CN110135390A - 基于主信号抑制的辐射源个体识别方法 - Google Patents

基于主信号抑制的辐射源个体识别方法 Download PDF

Info

Publication number
CN110135390A
CN110135390A CN201910441852.7A CN201910441852A CN110135390A CN 110135390 A CN110135390 A CN 110135390A CN 201910441852 A CN201910441852 A CN 201910441852A CN 110135390 A CN110135390 A CN 110135390A
Authority
CN
China
Prior art keywords
time
main signal
frequency
signal
emitter
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
Application number
CN201910441852.7A
Other languages
English (en)
Other versions
CN110135390B (zh
Inventor
赵雅琴
王昭
吴龙文
任广辉
何胜阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910441852.7A priority Critical patent/CN110135390B/zh
Publication of CN110135390A publication Critical patent/CN110135390A/zh
Application granted granted Critical
Publication of CN110135390B publication Critical patent/CN110135390B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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

  • Image Analysis (AREA)

Abstract

基于主信号抑制的辐射源个体识别方法，本发明涉及辐射源个体识别方法。本发明的目的是为了解决现有辐射源主信号波形变化对个体特征造成影响，以至于识别效果的大幅下滑甚至失效的问题。基于主信号抑制的辐射源个体识别方法过程为：步骤一、对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；步骤二、对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；步骤三、对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；步骤四、将步骤三构建的特征向量输入分类器，输出分类识别结果。本发明用于辐射源个体识别领域。

