CN108566260B - 一种基于扰分多址的隐蔽通信方法 - Google Patents

Abstract

本发明属于数字信息传输技术领域，公开了一种基于扰分多址的隐蔽通信方法，在所传输的电磁范围内对非合作信号进行检测，当检测出非合作信号存在时，并对信号进行信号个数估计；针对非合作信号进行干扰温度的测量，干扰温度测量涉及时频联合域非合作信号的参数的估计以及调制方式的识别；在所测量的干扰温度门限以下，以扰分多址的方式实现多信号的隐蔽通信传输，并在接收端以盲源分离技术现实多信号的分离。本发明从时频联合域和人工智能角度出发，利用扰分多址技术，能够为保密信息巧妙地将它隐藏于通信环境之中，使得第三方很难发现该信息的存在，就可以使之避免被干扰和攻击，从而实现隐蔽通信。

Description

一种基于扰分多址的隐蔽通信方法

技术领域

本发明属于数字信息传输技术领域，尤其涉及一种基于扰分多址的隐蔽通信方法。

背景技术

在信息技术高速发展的今天，信息安全已变得至关重要，是任何国家、政府、部门、行业都必须十分重视的问题，是一个不容忽视的国家安全战略。在军事通信时，仅希望信息接收者能收到所通信的内容，而不被第三方所知道，即保证通信消息是秘密传递的。目前，业内常用的现有技术是这样的：采用加密通信，但不能隐藏通信的存在，这样仅仅定位并拦截其信息，但拦截者不能破解，并且容易被发现拦截者。如果能够为保密信息巧妙地将它隐藏于通信环境之中，使得第三方很难发现该信息的存在，就可以使之避免被干扰和攻击，从而隐蔽通信技术应运而生。隐蔽通信就是通信虽然正在进行，但是其信号、频率、发射机方位却不易被对方发现。

综上所述，现有技术存在的问题是：采用加密通信，但不能隐藏通信的存在，这样仅仅定位并拦截其信息，但拦截者不能破解，并且容易被发现拦截者。

解决上述技术问题的难度和意义：保密信息巧妙地将它隐藏于通信环境之中，使得第三方很难发现该信息的存在，就可以使之避免被干扰和攻击。隐蔽通信是解决保密通信和军事通信安全性的重要通信手段之一，它既可以保护通信内容，还可以隐藏通信的存在。与传统的密码通信、扩频通信以及超宽带通信不同的是，隐蔽通信将信息隐藏于宿主信号，在不改变宿主信号的通信效果和使用价值的条件下进行信息传递，因此，隐蔽通信具有更强的抗截获和抗检测特性。

发明内容

针对现有技术存在的问题，本发明提供了一种基于扰分多址的隐蔽通信方法。

本发明是这样实现的，一种基于扰分多址的隐蔽通信方法，所述基于扰分多址的隐蔽通信方法在所传输的电磁范围内对非合作信号进行检测，当检测出非合作信号存在时，并对信号进行信号个数估计；针对非合作信号进行干扰温度的测量，干扰温度测量涉及时频联合域非合作信号的参数的估计以及调制方式的识别；在所测量的干扰温度门限以下，以扰分多址的方式实现多信号的隐蔽通信传输，并在接收端以盲源分离技术现实多信号的分离。

进一步，所述非合作信号的检测和信号个数估计方法具体包括以下步骤：

(1)基于广义互质采样的信号检测；

(2)基于扩展Shannon熵的非合作信号个数估计。

进一步，所述(1)用两个天线分别接收信号X(t)，并分别进行采样，时间间隔分别是MT_s和NT_s，M和N均为质数，T_s是奈奎斯特采样频率，其中一路表示为x₁[n₁]＝x[Mn₁]＝X[Mn₁T_s]，另外一路表示为x₂[n₂]＝x[Nn₂]＝X(Nn₂T)_s，n₁和n₂分别为两个采样点数，其取值范围是0≤n₁≤2N-1，0≤n₂≤M-1；对这两路采样信号进行相关，并构造如下形式的时域相关矩阵R_est为：

