CN110244271B - 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 - Google Patents

Abstract

本发明属于辐射源识别技术领域，特别涉及一种基于多重同步压缩变换的雷达辐射源分选识别方法及装置，该方法包含：通过多重同步压缩变换获取雷达辐射源信号的时频图像；对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。本发明解决现有低信噪比条件下雷达信号分选识别率低、复杂度高等问题，在较低信噪比条件下准确识别出不同调制类型雷达信号，对复合调制类型雷达信号也具有较好识别效果，效率高、抗噪性能良好，对信号参数变化具有较强适应能力，在小样本下也能达到较高的识别性能，在工程上具有一定的应用价值。

Description

基于多重同步压缩变换的雷达辐射源分选识别方法及装置

技术领域

本发明属于辐射源识别技术领域，特别涉及一种基于多重同步压缩变换的雷达辐射源分选识别方法及装置。

背景技术

随着信息技术的飞速发展，电子对抗领域的竞争日趋激烈，对抗电磁环境也变得日益复杂。以相控阵雷达、超宽带雷达、低截获概率雷达等为代表的各种新体制雷达得到了不断应用，雷达辐射源信号呈现出时频域交叠、脉冲参数跳变和调制方式多样等特点，给后续的分选识别带来了极大的挑战。传统的手段主要依赖于载波频率(Radio Frequency，RF)、脉冲幅度(Pulse Amplitude，PA)脉冲宽度(Pulse Width，PW)、到达时间(Time ofArrival，TOA)和到达角(Angle of Arrival，AOA)等组成的脉冲描述字(Pulse DescriptorWord，PDW)。但新体制雷达的信号特征已渗透到了时域、频域、空域以及调制域，仅仅依靠传统的五大常规参数特征已不能满足分选识别的要求。考虑到新体制雷达信号具有丰富的脉内信息，因此在保留传统PDW参数特征基础上进一步添加脉内特征参数，不仅可以大大减少信号之间的混叠程度，而且能够有效提升分选识别的准确性。近年来，许多学者借助图像处理技术从雷达信号的时频图像中提取出大量有效特征，取得了显著地成果。基于Choi-Williams时频分布(Time Frequency Distribution，CWD)得到信号的时频图，并提取出时频图像的中心矩和伪Zernike矩特征，完成了对8种类型雷达信号的识别，然而该算法在低信噪比下识别率不高。通过对信号的时频图像矩阵执行奇异值分解，进而提取出奇异值熵、分形维数、盒维数和信息维数等统计特征，在低信噪比下具有较强的识别性能，但对相位编码信号的识别率不佳。基于改进的局部二值模式算子(LBPV)提取出时频图像的纹理特征，实现了较好的识别效果，但该方法的复杂度较高。上述方法都是基于CWD得到信号的时频图像，进而提取时频图像的特征用于雷达信号的分选识别；但CWD属于二次型时频工具，在处理非线性非平稳的雷达信号时不可避免地会产生交叉项干扰，影响识别的准确率。

发明内容

为此，本发明提供一种基于多重同步压缩变换的雷达辐射源分选识别方法及装置，在较低信噪比条件下能够准确识别出不同调制类型的雷达信号，对复合调制类型的雷达信号也具有较好的识别效果，具有很强的应用前景。

按照本发明所提供的设计方案，一种基于多重同步压缩变换的雷达辐射源分选识别方法，包含如下内容：

A)通过多重同步压缩变换获取雷达辐射源信号的时频图像；

B)对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

C)针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

上述的，获取时频图像中，针对接收到的雷达辐射源信号，通过对短时傅里叶变换获得的时频谱多次执行同步压缩处理，以提升时频谱能量聚集程度。

上述的，时频图像预处理，包含如下内容：首先，将时频图像转换为灰度图像；然后利用维纳自适应滤波器去除灰度图像中的噪声点，对图像进行增强处理；运用双三次插值法对图像大小进行调整，使所有信号时频图像大小保持一致，最后对图像进行归一化处理。

上述的，采用基于灰度共生矩阵方法，通过计算图像中特定方向和距离两点灰度之间的相关性，提取图像纹理特征，其中，图像纹理特征包含对比度、相关性、能量和均质性。

上述的，采用计算Zernike矩方法，基于Zernike多项式的正交化函数，提取图像矩特征。

优选的，计算Zernike矩方法，包含如下内容：首先，确定时频图像矩阵大小，进而确定Zernike矩中二维图像大小；确定Zernike矩中对应图像像素参数的范围；然后，利用Zernike多项式快速递推性质，依次获取Zernike矩中单位圆上点的径向多项式及Zernike矩复数表示中的实部和虚部内容；对实部和虚部内容进行求模，得到Zernike矩特征参数。

