CN109307862A - 一种目标辐射源个体识别方法 - Google Patents

Abstract

本发明属于应用电子设备进行识别的方法或装置技术领域，公开了一种目标辐射源个体识别方法，所述目标辐射源个体识别方法包括：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别。本发明可以有效实现较低信噪比环境下目标辐射源个体的识别，且不需要进行信噪比估计等预处理。

Description

一种目标辐射源个体识别方法

技术领域

本发明属于应用电子设备进行识别的方法或装置技术领域，尤其涉及一种目标辐射源个体识别方法的无线信号处理系统。

背景技术

目前，业内常用的现有技术是这样的：辐射源个体识别技术的基本任务是利用被动观测信号的指纹特征，识别发射该信号的特定辐射源目标，获取敌方战术电子情报。辐射源个体识别技术在电子情报侦察、电子支援、认知无线电以及无线网络安全等诸多领域，都有着广泛而深入的应用，历来都是信号处理领域中的研究热点之一。目前，目标辐射源个体识别领域的研究主要集中在通信辐射源个体识别和雷达辐射源个体识别方面。对于通信辐射源个体识别而言，由于受到不同辐射源设备内部器件的差异，调制信号中的非线性产物如谐波，交调干扰，互调干扰以及杂散输出如放大器非线性失真等的影响，实际辐射源信号存在非线性，非平稳的特点。现有技术一通过提取实际通信辐射源信号的非线性动力学参数作为实现了辐射源个体识别。现有技术二通过提取信号的归一化排列熵作为指纹特征，实现了同种调制方式的不同电台信号识别。现有技术三将辐射源看作一个非线性动力系统，通过Hilbert变换得到信号的幅度、相位、频率序列，利用相空间重构提取序列的排列熵作为信号指纹特征，完成数字电台识别。针对雷达辐射源个体识别，现有的方法大致可以分为基于时域特征的识别方法，基于时频域特征的识别方法和基于统计特征的识别方法。现有技术四通过提取载频、脉冲宽度、脉冲幅度、到达时间、和到达角等参数，组成脉冲描述字PDW参数，从而实现了宽信噪比范围内的雷达辐射源个体识别。现有技术五研究了脉冲序列的时域12维特征参数，利用数据平滑去除数据错误和不连续性，有效提高雷达辐射源个体识别正确率。现有技术六利用ZAM-GTFR提取绝对斜率和比、多项曲线拟合系数、脊阶梯数目和极差归一化系数等特征，有效实现了雷达辐射源个体识别。现有技术七通过提取辐射源信号的采样熵和模糊熵构建特征向量，完成雷达辐射源个体识别。现有技术八提取辐射源信号的模糊函数主脊切片特征，并采用奇异值分解去除噪声影响，从而实现了辐射源个体识别。现有技术一—现有技术八在较低信噪比环境下识别性能欠佳，另外，上述识别技术实现起来较为复杂，且可靠性较低。

综上所述，现有技术存在的问题是：现有技术在较低信噪比环境下识别性能欠佳，实现复杂，且可靠性较低。

解决上述技术问题的难度和意义：在低信噪比环境下凸显目标辐射源的细微差异的特征参数困难，通过解决此难题，可在非合作通信以及空中目标的侦测中具有重要的意义和价值。

发明内容

针对现有技术存在的问题，本发明提供了一种目标辐射源个体识别方法的无线信号处理系统。

本发明是这样实现的，一种目标辐射源个体识别方法，所述目标辐射源个体识别方法包括：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别。

进一步，所述目标辐射源个体识别方法包括以下步骤：

步骤一：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；

基于ASK信号的目标辐射源信号表达式如下：

其中，f₀是载波频率，是初始相位，通常情况下设初始相位为0，T_b为符号宽度，M为调相系数；

步骤二：利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；利用奇异谱分析对每个固有模态分量进行去噪包括：

固有模态分量x_l(t)采样所得的N点一维时间序列表示为x_l(n)(n＝1,2,…,N)，若嵌入维数为m，时间延迟为τ，根据嵌入定理，将其嵌入到m×n维的相空间为：

