CN110059555A - 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 - Google Patents
基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 Download PDFInfo
- Publication number
- CN110059555A CN110059555A CN201910190946.1A CN201910190946A CN110059555A CN 110059555 A CN110059555 A CN 110059555A CN 201910190946 A CN201910190946 A CN 201910190946A CN 110059555 A CN110059555 A CN 110059555A
- Authority
- CN
- China
- Prior art keywords
- signal
- break
- water
- classification
- layer
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于无线通信信号处理技术领域,特别涉及一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置,该方法包含:对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特征,获取二值投影图像;对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要求进行信号调制分类。本发明对目标信号进行基于多分辨谱图多层退水投影并对不同的调制特征进行建模以及量化,建立逐层决策机制,进行待检测信号的调制类别的匹配判决目的。通过仿真分析多个信号的分类实例表明,不仅能够快速对信号进行调制类别的识别,并且大大降低了虚警率,满足实际需求,具有很好的工程实现价值。
Description
技术领域
本发明属于无线通信信号处理技术领域,特别涉及一种基于多分辨谱图分水岭图像分割及决策树的信 号调制分类识别方法及装置。
背景技术
作为软件无线电的重要基础技术,信号调制类型的快速自动分类一直是通信领域的研究热点,在民用 系统中有着广泛的研究价值。传统的调制分类方法主要分为两种:基于假设检验与似然函数的决策方法和 基于特征参数提取的模式识别方法。但是由于短波信道的时变色散性,对信号畸变较大,加之通信体制的 多样化,信号样式越发复杂。在先验知识较少的情况下,对信号进行特征提取难度较大,分类效果差强人 意。近年来,时频分析得到了广泛的关注。其基本思想是通过对信号进行某种变换,将一维时域映射到二 维时频域,也即构造信号的时频联合分布函数。通过时频分析,视觉上可以直观凸显信号能量的局部变化 规律,同时对信号的时频指纹的提取更加方便。因此通过时频分析对信号大类进行区分作为一种新的研究 方式,成为了研究的热点。
发明内容
为此,本发明提供一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置,以 信号时频谱的视觉特性为基础来实现对信号的分类,较传统的方法性能上有较大改观,虚警率大大降低, 具有很强的应用前景。
按照本发明所提供的设计方案,一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方 法,包含如下内容:
A)对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特征,获取二 值投影图像;
B)对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要求进行信号 调制分类。
上述的,A)中,具体包含如下内容:首先,对目标短波信号进行功率谱计算及对数变换;然后,通 过阈值分割及图像灰度拉伸,获取量化灰度图谱图,获取灰度共生矩阵。
优选的,通过逐层退水进行切割投影过程中,通过设定步进大小对退水高度进行逐层下探来获取投影 面。
上述的,B)中,具体包含如下内容:首先,对各类调制信号呈现的视觉特征进行建模量化,形成知 识,并记入调制类别分类专家系统中;然后,通过调制类别分类专家系统对未知信号进行调制分类判定。
优选的,各类调制信号建模量化,包含:AM/Morse类别建模,MFSK类别建模,MultiTone类别建模, SSB类别建模,MPSK/QAM/OFDM类别建模。
更进一步,将最佳分辨率下退水时频谱图单频特征作为AM/Morse信号类别模型的识别特征;将信号 时频谱图退水处理后的幅度频点作为MFSK信号类别模型的识别特征;针对最佳分辨率时频谱图在最佳退 水平面的退水投影图,对退水投影图进行中值滤波获取剩余值数量,考察退水处理后二值图像的行列投影 向量的均匀性,以退水投影图、剩余值数量和均匀性作为MPSK/QAM/OFDM信号类别模型的识别特征; 最佳分辨率以及最佳退水平面情形下,以退水后时频谱图的横向相关性大小和纵向值分布离散性作为SSB 信号类别模型的识别特征;对退水处理后的退水投影图进行功率谱特征累加,通过设定门限查找各路信号 及其间隔,以路间隔均匀性、信号带宽均匀性作为MultiTone信号类别模型的识别特征。
优选的,通过调制类别分类专家系统,对未知信号采用逐类判决退出搜索策略进行知识匹配,匹配成 功,即识别结束。
更进一步,在进行知识匹配过程中,对各载波处长时间跟踪进行多段综合判决,通过多段识别结果融 合,确定待识别目标信号载波的最终识别结果。