相关矩阵中分量表示为：

其中，L表示采样的周期数，k是相关后数据的延迟变量k＝Mn₁-Nn₂；在得到信号的时域相关矩阵R_est后，采用MUSIC空间谱估计算法将信号的时域信息转化为频域信息来估计信号的频率值，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，搜索出最大谱峰并与判决门限比较，若谱峰值大于判决门限，则信号存在；若谱峰值大于判决门限，则信号存在。

进一步，所述步骤(2)扩展Shannon熵函数定义为：

其中，

为归一化四阶循环累积量幅度谱；扩展Shannon熵函数突出了归一化四阶循环累积量幅度谱中较大谱凸出程度的幅值并且削弱较小谱凸出程度的成分；在[f_min(i),f_max(i)]内检测最大的离散谱峰，统计最大的离散谱峰的个数，并将最大的离散谱峰的个数作为非合作信号的个数。

进一步，所述非合作信号的干扰温度测量具体包括以下步骤：

(1)基于L范数的时频域重叠信号的载频估计；

(2)基于能量算子幅度谱的时频域重叠信号的带宽估计；

(3)基于模方谱的时频域重叠信号的功率估计；

(4)基于深度学习的非合作信号的调制方式识别。

进一步，所述步骤(1)基于L范数的时频域重叠信号的载频估计原理为：

时频重叠信号的循环共变谱

表示为：

其中，f_c是载波频率频率，ε为循环频率，T为码元周期，γ_x(t+τ)是信号的分散系数，Q(f)为成型脉冲函数的傅里叶变换。

首先对循环共变谱的离散谱线进行采用基于L范数的优化过程的预处理，尽量抑制由噪声导致的谱线干扰，从而使谱线呈现稀疏特性；然后选择某一长度的窗口，通过计算窗口内点的强度的标准差自适应地设置该窗口的局部阈值，将强度小于阈值的点置零，在大于阈值的谱线上搜索谱线的局部极大值；最后，以该极大值为中心向两侧继续检测窗口的其它谱线，从而检测出完整的谱线信息。

进一步，所述步骤(2)基于能量算子幅度谱的时频域重叠信号的带宽估计原理为：

时频域重叠信号的能量算子

表示为：

其中，s_i(k)为时频重叠信号的分量信号，N为时频重叠信号的分量个数；对

取幅度值

并作傅里叶变换得到能量算子幅度谱

让信号的能量算子幅度谱通过非线性滤波器R(f)进行谱线消噪和增强：

其中，

Z为采样点数，W为非线性滤波器长度，c(q)为加权系数；最后根据时频重叠信号分量的个数N，分别提取前N个峰值，谱峰对应的频率是各分量信号的码速率；

根据每个信号分量的码元速率估计值和无码间串扰时码元速率与带宽之间的关系

得到每个信号分量的带宽宽度B_i；然后由信号分量的载频估计值，结合各个信号分量的带宽，得到每个信号分量的频带范围[f_Li,f_Hi]，i＝1,2...m；最后分别比较分量频带上下界，将

作为时频重叠信号的频带下界，将

作为时频重叠信号的频带上界，得到整个接收信号的频带范围[f_L,f_H]。

进一步，所述步骤(3)基于模方谱的时频域重叠信号的功率估计原理为：

时频重叠信号的模方谱|X(ω)|²表示为：

|X(ω)|²＝X(ω)X^*(ω)；

其中，X(ω)为时频重叠信号的频谱，根据帕塞瓦尔定理：

估计出时频重叠信号的功率P为：

其中，E[·]表示数学期望；

所述步骤(4)基于深度学习的非合作信号的调制方式识别原理为：

首先估计接收到时频重叠信号的循环谱，为了减少计算量，本发明采用时域平滑算法估计MPSK信号的循环谱相关函数。循环谱基本时域表达式为

其中，X_T(r,f)被称为复解调，其计算公式为

其中，a(n)为数据衰减窗，g(n)为平滑窗，Δt为数据采集时间，T_s为采样周期，Δt＝NT_s，N′为傅立叶变换的长度，T为复解调所需N′点DFT数据时间，则