Z_n＝[x_l(n),x_l(n+τ),x_l(n+2τ),…,x_l(n+(m-1)τ)]^T；

其中k＝1,2,3,…,n，n＝N-(m-1)τ；轨道矩阵Z＝[Z₁,Z₂,Z₃,…,Z_n]代表相空间中n个坐标点，形成一条运动的轨迹，结构为：

令C为矩阵Z的m×m维协方差矩阵，则：

C＝ZZ^T/n；

根据上式可知，方阵C中的元素为无偏自相关函数：

其中，k＝0,1,2,…,m-1，方阵C中的元素，(C)_ij＝R_r[(i-j)τ]；

对协方差矩阵C进行奇异值分解，得到一组非负的奇异值(e_i),i＝1,2,…,m，记：

将S_i按降序排列S₁≥S₂≥…S_m≥0就构成了奇异谱，它表示信号中不同成分在整个系统中所占能量的相对关系；

e_k对应的特征向E^k称为经验正交函数(EOF)，第k个主分量(PC)定义为原始序列{r(i)}在E^k上的正交投影系数：

若各主分量与经验正交函数均为已知，则由PC和EOF可重构出原始的时间序列，表达式如下：

利用奇异谱分析对每个固有模态进行去噪；

步骤三：采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别；通过将原来的变量做线性投影形成新的变量，计算特征的主成分：

其中，表示主成分特征，为训练样本的特征均值，为需要降维的特征，Ψ^T为协方差矩阵计算公式：

进一步，所述步骤一对目标辐射源信号r(t)进行经验模态分解，表达式如下：

其中，x_l(t)表示第l个模态分量，L是分解模态总数，c(t)为余项；经验模态分解方法中，通过分解得到的x_l(t)分量和残余分量c(t)能够将原信号r(t)完全恢复。

进一步，所述步骤一经验模态分解算法具体包括：

(1)找出原始信号上的所有局部极大值点和极小值点，分别用三次样条插值函数插值得到对应的上包络线和下包络线；

(2)计算两条包络线的均值m₁(t)，m₁＝[e_min(t)+e_max(t)]/2；

(3)计算原始信号与上下包络线的均值的差值h₁(t)＝r(t)-m₁(t)；

(4)判断h₁(t)是否为固有模态分量；若不是，把h₁(t)作为原始信号替换r(t)重复循环k次得到h_1k＝h_1(k-1)-m_1k，直到满足固有模态分量条件，此时为第一个固有模态分量，记x₁＝h_1k；

(5)将x₁从原始信号中分离出来，得到一阶剩余信号c₁(t)＝r(t)-x₁(t)；

(6)将c₁(t)看作新的原始信号重复得到第l个固有模态分量x_l(t)和l阶剩余信号c_l(t)，直到c_l(t)为单调函数，分解结束。

进一步，对目标辐射源信号r(t)进行变分模态分解，表达式如下：

其中，y_l(t)为第l个模态分量，L为分解模态总数，d(t)为残余项；变分模态分解方法中，定义本征模态函数y_l(t)为一个调幅-调频信号，表达式为：

y_l(t)＝A_l(t)cos(φ_l(t))；

其中，A_l(t)为的瞬时幅值，为u_l(t)的瞬时频率，且对于模态函数u_l(t)，利用希尔伯特变换得到各模态解析信号，并求出I个模态函数使得每个模态的估计带宽之和最小；对u_l(t)进行希尔伯特变换，得到其解析信号及单边谱：

其中，u_l(t)为本征模态函数，δ(t)表示冲激函数；

通过乘以指数函数调整各本征模态函数估计的中心频率，将每个本征模态函数的频谱调制到相应的基频带：

计算该调制信号梯度的平方L₂范数，估计出各本征模态函数的带宽：

其中，表示梯度运算，表示平方L₂范数；

变分模态分解中为使各模态的带宽之和最小，建立如下的约束变分模型：

其中，{u_l}＝{u₁,...,u_L}表示L个模态分量集；{ω_l}＝{ω₁,...,ω_L}表示各模态分量的中心频率集。

进一步，所述变分模态分解算法的具体包括：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)根据下式更新u_l和ω_l；

4)更新λ，即

5)给定判别精度κ，直到达到迭代停止条件结束循环，得到各个及中心频率ω_l，最后由傅里叶反变换得到L个窄带固有模态分量。

进一步，所述步骤二计算不同模态分量的多尺度排列熵方法包括：

固有模态分量长度为N的一维时间序列粗粒化处理得到序列：

式中：ε为尺度因子，q＝1,2,…[N/ε]，[N/ε]表示对N/ε取整；当ε＝1时，粗粒化序列为原始序列；

对粗粒化序列进行时间重构得：

式中：d为第d个重构分量，d＝1,2,…,N-(m-1)；m为嵌入维数；τ为延迟时间；用d₁,d₂,…,d_m表示重构分量中各个元素所在列的索引，将按升序排列如下：

