 一种辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103609249A CN102436588A (zh) | 2011-11-15 | 2011-11-15 | 一种辐射源识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102436588A true CN102436588A (zh) | 2012-05-02 |
Family
ID=45984640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103609249A Pending CN102436588A (zh) | 2011-11-15 | 2011-11-15 | 一种辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102436588A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796365A (zh) * | 2015-03-12 | 2015-07-22 | 上海电机学院 | 低信噪比下基于复杂度特征的调制信号识别方法 |
CN105117719A (zh) * | 2015-09-25 | 2015-12-02 | 联想(北京)有限公司 | 一种信息处理方法以及电子设备 |
CN105184264A (zh) * | 2015-09-14 | 2015-12-23 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN107292359A (zh) * | 2017-05-04 | 2017-10-24 | 浙江大学 | 一种基于电磁信号特征识别的跨设备物品标记方法及装置 |
CN107480689A (zh) * | 2017-06-28 | 2017-12-15 | 山东航天电子技术研究所 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
CN108512613A (zh) * | 2018-04-04 | 2018-09-07 | Oppo广东移动通信有限公司 | 辐射杂散测试方法、装置、存储介质及测试系统 |
CN110135390A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工业大学 | 基于主信号抑制的辐射源个体识别方法 |
CN110988804A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0673113A1 (fr) * | 1994-03-16 | 1995-09-20 | Laboratoires D'electronique Philips S.A.S. | Système de caractérisation de sources de signaux |
-
2011
- 2011-11-15 CN CN2011103609249A patent/CN102436588A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0673113A1 (fr) * | 1994-03-16 | 1995-09-20 | Laboratoires D'electronique Philips S.A.S. | Système de caractérisation de sources de signaux |
Non-Patent Citations (4)
Title |
---|
李建勋等: "小波方差与小波熵在信号特征提取中的应用", 《西安理工大学学报》 * |
李靖超等: "熵值分析法在辐射源特征提取中的应用", 《弹箭与制导学报》 * |
林云等: "一种新的辐射源优化识别方法", 《宇航学报》 * |
林云等: "灰色关联和证据理论在故障识别中的应用和改进", 《应用基础与工程科学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796365A (zh) * | 2015-03-12 | 2015-07-22 | 上海电机学院 | 低信噪比下基于复杂度特征的调制信号识别方法 |
CN105184264B (zh) * | 2015-09-14 | 2019-08-09 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
CN105184264A (zh) * | 2015-09-14 | 2015-12-23 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
CN105117719A (zh) * | 2015-09-25 | 2015-12-02 | 联想(北京)有限公司 | 一种信息处理方法以及电子设备 |
CN105117719B (zh) * | 2015-09-25 | 2021-02-19 | 联想(北京)有限公司 | 一种信息处理方法以及电子设备 |
CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN107292359A (zh) * | 2017-05-04 | 2017-10-24 | 浙江大学 | 一种基于电磁信号特征识别的跨设备物品标记方法及装置 |
CN107480689A (zh) * | 2017-06-28 | 2017-12-15 | 山东航天电子技术研究所 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
CN107480689B (zh) * | 2017-06-28 | 2020-07-14 | 山东航天电子技术研究所 | 一种基于相似性专家知识的未知辐射源体制自动识别方法 |
CN108512613A (zh) * | 2018-04-04 | 2018-09-07 | Oppo广东移动通信有限公司 | 辐射杂散测试方法、装置、存储介质及测试系统 |
CN110135390A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工业大学 | 基于主信号抑制的辐射源个体识别方法 |
CN110988804A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
CN110988804B (zh) * | 2019-11-11 | 2022-01-25 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102436588A (zh) | 一种辐射源识别方法 | |
Xu et al. | Spatiotemporal forecasting in earth system science: Methods, uncertainties, predictability and future directions | |
CN113156391B (zh) | 一种雷达信号多维特征智能分选方法 | |
Zhang et al. | WPD and DE/BBO-RBFNN for solution of rolling bearing fault diagnosis | |
Tang et al. | Sparse classification of rotating machinery faults based on compressive sensing strategy | |
CN102353985B (zh) | 基于非下采样Contourlet变换的拟声波曲线构建方法 | |
CN104376330A (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN105069309B (zh) | 一种识别水文时间序列非线性趋势的方法 | |
CN106682615A (zh) | 一种水下弱小目标检测方法 | |
CN110069868B (zh) | Gnss测站非线性运动建模方法与装置 | |
CN104392242A (zh) | 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法 | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN102542295A (zh) | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN106886044A (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
CN110109080A (zh) | 基于ia-svm模型的微弱信号检测方法 | |
CN107392123A (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
Xiong et al. | Cross correlation singularity power spectrum theory and application in radar target detection within sea clutters | |
CN110059288A (zh) | 用于获得促进机器学习任务用的最佳母小波的系统和方法 | |
Liu et al. | An improved empirical mode decomposition method for vibration signal | |
CN107356963A (zh) | 一种数据驱动的自适应的地震信号相干体属性分析方法 | |
CN101667253B (zh) | 一种高光谱遥感数据多类别监督分类方法 | |
Biswas et al. | Characterizing scale‐and location‐specific variation in non‐linear soil systems using the wavelet transform | |
CN107341519A (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120502 |