一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别装置,包含:分析模块和识别模块, 其中,
分析模块,用于对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特 征,获取二值投影图像;
识别模块,用于对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要 求进行信号调制分类。
上述的装置中,所述分析模块包含特征提取单元和退水处理单元,其中,
特征提取单元,用于通过设置一系列分析窗对目标信号进行短时傅里叶变换,获取多分辨率下的时频 谱图;
退水处理单元,用于对时频谱图通过逐层退水进行切割投影,获取二值投影图像。
本发明的有益效果:
本发明针对在短波通信体制中传统的自动信号识别需要很多先验知识的难题,运用逐层决策退出策略, 对目标信号进行多分辨率的时频分析,并对各分辨率下的时频谱图进行不同程度的退水投影提取特征,得 到二值图像;通过对不同的调制特征进行建模以及量化,建立逐层决策机制,信号中若存在某一分辨率下 的某一程度退水投影的二值图像符合决策要求,则完成分类。反之,对信号进行下一层的判决,直到达到 判决目的;通过仿真分析多个信号的分类实例表明,不仅能够快速对信号进行调制类别的识别,并且大大 降低了虚警率;理论和仿真研究皆表明基于逐层决策的多分辨率的多层退水分水岭能够很好地对短波环境 下的调制方式进行分类,符合实际需求,具有很好的应用前景。
附图说明:
图1为实施例中信号调制分类识别方法流程图;
图2为实施例中不同退水高度处理后的时频谱图;
图3为实施例中AM和Morse类在最佳分辨率下退水的时频谱图;
图4为实施例中FSK信号时频谱图经过退水处理后的时频谱图;
图5为实施例中MPSK/MQAM/OFDM信号的最佳分辨率谱图在最佳退水平面上的投影效果图;
图6为实施例中SSB信号在最佳分辨率最佳退水高度的时频谱图;
图7为实施例中MultiTone信号在最佳分辨率最优退水高度处理及二值形态学的腐蚀预处理的结果示 意图;
图8为实施例中逐类判决退出调制分类流程图;
图9为实施例中信号调制分类识别装置示意图;
图10为实施例中分析模块示意图;
图11为仿真实验中FSK/PSK/MultiTone/Morse信号识别率曲线图;
图12为仿真实验中AM/SSB信号识别率曲线图。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详 细的说明。
对于信号大类区分而言,若时频分析的分辨率设置合理,即使不是最佳,在视觉上也能对信号进行准 确区分,极大地克服了信号先验知识不足的困难。因此,为了解决传统调制识别的缺陷,对大类信号的时 频谱图的视觉特性进行建模,建立一定的搜索策略,从而达到分类目的。识别流程中,为达到更好地泛化 能力,首先对信号进行多分辨率的时频分析,以适应短波通信体制下的各类别信号,保证信号在视觉上依 旧是线性可分的。采用数字图像处理技术,对各分辨率下的时频谱进行分水岭算法以及形态学运算,从而 凸显信号视觉特性。最后对视觉特性进行建模量化,为了降低识别的虚警率,搜索策略上采用确证式逐类 判决退出策略,最终完成分类。为此,本发明实施例中,参见图1所示,提供一种基于多分辨谱图分水岭 图像分割及决策树的信号调制分类方法,包含如下内容:
S101)对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特征,获取 二值投影图像;
S102)对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要求进行信 号调制分类识别。
通过克服传统方法对先验知识的依赖大的缺点,以信号时频谱的视觉特性为基础的数字图像处理方法, 来实现对信号的分类,大大降低虚警率,具有一定的研究价值。
时频分析中一般都是采用短时傅氏变换(STFT,Short-Time FourierTransform),其具体定义如下:
其中,N为DFT点数;γ(n)为窗函数,通常可取矩形窗、Hamming、Blackman等,窗宽为N′,N′≤N, 通常情况下取N'=N;M为时窗步进。短时傅里叶变换物理意义明确,即从时间和频域两个维度同时观 测信号特征。由于测不准原理(窄波形产生宽频谱,宽波形产生窄频谱时间波形和频率频谱,不可能同时 使其任意窄),在时间分辨率和频率分辨率这对矛盾中,必须对时窗和频窗折衷处理以适应工程需要。但 是面对信道中纷繁复杂的信号,折衷处理无法适应所有信号需求。因此在先验知识较少的情况下,必须对 信号进行多分辨率的时域分析,也即通过设置一系列分析窗对信号进行短时傅里叶变换,从而适应不同尺 度的信号。
分水岭图像分割算法是一种基于形态学的分割图像中目标相似区域的方法。传统的分水岭算法可以产 生完全的分割区域,即使区域间的差别很小。但是,分水岭算法也存在几个非常显著的缺点,过分割现象 就是最主要的一个。因此,如何解决过分割问题以改进分水岭算法就成为一个非常关键的问题。而其中基 于多层次浸没(Multi-LevelImmersion)的分水岭算法,可以有效地减少分割区域(过分割问题)。
这里不采用严格的分水岭分割流程来进行处理,而是采用逐层退水获取投影面的方式,后续对各投影 面进行特征提取。对谱图P(i,k),进行如下切割投影处理获取二值投影面,其中W是当前退水高度, max(P)-W为退水后的水平面值。