其中，L表示抽取因子，满足L≤N′。

然后提取信号循环谱的等高图来转换为二维图像信息，然后对二维图像进行预处理，提取大小为w×w的像素块，并按照分类器所需的格式进行处理，并确定卷积神经网络(Convolution neural network,CNN)分类器的网络参数，并利用数据样本进行训练。其中，卷积神经网络分类器由输入层、卷积层、下采样层、全连接层、输出层组成。

在训练卷积神经网络时，采用反向传播法则以及有监督的训练方式。神经网络中输入特征通过前向传播得到输出特征，假设输入为X，经过多层网络传播后得到输出特征图O。然后将得到的输出特征图O与给输入图像所加的标签T进行比对，根据一定的运算公式得到误差E。然后根据反向传播路径，将误差E层层传播，并通过权值更新公式对卷积层的权值w_ij进行调整。网络误差随迭代次数的增加而降低，并且这一过程收敛于一个稳定的权值集合，额外的训练次数呈现较小的影响。在训练过程中，网络中权值的初始化通常随机，而偏置的初始化往往是全置为零。反向传播过程中优化的目标函数如下：

当L层是卷积神经网络的最后一层时，输出层的误差的计算如下：

其中，σ(x)是一个向量值函数，在非线性情况下通常取为逐元sigmoid函数，或者逐元tanh函数，σ′(x)为其导数，

代表两个向量的阿达马积。当L层为卷积层时

然后通过对其进行求和来计算出偏差的梯度

最后，计算对权值的偏导数

当L层为下采样层时，

其中，rot180(·)的含义是把一个矩阵水平翻转一次在垂直翻转一次。误差计算出来后，便可以用此更新所有的网络参数。

最后在完成卷积神经网络的训练后，输入测试样本进行时频重叠信号的调制方式识别。

进一步，所述基于扰分多址传输的多通道分离具体包括以下步骤：

在非合作信号的干扰温度门限以下，以“扰分多址”的方式实现多信号的隐蔽通信传输。扰分多址技术是指多个移动台使用相同载频，并可以同时发射。每个移动台或多个移动台均有自己的干扰温度，在不互相干扰其它任意移动台的情况下，实现通信传输。发送端中非合作信号以及所要发的信号均可占用同一频带、同一时间，经信道进行传输。

经传输后，接收到混合信号为x(t)＝[x₁(t),x₂(t),…,x_M(t)]^T，其中M表示传感器个数；将观测信号x∈R^M×L分成K组，每一组x_i∈R^M×LK，i表测信号分组序号，i＝1,…,K，

为剔除观测信号矩阵x中的x_i部分后剩下的元素所组成的矩阵

因此利用

确定数据的某些特征，再用x_i验证该特征，用交叉验证方法实现复信源的估计，定义误差函数为：

其中，复信源数的范围

和

分别为根据x_i、

按照上式计算得到的噪声协方差矩阵；当估计的信源数与实际信源数不匹配时，此时关于复信源数的误差函数值较大，因此，t时刻的复信源数按照下式计算：

进行白化预处理，白化矩阵的迭代公式如下：

其中，

y^(l)(k)＝Q(l)x(k)；利用白化后的数据进行迭代处理，得到分离矩阵；源信号个数增加，分离矩阵的维数也增加，则相应的做如下变化：

其中，r设置为1，w_ij(t)为矩阵W(t)的i行j列元素；完成分离矩阵维数调整后，采取在线算法自适应更新分离矩阵；在线算法基于互信息最小化的准则选取代价函数ρ(y,W)，然后对代价函数进行寻优：