Description

基于主信号抑制的辐射源个体识别方法
技术领域
本发明涉及辐射源个体识别方法。
背景技术
由于辐射源器件差异，每个辐射源信号都包含着独特的个体信息，通过对被动接收的辐射源信号进行测量，提取其个体特征可实现对辐射源的个体辨识，称为特定辐射源识别或辐射源个体识别。军事方面，辐射源个体识别技术广泛应用于针对雷达辐射源、军事通信发射机等射频设备的个体识别，并可以此获取相应的载体平台信息；而在民用方向可用于射频识别、网络入侵检测、信息取证、无线电频谱管理等领域。
目前的辐射源个体识别技术往往集中在对个体(指纹)特征提取方法的研究[1-7]([1]陈昌孝,何明浩,韩俊,et al.雷达辐射源信号个体差异分析方法[P].CN106125049A,2016-11-16.[2]雷迎科,蔡晓霞,叶涛,et al.一种基于相关熵稀疏表示的通信辐射源个体识别方法[P].CN107529692A,2018-01-02.[3]朱胜利,马俊虎,甘露,et al.一种基于Allan方差的辐射源个体识别方法[P].CN108234033A,2018-06-29.[4]唐智灵.通信辐射源非线性个体识别方法研究[D].西安电子科技大学,2013.[5]许丹.辐射源指纹机理及识别方法研究[D].国防科学技术大学,2008.[6]蔡忠伟,李建东.基于双谱的通信辐射源个体识别[J].通信学报,2007(02):75-79.[7]陈媛媛.雷达辐射源个体识别研究[D].南京理工大学,2008.)，其中大致可以分为时频分析、小波分析、分形理论、高阶统计分析等方法，然而不管是时域特征、频域特征、统计特征、分形特征等特征参数，几乎无一例外都是在包含主信号条件下得到的，而由于主信号能量高而对个体特征的贡献大，主信号的变化将导致个体特征发生改变，利用原本的特征数据库势必将使得个体识别率的大幅下降，甚至面临无法进行个体识别的窘境。
针对辐射源主信号波形变化对个体特征造成影响，以至于识别效果的大幅下滑甚至失效的问题。
发明内容
本发明的目的是为了解决现有辐射源主信号波形变化对个体特征造成影响，以至于识别效果的大幅下滑甚至失效的问题，而提出基于主信号抑制的辐射源个体识别方法。
基于主信号抑制的辐射源个体识别方法具体过程为：
步骤一、对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；
步骤二、基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；
步骤三、对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；
步骤四、将步骤三构建的特征向量输入分类器，输出分类识别结果。
本发明的有益效果为：
本发明进一步凸显辐射源个体特征，提高个体特征的独立性和稳定性，本发明公开了基于主信号抑制的辐射源个体识别方法，从辐射源个体识别基本框架上做出改变，在特征提取前添加主信号抑制过程，抑制了主信号对个体特征提取的影响，提高了个体特征的稳定性和独立性，提高了辐射源个体识别技术的可靠性和鲁棒性，在军事和民用领域均有着广泛的应用前景，解决了现有辐射源主信号波形变化对个体特征造成影响，以至于识别效果的大幅下滑甚至失效的问题。
由仿真实验结果来看，与传统框架下辐射源个体识别技术相比，基于的主信号抑制的辐射源个体识别技术对个体识别率有着显著地提高，虽然可能由于脊提取、时频变换等过程的影响，达不到理想抑制下的识别效果，但依然令人十分鼓舞。在4～11dB信噪比条件下，SSWT主信号抑制与未进行主信号抑制相比，识别率提升都在10％以上，尤其在信噪比7dB条件下，正确识别率提高了18％左右。横向来看，要达到识别率在92％左右，主信号抑制后所需要的最低信噪比条件减少了近5dB。对主信号抑制下的识别率进行分析，其在4dB的信噪比条件下识别率已超过80％，在大于9dB的信噪比条件下，识别率都超过95％。
附图说明
图1为本发明基于主信号抑制的辐射源个体识别技术的总体框图；
图2为本发明中主信号抑制流程图；
图3为基于同步压缩小波变换的主信号抑制(a)方案算法流程图；
图4为基于同步压缩小波变换的主信号抑制(b)方案算法流程图；
图5为本发明基于主信号抑制的辐射源个体识别仿真实验结果图。
具体实施方式
具体实施方式一：基于图1说明本实施方式，本实施方式基于主信号抑制的辐射源个体识别方法具体过程为：