由于信号的调制方式,以及信噪比不同,对于一个未知的信号,很难用一个统一的退水高度来逐一判决, 因此本文采用逐层退水的方法来凸显信号的调制特征。如图2所示,对于符号速率为75dB,频率间隔 为250Hz的2FSK信号,当分辨率设置为36Hz时,用不同的退水高度处理后的谱图;可以看出退 水高度W=6dB时,信号的视觉效果最为凸出。而对于其他不同调制方式、不同信噪比以及不同频谱 分辨率下的信号,为了达到后续调制特征提取的处理要求,必须采取不同的退水高度。本文则主要以步进 为3dB逐层下探,保证性能的同时,兼顾了各信噪比.。
经过逐层退水以及形态学预处理后,信号的特性变得尤为凸显,因此如何对各类信号所呈现的视觉特 征进行建模和量化尤为重要。建模量化后的各特征的显著程度、可靠性、区分度等以及特征量的综合利用 将是关键。
AM调制信号可以表示为:
其中,A0代表直流分量,wc表示载波位置,m(t)代表承载的信息,当AM作为一种传输模式,m(t) 通常以MPSK、MFSK等调制方式承载信息,但在短波中,AM主要作为调制方式传输语音,这里我 们针对的主要为后者。因此AM的短时傅里叶变换STFTam为:
为了方便模型的建立,我们假设窗函数γ(t)为时窗为T的矩形窗:
因此有:
这里分两种情况:当w=wc时,S1恒为常数,而S2通常为一个均值0的信号,通过积分则S2=0; 当w≠wc时,由于正交性S1≡0,而S2的取值则和m(t)密切相关。而短波中m(t)通常代表语音信 号,语音信号【】中浊音信号具有基音周期,频率上体现明显的周期性,也称声纹特性。因此,可以得出, 在时频图上存在由直流分量导致的单谱线,和由语音信号造成的声纹图案。
Morse类是一种时断时通的通讯代码,是早期的一种数字通信形式。当发射信号时和AM中的S1一样 只存在单频,不发射信号时,频谱上无体现,信号发射持续时间也不完全统一,单个信号内,可以看到几 个固定的持续时间。时频图上则为规律的断续性。图3为AM、Morse类在最佳分辨率下退水的时频图, 和理论一致,视觉上最为明显的特征为存在一个较强的单频,这是其他基本的调制类别不存在的特性,因 此可作为区分其他类别的标志。在此共性基础上,两者的差异在于Morse信号的单频存在规律断续性,而 AM信号单频两侧存在明显的对称声纹特性。如图所示,因此通过找出中心单频位置,对上下图进行匹配 相关,即可判断出信号种类。
FSK调制信号可以表示为:
其中,A表示信号的增益,wi为角频率且wi∈{w0,w1,...,wM-1},φi表示其载波的初相,在一个符号 周期Td里wi为常数。为了简化模型的设计,假设g(t)为矩形成形,因此,信号在一个码元时刻内,短 时傅里叶变换STFT有:
当跨越相邻码元时,短时傅里叶变换STFT有:
令:
则有
分别取幅度谱可得SPECfsk
当STFT变换跨越相邻码元且w=wi时,由于Sa(·)具有较强的衰减性,因此第二项和第三项可 忽略不计,最终可得:
同理,当w=wj时有:
不难看出,SPECfsk2(t,wi)是关于d的递减函数,即当窗滑离码元时,对于wi来说,其能量是在 逐渐减少的。而窗和码元完全重合时,得到的能量最大。当窗完全与码元不重合时,C1=0即频率跳变时, 能量剧烈变化,这是区别其他类别信号的明显特征。从式(11)可以看出,窗长选定情况下,STFT的积 分长度不跨越码元时,FSK信号的能量与时移因子t无关,仅与角频率w有关,STFT的积分长度跨 越码元时,FSK信号的能量会随t变化,这就是说,对FSK信号的任一频点wi,若窗长小于等于码元长 度(即T≤Td),当窗在一个码元周期移动时,对应的幅度值将相等,此时滑动距离为码元长度的整数倍, 否则对应的幅度值将发生变化。当FSK信号的时频时频图经过退水后,若分辨率选择合适,信号的上述 特征将会保留,在M个频点上幅度相同,而信号在幅度跳变时由于能量较小,退水时则被淹没,如图4 所示,对退水后的时频谱进行功率谱特征累加,由于MFSK各频率的互斥性,通过统计功率谱峰数,以 及相邻峰的间隔,可判断出MFSK中的M数。
MPSK信号可以表示为:
式中,A代表信号的幅度增益,wc代表信号的角频率,有wc=2×π×fc,fc为信号的频率,φc为信 号的初始相位,φk∈{2πi/M},i=0,1,...,M-1,M表示信号的进制数。g(t)表示持续时间为Td的 基带脉冲。因此,MPSK的短时傅里叶变换STFTpsk为:
同样,假设成形脉冲为矩阵脉冲,窗函数γ(t)为矩形窗。因此在变换时,若处于一个码元内,有:
当变换处于码元跳变时:
其中,α是相位的改变量,若α=0,表示信号的相位没有突变,两个码元周期发送的为相同码字。由 式(16)可得
对式取绝对值,得到幅度谱SPECpsk(t,w),同样也分两种情况。
当STFT变换跨越相邻码元且w=wc时:
即窗长不不跨域码元时的能量大于跨越码元时的码元能量。
当跨越码元时,为了刻画此状态能量的变化,对SPECpsk2(t,w)进行时间上的求导,为了简化运算, 我们考虑频点为wc时的情况,其他频点类似。
可以得出,当cos(α)=1时,SPECpsk2'(t,wc)==0,也即两个码元周期内,信源发送两相同码字, 不存在能量的突变,当cos(a)≠1时,存在相位突变,从SPECpsk2'(t,wc)中可以看出SPECpsk2(t,wc) 关于d先增后减,当d=0时存在极小值,为:
可以看出和MFSK不同的时,虽然MPSK在频带内能量有起伏变化,但是能量为均匀变化,且不为 0。