若重构分量中存在相等的值，则按先后顺序排列；对于任意一个粗粒化序列得到一组符号序列B(a)＝(j₁,j₂,…,j_m)，其中，a＝1,2,…,A，且A≤m！；嵌入维数为m的时间重构序列共有m！种排列，符号序列B(a)其中一种排列，计算每一种符号序列出现的概率P_a(a＝1,2,…,A)；用信息熵的形式定义不同符号序列的排列熵H_p(m)为：

当时P_r＝1/m！，H_p(m)取最大值ln(m！)。为方便，通常将H_p(m)归一化处理，即：

H_p＝H_p(m)/ln(m！)；

其中，H_p为归一化处理后的排列熵值，0＜H_p＜1，H_p值能够反映并放大时间序列的微小变化；

计算出每个固有模态分量的多尺度排列熵构建特征向量为：

进一步，所述步骤三支持向量机采用核函数将输入空间的特征向量映射到一个高维特征空间，在高维空间寻找广义的最优分类面，一般形式为：

最优分类面要求，距离分类面最近的样本距离尽可能大，特征样本点(φ_g,θ_h)，样本类别标识θ_h＝{-1,+1}，那么检测样本被误分的可能性就会越小：

当||Λ||最小的时，分类间隔最大，分类间隔最大也等价于使||Λ||²/2最小。

本发明的另一目的在于提供一种应用所述目标辐射源个体识别方法的无线信号处理系统。

综上所述，本发明的优点及积极效果为：本发明可以有效实现较低信噪比环境下目标辐射源个体的识别，且不需要进行信噪比估计等预处理。

附图说明

图1是本发明实施例提供的目标辐射源个体识别方法流程图。

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。

本发明旨在解决现有技术在较低信噪比环境下识别性能欠佳，实现复杂，且可靠性较低的问题。本发明可以有效实现较低信噪比环境下目标辐射源个体的识别，且不需要进行信噪比估计等预处理。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的目标辐射源个体识别方法包括以下步骤：

S101：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；

S102：利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；

S103：采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别。

本发明实施例提供的目标辐射源个体识别方法具体包括以下步骤：

步骤一：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；

基于ASK信号的目标辐射源信号表达式如下：

其中，f₀是载波频率，是初始相位，通常情况下设初始相位为0，T_b为符号宽度，M为调相系数。

进一步，对目标辐射源信号r(t)进行经验模态分解，表达式如下：

其中，x_l(t)表示第l个模态分量，L是分解模态总数，c(t)为余项。经验模态分解方法中，通过分解得到的x_l(t)分量和残余分量c(t)能够将原信号r(t)完全恢复。

经验模态分解算法的具体流程如下：

1)找出原始信号上的所有局部极大值点和极小值点，分别用三次样条插值函数插值得到对应的上包络线和下包络线；

2)计算两条包络线的均值m₁(t)，m₁＝[e_min(t)+e_max(t)]/2；

3)计算原始信号与上下包络线的均值的差值h₁(t)＝r(t)-m₁(t)；

4)判断h₁(t)是否为固有模态分量。若不是，把h₁(t)作为原始信号替换r(t)重复循环k次得到h_1k＝h_1(k-1)-m_1k，直到满足固有模态分量条件，此时为第一个固有模态分量，记x₁＝h_1k；

5)将x₁从原始信号中分离出来，得到一阶剩余信号c₁(t)＝r(t)-x₁(t)；

6)将c₁(t)看作新的原始信号重复以上步骤得到第l个固有模态分量x_l(t)和l阶剩余信号c_l(t)，直到c_l(t)为单调函数，分解结束。

进一步，对目标辐射源信号r(t)进行变分模态分解，表达式如下：

其中，y_l(t)为第l个模态分量，L为分解模态总数，d(t)为残余项。变分模态分解方法中，定义本征模态函数y_l(t)为一个调幅-调频信号，其表达式为：

y_l(t)＝A_l(t)cos(φ_l(t))；

其中，A_l(t)为的瞬时幅值，为u_l(t)的瞬时频率，且对于模态函数u_l(t)，利用希尔伯特变换得到各模态解析信号，并求出I个模态函数使得每个模态的估计带宽之和最小。对u_l(t)进行希尔伯特变换，进一步得到其解析信号及单边谱：