上述的，信号功率谱参数特征的提取，包含如下内容：首先，对信号噪声进行估计，并将采样序列进行归一化；然后，获取描述信号在频率的功率密度分布的功率谱参数特征。

上述的，平方谱复杂度特征的提取，包含如下内容：首先，计算信号频谱、平方谱和四次方谱，得到信号长度为多个采样点的频谱序列；然后，依据频谱序列重构信号并计算信息维数，得到平方谱复杂度参数特征。

上述的，特征参数集采用联合特征向量表示，联合特征向量中包含图像纹理特征和矩特征组成的图像特征向量，及信号功率谱参数特征和平方谱复杂度特征组成的信号特征向量。

更进一步地，本发明还提供一种基于多重同步压缩变换的雷达辐射源分选识别装置，包含：数据获取模块、特征提取模块和分选识别模块，其中，

数据获取模块，用于通过多重同步压缩变换获取雷达辐射源信号的时频图像；

特征提取模块，用于对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

分选识别模块，用于针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

本发明的有益效果：

本发明针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题，通过多重同步压缩变换MSST得到信号的时频图像矩阵，然后对时频图像进行预处理，提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征，同时提取信号的功率谱参数特征和平方谱统计特征，组成特征参数向量；利用支持向量机分类器实现对雷达信号的自动分选识别；能够有效地在较低信噪比下对8种雷达信号实现分选识别。仿真结果表明，在信噪比为2dB时，该方法对8种雷达信号(CW、LFM、NLFM、BPSK、QPSK、Costas、LFM/FSK和BPSK/FSK)的整体平均识别成功率达到了93％以上，效率高、抗噪性能良好，对信号的参数变化有较强的适应能力，在小样本下也能达到较高的识别性能，在工程上具有一定的应用价值。

附图说明：

图1为实施例中辐射源分选识别方法流程图；

图2为实施例中辐射源分选识别装置示意图；

图3为实施例中典型雷达信号和复合调制信号在信噪比为10dB时的MSST时频图像；

图4为实施例中时频图像预处理示意图；

图5为实施例中雷达辐射源联合特征分选识别算法流程图；

图6为实施例中不同信噪比下6种雷达信号识别准确率；

图7为实施例中不同信噪比下8种雷达信号识别准确率；

图8为实施例中三种识别方法平均识别准确率对比示意。

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。

针对现有雷达辐射源识别中产生交叉项干扰、影响识别准确率等情形，本发明实施例中，参见图1所示，提供一种基于多重同步压缩变换的雷达辐射源分选识别方法，包含如下内容：

S101)通过多重同步压缩变换获取雷达辐射源信号的时频图像；

S102)对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

S103)针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

进一步地，本发明实施例中，获取时频图像中，针对接收到的雷达辐射源信号，通过对短时傅里叶变换获得的时频谱多次执行同步压缩处理，以提升时频谱能量聚集程度。

进一步地，本发明实施例中，时频图像预处理，包含如下内容：首先，将时频图像转换为灰度图像；然后利用维纳自适应滤波器去除灰度图像中的噪声点，对图像进行增强处理；运用双三次插值法对图像大小进行调整，使所有信号时频图像大小保持一致，最后对图像进行归一化处理。

进一步地，本发明实施例中，采用基于灰度共生矩阵方法，通过计算图像中特定方向和距离两点灰度之间的相关性，提取图像纹理特征，其中，图像纹理特征包含对比度、相关性、能量和均质性。

进一步地，本发明实施例中，采用计算Zernike矩方法，基于Zernike多项式的正交化函数，提取图像矩特征。

进一步地，本发明实施例中，计算Zernike矩方法，包含如下内容：首先，确定时频图像矩阵大小，进而确定Zernike矩中二维图像大小；确定Zernike矩中对应图像像素参数的范围；然后，利用Zernike多项式快速递推性质，依次获取Zernike矩中单位圆上点的径向多项式及Zernike矩复数表示中的实部和虚部内容；对实部和虚部内容进行求模，得到Zernike矩特征参数。

进一步地，本发明实施例中，信号功率谱参数特征的提取，包含如下内容：首先，对信号噪声进行估计，并将采样序列进行归一化；然后，获取描述信号在频率的功率密度分布的功率谱参数特征。