由于QAM类别的信号和OFDM类别的信号产生机理和MPSK相仿,因此推导和MPSK类似, 不一一介绍。综上,这三种信号在时频图上都只存在一个较宽的频带,频带内随着时间能量有起伏变化, 可以很好地将和其他类别区分开来,而三类信号在时频图上没有明显区别。图5中(a)、)(b)、(c)分别 为三类信号的最佳分辨率谱图在最佳退水平面上的投影效果图。为了提取离散特性,还对退水投影图进行 了[37]模板的中值滤波运算以滤除随机椒盐噪声。判决过程中,先对退水投影结果考察其稀疏性。然后, 在考察中值滤波后剩余值的数量,因为原图值分布的离散性,中值滤波后结果应该相比较原图非常稀疏。 再考察退水后二值图像的行列投影,其投影结果向量应该体现出一定的均匀性,此亦随机性的体现之一。最后综合判断是否MPSK/MQAM/OFDM信号。
单边带调制信号SSB信号是将双边带信号DSB一个边带滤掉所得到的。其信号的频域表示直观、简 明,但是时域推导较为复杂,需要借助希尔伯特变换,且不利于进行理论的建模,因此这里我们通过对DSB 建模,间接刻画SSB。DSB信号可以表示为:
从DSB的表达式中可以看出,其本质为AM信号中去掉了直流分量,其STFTdsb则与AM中的S1一致,这里就不在赘述,由于m(t)也是语音信号,DSB的时频性质同样具有声纹特性,而SSB为DSB 滤除一个边带,因此在时频图不在具有对称性。在最佳分辨率以及最佳退水高度的情况下,对退水后的 时频谱,声纹特征较为明显,如图6所示中的左、右两个图所示,可以就横向相关运算结果考察其横向相 关性的大小以确定声纹的横向时间持续特性,再进行纵向值分布离散性检测以考察声纹谐波特性,综合判 别,得出结论。
MultiTone信号可以表示为:
其中,M表示信号中子信号的总路数,wc表示整个信号的中心频率,Δw表示每路信号之间的间距, 因为MultiTone信号中每路发送的都是相同信号,用s(t)表示。对于子信号s(t),通常采用的为 MPSK、MQAM等且频率上留有充分的保护带,即Δw>Bs(t),这里Bs(t)表示子带信号带宽。
对于s(t)我们已经对其进行了详细的建模,因此这里就不再加赘述,从MultiTone信号的表达式, 以及对s(t)的分析,不难得出MultiTone信号的时频特征:有M条和MPSK、MQAM类似的宽频 带,且每条频带等间距不重叠。由于MultiTone信号区别于其他调制方式的本质特征为:时频图上可观 测到M个等间隔其持续出现。如图7中左、右两个图所示,通过对退水投影结果进行功率谱特征累加,设 置合理门限以查找各路信号及其间隔,由路间隔的均匀性、信号带宽的均匀性来判断是否MultiTone信号。 由于信道特性的影响,以及信号本身质量不佳,在最佳分辨率以及最优退水高度的情况下,退水后的时频 图特征体现并不明显,对其进行二值形态学的腐蚀预处理。
在多分辨谱图和多层退水分割及预处理之后,对各调制信号特征建模量化形成知识,通过建立调制类 别分类专家系统对未知信号进行判决。参见图在整体判决过程中,采用逐类判决退出的搜索策略来进行, 即优先判断是否某类最易判断、能最可靠判断的调制方式,以此来逐类进行知识匹配。而一旦匹配成功, 则识别结束。从对各调制类别的建模上来看,各大类之间特征区别十分明显且互斥,因此我们对各调制类 别进行建模量化,最终建成含有各调制方式特征的知识库。对于新来的未知信号,我们只需将其特征和知 识库内知识进行匹配,就能得到信号调制方式。但是随机进行知识匹配会存在一系列的问题,由于知识库 建立的不完备或建模量化时门限的选择不恰当,如匹配规则有多个时,系统很难判断那条匹配才是最佳匹 配,最终会造成相当高的虚警率,并且不可避免地消耗大量系统资源以及用户时间。因此在保证一定的虚 警率下,如何建立一个高效的推理机(也即搜索策略)至关重要。通过对各调制类别的时频分析不难看出, 对于不同的调制方式视觉特性的强烈程度有一定的差距。因此,推理机的建立我们以视觉特性的强弱为准 则,如图8所示,优先判决视觉特性较强的,确证式逐层判决,从而大大降低系统的虚警率。由于多分 辨谱图的多层退水分割处理及特征提取及判断过程皆选取稳定的特征,且设置严苛的门限,因此一旦匹配 正确则得出结论。在对达到识别所需数据量的每段数据进行逐层判决退出的基本流程基础上,还需要考虑 对各载波处长时间跟踪的多段综合判决。这主要是为了适应突发模式、含特定训练波形的体制、以及话音 顿挫的模拟体制等,通过多段的识别结果的融合来确定待识别载波的最终识别结果。
基于上述的方法,本发明实施例还提供一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类 识别装置,参见图9所示,包含:分析模块101和识别模块102,其中,
分析模块101,用于对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投 影特征,获取二值投影图像;
识别模块102,用于对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决 策要求进行信号调制分类。
优选的,分析模块101包含特征提取单元1001和退水处理单元1002,其中,
特征提取单元1001,用于通过设置一系列分析窗对目标信号进行短时傅里叶变换,获取多分辨率下的 时频谱图;
退水处理单元1002,用于对时频谱图通过逐层退水进行切割投影,获取二值投影图像
为进一步验证本发明的有效性,下面通过具体的仿真实验数据做进一步解释说明:
