CN102749615B - 一种信号识别的方法 - Google Patents

Abstract

本发明公开了一种信号识别的方法，该方法包括：设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；分别计算所述接收信号的包络与各个所述模板之间的相似度；比较各个所述相似度，实现所述接收信号的识别。本发明解决了现有技术中低信噪比条件下，信号识别率低的问题。

Description

一种信号识别的方法

技术领域

本发明涉及信号处理技术，特别涉及一种信号识别的方法。

背景技术

随着信号的类型变得更加复杂多样，信号环境越来越密集，信号类型的识别显得尤为重要和迫切。无论在民用还是军用方面，信号识别技术都是关键性技术，因此信号识别方法成为研究的热点。

按照调制类型分类，目前常用的信号包括：单频脉冲信号（CW）、二进制幅度键控信号（2ASK）、线性调频信号（LFM）、非线性调频信号（NLFM）、频率步进信号（FCP）、频率编码信号（FSK）、二相编码信号（BPSK）。

（1）单频脉冲信号（CW）是指在发送的每个脉冲内载频是固定不变的，可以表示为：

其中：A是信号幅度，τ是脉冲宽度，f_c是载波频率，是信号初始相位。

单频脉冲信号功率谱表示为：

P_cw(f)＝A²τ²sinc²[τ(f-f_c)]。

（2）二进制幅度键控信号（2ASK）在频率和相位保持不变前提下，高频载波的幅度随调制信号的变化而变化。换句话说，有还是没有载波是通过变化1和0来决定的，幅度键控信号在很多文献中被称为通-断键控信号，表达式为：

$S\left(t\right)=\underset{n}{\mathrm{\Σ}}{a}_{n}g(t-{\mathrm{n\τ}}_1)\cos \left(2\mathrm{\π}{f}_{c}t\right)$

其中，f_c为载波频率，τ₁为调制信号的间隔，a_n表示二进制数字信息，在概率p的时候为1，概率1-p的时候为0。

2ASK信号的功率谱表达式如下：

$P\left(f\right)=\frac{{\mathrm{\τ}}_1}{16}{\left|\frac{\sin (f+f_c){\mathrm{\τ}}_1}{\mathrm{\π}(f+f_c){\mathrm{\τ}}_1}\right|}^2+\frac{{\mathrm{\τ}}_1}{16}{\left|\frac{\sin (f-f_c){\mathrm{\τ}}_1}{\mathrm{\π}(f-f_c){\mathrm{\τ}}_1}\right|}^2+\frac{1}{16}[\mathrm{\δ}(f+f_c)+\mathrm{\δ}(f-f_c)].$

（3）线性调频信号（LFM）是指持续时间内频率随时间连续线性变化的信号，线性调频信号的时域表达式为：

其中：f_c为起始频率，k为调制斜率。线性调频脉冲信号的频率在脉冲持续时间内呈线性变化。

线性调频脉冲信号功率谱可所示为：

$P_{\mathrm{LFM}}\left(\mathrm{\ω}\right)=\frac{A^2\mathrm{\π}}{k}\{{[C\left(v_1\right)+C\left(v_2\right)]}^2+{[S\left(v_1\right)+S\left(v_2\right)]}^2\}$

其中：

$v_1=\sqrt{D}\frac{1+(\mathrm{\ω}-{\mathrm{\ω}}_0)/\mathrm{\πB}}{\sqrt{2}},$ $v_2=\sqrt{D}\frac{1-(\mathrm{\ω}-{\mathrm{\ω}}_0)/\mathrm{\πB}}{\sqrt{2}}$

$C\left(v\right)=\underset{0}{\overset{v}{\∫}}\cos \left(\frac{\mathrm{\π}}{2}{x}^2\right)\mathrm{dx},$ $S\left(v\right)=\underset{0}{\overset{v}{\∫}}\sin \left(\frac{\mathrm{\π}}{2}{x}^2\right)\mathrm{dx}$