进一步地，本发明实施例中，平方谱复杂度特征的提取，包含如下内容：首先，计算信号频谱、平方谱和四次方谱，得到信号长度为多个采样点的频谱序列；然后，依据频谱序列重构信号并计算信息维数，得到平方谱复杂度参数特征。

进一步地，本发明实施例中，特征参数集采用联合特征向量表示，联合特征向量中包含图像纹理特征和矩特征组成的图像特征向量，及信号功率谱参数特征和平方谱复杂度特征组成的信号特征向量。

更进一步地，基于上述的分选识别方法，本发明还提供一种基于多重同步压缩变换的雷达辐射源分选识别装置，参见图2所示，包含：数据获取模块101、特征提取模块102和分选识别模块103，其中，

数据获取模块101，用于通过多重同步压缩变换获取雷达辐射源信号的时频图像；

特征提取模块102，用于对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

分选识别模块103，用于针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

多重同步压缩变换(Multi-synchrosqueezing Transform，MSST)通过对短时傅里叶变换获得的时频谱多次执行同步压缩处理，从而有效提升了时频谱的聚集性，并利用函数迭代的方式优化流程极大地减少计算负担，相比CWD时频分析方法具有一定的优越性。信号s(u)的短时傅里叶变换(Short-time Fourier transform，STFT)定义为

式中，g(u)为窗函数。

选取信号模型为

其中，A(u)、

分别表示信号的幅度和相位。

幅度和相位的一阶泰勒级数展开式分别为

信号s(u)可以表示为

于是，信号s(u)的短时傅里叶变换(STFT)时频谱可表示为

对上式求偏导，有

当G(t,w)≠0时，瞬时频率估计

可表示为

再对时频谱执行同步压缩处理(Synchrosqueezing transformation，SST)，可表示为

通过执行SST，可以从频率方向压缩STFT的结果，进而提高时频谱的能量聚集程度。

对得到的时频谱继续执行SST，有

该算法是对STFT的后处理，属于线性时频分析工具，不存在交叉项的困扰，对于雷达信号分析领域具有一定的应用前景。图3给出了6种典型雷达信号和2种复合调制信号在信噪比为10dB时的MSST时频图像。8种信号分别为：常规信号(Conventionality Wareform，CW)、线性调频信号(Linear Frequency Modulation，LFM)、非线性调频信号(NonlinearFrequency Modulation，NLFM)、二相编码信号(Binary Phase Shift Keying，BPSK)、四相编码信号(Quaternary Phase Shift Keying，QPSK)、Costas编码信号、LFM/FSK和BPSK/FSK复合调制信号。从图3可以直观地看出，不同信号的时频图像形状和分布具有明显的差异，因此能够从MSST时频图中提取出有效特征用于雷达辐射源的分选识别。

由于噪声的影响，通过MSST得到的时频图像含有大量的干扰信息，为了更好地从时频图像中提取用于雷达辐射源分选识别的有效特征，需要首先预处理原始时频图像。参见图4所示，采取以下几个步骤对时频图像进行预处理。

Step1：将时频分布原始图像转换为灰度图像；

Step2：采用维纳自适应滤波器去除灰度图像的噪声点，对图像进行增强处理；

Step3：运用双三次插值法将时频图像大小调整为320*640，使所有信号的时频图像尺寸大小保持一致并减小数据量，最后对图像进行归一化处理。

图4中是四相编码(Frank码)信号在信噪比为0dB下的时频图像预处理流程。经过上述图像处理以后，在最大程度地保留了信号完整信息的同时基本去除了噪声和冗余信息。

图像的特征可以分为代数特征、纹理特征、统计特征、形状特征、边缘特征和颜色特征等。不同雷达信号的时频图像可以看出具有明显的细节差异，本发明实施例中选取时频图像的纹理特征和矩特征。采用基于灰度共生矩阵(Gray Level Co-occurrenceMatrix，GLCM)的计算方法提取纹理特征。灰度共生矩阵是角度和像素距离的矩阵函数，它通过计算图像中特定方向和距离的两点灰度之间的相关性，在方向、间隔、变化范围和快慢上反映图像的综合信息。通常用来描述GLCM的特征有：对比度、相关性、能量和均质性，内容如下：

(1)对比度

返回整个图像像素同它相邻像素之间强度对比度的度量值。i和j分别代表不同的像素，差值表征不同像素的差别大小，取平方为正数，可以累加，乘以相应差别出现的概率，即可表示不同像素之间的差别大小。

(2)相关性

返回像素同它相邻像素关系的度量值。对于一个完全正相关或负相关的图像，相关性为1或-1。对于常量图像，相关性为NaN。值的大小反映了局部灰度相关性，值越小，相关性也越小。

(3)能量

返回GLCM各元素值的平方和。它是图像纹理中灰度变化稳定程度的度量，反映了图像灰度分布的纹理粗细度和均匀程度。大的能量值表示当前纹理是一种较为稳定的纹理。

(4)均质性

返回用于衡量GLCM中元素分布与GLCM对角线的接近程度。如果均质性小，那么纹理在局部分布不均匀，局部变化大，纹理平滑性差，图像分辨率较高，图像清晰；如果均质性大，那么纹理局部分布较均匀，变化小，平滑性好，图像分辨率低，图像模糊。

分别从0°、45°和135°三个不同方向计算GLCM，可以得到一组12维的特征向量[Con1,Cor1,En1,Hom1,Con2,Cor2,En2,Hom2,Con3,Cor3,En3,Hom3]。

矩特征采用计算Zernike矩的方法。Zernike矩是一个复数正交矩，由Teague在1980年提出。Zernike矩是基于Zernike多项式的正交化函数，具有图像旋转不变性和优异的抗噪性，并且能够构造任意高阶矩，因此它被广泛应用于目标识别。定义一个二维图像矩阵f(x,y)，它的n阶m次Zernike矩定义式为：

其中，第一行等式表示在直角坐标系下的转换关系，第二行表示在极坐标系下的转换关系。式中Zernike多项式V_n,m是定义在单位圆(D²:x²+y²≤1)上一组正交复函数集，在极坐标下可表示为

其中x²+y²≤1，j代表虚数单位，在实际计算中可用欧拉公式分解。

点(x,y)的径向多项式R_n,m(ρ)的定义式为

其中，n是非负整数，n-|m|为偶数，并且n＞|m|；ρ为原点到点(x,y)的矢量长度；θ为轴x与ρ矢量在逆时针方向的夹角。

对于N×N的二维图像f(x,y)，令坐标原点位于图像的中心，则-N/2≤(x,y)≤N/2，对于像素(x,y)，引入2个参数(r,σ)唯一对应于该像素，其定义为

r＝max(|x|,|y|) (17)

如果|x|＝r，则

如果|x|＝r，则

Zernike矩是一个复数，其实部和虚部可以分别记为Re_n,m和Im_n,m，则有

由此提出Zernike矩特征的计算方法如下：

Step1：首先确定时频图像矩阵G_N×N的大小，进而确定式(20)中的N值；

Step2：进一步确定r和σ的范围；

Step3：利用Zernike多项式快速递推性质，可计算R_n,m(ρ)，结合式(20)可以计算出Re_n,m和Im_n,m；

Step4：对Re_n,m和Im_n,m求模，得到Zernike矩参数

考虑到低阶矩常用于表述图像的整体形状，高阶矩用于表述图像的细节，本文选取

组成一组7维的特征向量。

将上述纹理特征和矩特征两种特征组合成一组19维的图像特征向量S1。另一方面，在信号的时域波形和频域频谱上也可以直接反映出雷达信号的调制差别。本发明实施例中主要用到了功率谱参数特征和平方频谱复杂度特征。功率谱参数特征描述了信号在频域的功率密度分布情况，计算方法可设计为如下内容：

Step1：首先对噪声进行估计，并将采样序列进行归一化

其中y(k)为复采样序列，N为采样数，

为三阶原点矩参数，

为估计的噪声方差。

Step2：计算功率谱参数

研究表明，γ₁对Costas码信号具有较好的区分效果，γ₂能够有效区分出BPSK信号。

常规雷达信号在为频谱上显示为一条离散的单频谱线。而相位编码信号的瞬时相位在码元之间会发生跳变，其中二相编码信号跳变180°，四相编码信号跳变90°，而常规信号相当于跳变0°。二相编码信号的数学模型为

式中，A表示信号的幅值；f_c表示载波频率；f_s表示采样频率；phi(τ)只能取0和1，表示编码序列值；

为初相。计算二相编码信号的平方，可得

式(24)可进一步简化为

从上式可以看出，二相编码经过平方运算后相当有一个常规信号，只不过载波频率为2f_c，反映在频谱上也是一条离散单频谱线。同理，对四相编码信号连续求两次平方，也相当于一个常规信号，载波频率为4f_c，频谱上也是一条离散单频谱线。根据二相编码信号和四相编码信号的这一特性，通过计算它们的平方频谱复杂度特征，可以用于信号的分类识别。计算方法可设计为如下内容：