步骤一、对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；
步骤二、基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号，输出个体信息占比高的信号；
步骤三、对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；
步骤四、将步骤三构建的特征向量输入分类器，输出分类识别结果。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；具体过程为：
接收机接收辐射源信号，对辐射源信号进行分选和去噪；
采用脉冲重复间隔(Pulse Repetition Interval,PRI)变换对辐射源信号进行分选，采用静态小波变换对分选后辐射源信号进行去噪，得到预处理后的辐射源信号。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号，输出个体信息占比高的信号；具体过程为：
在基于主信号抑制的辐射源个体识别的主框架下，针对主信号抑制的过程，本发明设计了基于时频分布正、反变换的主信号抑制算法，根据信号处理需要，可以从(a)和(b)两种方案中选择，其过程如图2所示。由于选择的时频分布变换一般为线性变换，满足叠加性原则，因此从原理上看(a)和(b)方案均可顺利完成主信号抑制的过程，且效果相当。区别在于(b)方案相当于进行了主信号的重建过程，可获得主信号的时域形式，可用于辐射源信号的调制方式识别、参数估计等，从工程应用中完整的辐射源(个体)识别系统考虑，可以提高信号的利用率。
本发明中主信号抑制采用的的时频分布算法为同步压缩小波变换。需要强调的是，其他具有反变换、且支持信号重建的高聚集性时频分布算法，如(同步压缩)短时傅里叶变换、S变换等也可应用于本发明所涉及的主信号抑制算法中。
如图3所示，基于同步压缩小波变换的主信号抑制(a)方案如下：
预处理后的辐射源信号x(t)包含相位噪声和信道高斯白噪声，x(t)表示为：
x(t)＝s(t)+p(t)+n(t)
其中，s(t)为主信号；p(t)为相位噪声，携带有辐射源个体信息；n(t)为信道噪声，t为时域信号的时间；
同步压缩小波变换首先对信号进行连续小波变换，而后借助相位信息，对连续小波变换获得的时频分布进行频率重排的同步压缩操作，使得时频分布聚集性更高，信号分量的可分离性也更高。
同步压缩小波变换满足叠加原理，对信号x(t)同步小波变换SSWT，获得时频分布Tx(ω,τ)，Tx(ω,τ)表示为，
Tx(ω,τ)＝SSWT(s(t)+p(t)+n(t))
＝Ts(ω,τ)+Tp(ω,τ)+Tn(ω,τ)
其中，SSWT(·)表示同步压缩小波变换函数，Ts(ω,τ)、Tp(ω,τ)和Tn(ω,τ)分别为s(t)、p(t)和n(t)对应的小波同步压缩时频分布，其中以主信号时频分量Ts(ω,τ)在时频分布中能量较高；τ为时频分布的时间；
利用时频脊提取方法对时频分布Tx(ω,τ)进行提取，获得时频脊点，表示为时间-频率(τ-ω)平面上频率ω关于时间τ的函数ω＝ωr(τ)，时频脊线由脊点顺次连接而成(默认一条时频线情况)(考虑有多条时频脊线且有交叉的情况，在交叉点处属于同一个信号的脊点连接起来，才是正确的脊线)，一般为随时间慢变的光滑曲线；ωr(τ)为时间-频率(τ-ω)平面上频率ω关于时间τ的函数；
主信号抑制首先将以时频脊线为中心，将上下k个频率间隔范围的时频系数作为主信号区域，将主信号区域内时频系数置零，区域外时频系数不变，将时频分布Tx(ω,τ)上主信号区域内的时频系数置零后的时频分布Tmms(ω,τ)表示为
其中，Δω为对应位置的频率间隔，间隔大小主要由尺度离散化方式决定，可以是等间隔的线性变化，也可是对数形式的非等间隔变化；
对Tmms(ω,τ)进行同步压缩小波反变换ISSWT，直接得到抑制后信号xmss(t)，xmss(t)表示为
xmss(t)＝ISSWT(Tmms(ω,τ))
其中，ISSWT(·)表示同步压缩反变换的过程；
至此完成主信号抑制过程，可以看出抑制后信号xmss(t)主要包含于相位噪声以及白噪声信号成分。
具体实施方式四：本实施方式与具体实施方式一或二不同的不同的是，所述步骤二中基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；具体过程为：