其中，u_l(t)为本征模态函数，δ(t)表示冲激函数。

通过乘以指数函数调整各本征模态函数估计的中心频率，将每个本征模态函数的频谱调制到相应的基频带：

计算该调制信号梯度的平方L₂范数，估计出各本征模态函数的带宽：

其中，表示梯度运算，表示平方L₂范数。

变分模态分解中为使各模态的带宽之和最小，建立如下的约束变分模型：

其中，{u_l}＝{u₁,...,u_L}表示L个模态分量集；{ω_l}＝{ω₁,...,ω_L}表示各模态分量的中心频率集；

变分模态分解算法的具体流程如下：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)根据下式更新u_l和ω_l；

4)更新λ，即

5)给定判别精度κ，直到达到迭代停止条件结束循环，得到各个及中心频率ω_l，最后由傅里叶反变换得到L个窄带固有模态分量；

步骤二：利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；

进一步，利用奇异谱分析对每个固有模态分量进行去噪，其过程如下：

若固有模态分量x_l(t)采样所得的N点一维时间序列表示为x_l(n)(n＝1,2,…,N)，若嵌入维数为m，时间延迟为τ，根据嵌入定理，将其嵌入到m×n维的相空间为：

Z_n＝[x_l(n),x_l(n+τ),x_l(n+2τ),…,x_l(n+(m-1)τ)]^T；

其中k＝1,2,3,…,n，n＝N-(m-1)τ。轨道矩阵Z＝[Z₁,Z₂,Z₃,…,Z_n]代表相空间中n个坐标点，形成一条运动的轨迹，其结构为：

令C为矩阵Z的m×m维协方差矩阵，则：

C＝ZZ^T/n；

根据上式可知，方阵C中的元素为无偏自相关函数，即

其中，k＝0,1,2,…,m-1，方阵C中的元素，(C)_ij＝R_r[(i-j)τ]；

对协方差矩阵C进行奇异值分解，得到一组非负的奇异值(e_i),i＝1,2,…,m，记：

将S_i按降序排列S₁≥S₂≥…S_m≥0就构成了奇异谱，它表示信号中不同成分在整个系统中所占能量的相对关系。一般说来，奇异谱中较大的奇异点对应有用的信号成分，而较小的奇异点对应信号中的噪声。

e_k对应的特征向E^k称为经验正交函数(EOF)，第k个主分量(PC)定义为原始序列{r(i)}在E^k上的正交投影系数：

若各主分量与经验正交函数均为已知，则由PC和EOF可重构出原始的时间序列，其表达式如下：

同理，可以利用奇异谱分析对每个固有模态进行去噪。

进一步，计算不同模态分量的多尺度排列熵，其过程如下：

若固有模态分量长度为N的一维时间序列对其粗粒化处理得到序列：

式中：ε为尺度因子，q＝1,2,…[N/ε]，[N/ε]表示对N/ε取整。当ε＝1时，粗粒化序列为原始序列。

对粗粒化序列进行时间重构可得：

式中：d为第d个重构分量，d＝1,2,…,N-(m-1)；m为嵌入维数；τ为延迟时间。用d₁,d₂,…,d_m表示重构分量中各个元素所在列的索引，将按升序排列如下：

若重构分量中存在相等的值，则按先后顺序排列。对于任意一个粗粒化序列都可以得到一组符号序列B(a)＝(j₁,j₂,…,j_m)，其中，a＝1,2,…,A，且A≤m！。嵌入维数为m的时间重构序列共有m！种排列，符号序列B(a)其中一种排列，计算每一种符号序列出现的概率P_a(a＝1,2,…,A)。用信息熵的形式定义不同符号序列的排列熵H_p(m)为：