对6种典型的短波通信类别进行仿真实验。实验过程中,在0-20dB的SNR范围内每隔2dB对 每个类别信号产生100个样本,对每个样本进行多分辨率的时频分析,并对时频图进行相应的数字图像处 理。每一SNR下每种调制方式将有100个样本,每种调制信号则有1000个样本。探究不同的SNR下 各类信号自身的分类性能,对分类结果进行识别率统计,实验中所有数据的都是每次仿真实验进行100次 的统计平均值。在全集和全流程条件下运行识别方案,并进行识别率测试,如图11所示,可以看出全调 制方式识别率中FSK/PSK/MultiTone/Morse的识别率皆达到90%,且PSK/MultiTone/Morse 的识别率皆达到98%,符合实际需要。对于AM/SSB信号识别率则并不可观,如图12所示,可以看出 SSB调制方式对信噪比并不敏感,随着信噪比的提高,识别率一直稳定在80%,而AM信号信号识别率 最高才维持在70%,特别在低信噪比下识别率明显下降。
对于FSK类信号,识别流程中能判断出其阶数,即判别出2FSK、4FSK、8FSK制式。性能曲线中, 如果仅考虑2FSK信号的识别率,则从0dB到20dB识别率皆为100%,即性能测试中的FSK类识别错误 皆出自测试样本中的8FSK信号。而且,对于该8FSK信号,通常被判决成了Unknown类型,信噪比偏高 时偶尔被误判为MultiTone信号,其误识别率并未因信噪比的改善而提升。究其原因在于,该8FSK信号 参数中,125Bd速率与250Hz频率间隔的参数使得其谱图中频率切换特性不够明显,而识别流程中的多分 辨谱图分割不够细致。
对于SSB类信号,识别率不高,且出现误识别时,大部分被判决成了Unknown类型,一部分被误判 为PSK类型。究其原因在于,SSB测试样本中经常出现大段连续静音(此时呈现为无信号的白噪声状态)。 因此,对于SSB信号的识别,可以选取该载波的多段数据进行识别,联合多段数据的多个识别结果,其中 多次出现SSB结果时可综合判断为检出SSB。而在识别出SSB的基础上,根据时间自相关声纹的能量分 布来判断USB或LSB则基本准确。
对于PSK类信号,识别率较高,且基本服从信噪比更高则识别率更高的趋势。出现误识别时,大部分 被判决成了Unknown类型,一部分被判决成了MultiTone信号,偶有被判为8FSK信号的情况。而MultiTone 类信号,识别率很高,只在信噪比降低时出现误识别为PSK类的情形。Morse类信号,虽然也是在2.4KHz 带宽内考虑识别,但识别率仍然很高。出现的少量误识别,都是被判决成了Unknown类型。对于AM类 信号,识别率很低,且出现误识别时,皆为误判为Morse类型。这主要是由于选取的测试样本中经常出现 大段断续静音。因此,对于AM信号的识别,可以选取该载波的多段数据进行识别,联合多段数据的多个 识别。下表为信噪比12dB下,信号调制识别的具体情况,行代表识别类别,列代表则识别结果。
本发明实施例中,针对短波信号中不同类别拥有不同最佳分辨率的特性,提出了基于逐层决策的多分 辨率的多层退水分水岭算法。通过对各调制类别信号的理论分析,结合短时傅里叶变的时频分析,对信号 进行建模和量化。理论和仿真研究皆表明基于逐层决策的多分辨率的多层退水分水岭算法能够很好地对短 波环境下的调制方式进行分类,基本符合实际需求,具有很好的应用前景。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制 本发明的范围。
基于上述的方法,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储 一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现 上述的方法。
基于上述的方法,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序 被处理器执行时实现上述的方法。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装 置实施例部分未提及之处,可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过 程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此, 示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义, 则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的 体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部 分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注 意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两 个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。 