线性调频信号（LFM）具有大时宽带宽积特性，具有作用距离大和距离分辨率高的特点，而且抗干扰性能良好，是目前最常用的脉冲压缩信号。

（4）非线性调频信号（NLFM）是在传统线性调频信号基础上改变不同时刻的调频斜率得到的，非线性调频信号的时域表达式为：

$s\left(t\right)=\mathrm{Arect}\left(\frac{t}{\mathrm{\τ}}\right)\exp \left[j2\mathrm{\π}(f_{c}t+k_1{t}^2+k_2{t}^3+\·\·\·+k_n{t}^{n+1})\right]$

其中：τ为脉冲宽度，f_c为起始频率，k_i(i＝1,2,...,n)为i+1次相位系数。

（5）频率步进信号（FCP）是频率线性跳变的一串脉冲，频率步进信号的时域表达式为：

$s\left(t\right)=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{rect}\left(\frac{t-i{T}_r-\frac{\mathrm{\τ}}{2}}{\mathrm{\τ}}\right)\exp \left[j2\mathrm{\π}(f_c+\mathrm{i\Δf})t\right]$

其中：T_r为脉冲重复周期，τ为脉冲宽度，f_c为载波起始频率，Δf为步进频率，N为频率步进数。

其功率谱表示为：

$P\left(f\right)\≈\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\τ}}^2{\mathrm{sa}}^2\left[\mathrm{\π\τ}(f-f_c-\mathrm{i\Δf})\right]$

频率步进信号可以在获得高分辨率的同时降低对数字信号处理机瞬时带宽的要求，是一种重要的距离分辨率高的信号。

（6）频率编码信号（FSK）是频率由Costas序列确定的信号，频率编码信号表达式为：

$u\left(t\right)=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{u}_0(t-\mathrm{i\τ})\exp \left(j2{\mathrm{\πf}}_{i}t\right)$

其中，τ为脉冲宽度，f_i为信号的载频，其功率谱表示为：

$P\left(f\right)={\mathrm{\τ}}^2{\left\{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\sin c\right[\mathrm{\τ}(f-f_i)\left]\right\}}^2$

（7）二相编码信号（BPSK）是指信号相位调制函数是离散的两个值，相位编码一般采用伪随机序列。其时域表达式如下：

$S\left(t\right)=A\left(t\right)\mathrm{rect}\left(\frac{t}{\mathrm{N\τ}}\right)e^{\mathrm{j\φ}\left(t\right)}{e}^{j2\mathrm{\π}{f}_{c}t}$

其中，信号包络N为子码个数，φ(t)为相位调制函数。φ(t)在子脉冲τ内只有0或π两个取值，可用二进制序列{φ_k＝0,π}表示，也可以用二进制序列表示。则二相编码信号的表达式可简化为：

$s\left(t\right)=v\left(t\right)\⊗\underset{k=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_k\mathrm{\δ}(t-\mathrm{k\Δ\τ})=u_1\left(t\right)\⊗u_2\left(t\right)$

式中为子脉冲函数

二相编码信号对多普勒较敏感，此相位编码信号常用于多普勒变化较小的场合。

以上简单介绍了七种信号的基本知识，这七种信号近年来被广泛应用于电子对抗，雷达侦察领域。

目前信号识别的常用方法是从信号时域和时频域的角度提取信号特征以确定信号类型。例如：2006年，张葛祥发表在《电路与系统学报》的文献：“基于小波包变换和特征选择的雷达辐射源信号识别”。在2009年11月25日公开的专利CN101587186中提出一种雷达脉内调制信号的特征提取方法，该方法利用一种基于时频分布图进行二维小波分解，获得特征参数进而实现信号识别。2009年，韩俊发表在《电子与信息学报》的文献：“基于复杂度特征的未知雷达辐射源信号分选”以及同年发表在《电波科学学报》的文献：“基于双谱二维特征相像系数的雷达信号分选”。在2011年12月14日公开的专利CN102279390A中提出一种低信噪比雷达辐射源信号脉内调制识别方法，该方法利用一种基于时频原子的特征进行信号识别。这些方法均是对信号进行各种变换提取信号特征，根据特征实现信号识别，虽然取得了一定成效，但存在低信噪比条件下，信号识别率低的问题。