当时P_r＝1/m！，H_p(m)取最大值ln(m！)。为方便，通常将H_p(m)归一化处理，即：

H_p＝H_p(m)/ln(m！)；

其中，H_p为归一化处理后的排列熵值。显然，0＜H_p＜1。H_p值能够反映并放大时间序列的微小变化。

根据上述步骤，可以计算出每个固有模态分量的多尺度排列熵构建特征向量为：

步骤三：采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别；

进一步，主成分分析算法是通过将原来的变量做线性投影形成新的变量。一般通过下式来计算特征的主成分：

其中，表示主成分特征，为训练样本的特征均值，为需要降维的特征，Ψ^T为协方差矩阵计算公式，如式下式所示：

进一步，支持向量机采用核函数将输入空间的特征向量映射到一个高维特征空间，在高维空间寻找广义的最优分类面，其一般形式为：

最优分类面要求，距离分类面最近的样本距离尽可能大，特征样本点(φ_g,θ_h)，样本类别标识θ_h＝{-1,+1}，那么检测样本被误分的可能性就会越小，所以要求：

当||Λ||最小的时，分类间隔最大，分类间隔最大也等价于使||Λ||²/2最小。

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 (9)

1.一种目标辐射源个体识别方法，其特征在于，所述目标辐射源个体识别方法包括：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别。

2.如权利要求1所述的目标辐射源个体识别方法，其特征在于，所述目标辐射源个体识别方法包括以下步骤：

步骤一：对接收到的目标辐射源信号进行经验模态分解和变分模态分解，得到不同的模态分量；

步骤二：利用奇异谱分析对每个固有模态分量进行去噪，并计算各模态分量的多尺度排列熵构造特征向量；

利用奇异谱分析对每个固有模态分量进行去噪包括：

固有模态分量x_l(t)采样所得的N点一维时间序列表示为x_l(n)(n＝1,2,…,N)，若嵌入维数为m，时间延迟为τ，根据嵌入定理，将其嵌入到m×n维的相空间为：

Z_n＝[x_l(n),x_l(n+τ),x_l(n+2τ),…,x_l(n+(m-1)τ)]^T；

其中k＝1,2,3,…,n，n＝N-(m-1)τ；轨道矩阵Z＝[Z₁,Z₂,Z₃,…,Z_n]代表相空间中n个坐标点，形成一条运动的轨迹，结构为：

令C为矩阵Z的m×m维协方差矩阵，则：

C＝ZZ^T/n；

根据上式可知，方阵C中的元素为无偏自相关函数：

其中，k＝0,1,2,…,m-1，方阵C中的元素，(C)_ij＝R_r[(i-j)τ]；

对协方差矩阵C进行奇异值分解，得到一组非负的奇异值(e_i),i＝1,2,…,m，记：

将S_i按降序排列S₁≥S₂≥…S_m≥0就构成了奇异谱，它表示信号中不同成分在整个系统中所占能量的相对关系；

e_k对应的特征向E^k称为经验正交函数，第k个主分量定义为原始序列{r(i)}在E^k上的正交投影系数：

若各主分量与经验正交函数均为已知，则由经验正交函数和主分量可重构出原始的时间序列，表达式如下：

利用奇异谱分析对每个固有模态进行去噪；

步骤三：采用主成分分析对特征向量进行降维处理，并采用支持向量机分类器实现目标辐射源个体识别；

通过将原来的变量做线性投影形成新的变量，计算特征的主成分：

其中，γ表示主成分特征，为训练样本的特征均值，为需要降维的特征，Ψ^T为协方差矩阵计算公式：

3.如权利要求2所述的目标辐射源个体识别方法，其特征在于，所述步骤一对目标辐射源信号r(t)进行经验模态分解，表达式如下：

其中，x_l(t)表示第l个模态分量，L是分解模态总数，c(t)为余项；经验模态分解方法中，通过分解得到的x_l(t)分量和残余分量c(t)能够将原信号r(t)完全恢复。

4.如权利要求2所述的目标辐射源个体识别方法，其特征在于，所述步骤一经验模态分解算法具体包括：

(1)找出原始信号上的所有局部极大值点和极小值点，分别用三次样条插值函数插值得到对应的上包络线和下包络线；

(2)计算两条包络线的均值m₁(t)，m₁＝[e_min(t)+e_max(t)]/2；

(3)计算原始信号与上下包络线的均值的差值h₁(t)＝r(t)-m₁(t)；

(4)判断h₁(t)是否为固有模态分量；若不是，把h₁(t)作为原始信号替换r(t)重复循环k次得到h_1k＝h_1(k-1)-m_1k，直到满足固有模态分量条件，此时为第一个固有模态分量，记x₁＝h_1k；