也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定 的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实 现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际 实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特 征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些 通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者 也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选 择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理 存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可 执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术 做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存 储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行 本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储 程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非 对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的 普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述 实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修 改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本 发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,包含:
A)对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特征,获取二值投影图像;
B)对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要求进行信号调制分类识别。
2.根据权利要求1所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,A)中,具体包含如下内容:首先,通过设置一系列分析窗对目标信号进行短时傅里叶变换,获取多分辨率下的时频谱图;然后,对时频谱图通过逐层退水进行切割投影,获取二值投影图像。
3.根据权利要求2所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,通过逐层退水进行切割投影过程中,通过设定步进大小对退水高度进行逐层下探来获取投影面。
4.根据权利要求1所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,B)中,具体包含如下内容:首先,对各类调制信号呈现的视觉特征进行建模量化,形成知识,并记入调制类别分类专家系统中;然后,通过调制类别分类专家系统对未知信号进行调制分类判定。
5.根据权利要求4所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,各类调制信号建模量化,包含:AM/Morse类别建模,MFSK类别建模,MultiTone类别建模,SSB类别建模,MPSK/QAM/OFDM类别建模。
6.根据权利要求5所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,将最佳分辨率下退水时频谱图单频特征作为AM/Morse信号类别模型的识别特征;将信号时频谱图退水处理后的幅度频点作为MFSK信号类别模型的识别特征;针对最佳分辨率时频谱图在最佳退水平面的退水投影图,对退水投影图进行中值滤波获取剩余值数量,考察退水处理后二值图像的行列投影向量的均匀性,以退水投影图、剩余值数量和均匀性作为MPSK/QAM/OFDM信号类别模型的识别特征;最佳分辨率以及最佳退水平面情形下,以退水后时频谱图的横向相关性大小和纵向值分布离散性作为SSB信号类别模型的识别特征;对退水处理后的退水投影图进行功率谱特征累加,通过设定门限查找各路信号及其间隔,以路间隔均匀性、信号带宽均匀性作为MultiTone信号类别模型的识别特征。
7.根据权利要求5所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,通过调制类别分类专家系统,对未知信号采用逐类判决退出搜索策略进行知识匹配,匹配成功,即识别结束。
8.根据权利要求7所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法,其特征在于,在进行知识匹配过程中,对各载波处长时间跟踪进行多段综合判决,通过多段识别结果融合,确定待识别目标信号载波的最终识别结果。
9.一种基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别装置,其特征在于,包含:分析模块和识别模块,其中,
分析模块,用于对目标信号进行多分辨率分析,并提取各分辨率下时频谱图多个退水程度下的投影特征,获取二值投影图像;
识别模块,用于对调制特征进行建模及量化,建立逐层决策机制,依据二值投影图像是否符合决策要求进行信号调制分类。
10.根据权利要求1所述的基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别装置,其特征在于,所述分析模块包含特征提取单元和退水处理单元,其中,