在基于主信号抑制的辐射源个体识别的主框架下，针对主信号抑制的过程，本发明设计了基于时频分布正、反变换的主信号抑制算法，根据信号处理需要，可以从(a)和(b)两种方案中选择，其过程如图2所示。由于选择的时频分布变换一般为线性变换，满足叠加性原则，因此从原理上看(a)和(b)方案均可顺利完成主信号抑制的过程，且效果相当。区别在于(b)方案相当于进行了主信号的重建过程，可获得主信号的时域形式，可用于辐射源信号的调制方式识别、参数估计等，从工程应用中完整的辐射源(个体)识别系统考虑，可以提高信号的利用率。
本发明中主信号抑制采用的的时频分布算法为同步压缩小波变换。需要强调的是，其他具有反变换、且支持信号重建的高聚集性时频分布算法，如(同步压缩)短时傅里叶变换、S变换等也可应用于本发明所涉及的主信号抑制算法中。
如图4所示，基于同步压缩小波变换的主信号抑制(b)方案如下：
预处理后的辐射源信号x(t)包含相位噪声和信道高斯白噪声，x(t)表示为：
x(t)＝s(t)+p(t)+n(t)
其中，s(t)为主信号；p(t)为相位噪声，携带有辐射源个体信息；n(t)为信道噪声，t为时域信号的时间；
同步压缩小波变换首先对信号进行连续小波变换，而后借助相位信息，对连续小波变换获得的时频分布进行频率重排的同步压缩操作，使得时频分布聚集性更高，信号分量的可分离性也更高。
同步压缩小波变换满足叠加原理，对信号x(t)同步小波变换SSWT，获得时频分布Tx(ω,τ)，Tx(ω,τ)表示为，
Tx(ω,τ)＝SSWT(s(t)+p(t)+n(t))
＝Ts(ω,τ)+Tp(ω,τ)+Tn(ω,τ)
其中，SSWT(·)表示同步压缩小波变换函数，Ts(ω,τ)、Tp(ω,τ)和Tn(ω,τ)分别为s(t)、p(t)和n(t)对应的小波同步压缩时频分布，其中以主信号时频分量Ts(ω,τ)在时频分布中能量较高；τ为时频分布的时间；
利用时频脊提取方法对时频分布Tx(ω,τ)进行提取，获得时频脊点，表示为时间-频率(τ-ω)平面上频率ω关于时间τ的函数ω＝ωr(τ)，时频脊线由脊点顺次连接而成(默认一条时频线情况)(考虑有多条时频脊线且有交叉的情况，在交叉点处属于同一个信号的脊点连接起来，才是正确的脊线)，一般为随时间慢变的光滑曲线；ωr(τ)为时间-频率(τ-ω)平面上频率ω关于时间τ的函数；
主信号的重建主要利用以时频脊线为中心，将上下k个频率间隔范围的时频系数作为主信号区域，保留主信号区域时频系数，将时频分布Tx(ω,τ)上除主信号区域外的时频系数置零后的时频分布表示为
其中，Δω为对应位置的频率间隔，间隔大小主要由尺度离散化方式决定，可以是等间隔的线性变化，也可是对数形式的非等间隔变化；
对进行同步压缩小波反变换ISSWT，得重建的主信号srec(t)，srec(t)表示为
其中，ISSWT(·)表示同步压缩反变换的过程；
主信号抑制后信号表示为，
xmss(t)＝x(t)-srec(t)
得到抑制后信号xmss(t)。
至此完成主信号抑制过程，可以看出抑制后信号xmss(t)主要包含于相位噪声以及白噪声信号成分。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述时频脊提取方法为相位信息法、模极大值法等方法及变种形式，本发明采用前向后向贪心算法进行脊提取。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤三中对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；具体过程为：
对抑制后信号xmss(t)提取小波域特征[8](Bertoncini C,Rudd K,Nousain B,etal.Wavelet Fingerprinting of Radio-Frequency Identification(RFID)Tags[J].IEEETransactions on Industrial Electronics,2012,59(12):4843-4850.)，构建特征向量。
对xmss(t)的特征提取可使用辐射源个体识别领域内现有的个体特征提取方法，如分形特征、双谱特征等，本发明采用小波域特征。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤四中将步骤三构建的特征向量输入分类器，输出分类识别结果；具体过程为：
将步骤三构建的特征向量，输入扩展的多分类支持向量机(Support VectorMachine，SVM)，输出分类识别结果。
分类器可使用模式识别中的诸多分类器，如BP神经网络分类器、支持向量机(Support Vector Machine，SVM)等。本发明采用扩展的多分类SVM。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例具体是按照以下步骤制备的：
仿真实验步骤：
步骤一：仿真生成多组不同信噪比条件下的辐射源信号；
步骤二：对信号进行基于同步压缩小波变换(SSWT)的主信号抑制，获得抑制后信号；
步骤三：提取小波域特征，构建特征向量；
步骤四：利用步骤三的特征向量，经SVM分类器计算不同信噪比下的识别率；
步骤五：作为对比，对原始信号(未进行主信号抑制)重复步骤三～四，获得传统框架下辐射源个体识别率；对原始信号减去理想主信号，仍重复步骤三～四，获得理想主信号抑制下的识别率。
步骤六：将同步压缩小波变换(SSWT)主信号抑制、理想主信号抑制以及未进行主信号抑制三种情况下的识别率进行对比，分析实验结果。
仿真结果如图5所示。可以看出，理想主信号抑制下的识别率提升效果显著，而SSWT主信号抑制下的识别率在低信噪比条件下虽达不到理想抑制的效果，但与未进行主信号抑制相比，识别率仍有较大提升。
由仿真实验结果来看，与传统框架下辐射源个体识别技术相比，基于的主信号抑制的辐射源个体识别技术对个体识别率有着显著地提高，虽然可能由于脊提取、时频变换等过程的影响，达不到理想抑制下的识别效果，但依然令人十分鼓舞。在4～11dB信噪比条件下，SSWT主信号抑制与未进行主信号抑制相比，识别率提升都在10％以上，尤其在信噪比7dB条件下，正确识别率提高了18％左右。横向来看，要达到识别率在92％左右，主信号抑制后所需要的最低信噪比条件减少了近5dB。对主信号抑制下的识别率进行分析，其在4dB的信噪比条件下识别率已超过80％，在大于9dB的信噪比条件下，识别率都超过95％。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.基于主信号抑制的辐射源个体识别方法，其特征在于：所述方法具体过程为：
步骤一、对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；
步骤二、基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；
步骤三、对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；
步骤四、将步骤三构建的特征向量输入分类器，输出分类识别结果。
2.根据权利要求1所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述步骤一中对辐射源信号进行截获和预处理，得到预处理后的辐射源信号；具体过程为：
接收机接收辐射源信号，对辐射源信号进行分选和去噪；
采用脉冲重复间隔变换对辐射源信号进行分选，采用静态小波变换对分选后辐射源信号进行去噪，得到预处理后的辐射源信号。
3.根据权利要求1所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述步骤二中基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；具体过程为：
预处理后的辐射源信号x(t)包含相位噪声和信道高斯白噪声，x(t)表示为：
x(t)＝s(t)+p(t)+n(t)
其中，s(t)为主信号；p(t)为相位噪声，携带有辐射源个体信息；n(t)为信道噪声，t为时域信号的时间；
对信号x(t)同步小波变换SSWT，获得时频分布Tx(ω,τ)，Tx(ω,τ)表示为，
Tx(ω,τ)＝SSWT(s(t)+p(t)+n(t))
＝Ts(ω,τ)+Tp(ω,τ)+Tn(ω,τ)
其中，SSWT(·)表示同步压缩小波变换函数，Ts(ω,τ)、Tp(ω,τ)和Tn(ω,τ)分别为s(t)、p(t)和n(t)对应的小波同步压缩时频分布；τ为时频分布的时间；