发明内容

本发明目的在于：克服已有信号识别方法存在的低信噪比条件下，信号识别率低的缺点。

本发明的技术方案是：本发明提供了一种信号识别的方法，其特征在于，该方法包括：

步骤1、设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；

步骤2、提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；

步骤3、分别计算所述接收信号的包络与各个所述模板之间的相似度；

步骤4、比较各个所述相似度，实现所述接收信号的识别。

进一步地，步骤1中：

a、设定一种信号类型，计算信噪比为0dB时的所述信号功率谱；

b、选择扁平结构元素长度，对所述功率谱进行形态学闭-开运算，得到所述功率谱的轮廓；

c、将所述功率谱的轮廓的幅值进行归一化，提取幅值大于0.5的轮廓；

d、设定其它信号类型，重复步骤a、b、c，提取其它类型信号功率谱的轮廓；

e、将步骤d中提取出的各个所述功率谱的轮廓用补零法使长度一致，得到所述各类型信号对应的模板。

进一步地，步骤2中：

提取接收信号的功率谱，选择扁平结构元素长度，对所述接收信号的功率谱进行形态学闭-开运算，得到所述接收信号的功率谱轮廓，将所述接收信号的功率谱轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为所述接收信号的包络。

进一步地，步骤3中：

所述接收信号的包络为序列{X_m}，m＝1,2…M，M为所述形态学包络的长度，各个所述模板为序列{Y_si}，s＝1,2…S，S为所述模板种类数，i＝1,2…N，N为所述模板的长度，当M＞N时将所述序列{X_m}进行N/M倍重采样，当M＜N时在所述序列{X_m}后用零补成序列{X_i}，为所述序列{X_i}的平均值，为所述序列{Y_si}的平均值，则所述相似度|r_s|表达式为：

$\left|r_s\right|=\left|\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(X_i-\stackrel{\‾}{X})(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}^2}}\right|.$

进一步地，步骤4中：

比较各个所述相似度，找到最大值对应的所述模板，所述模板对应的信号类型即为所述接收信号的类型，实现所述接收信号的识别。

本发明的有益效果是：本发明通过设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；分别计算所述接收信号的包络与各个所述模板之间的相似度；比较各个所述相似度，实现所述接收信号的识别。本发明解决了现有技术中低信噪比条件下，信号识别率低的问题。

附图说明

图1本发明公开的信号识别方法流程图；

图2本发明公开的扁平结构元素长度选取；

其中，○表示扁平结构元素长度为5，*表示扁平结构元素长度为10，+表示扁平结构元素长度为15。

图3本发明公开的七种信号类型的模板；

其中，图3（a）依次为CW、2ASK、LFM、NLFM、FCP、FSK、BPSK七种信号的模板，图3（b）为CW、2ASK、BPSK三种信号模板的放大图。

图4本发明公开的七种信号类型包络与模板之间的相似度随载频变化的关系图；

其中，*表示CW信号的相似度分布，○表示2ASK信号的相似度分布，△表示LFM信号的相似度分布，+表示NLFM信号的相似度分布,表示FCP信号的相似度分布,表示FSK信号的相似度分布,表示BPSK信号的相似度分布。

图5本发明公开的七种信号类型包络与模板之间的相似度随脉冲宽度变化的关系图；

其中，*表示CW信号的相似度分布，○表示2ASK信号的相似度分布，△表示LFM信号的相似度分布，+表示NLFM信号的相似度分布,表示FCP信号的相似度分布,表示FSK信号的相似度分布,表示BPSK信号的相似度分布。

图6本发明公开的七种信号类型包络与模板之间的相似度随信噪比变化的关系图；

其中，*表示CW信号的相似度分布，○表示2ASK信号的相似度分布，△表示LFM信号的相似度分布，+表示NLFM信号的相似度分布,表示FCP信号的相似度分布,表示FSK信号的相似度分布,表示BPSK信号的相似度分布。