特征提取单元,用于通过设置一系列分析窗对目标信号进行短时傅里叶变换,获取多分辨率下的时频谱图;
退水处理单元,用于对时频谱图通过逐层退水进行切割投影,获取二值投影图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190946.1A CN110059555B (zh) | 2019-03-14 | 2019-03-14 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190946.1A CN110059555B (zh) | 2019-03-14 | 2019-03-14 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059555A true CN110059555A (zh) | 2019-07-26 |
CN110059555B CN110059555B (zh) | 2021-04-20 |
Family
ID=67316886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910190946.1A Active CN110059555B (zh) | 2019-03-14 | 2019-03-14 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059555B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111740930A (zh) * | 2020-08-26 | 2020-10-02 | 东南大学 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
CN112561852A (zh) * | 2019-09-26 | 2021-03-26 | 佳能株式会社 | 图像判断装置和图像判断方法 |
CN116597389A (zh) * | 2023-07-18 | 2023-08-15 | 山东省地质测绘院 | 基于图像处理的地质灾害监测及预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0627693A1 (fr) * | 1993-05-05 | 1994-12-07 | Laboratoires D'electronique Philips S.A.S. | Dispositif de segmentation d'images composées de textures et système de segmentation d'images comprenant un tel dispositif |
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
-
2019
- 2019-03-14 CN CN201910190946.1A patent/CN110059555B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0627693A1 (fr) * | 1993-05-05 | 1994-12-07 | Laboratoires D'electronique Philips S.A.S. | Dispositif de segmentation d'images composées de textures et système de segmentation d'images comprenant un tel dispositif |
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
Non-Patent Citations (2)
Title |
---|
R. RAPS等: "HF band emitter detection and segmentation based on image processing", 《IEEE》 * |
蔡艳平等: "基于时频谱图与图像分割的柴油机故障诊断", 《内燃机学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561852A (zh) * | 2019-09-26 | 2021-03-26 | 佳能株式会社 | 图像判断装置和图像判断方法 |
CN111740930A (zh) * | 2020-08-26 | 2020-10-02 | 东南大学 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
CN116597389A (zh) * | 2023-07-18 | 2023-08-15 | 山东省地质测绘院 | 基于图像处理的地质灾害监测及预警方法 |
CN116597389B (zh) * | 2023-07-18 | 2023-09-15 | 山东省地质测绘院 | 基于图像处理的地质灾害监测及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110059555B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106330385B (zh) | 一种干扰类型识别方法 | |