利用时频脊提取方法对时频分布Tx(ω,τ)进行提取，获得时频脊点，表示为时间-频率(τ-ω)平面上频率ω关于时间τ的函数ω＝ωr(τ)，时频脊线由脊点顺次连接而成；
ωr(τ)为时间-频率(τ-ω)平面上频率ω关于时间τ的函数；
以时频脊线为中心，将上下k个频率间隔范围的时频系数作为主信号区域，将主信号区域内时频系数置零，区域外时频系数不变，将时频分布Tx(ω,τ)上主信号区域内的时频系数置零后的时频分布Tmms(ω,τ)表示为
其中，Δω为对应位置的频率间隔；
对Tmms(ω,τ)进行同步压缩小波反变换ISSWT，直接得到抑制后信号xmss(t)，xmss(t)表示为
xmss(t)＝ISSWT(Tmms(ω,τ))
其中，ISSWT(·)表示同步压缩反变换的过程。
4.根据权利要求1所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述步骤二中基于时频分布正、反变换的主信号抑制算法，对步骤一预处理后的辐射源信号进行主信号抑制，得到抑制后信号；具体过程为：
预处理后的辐射源信号x(t)包含相位噪声和信道高斯白噪声，x(t)表示为：
x(t)＝s(t)+p(t)+n(t)
其中，s(t)为主信号；p(t)为相位噪声，携带有辐射源个体信息；n(t)为信道噪声，t为时域信号的时间；
对信号x(t)同步小波变换SSWT，获得时频分布Tx(ω,τ)，Tx(ω,τ)表示为，
Tx(ω,τ)＝SSWT(s(t)+p(t)+n(t))
＝Ts(ω,τ)+Tp(ω,τ)+Tn(ω,τ)
其中，SSWT(·)表示同步压缩小波变换函数，Ts(ω,τ)、Tp(ω,τ)和Tn(ω,τ)分别为s(t)、p(t)和n(t)对应的小波同步压缩时频分布；τ为时频分布的时间；
利用时频脊提取方法对时频分布Tx(ω,τ)进行提取，获得时频脊点，表示为时间-频率(τ-ω)平面上频率ω关于时间τ的函数ω＝ωr(τ)，时频脊线由脊点顺次连接而成；
ωr(τ)为时间-频率(τ-ω)平面上频率ω关于时间τ的函数；
以时频脊线为中心，将上下k个频率间隔范围的时频系数作为主信号区域，保留主信号区域时频系数，将时频分布Tx(ω,τ)上除主信号区域外的时频系数置零后的时频分布表示为
其中，Δω为对应位置的频率间隔；
对进行同步压缩小波反变换ISSWT，得重建的主信号srec(t)，srec(t)表示为
其中，ISSWT(·)表示同步压缩反变换的过程；
主信号抑制后信号表示为，
xmss(t)＝x(t)-srec(t)
得到抑制后信号xmss(t)。
5.根据权利要求3或4所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述时频脊提取方法为采用前向后向贪心算法进行脊提取。
6.根据权利要求5所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述步骤三中对步骤二主信号抑制后的信号进行个体特征提取，构建特征向量；具体过程为：
对抑制后信号xmss(t)提取小波域特征，构建特征向量。
7.根据权利要求6所述基于主信号抑制的辐射源个体识别方法，其特征在于：所述步骤四中将步骤三构建的特征向量输入分类器，输出分类识别结果；具体过程为：
将步骤三构建的特征向量，输入扩展的多分类支持向量机，输出分类识别结果。
CN201910441852.7A 2019-05-24 2019-05-24 基于主信号抑制的辐射源个体识别方法 Active CN110135390B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910441852.7A CN110135390B (zh) 2019-05-24 2019-05-24 基于主信号抑制的辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910441852.7A CN110135390B (zh) 2019-05-24 2019-05-24 基于主信号抑制的辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN110135390A true CN110135390A (zh) 2019-08-16
CN110135390B CN110135390B (zh) 2020-12-01