W(t)＝W(t-1)+ΔW；

分离矩阵迭代的基本形式如下：

W(t+1)＝W(t)+ηF(y(t))W(t)；

其中，η为学习步长，F(·)为估计函数。

本发明的另一目的在于提供一种应用所述基于扰分多址的隐蔽通信方法的无线通信系统。

综上所述，本发明的优点及积极效果为：本发明从时频联合域和人工智能角度出发，利用扰分多址技术，能够为保密信息巧妙地将它隐藏于通信环境之中，使得第三方很难发现该信息的存在，就可以使之避免被干扰和攻击，从而实现隐蔽通信。

附图说明

图1是本发明实施例提供的基于扰分多址的隐蔽通信方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明从时频联合域角度出发，利用非合作通信技术，提出一种基于扰分多址(interference divisionmultiple access,IDMA)的隐蔽通信方式，在复杂电磁环境下，实现隐蔽通信，扰分多址技术是指多个移动台使用相同载频，并可以同时发射；每个移动台或多个移动台均有自己的干扰温度，在不互相干扰其它任意移动台的情况下，实现通信传输。

如图1所示，本发明实施例提供的基于扰分多址的隐蔽通信方法包括以下步骤：

S101：在所传输的电磁范围内对非合作信号进行检测，当检测出非合作信号存在时，并对该信号进行信号个数估计；

S102：针对非合作信号进行干扰温度的测量，干扰温度测量涉及时频联合域非合作信号的载频，带宽，功率等参数的估计以及调制方式的识别；

S103：在所测量的干扰温度门限以下，以“扰分多址”的方式实现多信号的隐蔽通信传输，并在接收端以盲源分离技术现实多信号的分离，达到敌方无法对己方隐蔽信号进行定位和跟踪的目的。

本发明实施例提供的复杂电磁环境下非合作信号的检测和信号个数估计方法具体包括以下步骤：

(1)基于广义互质采样的信号检测；

(2)基于扩展Shannon熵的非合作信号个数估计；

步骤(1)基于广义互质采样的信号检测原理为：

用两个天线分别接收信号X(t)，并分别进行采样，时间间隔分别是MT_s和NT_s，M和N均为质数，T_s是奈奎斯特采样频率，其中一路表示为x₁[n₁]＝x[Mn₁]＝X[Mn₁T_s]，另外一路表示为x₂[n₂]＝x[Nn₂]＝X(Nn₂T)_s，n₁和n₂分别为两个采样点数，其取值范围是0≤n₁≤2N-1，0≤n₂≤M-1。对这两路采样信号进行相关，并构造如下形式的时域相关矩阵R_est为：

相关矩阵中分量表示为：

其中，L表示采样的周期数，k是相关后数据的延迟变量k＝Mn₁-Nn₂。在得到信号的时域相关矩阵R_est后，采用MUSIC空间谱估计算法将信号的时域信息转化为频域信息来估计信号的频率值，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，搜索出最大谱峰并与判决门限比较，若谱峰值大于判决门限，则信号存在；若谱峰值大于判决门限，则信号存在。

步骤(2)基于扩展Shannon熵的非合作信号个数估计原理为：

扩展Shannon熵函数定义为：

其中，

为归一化四阶循环累积量幅度谱。扩展Shannon熵函数突出了归一化四阶循环累积量幅度谱中较大谱凸出程度的幅值并且削弱较小谱凸出程度的成分。在[f_min(i),f_max(i)]内检测最大的离散谱峰，统计最大的离散谱峰的个数，并将最大的离散谱峰的个数作为非合作信号的个数。

本发明实施例提供的非合作信号的干扰温度测量具体包括以下步骤：

(1)基于L范数的时频域重叠信号的载频估计；

(2)基于能量算子幅度谱的时频域重叠信号的带宽估计；

(3)基于模方谱的时频域重叠信号的功率估计；

(4)基于深度学习的非合作信号的调制方式识别；

步骤(1)基于L范数的时频域重叠信号的载频估计原理为：

时频重叠信号的循环共变谱

可表示为：

其中，f_c是载波频率频率，ε为循环频率，T为码元周期，γ_x(t+τ)是信号的分散系数，Q(f)为成型脉冲函数的傅里叶变换。根据循环共变函数的叠加性，重叠信号的循环共变谱等于各个信号分量在所对应的循环频率处的循环共变谱之和。对于时频重叠信号，在其循环共变谱的载波频率为0的截面会显示每个信号分量的载频谱线，但是在离散谱线的提取是最主要的环节。