CN110059555A (zh) | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 | |
Thirumala et al. | Tunable-Q wavelet transform and dual multiclass SVM for online automatic detection of power quality disturbances | |
O’Shea et al. | Convolutional radio modulation recognition networks | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
Zhou et al. | A radio anomaly detection algorithm based on modified generative adversarial network | |
CN109344772B (zh) | 基于谱图和深度卷积网络的超短波特定信号侦察方法 | |
Selin et al. | Wavelets in recognition of bird sounds | |
Prasad et al. | A downscaled faster-RCNN framework for signal detection and time-frequency localization in wideband RF systems | |
Moser et al. | Automatic modulation classification via instantaneous features | |
Borges et al. | Learning and distinguishing time series dynamics via ordinal patterns transition graphs | |
Chandu et al. | Automated bird species identification using audio signal processing and neural networks | |
Li et al. | Deep-learning hopping capture model for automatic modulation classification of wireless communication signals | |
Miller et al. | Deep learning algorithm outperforms experienced human observer at detection of blue whale D‐calls: a double‐observer analysis | |
Biagi et al. | On rethinking cognitive access for underwater acoustic communications | |
Jarvis et al. | A novel multi-class support vector machine classifier for automated classification of beaked whales and other small odontocetes | |
Li et al. | Task-oriented communication with out-of-distribution detection: An information bottleneck framework | |
Ma et al. | DBN based automatic modulation recognition for ultra-low SNR RFID signals | |
Le et al. | Performance analysis of convolutional neural networks with different window functions for automatic modulation classification | |
CN110390253A (zh) | 基于多种分形谱特征提取的通信信号调制方式识别方法 | |
Kipnis et al. | Graph-based clustering of dolphin whistles | |
Nawaz et al. | Cyclostationary-based jammer detection for wideband radios using compressed sensing and artificial neural network | |
Bezruk et al. | Detection and recognition of signals in HF radio monitoring | |
Biagi et al. | Understanding interference by cognitive nodes: The underwater case | |
Alammar | Enhanced signal area estimation for spectrum-aware systems based on image processing techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |