CN102436588A - 一种辐射源识别方法 - Google Patents

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

一种辐射源识别方法

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：

$E_i=\left|\right|x_L(i,k)\left|\right|=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2,$

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

$E_{i,j}=\underset{k=j\frac{N}{n}}{\overset{(j+1)\frac{N}{n}}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2,$

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

$p_{\mathrm{ij}}=\frac{E_{i,j}}{E_i},$

定义尺度i上的指数熵为

$H_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}{e}^{1-p_{\mathrm{ij}}},$

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，·，H_L}；

(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

X_i＝{X_i(j)|j＝1，2·，M}，i＝1，2·，M，

定义第j个特征的绝对差为

Δ_ij＝{X₀(j)-X_i(j)}，

定义X_i(j)与X₀(j)的关联系数为

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}},$

为两级最小差，

为两级最大差，定义加权关联度为：

${\mathrm{\γ}}_i=\mathrm{\γ}(X_0,X_i)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right)a\left(j\right),i=\mathrm{1,2},\·,M$

其中a(j)为权重，最后判定γ_i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x_L(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x_H(i-1，k)：

x_L(i-1，k)＝∑_lh(l)x(i，2k-l)

x_H(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x_L(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x_H(i-1，k)：

x_L(i-1，k)＝∑_lh(l)x(i，2k-l)

x_H(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：

$E_i=\left|\right|x_L(i,k)\left|\right|=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2$

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

$E_{i,j}=\underset{k=j\frac{N}{n}}{\overset{(j+1)\frac{N}{n}}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2$

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

$p_{\mathrm{ij}}=\frac{E_{i,j}}{E_i}$

定义尺度i上的指数熵为

$H_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}{e}^{1-p_{\mathrm{ij}}}$

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，·，H_L}

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

X_i＝{X_i(j)|j＝1，2·，M}，i＝1，2·，M

定义第j个特征的绝对差为

Δ_ij＝{X₀(j)-X_i(j)}

定义X_i(j)与X₀(j)的关联系数为

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}$

其中ρ取值范围为，通常取ρ＝0.5。

为两级最小差，

为两级最大差。

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：

${\mathrm{\γ}}_i=\mathrm{\γ}(X_0,X_i)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right)a\left(j\right),i=\mathrm{1,2},\·,M$

其中a(j)为权重，可以根据需要人为确定。

最后判定γ_i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：

$E_i=\left|\right|x_L(i,k)\left|\right|=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2,$

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

$E_{i,j}=\underset{k=j\frac{N}{n}}{\overset{(j+1)\frac{N}{n}}{\mathrm{\Σ}}}{\left|x_L(i,k)\right|}^2,$

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

$p_{\mathrm{ij}}=\frac{E_{i,j}}{E_i},$

定义尺度i上的指数熵为

$H_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}{e}^{1-p_{\mathrm{ij}}},$

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，·，H_L}；

(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

X_i＝{X_i(j)|j＝1，2·，M}，i＝1，2·，M，

定义第j个特征的绝对差为

Δ_ij＝{X₀(j)-X_i(j)}，

定义X_i(j)与X₀(j)的关联系数为

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}},$

为两级最小差，

为两级最大差，

定义加权关联度为：

${\mathrm{\γ}}_i=\mathrm{\γ}(X_0,X_i)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right)a\left(j\right),i=\mathrm{1,2},\·,M$

其中a(j)为权重，最后判定γ_i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x_L(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x_H(i-1，k)：

x_L(i-1，k)＝∑_lh(l)x(i，2k-l)

x_H(i-1，k)＝∑_lg(l)x(i，2k-l)。

Images