图7本发明公开的七种信号识别的准确率。

具体实施方式

以下将参照图1-7对本发明的具体实施方式进行说明。

如图1所示，本发明实施例进行信号识别的方法包括下列步骤：

步骤1、设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；

其中，步骤1中所述各类型信号对应的模板的确定方法具体包括：

a、设定一种信号类型，计算信噪比为0dB时的所述信号功率谱；

需要说明的是：

计算所述信号功率谱，为了使最终得到的各个所述模板之间差异大；信噪比为0dB，噪声是高斯白噪声，为了使最终得到的各个所述模板适合在低信噪比条件下实现信号识别。

b、选择扁平结构元素长度，对所述功率谱进行形态学闭-开运算，得到所述功率谱的轮廓；

其中，步骤b中得到所述功率谱轮廓的具体过程如下：

选取x轴上的扁平结构元素g_x，长度为L＝10，结构元素定义域所述功率谱为序列Y(x)，x＝1…P，P为所述信号功率谱的长度。

首先对Y(x)进行形态学膨胀运算得到Y₁(x)，表达式如下所示：

$Y_1\left(x\right)=(Y\⊕g)\left(x\right)=\max \{Y\left(z\right):z\∈D[g_x\left]\right\}$

其含义为以x点为中心，宽度等于扁平结构元素长度L的区域内Y(x)幅值的最大值。

再对Y₁(x)进行形态学腐蚀运算得到Y₂(x)，表达式如下所示：

Y₂(x)＝(Y₁Θg)(x)＝min{Y₁(z):z∈D[g_x]}

其含义为以x点为中心，宽度等于扁平结构元素长度L的区域内Y₁(x)幅值的最小值。

最后对Y₂(x)重复进行一次腐蚀运算和一次膨胀运算，表达式如下所示：

$Y_3\left(x\right)=(\left(Y_2\mathrm{\Θg}\right)\⊕g)\left(x\right)$

完成所述功率谱进行形态学闭-开运算，得到所述功率谱的轮廓Y₃(x)。

需要说明的是，扁平结构元素长度选取的具体过程如下：

扁平结构元素长度选取影响最终得到的模板与同类型信号包络间的相似度，以及计算量，为此扁平结构元素长度选取原则是保证较高相似度的前提下选取较短的扁平结构元素长度。

根据待识别信号的功率谱峰值个数，以个数最多的信号A为例选取扁平结构元素长度，就确定了所有信号类型扁平结构元素的长度。设定扁平结构元素长度为L＝[5,10,15]，将分别得到的信号A功率谱轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为序列{X_jk}，其中j＝1,2,3对应L＝[5,10,15]的三个轮廓，k＝1,2…K，K为所述轮廓的长度，为序列{X_jk}的平均值，另外，信噪比变化范围为-5—5dB，其它参数相同条件下，将随机产生的信号A功率谱轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为序列{Y_jdk}，为所述序列{Y_jdk}的平均值，d＝-5,-4…5对应信噪比变化范围为-5—5dB的轮廓，则{X_jk}与{Y_jdk}之间的相似度为 $\left|r_{\mathrm{jd}}\right|=\left|\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}(X_{\mathrm{jk}}-{\stackrel{\‾}{X}}_j)(Y_{\mathrm{jdk}}-{\stackrel{\‾}{Y}}_{\mathrm{jd}})}{\sqrt{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(X_{\mathrm{jk}}-{\stackrel{\‾}{X}}_j)}^2}\sqrt{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(Y_{\mathrm{jdk}}-{\stackrel{\‾}{Y}}_{\mathrm{jd}})}^2}}\right|,$ 得到扁平结构元素长度L＝[5,10,15]时相似度的分布，按照选取原则选取。

c、将所述功率谱的轮廓的幅值进行归一化，提取幅值大于0.5的轮廓；

需要说明的是：

将所述功率谱的轮廓的幅值进行归一化，是为了避免幅度对信号识别结果的影响；提取幅值大于0.5的轮廓，是为了避免噪声及旁瓣对信号识别结果的影响。

d、设定其它信号类型，重复步骤a、b、c，提取其它类型信号功率谱的轮廓；

e、将步骤d中提取出的各个所述功率谱的轮廓用补零法使长度一致，得到所述各类型信号对应的模板。

其中，步骤e中得到所述各类型信号对应的模板的具体过程如下：

比较步骤d中提取出的各类型信号功率谱的轮廓的长度，最长为N，在其它类型信号功率谱的轮廓后通过补零使长度均为N，即得到所述各类型信号对应的模板。

步骤2、提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；

其中，步骤2中所述包络的确定方法具体包括：

按照步骤1中的步骤b、c选择同样长度的扁平结构元素，对所述接收信号的功率谱进行形态学闭-开运算，得到所述接收信号功率谱的轮廓，将所述接收信号功率谱的轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为所述接收信号的包络。

