CN107479036A - 一种雷达信号特征提取方法 - Google Patents
一种雷达信号特征提取方法 Download PDFInfo
- Publication number
- CN107479036A CN107479036A CN201710556370.7A CN201710556370A CN107479036A CN 107479036 A CN107479036 A CN 107479036A CN 201710556370 A CN201710556370 A CN 201710556370A CN 107479036 A CN107479036 A CN 107479036A
- Authority
- CN
- China
- Prior art keywords
- signal
- mrow
- entropy
- domain
- feature extraction
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种雷达信号特征提取方法,包括以下步骤:步骤1、离散化信号;步骤2、一次特征提取;步骤3、坐标转换;步骤4、二次特征提取。本发明所提出的方法通过在原有特征提取方法的基础上,提取分布特征的云模型数字特征,从而对特征进行二次特征提取;该技术方案所提出的方法原理简单易懂,且计算量小,易于实现,能达到低信噪比环境下对信号进行特征提取并识别的目的。
Description
技术领域
本发明涉及一种雷达信号特征提取方法。
背景技术
雷达辐射源识别是指被测辐射源信号参数与预先积累的辐射源参数进行比较以确认该辐射源本来属性的过程。它需要在复杂的噪声环境中识别出辐射源个体信号,从而为进一步分析和处理信号提供依据。它既是侦察系统信号处理的目的,又是判断敌方武器威胁情况的依据,在雷达对抗中具有十分重要的地位和作用。当前,由于雷达信号环境日趋复杂,雷达本身技术水平的过快提高,辐射源识别问题也面临着严重的困难和严峻的挑战,这就使辐射源识别中的关键环节——特征提取成为了一个难题。因此,如何在复杂多变的电磁环境中,以较小的计算复杂度,在低信噪比下对辐射源达到较高的识别率,成为现代通信系统研究的关键问题。
目前,辐射源特征提取方有很多,基于时域自相关的雷达信号识别算法,基于时域倒谱的算法,基于短时Fourier变换(STFT)和小波变换(WT)的算法,以及基于灰关联分析与D-S证据理论的辐射源识别算法等。这些算法在一定程度上,实现了较低信噪比下的信号识别,也为现代通信技术中的识别提供了很好的理论依据。但随着通信环境的日益复杂,已经无法满足当前需求,需要不断的发明新的技术来提高传统算法的抗噪能力。云模型是一种定性定量不确定性转换的模型,它将模糊集理论中的模糊性和概率理论中的随机性结合起来,根据低信噪比下信号的特性分布具有一定的模糊性的特点,利用云模型的数字特征来表征信号特征云团的整体分布特性,进而深度提取信号的分布特征,为更低信噪比下的辐射源个体识别提供了很好的理论基础。
发明内容
本发明要解决的技术问题是:现有的基于时域的雷达信号识别算法对非线性调频等信号无法进行特征提取,容易受噪声的影响,适用范围有限。
为了解决上述技术问题,本发明的技术方案是提供了一种雷达信号特征提取方法,其特征在于,包括以下步骤:
步骤1、对雷达信号进行采样,得到时域离散信号,将时域离散信号从时域转变到频域,并在频域中进行能量归一化的处理,最终,取得信号频谱的中心频率及其有效带宽,对带宽进行归一化处理;
步骤2、对步骤1得到的信号进行一次特征提取,提取出信号的峰值、最佳阶数及峭度值作为与当前信号对应的三个特征值;
步骤3、从每个信号的三个特征值中根据需要选择两个特征值作为每个信号的X轴坐标及Y轴坐标;
步骤4、利用云模型进行二次特征提取,包括以下步骤:
步骤4.1、每个信号为一个云滴,第i个云滴S(i)的X轴坐标为x(i),Y轴坐标为y(i),i=1,2,…,n;
步骤4.2、计算所有云滴的均值
计算每个云滴的熵值,第i个云滴S(i)的熵值
步骤4.3、计算所有云滴的平局熵值
步骤4.4、计算得到超熵
步骤4.5、将均值Ex、平局熵值En及超熵He作为信号的特征值。
优选地,提取信号的最佳阶数时,先对信号x(t)进行分数阶傅里叶变换,得到分数阶域曲线:
式中,p表示傅里叶变换的阶数,t表示积分变量,Xp表示傅里叶变换算子,u表示分数阶傅里叶域,Kp(t,u)表示傅里叶变换的核函数,α表示旋转角,即分数阶傅里叶域与时域之间的夹角,且α=pπ/2;
随后得到分数阶域曲线峰值所对应的p值,即为最佳阶数。
优选地,提取信号的峰值时,先在分数阶域提取信号的归一化幅度包络曲线,再计算出曲线的峰值。
本发明所提出的方法通过在原有特征提取方法的基础上,提取分布特征的云模型数字特征,从而对特征进行二次特征提取;该技术方案所提出的方法原理简单易懂,且计算量小,易于实现,能达到低信噪比环境下对信号进行特征提取并识别的目的。
附图说明
图1为5dB~8dB信噪比下4种信号三维特征分布图;
图2为0dB~3dB信噪比下4种信号三维特征分布图;
图3为5dB~SdB信噪比下4种信号云模型数字特征;
图4为0dB~3dB信噪比下4种信号云模型数字特征。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提出了一种基于FRFT的云模型二次特征提取算法,云的数字特征用均值Ex、平局熵值En及超熵He三个数值表示,它把模糊性和随机性完全集成在一起,构成定性和定量相互间的映射,该算法计算简单,可以对低信噪比环境下识别率较低的传统算法进行改进,通过对低信噪比下特征分布的模糊性的描述,利用云模型进行二次特征提取,实现低信噪比下对信号进行特征提取并识别的效果。
云模型是作为用语言值描述的某个定性概念与其数值表示之间的不确定性转换模型。它把待描述对象的模糊性和随机性集成在一起,构成一个定性和定量间的映射,这就为辐射源个体信号特征提取提供了很好的理论基础。在提取信号特征时,由于噪声的影响,信号特征提取时会产生一定的误差,以至于提取到的信号特征分布呈现出一定的模糊性,且特征点在一定的区间内分布近似于云模型的分布特征,利用这一特性,用云模型的三个数字特征:期望Ex,熵En,超熵He来进一步提取信号特征分布的特征,从而实现更低信噪比下对信号更精确的描述。
云模型是通过均值Ex、平局熵值En及超熵He来表征整体的分布特性,它们所代表的意义可以表述如下:
云滴点分布的数值期望用均值Ex来表示,它反映了云滴群的重心位置,是最能够代表定性概念的点。
“熵”这一概念最初是作为描述热力学的一个状态参量,后又被引入统计物理学、信息论、复杂系统等,用以表征待描述对象的不确定程度。在云模型中,定性概念的可度量粒度用熵En来表示,熵越大,粒度越大,可以用于粒度计算;同时,熵还表示在论域空间可以被定性概念接受的取值范围,即模糊度,是定性概念亦此亦彼性的度量。
云模型中,不确定性状态变化定义为超熵He,即熵的熵。它的大小反映了云滴的离散程度和厚度,由熵的随机性和模糊性共同决定。
云模型中点的分布是符合正态分布的,而变化信噪比下的信号特征参数,随着噪声的变化,特征值在某一个稳定的值附近波动,且其分布状态符合正态分布特征,因此,利用云模型的数字特征参数期望Ex,熵En,超熵He可以反映出变化信噪比下的不稳定的传统特征分布,提取出不同辐射源个体的参数特征,实现低信噪比下的辐射源个体识别。
基于上述原理,本发明提供的一种雷达信号特征提取方法,包括以下步骤:
步骤1、离散化信号
对信号进行采样,得到时域离散信号。对时域离散信号进行去噪等预处理。将预处理后的时域离散信号从时域转变到频域,对信号在频域中进行能量归一化的处理,最终,取得信号频谱的中心频率及其有效带宽,对带宽进行归一化处理。
步骤2、一次特征提取
(1)对步骤1得到的信号进行分数阶傅里叶变换,由公式计算信号x(t)的傅里叶变换。其中,p表示傅里叶变换的阶数,t表示积分变量,Xp表示傅里叶变换算子,u表示分数阶傅里叶域,Kp(t,u)表示傅里叶变换的核函数,α表示旋转角,即分数阶傅里叶域与时域之间的夹角,且α=pπ/2。仿真结果如图1所示。LFM信号及NLFM信号在其脉冲内部它们的频率是有所变化的,并且它们频率变化的快慢是由调频率决定的,因此,LFM信号及NLFM信号的分数阶域曲线峰值所对应的p值不为1;而BFSK信号和BPSK信号则相当于是恒频信号它们的频率在其码元内部是没有任何变化的,因此,从图中可以看出,BFSK信号和BPSK信号分数阶域曲线峰值所对应的p值为1。由此,提取出一个新的特征参数:分数阶域曲线峰值所对应的p值(最佳阶数)。
(2)在各信号幅度相同的条件下,各信号的峰值大小也是不一样的。在分数阶域提取各信号的归一化幅度包络曲线,计算出曲线的峰值,其仿真结果如表1所示。
表1几种典型雷达信号曲线的峰值
从表中,明显可以看出LFM信号的峰值远远大于其它几种信号的峰值,而NLFM信号的峰值最小。由此,提取出新的特征参数:峰值。
(3)峭度K(Kurtosis)是用来描述曲线顶端分布陡峭或平缓水平的基准,根据峭度k(s)的归一化公式式中,m2(s)表示信号的二阶距,m4(s)表示信号的四阶矩,计算各信号曲线的峭度。其仿真结果如图2所示。可以看到,LFM信号的峭度值一直大于NLFM信号,且在信噪比为-5的情况下,两者相差也较明显。而BFSK信号的峭度曲线基本上也一直是位于BPSK信号的上方,但在其信噪比较低时,还是出现了交叉现象,此时,对BFSK和BPSK的识别将会出现较高的误差。
将提取出的3个特征参数组成一个三维特征向量。不同信噪比下的信号的三维特征分布图如图1、2所示。其中,X坐标轴表示信号的峰值;Y坐标轴表示信号的最佳阶数;Z坐标轴表示信号的峭度值。
步骤3、坐标转换
将步骤2得到的三维坐标转换为二维坐标,转换方法为:对于步骤2得到的三维坐标中的每一个点,根据需要选取X轴坐标、Y轴坐标、Z轴坐标中的任意两个作为新的X轴坐标及Y轴坐标,从而为每个点得到一个二维坐标。
步骤4、二次特征提取
步骤4.1、每个信号为一个云滴,第i个云滴S(i)的X轴坐标为x(i),Y轴坐标为y(i),i=1,2,…,n,X轴坐标、Y轴坐标通过步骤3得到;
步骤4.2、计算所有云滴的均值
计算每个云滴的熵值,第i个云滴S(i)的熵值
步骤4.3、计算所有云滴的平局熵值
步骤4.4、计算得到超熵
步骤4.5、将均值Ex、平局熵值En及超熵He作为信号的特征值。
本发明进行二次提取,从而实现在较低信噪比下对信号进行识别的目的。不同信噪比下信号的云模型数字特征如图3及图4所示。
其中,X坐标轴Ex表示信号特征分布的均值,即信号特征分布的中心值;Y坐标轴En表示信号特征分布的熵值,即信号特征分布的离散特性;Z坐标轴He表示信号特征分布的超熵,即信号特征分布的熵特征的离散程度。
利用决策树分类器,计算仿真图中的各个信噪比环境下的雷达信号识别率,同时,与只进行一次特征提取的识别率结果对比,识别结果如附表2所示。
表2不同信噪比下雷达信号识别率
从表2的仿真结果中可以看出,当信噪比为8dB时,经过一次特征提取算法的信号识别率仍不能达到百分百的精确,还是存在着一定的误差,随着信噪比的降低,基于一次特征提取算法的识别率有所降低,但基于云模型的二次特征提取算法仍可以达到100%的识别率。
Claims (3)
1.一种雷达信号特征提取方法,其特征在于,包括以下步骤:
步骤1、对雷达信号进行采样,得到时域离散信号,将时域离散信号从时域转变到频域,并在频域中进行能量归一化的处理,最终,取得信号频谱的中心频率及其有效带宽,对带宽进行归一化处理;
步骤2、对步骤1得到的信号进行一次特征提取,提取出信号的峰值、最佳阶数及峭度值作为与当前信号对应的三个特征值;
步骤3、从每个信号的三个特征值中根据需要选择两个特征值作为每个信号的X轴坐标及Y轴坐标;
步骤4、利用云模型进行二次特征提取,包括以下步骤:
步骤4.1、每个信号为一个云滴,第i个云滴S(i)的X轴坐标为x(i),Y轴坐标为y(i),i=1,2,…,n;
步骤4.2、计算所有云滴的均值
计算每个云滴的熵值,第i个云滴S(i)的熵值
步骤4.3、计算所有云滴的平局熵值
步骤4.4、计算得到超熵
步骤4.5、将均值Ex、平局熵值En及超熵He作为信号的特征值。
2.如权利要求1所述的一种雷达信号特征提取方法,其特征在于,提取信号的最佳阶数时,先对信号x(t)进行分数阶傅里叶变换,得到分数阶域曲线:
<mrow>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>X</mi>
<mi>p</mi>
</msup>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mi>&infin;</mi>
<mi>&infin;</mi>
</msubsup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
式中,p表示傅里叶变换的阶数,t表示积分变量,Xp表示傅里叶变换算子,u表示分数阶傅里叶域,Kp(t,u)表示傅里叶变换的核函数,α表示旋转角,即分数阶傅里叶域与时域之间的夹角,且α=pπ/2;
随后得到分数阶域曲线峰值所对应的p值,即为最佳阶数。
3.如权利要求1所述的一种雷达信号特征提取方法,其特征在于,提取信号的峰值时,先在分数阶域提取信号的归一化幅度包络曲线,再计算出曲线的峰值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556370.7A CN107479036A (zh) | 2017-07-10 | 2017-07-10 | 一种雷达信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556370.7A CN107479036A (zh) | 2017-07-10 | 2017-07-10 | 一种雷达信号特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107479036A true CN107479036A (zh) | 2017-12-15 |
Family
ID=60596233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710556370.7A Pending CN107479036A (zh) | 2017-07-10 | 2017-07-10 | 一种雷达信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107479036A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469602A (zh) * | 2018-03-29 | 2018-08-31 | 东南大学 | 一种基于谱特征提取的脉冲信号类型自动判别方法 |
CN110071884A (zh) * | 2019-04-11 | 2019-07-30 | 哈尔滨工程大学 | 一种基于改进熵云特征的通信信号调制识别方法 |
CN110187313A (zh) * | 2019-05-31 | 2019-08-30 | 中国人民解放军战略支援部队信息工程大学 | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590791A (zh) * | 2012-01-10 | 2012-07-18 | 哈尔滨工程大学 | 一种复杂密集环境下雷达辐射源信号覆盖分选方法 |
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 |
CN104809447A (zh) * | 2015-05-08 | 2015-07-29 | 上海电机学院 | 一种辐射源个体特征提取方法 |
-
2017
- 2017-07-10 CN CN201710556370.7A patent/CN107479036A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590791A (zh) * | 2012-01-10 | 2012-07-18 | 哈尔滨工程大学 | 一种复杂密集环境下雷达辐射源信号覆盖分选方法 |