(5)将x₁从原始信号中分离出来，得到一阶剩余信号c₁(t)＝r(t)-x₁(t)；

(6)将c₁(t)看作新的原始信号重复得到第l个固有模态分量x_l(t)和l阶剩余信号c_l(t)，直到c_l(t)为单调函数，分解结束。

5.如权利要求4所述的目标辐射源个体识别方法，其特征在于，对目标辐射源信号r(t)进行变分模态分解，表达式如下：

其中，y_l(t)为第l个模态分量，L为分解模态总数，d(t)为残余项；变分模态分解方法中，定义本征模态函数y_l(t)为一个调幅-调频信号，表达式为：

y_l(t)＝A_l(t)cos(φ_l(t))；

其中，A_l(t)为的瞬时幅值，为u_l(t)的瞬时频率，且对于模态函数u_l(t)，利用希尔伯特变换得到各模态解析信号，并求出I个模态函数使得每个模态的估计带宽之和最小；对u_l(t)进行希尔伯特变换，得到其解析信号及单边谱：

其中，u_l(t)为本征模态函数，δ(t)表示冲激函数；

通过乘以指数函数调整各本征模态函数估计的中心频率，将每个本征模态函数的频谱调制到相应的基频带：

计算该调制信号梯度的平方L₂范数，估计出各本征模态函数的带宽：

其中，表示梯度运算，表示平方L₂范数；

变分模态分解中为使各模态的带宽之和最小，建立如下的约束变分模型：

其中，{u_l}＝{u₁,...,u_L}表示L个模态分量集；{ω_l}＝{ω₁,...,ω_L}表示各模态分量的中心频率集。

6.如权利要求5所述的目标辐射源个体识别方法，其特征在于，所述变分模态分解算法的具体包括：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)根据下式更新u_l和ω_l；

4)更新λ，即

5)给定判别精度κ，直到达到迭代停止条件结束循环，得到各个及中心频率ω_l，最后由傅里叶反变换得到L个窄带固有模态分量。

7.如权利要求2所述的目标辐射源个体识别方法，其特征在于，所述步骤二计算不同模态分量的多尺度排列熵方法包括：

固有模态分量长度为N的一维时间序列粗粒化处理得到序列：

式中：ε为尺度因子，q＝1,2,…[N/ε]，[N/ε]表示对N/ε取整；当ε＝1时，粗粒化序列为原始序列；

对粗粒化序列进行时间重构得：

式中：d为第d个重构分量，d＝1,2,…,N-(m-1)；m为嵌入维数；τ为延迟时间；用d₁,d₂,…,d_m表示重构分量中各个元素所在列的索引，将按升序排列如下：

若重构分量中存在相等的值，则按先后顺序排列；对于任意一个粗粒化序列得到一组符号序列B(a)＝(j₁,j₂,…,j_m)，其中，a＝1,2,…,A，且A≤m！；嵌入维数为m的时间重构序列共有m！种排列，符号序列B(a)其中一种排列，计算每一种符号序列出现的概率P_a(a＝1,2,…,A)；用信息熵的形式定义不同符号序列的排列熵H_p(m)为：

当时P_r＝1/m！，H_p(m)取最大值ln(m！)。为方便，通常将H_p(m)归一化处理，即：

H_p＝H_p(m)/ln(m！)；

其中，H_p为归一化处理后的排列熵值，0＜H_p＜1，H_p值能够反映并放大时间序列的微小变化；

计算出每个固有模态分量的多尺度排列熵构建特征向量为：

。

8.如权利要求2所述的目标辐射源个体识别方法，其特征在于，所述步骤三支持向量机采用核函数将输入空间的特征向量γ映射到一个高维特征空间，在高维空间寻找广义的最优分类面，一般形式为：

λ(γ)＝Λ·γ+Δ；

最优分类面要求，距离分类面最近的样本距离尽可能大，特征样本点(φ_g,θ_h)，样本类别标识θ_h＝{-1,+1}，那么检测样本被误分的可能性就会越小：

θ_h[Λ·γ+Δ]≥1,h＝1,…,2L；

当||Λ||最小的时，分类间隔最大，分类间隔最大也等价于使||Λ||²/2最小。

9.一种应用权利要求1～8任意一项所述目标辐射源个体识别方法的无线信号处理系统。