由于L范数可以抑制噪声和谱伪峰的作用，并且0范数的优势在于，在滤除小的离散谱线的时候，不会减小峰值，且小的谱线滤得较干净，因此待检测谱线的预处理采用基于L范数的优化过程。经过预处理后，谱线的分布呈现为稀疏特性，且这些谱线的强度一般为局部最大。由于局部阈值可以避免一些强谱线的遗漏和一些伪谱线的出现，因此本发明采用自适应设置窗口内局部阈值的处理方法。离散谱线的提取方法的步骤为：首先对循环共变谱的离散谱线进行预处理，尽量抑制由噪声导致的谱线干扰，从而使谱线呈现稀疏特性；然后选择某一长度的窗口，通过计算窗口内点的强度的标准差自适应地设置该窗口的局部阈值，将强度小于阈值的点置零，在大于阈值的谱线上搜索谱线的局部极大值；最后，以该极大值为中心向两侧继续检测窗口的其它谱线，从而检测出完整的谱线信息。

步骤(2)基于能量算子幅度谱的时频域重叠信号的带宽估计原理为：时频域重叠信号的能量算子

表示为：

其中，s_i(k)为时频重叠信号的分量信号，N为时频重叠信号的分量个数。对

取幅度值

并作傅里叶变换得到能量算子幅度谱

为方便提取与信号码元速率相关的谱线信息，让信号的能量算子幅度谱通过如下式所示的非线性滤波器R(f)进行谱线消噪和增强：

其中，

Z为采样点数，W为非线性滤波器长度，c(q)为加权系数。最后根据时频重叠信号分量的个数N，分别提取前N个峰值，这些谱峰对应的频率就是各分量信号的码速率。

根据每个信号分量的码元速率估计值和无码间串扰时码元速率与带宽之间的关系，即

得到每个信号分量的带宽宽度B_i；然后由信号分量的载频估计值，结合各个信号分量的带宽，得到每个信号分量的频带范围[f_Li,f_Hi]，i＝1,2...m；最后分别比较分量频带上下界，将

作为时频重叠信号的频带下界，将

作为时频重叠信号的频带上界，从而可得到整个接收信号的频带范围[f_L,f_H]。

步骤(3)基于模方谱的时频域重叠信号的功率估计原理为：时频重叠信号的模方谱|X(ω)|²表示为：

|X(ω)|²＝X(ω)X^*(ω)；

其中，X(ω)为时频重叠信号的频谱。根据帕塞瓦尔定理：

估计出时频重叠信号的功率P为：

其中，E[·]表示数学期望。

步骤(4)基于深度学习的非合作信号的调制方式识别原理为：

首先估计接收到时频重叠信号的循环谱，为了减少计算量，本发明采用时域平滑算法估计MPSK信号的循环谱相关函数。循环谱基本时域表达式为

其中，X_T(r,f)被称为复解调，其计算公式为

其中，a(n)为数据衰减窗，g(n)为平滑窗，Δt为数据采集时间，T_s为采样周期，Δt＝NT_s，N′为傅立叶变换的长度，T为复解调所需N′点DFT数据时间，则

其中，L表示抽取因子，满足L≤N′。

然后提取信号循环谱的等高图来转换为二维图像信息，然后对二维图像进行预处理，提取大小为w×w的像素块，并按照分类器所需的格式进行处理，并确定卷积神经网络(Convolution neural network,CNN)分类器的网络参数，并利用数据样本进行训练。其中，卷积神经网络分类器由输入层、卷积层、下采样层、全连接层、输出层组成。