步骤3、分别计算所述接收信号的包络与各个所述模板之间的相似度；

其中，步骤3中所述相似度的确定方法具体包括：

所述接收信号的包络为序列{X_m}，m＝1,2…M，M为所述接收信号包络的长度，各个所述模板为序列{Y_si}，s＝1,2…S，S为所述模板种类数，i＝1,2…N，N为所述模板的长度，当M＞N时将所述序列{X_m}进行N/M倍重采样，当M＜N时在所述序列{X_m}后用零补成序列{X_i}，为所述序列{X_i}的平均值，为所述序列{Y_si}的平均值，则所述相似度|r_s|表达式为：

$\left|r_s\right|=\left|\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(X_i-\stackrel{\‾}{X})(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}^2}}\right|.$

步骤4、比较各个所述相似度，实现所述接收信号的识别。

其中，步骤4中实现所述接收信号的识别方法具体包括：

比较各个所述相似度，找到最大值对应的所述模板，所述模板对应的信号类型即为所述接收信号的类型，实现所述接收信号的识别。

本发明以单频脉冲信号、二进制幅度键控信号、线性调频信号、非线性调频信号、频率步进信号、频率编码信号、二相编码信号七种类型信号为实施例对本发明进行详细说明；本发明具体实施例用缩写CW表示单频脉冲信号、缩写2ASK表示二进制幅度键控信号、缩写LFM表示线性调频信号、缩写NLFM表示非线性调频信号、缩写FCP表示频率步进信号、缩写FSK表示频率编码信号、缩写BPSK表示二相编码信号。

一、设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；

1、扁平结构元素长度选取

根据CW、2ASK、LFM、NLFM、FCP、FSK、BPSK七种信号的功率谱峰值个数，以个数最多的LFM信号为例选取扁平结构元素长度，其中脉冲宽度为τ＝1μs，载频为500MHz，调频斜率k＝200MHz/μs，分别得到扁平结构元素长度L＝[5,10,15]时相似度的分布如图2所示，由图2可知当L过小所述功率谱轮廓保留细节过多造成相似度降低，当L≥10所述相似度值接近，按照选取原则选取L＝10。

2、构造各类型信号对应的模板

计算CW、2ASK、LFM、NLFM、FCP、FSK、BPSK七种类型信号的模板，其中七种信号的脉冲宽度为τ＝1μs，载频为500MHz，信噪比为0dB；2ASK信号二进制数a_n＝[1,1,0,1,01]，LFM信号调频斜率k＝200MHz/μs；NLFM信号调频相位系数k₁＝10MHz/μs，k₂＝40MHz/μs；FCP信号频率步进数N＝10，步长为5MHz；FSK信号Costas编码序列S＝{4,7,1,6,5,2,3}；BPSK信号二相码为十一位巴克码N＝{1,1,1,0,0,0,1,0,0,1,0}。七种类型信号的模板如图3（a）（b）所示。

由图3（a）（b）可知，七种类型信号的模板差异较大，因此利用这七种模板可以对CW、2ASK、LFM、NLFM、FCP、FSK、BPSK信号进行识别。

3、不同模板间的相似度

七种类型信号模板为序列{Y_si}，s＝1,2…S,S为所述模板种类数，i＝1,2…N，N为所述模板的长度，则任意两个模板间的相似度为 $\left|r_{s_1{s}_2}\right|=\left|\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(Y_{s_{1}i}-{\stackrel{\‾}{Y}}_{s_1})(Y_{s_{2}i}-{\stackrel{\‾}{Y}}_{s_2})}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{s_{1}i}-{\stackrel{\‾}{Y}}_{s_1})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{s_{2}i}-{\stackrel{\‾}{Y}}_{s_2})}^2}}\right|,$ s₁＝1,2…S,s₂＝1,2…S,进一步讨论七种类型信号模板的差异，结果如表1所示。

表1七种模板间的相似度

	CW	2ASK	LFM	NLFM	FCP	FSK	BPSK
								CW	1	0.5397	0.1351	0.1366	0.0416	0.1706	0.2255
2ASK		1	0.0932	0.1555	0.1349	0.2848	0.5485
								LFM			1	0.1426	0.1448	0.1126	0.1874
NLFM				1	0.5677	0.5031	0.3122
								FCP					1	0.4479	0.2461
FSK						1	0.3753
								BPSK							1

由表1数据可知，七种类型信号模板间的相似度小于0.6，也就说明差异较大，进一步证明利用这七种模板可以对CW、2ASK、LFM、NLFM、FCP、FSK、BPSK信号进行识别。

4、包络与模板间的相似度随信号参数变化情况

CW、2ASK、LFM、NLFM、FCP、FSK、BPSK信号包络与模板间的相似度随信号参数变化情况具体如下：

1）、信号载频变化

七种信号参数设定如下：载频变化范围为0.5GHz-1GHz，脉冲宽度为τ＝1μs，信噪比为0dB；2ASK信号二进制数a_n＝[1,1,0,1,01]，LFM信号调频斜率k＝200MHz/μs；NLFM信号调频相位系数k₁＝10MHz/μs，k₂＝40MHz/μs；FCP信号频率步进数N＝10，步长为5MHz；FSK信号Costas编码序列S＝{4,7,1,6,5,2,3}；BPSK信号二相码为十一位巴克码N＝{1,1,1,0,0,0,1,0,0,1,0}。相似度随信号载频变化情况如图4所示。

由图4可知，在载频变化情况下相似度的数值均大于0.86，说明七种信号包络与模板间的相似度大，且基本不受载频变化影响。

2）、信号脉冲宽度变化

七种信号参数设定如下：载频为0.5GHz，脉冲宽度变化范围为1μs-10μs，信噪比为0dB；2ASK信号二进制数a_n＝[1,1,0,1,01]，LFM信号调频斜率k＝200MHz/μs；NLFM信号调频相位系数k₁＝10MHZ/μs，k₂＝40MHz/μs；FCP信号频率步进数N＝10，步长为5MHz；FSK信号Costas编码序列S＝{4,7,1,6,5,2,3}；BPSK信号二相码为十一位巴克码N＝{1,1,1,0,0,0,1,0,0,1,0}。相似度随信号脉冲宽度变化情况如图5所示。

由图5可知，除NLFM信号外，在脉宽变化情况下相似度的数值均大于0.8，说明其余六种信号包络与模板间的相似度大，且基本不受脉冲宽度变化影响，而NLFM信号包络与模板间的相似度随脉宽增大而减小，在脉宽为10us时接近0.64，计算脉宽为10us的NLFM信号包络与七种模板间相似度，进行100次Monte Carlo试验取平均值如表2所示。

表2NLFM信号包络(10us)与七种模板间相似度

	CW	2ASK	LFM	NLFM	FCP	FSK	BPSK
								NLFM	0.0932	0.1216	0.2455	0.6422	0.5797	0.5431	0.2152

结合表2分析0.64的相似度仍然大于NLFM信号包络与其他模板的相似度，因此在脉宽为10us时利用模板仍然可以对NLFM信号进行识别。

3）、信噪比变化

七种信号参数设定如下：载频为0.5GHz，脉冲宽度为τ＝1μs，信噪比变化范围为-10—20dB；2ASK信号二进制数a_n＝[1,1,0,1,01]，LFM信号调频斜率k＝200MHz/μs；NLFM信号调频相位系数k₁＝10MHz/μs，k₂＝40MHz/μs；FCP信号频率步进数N＝10，步长为5MHz；FSK信号Costas编码序列S＝{4,7,1,6,5,2,3}；BPSK信号二相码为十一位巴克码N＝{1,1,1,0,0,0,1,0,0,1,0}。相似度随信噪比变化情况如图6所示。

由图6可知，除LFM信号外，在信噪比变化情况下相似度的数值均大于0.86，说明其余六种信号形态学包络与同类型信号模板间的相似度大，且基本不受信噪比变化影响，而LFM信号包络与模板间的相似度在信噪比小于0dB时迅速变小，在信噪比为-10dB时接近0.4，计算信噪比为-10dB的LFM信号包络与七种模板间相似度，进行100次Monte Carlo试验取平均值如表3所示。