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 |
CN104809447A (zh) * | 2015-05-08 | 2015-07-29 | 上海电机学院 | 一种辐射源个体特征提取方法 |
Non-Patent Citations (2)
Title |
---|
李靖超: "基于复杂度特征的通信辐射源个体识别", 《万方学位论文》 * |
黄晓菁等: "基于原型理论的极化SAR图像特征表达", 《雷达学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469602A (zh) * | 2018-03-29 | 2018-08-31 | 东南大学 | 一种基于谱特征提取的脉冲信号类型自动判别方法 |
CN110071884A (zh) * | 2019-04-11 | 2019-07-30 | 哈尔滨工程大学 | 一种基于改进熵云特征的通信信号调制识别方法 |
CN110187313A (zh) * | 2019-05-31 | 2019-08-30 | 中国人民解放军战略支援部队信息工程大学 | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 |
CN110187313B (zh) * | 2019-05-31 | 2021-05-07 | 中国人民解放军战略支援部队信息工程大学 | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 |
CN111371715A (zh) * | 2020-02-27 | 2020-07-03 | 电子科技大学 | 一种用于在低信噪比下识别ask类信号的特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107479036A (zh) | 一种雷达信号特征提取方法 | |
CN100356388C (zh) | 生物特征融合的身份识别和认证方法 | |
CN101727657B (zh) | 一种基于云模型的图像分割方法 | |
CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
Zhou et al. | Feature fusion based on Bayesian decision theory for radar deception jamming recognition | |
CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN102243641A (zh) | 大规模数据的高效聚类方法 | |
CN105869146A (zh) | 基于显著性融合的sar图像变化检测方法 | |
CN109061774A (zh) | 一种雷暴核关联性处理方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN104809447A (zh) | 一种辐射源个体特征提取方法 | |
CN106526566A (zh) | 基于fpga高速预处理的信号脉内特征实时分析处理方法 | |
CN103886335A (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
Cunxiang et al. | Quasi-LFM radar waveform recognition based on fractional Fourier transform and time-frequency analysis | |
Chen et al. | Improved DBSCAN radar signal sorting algorithm based on rough set | |
CN105260748A (zh) | 一种不确定数据的聚类方法 | |
Xu et al. | Impact feature recognition method for non-stationary signals based on variational modal decomposition noise reduction and support vector machine optimized by whale optimization algorithm | |
CN106443625A (zh) | 基于高分辨一维像信息融合的目标识别方法 | |
Yu et al. | Sorting radar signal based on the resemblance coefficient of bispectrum two dimensions characteristic | |
CN110071884A (zh) | 一种基于改进熵云特征的通信信号调制识别方法 | |
Yang et al. | Imbalanced Aircraft Data Anomaly Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |
|
WD01 | Invention patent application deemed withdrawn after publication |