在训练卷积神经网络时，采用反向传播法则以及有监督的训练方式。神经网络中输入特征通过前向传播得到输出特征，假设输入为X，经过多层网络传播后得到输出特征图O。然后将得到的输出特征图O与给输入图像所加的标签T进行比对，根据一定的运算公式得到误差E。然后根据反向传播路径，将误差E层层传播，并通过权值更新公式对卷积层的权值w_ij进行调整。网络误差随迭代次数的增加而降低，并且这一过程收敛于一个稳定的权值集合，额外的训练次数呈现较小的影响。在训练过程中，网络中权值的初始化通常随机，而偏置的初始化往往是全置为零。反向传播过程中优化的目标函数如下：

当L层是卷积神经网络的最后一层时，输出层的误差的计算如下：

其中，σ(x)是一个向量值函数，在非线性情况下通常取为逐元sigmoid函数，或者逐元tanh函数，σ′(x)为其导数，

代表两个向量的阿达马积。当L层为卷积层时

然后通过对其进行求和来计算出偏差的梯度

最后，计算对权值的偏导数

当L层为下采样层时，

其中，rot180(·)的含义是把一个矩阵水平翻转一次在垂直翻转一次。误差计算出来后，便可以用此更新所有的网络参数。

最后在完成卷积神经网络的训练后，输入测试样本进行时频重叠信号的调制方式识别。

本发明实施例提供的基于扰分多址传输的多通道分离具体包括以下步骤：

在非合作信号的干扰温度门限以下，以“扰分多址”的方式实现多信号的隐蔽通信传输。扰分多址技术是指多个移动台使用相同载频，并可以同时发射。每个移动台或多个移动台均有自己的干扰温度，在不互相干扰其它任意移动台的情况下，实现通信传输。发送端中非合作信号以及所要发的信号均可占用同一频带、同一时间，经信道传输后，在接收端则用信号分离方法将所要发的信号分离出来。

接收到混合信号为x(t)＝[x₁(t),x₂(t),…,x_M(t)]^T，其中M表示传感器个数。将观测信号x∈R^M×L分成K组，每一组x_i∈R^M×L/K，i表测信号分组序号，i＝1,…,K，

为剔除观测信号矩阵x中的x_i部分后剩下的元素所组成的矩阵，即

因此利用

确定数据的某些特征，再用x_i验证该特征，用交叉验证方法实现复信源的估计。定义误差函数为：

其中，复信源数的范围

和

分别为根据x_i、

按照上式计算得到的噪声协方差矩阵；当估计的信源数与实际信源数不匹配时，此时关于复信源数的误差函数值较大，因此，t时刻的复信源数按照下式计算：

在完成源信号数目估计的情况下,为了取得更好的分离效果，在求解分离矩阵之前，同样需要进行白化预处理，白化预处理过程采用在线的实时迭代方法进行，即白化矩阵的迭代公式如下：

其中，

y^(l)(k)＝Q(l)x(k)。白化处理完成后，需要利用白化后的数据进行迭代处理，得到分离矩阵。如果源信号个数增加，分离矩阵的维数也增加，则相应的做如下变化：

其中，r设置为1，w_ij(t)为矩阵W(t)的i行j列元素。完成分离矩阵维数调整后，采取在线算法自适应更新分离矩阵。在线算法基本思想是基于互信息最小化的准则选取代价函数ρ(y,W)，然后对代价函数进行寻优：

W(t)＝W(t-1)+ΔW；

也就是通过逐步调节分离矩阵使代价函数达到极小或极大。调节分离矩阵或者分离矩阵自适应的过程可以采取自然梯度算法优化分离矩阵。分离矩阵迭代的基本形式如下：

W(t+1)＝W(t)+ηF(y(t))W(t)；

其中，η为学习步长，F(·)为估计函数。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于扰分多址的隐蔽通信方法，其特征在于，所述基于扰分多址的隐蔽通信方法在所传输的电磁范围内对非合作信号进行检测，当检测出非合作信号存在时，并对非合作信号进行信号个数估计；针对非合作信号进行干扰温度的测量，干扰温度测量涉及时频联合域非合作信号的参数的估计以及调制方式的识别；在所测量的干扰温度门限以下，以扰分多址的方式实现多信号的隐蔽通信传输，并在接收端以盲源分离技术实现多信号的分离；