表3LFM信号包络（-10dB）与七种模板间相似度

	CW	2ASK	LFM	NLFM	FCP	FSK	BPSK
								LFM	0.0952	0.0916	0.4155	0.2432	0.2997	0.3731	0.1852

结合表3分析0.4的相似度仍然大于LFM信号包络与其他模板的相似度，因此在信噪比为-10dB时利用模板仍然可以对LFM信号进行识别。

二、提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；

提取接收信号的功率谱，选择扁平结构元素长度L＝10，对所述接收信号的功率谱进行形态学闭-开运算，得到所述接收信号的功率谱轮廓，将所述接收信号的功率谱轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为所述接收信号的包络。

三、分别计算所述接收信号的包络与各个所述模板之间的相似度；

所述接收信号的包络为序列{X_m}，m＝1,2…M，M为所述接收信号包络的长度，各个所述模板为序列{Y_si}，s＝1,2…S，S为所述模板种类数，i＝1,2…N，N为所述模板的长度，当M＞N时将所述序列{X_m}进行N/M倍重采样，当M＜N时在所述序列{X_m}后用零补成序列{X_i}，为所述序列{X_i}的平均值，为所述序列{Y_si}的平均值，则所述相似度|r_s|表达式为：

$\left|r_s\right|=\left|\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(X_i-\stackrel{\‾}{X})(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}^2}}\right|.$

四、比较各个所述相似度，实现所述接收信号的识别。

对CW、2ASK、LFM、NLFM、FCP、FSK、BPSK七种信号进行识别结果如下：试验中，信号脉宽范围在1μs-10μs之间，载频范围在50MHz—1GHz之间，信噪比范围在-10—20dB之间，每种类型信号进行100次MonteCarlo试验，识别准确率如图7所示，识别准确率与信噪比的关系如表4所示。

表4信号识别准确率与信噪比的关系

信噪比	10	5	0	5	10	20
							准确率	0.9214	0.9443	1	1	1	1

Claims (2)

1.一种信号识别的方法，其特征在于，该方法包括：

步骤1、设定待识别信号的类型，利用各类型信号功率谱的形态学模型，构造所述各类型信号对应的模板；具体包括下述步骤a-e：

步骤a、设定一种信号类型，计算信噪比为0dB时的所述信号功率谱；

步骤b、选择扁平结构元素长度，对所述功率谱进行形态学闭-开运算，得到所述功率谱的轮廓；

步骤c、将所述功率谱的轮廓的幅值进行归一化，提取幅值大于0.5的轮廓；

步骤d、设定其它信号类型，重复步骤a、b、c，提取其它类型信号功率谱的轮廓；

步骤e、将步骤d中提取出的各个所述功率谱的轮廓用补零法使长度一致，得到所述各类型信号对应的模板；

步骤2、提取接收信号的功率谱，计算所述接收信号的功率谱的形态学包络,将功率谱的形态学包络简称为包络；具体包括：

提取接收信号的功率谱，选择扁平结构元素长度，对所述接收信号的功率谱进行形态学闭-开运算，得到所述接收信号的功率谱轮廓，将所述接收信号的功率谱轮廓的幅值进行归一化，提取幅值大于0.5的轮廓为所述接收信号的包络；

步骤3、分别计算所述接收信号的包络与各个所述模板之间的相似度；具体包括：

所述接收信号的包络为序列{X_m}，m＝1,2ΛM，M为所述形态学包络的长度，各个所述模板为序列{Y_si}，s＝1,2LS，S为所述模板种类数，i＝1,2ΛN，N为所述模板的长度，当M＞N时将所述序列{X_m}进行NM倍重采样，当M＜N时在所述序列{X_m}后用零补成序列{X_i}，为所述序列{X_i}的平均值，为所述序列{Y_si}的平均值，则所述相似度|r_s|表达式为：

$\left|r_s\right|=\left|\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(X_i-\stackrel{\‾}{X})(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_{\mathrm{si}}-{\stackrel{\‾}{Y}}_s)}^2}}\right|;$

步骤4、比较各个所述相似度，实现所述接收信号的识别。

2.如权利要求1所述的方法，其特征在于，步骤4中：比较各个所述相似度，找到最大值对应的所述模板，所述模板对应的信号类型即为所述接收信号的类型，实现所述接收信号的识别。