Family

ID=67581573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910441852.7A Active CN110135390B (zh) 2019-05-24 2019-05-24 基于主信号抑制的辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN110135390B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110736980A (zh) * 2019-11-04 2020-01-31 广东博智林机器人有限公司 一种爬架状态信息的监测方法、装置及系统
CN111695444A (zh) * 2020-05-21 2020-09-22 哈尔滨工业大学 一种基于波原子变换的辐射源个体特征提取方法
CN111722188A (zh) * 2020-05-18 2020-09-29 中国人民解放军63892部队 基于stft预分选的pri变换雷达信号分选方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7155121B2 (en) * 2001-12-20 2006-12-26 Sbc Technology Resources, Inc. Method and apparatus for providing controlled impairments to an optical transport system
CN102213758A (zh) * 2011-04-11 2011-10-12 西南交通大学 一种雷达辐射源交叠脉冲信号处理方法
CN102436588A (zh) * 2011-11-15 2012-05-02 哈尔滨工程大学 一种辐射源识别方法
CN107894586A (zh) * 2017-10-17 2018-04-10 南京航空航天大学 一种基于同步压缩变换的激光雷达回波信号去噪方法
CN108708871A (zh) * 2018-04-19 2018-10-26 浙江大学 一种基于逆短时傅里叶变换的轴流风机振动信号子成分提取方法
CN109521421A (zh) * 2018-01-27 2019-03-26 河南工业大学 一种探地雷达薄层目标识别定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7155121B2 (en) * 2001-12-20 2006-12-26 Sbc Technology Resources, Inc. Method and apparatus for providing controlled impairments to an optical transport system
CN102213758A (zh) * 2011-04-11 2011-10-12 西南交通大学 一种雷达辐射源交叠脉冲信号处理方法
CN102436588A (zh) * 2011-11-15 2012-05-02 哈尔滨工程大学 一种辐射源识别方法
CN107894586A (zh) * 2017-10-17 2018-04-10 南京航空航天大学 一种基于同步压缩变换的激光雷达回波信号去噪方法
CN109521421A (zh) * 2018-01-27 2019-03-26 河南工业大学 一种探地雷达薄层目标识别定位方法
CN108708871A (zh) * 2018-04-19 2018-10-26 浙江大学 一种基于逆短时傅里叶变换的轴流风机振动信号子成分提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANG-LI WANG ETAL.: "Nonstationary harmonic signal extraction from strong chaotic interference based on synchrosqueezed wavelet transform", 《SIGNAL, IMAGE AND VIDEO PROCESSING》 *
余沁等: "利用小波变换特征提取的通信辐射源个体识别方法", 《信号处理》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110736980A (zh) * 2019-11-04 2020-01-31 广东博智林机器人有限公司 一种爬架状态信息的监测方法、装置及系统
CN111722188A (zh) * 2020-05-18 2020-09-29 中国人民解放军63892部队 基于stft预分选的pri变换雷达信号分选方法
CN111722188B (zh) * 2020-05-18 2024-03-15 中国人民解放军63892部队 基于stft预分选的pri变换雷达信号分选方法
CN111695444A (zh) * 2020-05-21 2020-09-22 哈尔滨工业大学 一种基于波原子变换的辐射源个体特征提取方法
CN111695444B (zh) * 2020-05-21 2023-06-23 哈尔滨工业大学 一种基于波原子变换的辐射源个体特征提取方法

Also Published As

Publication number Publication date
CN110135390B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
Yousefi et al. A survey on behavior recognition using WiFi channel state information
CN110135390A (zh) 基于主信号抑制的辐射源个体识别方法
CN108764043B (zh) 基于动态功能连接的熵值的脑电分类方法
US7496482B2 (en) Signal separation method, signal separation device and recording medium
CN107154088B (zh) 基于信道状态信息的活动人员数量估计方法
CN109670434A (zh) 基于无线信道状态信息的坐姿时长检测方法
CN109117747A (zh) 基于循环平稳与深度卷积神经网络的雷达信号分类方法
CN111680737B (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
CN111027614B (zh) 一种噪声增强射频指纹识别方法及装置
Feng et al. Evaluation and improvement of activity detection systems with recurrent neural network
Shen et al. Towards length-versatile and noise-robust radio frequency fingerprint identification
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
Satija et al. Cyclostationary features based modulation classification in presence of non Gaussian noise using sparse signal decomposition
CN113627547B (zh) 训练方法、电弧检测方法、装置、电子设备及存储介质
CN110826425B (zh) 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法
Penghui et al. Radar HRRP target recognition based on linear dynamic model
Satija et al. A novel sparse classifier for automatic modulation classification using cyclostationary features
Wang et al. Study on feature extraction method in border monitoring system using optimum wavelet packet decomposition
CN112347921B (zh) Pdw序列预处理方法、系统、计算机设备及存储介质
CN112883355B (zh) 一种基于rfid和卷积神经网络的非接触式用户身份认证方法
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
CN114614922A (zh) 基于频域的民航甚高频通信中的频谱数据清洗方法
Wang et al. Radio-Frequency Based UAV Sensing Using Novel Hybrid Lightweight Learning Network
CN109587136A (zh) 一种基于双极大值的射频指纹特征提取和识别方法
Su et al. A fast algorithm for the separation of dependent sources based on bounded component analysis

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