所述非合作信号的检测及信号个数估计方法具体包括以下步骤：

(1)基于广义互质采样的信号检测；

(2)基于扩展Shannon熵的非合作信号个数估计；

所述步骤(1)用两个天线分别接收信号X(t)，并分别进行采样，时间间隔分别是MT_s和NT_s，M和N均为质数，T_s是奈奎斯特采样频率，其中一路表示为x₁[n₁]＝x[Mn₁]＝X[Mn₁T_s]，另外一路表示为x₂[n₂]＝x[Nn₂]＝X[ Nn₂T_s] ，n₁和n₂分别为两个采样点数，其取值范围是0≤n₁≤2N-1，0≤n₂≤M-1；对这两路采样信号进行相关，并构造如下形式的时域相关矩阵R_est为：

在得到信号的时域相关矩阵R_est后，采用MUSIC空间谱估计算法将信号的时域信息转化为频域信息来估计信号的频率值，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，搜索出最大谱峰并与判决门限比较，若谱峰值大于判决门限，则信号存在；

所述步骤(2)扩展Shannon熵函数定义为：

其中，

为归一化四阶循环累积量幅度谱，f_i为频率；扩展Shannon熵函数突出了归一化四阶循环累积量幅度谱中较大谱凸出程度的幅值并且削弱较小谱凸出程度的成分；在[f_min(i),f_max(i)]内检测最大的离散谱峰，统计最大的离散谱峰的个数，并将最大的离散谱峰的个数作为非合作信号的个数，其中f_min(i)为归一化四阶循环累积量幅度谱的起始频率，f_max(i)为归一化四阶循环累积量幅度谱的终止频率。

2.如权利要求1所述的基于扰分多址的隐蔽通信方法，其特征在于，所述非合作信号的干扰温度测量具体包括以下步骤：

(1)基于L范数的时频域重叠信号的载频估计；

(2)基于能量算子幅度谱的时频域重叠信号的带宽估计；

(3)基于模方谱的时频域重叠信号的功率估计；

(4)基于深度学习的非合作信号的调制方式识别。

3.如权利要求2所述的基于扰分多址的隐蔽通信方法，其特征在于，所述步骤(1)基于L范数的时频域重叠信号的载频估计原理为：

时频重叠信号的循环共变谱

表示为：

其中，f_c是载波频率频率，ε为循环频率，T为码元周期，γ_x(t+τ)是信号的分散系数，Q(f)为成型脉冲函数的傅里叶变换；

首先对循环共变谱的离散谱线进行采用基于L范数的优化过程的预处理，尽量抑制由噪声导致的谱线干扰，从而使谱线呈现稀疏特性；然后选择某一长度的窗口，通过计算窗口内点的强度的标准差自适应地设置该窗口的局部阈值，将强度小于阈值的点置零，在大于阈值的谱线上搜索谱线的局部极大值；最后，以该极大值为中心向两侧继续检测窗口的其它谱线，从而检测出完整的谱线信息。

4.如权利要求2所述的基于扰分多址的隐蔽通信方法，其特征在于，所述步骤(2)基于能量算子幅度谱的时频域重叠信号的带宽估计原理为：

时频域重叠信号的能量算子

表示为：

其中，s_i(k)为时频重叠信号的分量信号，N为时频重叠信号的分量个数；对

取幅度值

并作傅里叶变换得到能量算子幅度谱

让信号的能量算子幅度谱通过非线性滤波器R(f)进行谱线消噪和增强：

其中，

Z为采样点数，k为离散时刻，W为非线性滤波器长度，c(q)为加权系数；最后根据时频重叠信号分量的个数N，分别提取前N个峰值，谱峰对应的频率是各分量信号的码速率；

根据每个信号分量的码元速率估计值和无码间串扰时码元速率与带宽之间的关系

其中，ε为滚降系数，

为码元周期，得到每个信号分量的带宽宽度B_i；然后由信号分量的载频估计值，结合各个信号分量的带宽，得到每个信号分量的频带范围[f_Li,f_Hi]，i＝1,2...m，其中，f_Li为分量信号的频带上界，f_Hi为分量信号的频带上界；最后分别比较分量频带上下界，将

作为时频重叠信号的频带下界，将

作为时频重叠信号的频带上界，得到整个接收信号的频带范围[f_L,f_H]。

5.如权利要求2所述的基于扰分多址的隐蔽通信方法，其特征在于，所述步骤(3)基于模方谱的时频域重叠信号的功率估计原理为：

时频重叠信号的模方谱|X(ω)|²表示为：

|X(ω)|²＝X(ω)X^*(ω)；

其中，X(ω)为时频重叠信号的频谱，根据帕塞瓦尔定理：

估计出时频重叠信号的功率P为：

其中，E[·]表示数学期望；

所述步骤(4)基于深度学习的非合作信号的调制方式识别原理为：

首先估计接收到时频重叠信号的循环谱，并提取信号循环谱的等高图来转换为二维图像信息，然后对二维图像进行预处理，提取像素块，并按照分类器所需的格式进行处理，并确定卷积神经网络分类器的网络参数，并利用数据样本进行训练；最后在完成卷积神经网络的训练后，输入测试样本进行时频重叠信号的调制方式识别。

6.如权利要求1所述的基于扰分多址的隐蔽通信方法，其特征在于，所述以扰分多址的方式实现多信号的隐蔽通信传输，并在接收端以盲源分离技术实现多信号的分离具体包括以下步骤：

在非合作信号的干扰温度门限以下，以“扰分多址”的方式实现多信号的隐蔽通信传输；扰分多址技术是指多个移动台使用相同载频，并可以同时发射；每个移动台或多个移动台均有自己的干扰温度，在不互相干扰其它任意移动台的情况下，实现通信传输；发送端中非合作信号以及所要发的信号均可占用同一频带、同一时间，经信道进行传输；

经传输后，接收到混合信号为x(t)＝[x₁(t),x₂(t),…,x_M(t)]^T，其中M表示传感器个数；将观测信号x∈R^M×L分成K组，每一组x_i∈R^M×L/K，i表测信号分组序号，i＝1,…,K，

为剔除观测信号矩阵x中的x_i部分后剩下的元素所组成的矩阵

因此利用

确定数据的某些特征，再用x_i验证该特征，用交叉验证方法实现复信源的估计，定义误差函数为：

其中，tr[·]表示迹运算，复信源数的范围

和

分别为根据x_i、

按照上式计算得到的噪声协方差矩阵；当估计的信源数与实际信源数不匹配时，此时关于复信源数的误差函数值较大，因此，t时刻的复信源数按照下式计算：

进行白化预处理，白化矩阵的迭代公式如下：

其中，

y^(l)(k)＝Q(l)x(k)；其中，Q(l)为白化矩阵，η_l为梯度下降算法在此处的更新步长，利用白化后的数据进行迭代处理，得到分离矩阵；源信号个数增加，分离矩阵的维数也增加，则相应的做如下变化：

其中，r设置为1，w_ij(t)为矩阵W(t)的i行j列元素；完成分离矩阵维数调整后，采取在线算法自适应更新分离矩阵；在线算法基于互信息最小化的准则选取代价函数ρ(y(t),W(t))，其中，y(t)表示输出信号，W(t)为分离矩阵，然后对代价函数进行寻优：

W(t)＝W(t-1)+ΔW；

其中，ΔW为W(t)的寻优增量;

分离矩阵迭代的基本形式如下：

W(t+1)＝W(t)+ηF(y(t))W(t)；

其中，η为学习步长，F(·)为估计函数。

Images