Step1：分别求信号的频谱、平方谱和四次方谱，得到信号长度为N个采样点的频谱序列X^[m](i)(i＝1,2,…,N)；

Step2：为了减少噪声的影响，采用下述方法重构信号并计算信息维数。

Y^[m](i)＝|X^[m](i+1)-X^[m](i)|,i＝1,2,…,N-1 (26)

令

则信息维数为

分别取m＝1,2,4，将平方频谱复杂度特征与功率谱参数特征组成一组5维的信号特征向量S2。

综上所述，本发明实施例中构建的雷达辐射源联合特征分选识别算法流程如图5所示，包含内容如下：

1)对雷达辐射源信号进行MSST变换，获得信号的时频图像；

2)对原始时频图像作灰度化、维纳滤波、双三次插值缩放、归一化等图像预处理，去除干扰信息和冗余信息，并降低数据量；

3)提取图像的灰度共生矩阵纹理特征和Zernike矩特征，组成图像特征向量S1；

4)提取信号的功率谱参数特征和平方频谱复杂度特征，组成信号特征向量S2；

5)构建24维的联合特征向量S＝[S1,S2]；

6)利用支持向量机(SVM)分类器对特征向量S进行分选识别。

通过MSST得到信号的时频图像矩阵，然后对时频图像进行预处理，提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征；同时提取了信号的功率谱参数特征和平方谱统计特征，组成特征参数向量；最后利用支持向量机分类器实现了对雷达信号的自动分选识别。

为了验证本发明技术方案的有效性，下面通过具体仿真实验数据做进一步解释说明：

对8种雷达信号进行分选识别，除CW、LFM、NLFM、BPSK、QPSK和Costas信号外，还加入了2种复合调制信号LFM/FSK和BPSK/FSK。由于不同雷达信号具有不同的参数，为方便描述，采用基于采样频率f_s的均匀分布U(·)统一表示，例如U(1/8,1/4)表示参数范围在[f_s/8,f_s/4]之间的随机数。详细的测试环境和参数设置如表1和表2所示，统一取采样频率f_s＝64MHz，脉冲宽度T＝16μs。

表1测试环境

表2仿真参数设置

实验探究识别准确率与信噪比之间的关系，首先选取CW、LFM、NLFM、BPSK、QPSK、Costas码等6种信号进行测试。由于信号在传输过程中不可避免地要受到噪声的干扰，这里假定噪声为高斯白噪声，信噪比范围取-10～+16dB，步进为2dB。每个信噪比下，每种信号分别产生600组样本，其中400组用于训练，200组用于测试。实验结果如图6所示，可以看出，本发明实施例中技术方案在信噪比大于2dB以上时，6种雷达信号的识别准确率均在90％以上，在信噪比大于4dB时，除QPSK以外，对其他雷达信号的识别准确率均达到了100％。本发明实施例中技术方案对BPSK和Costas编码具有较好的识别能力，在较低信噪比下也可以获得较高的识别准确率。从图6中还可以看出在信噪比为-2dB时，NLFM和QPSK信号识别准确率降低的较快。当信噪比为-6dB时，本发明实施例中技术方案除对CW和BPSK信号的识别准确率保持在90％以上外，其余信号的识别准确率都较低。随着信噪比的不断降低，本发明实施例中技术方案的性能也下降严重，这主要是MSST时频图矩阵和信号的频谱受到噪声的干扰，图像特征和信号特征越来越不容易提取，已难以很好地完成信号的分类。

补充训练样本，加入2种在新体制雷达中应用广泛的LFM/FSK和BPSK/FSK复合调制信号，再次测试每种信号在不同信噪比条件下的识别准确率，实验结果如图7所示，可以看到在信噪比为2dB时，8种雷达信号的识别成功率达到了93％，当信噪比为14dB或更高时，对8种雷达信号的识别准确率均达到100％。实验证明，本发明实施例中技术方案对复合调制雷达信号也具有较好的识别效果。

为进一步验证本发明实施例中技术方案的抗混淆性能，在信噪比为-2dB下每种信号各产生200组样本测试混合识别性能。实验结果如表3所示，此时信号的整体平均识别率为94.58％，表明本发明实施例中技术方案的抗混淆性能较强。同时可以看出，在信噪比较低的条件下，具有相似时频图像的信号之间更容易产生混淆，以BPSK为例，其中99.5％正确识别为BPSK，0.5％识别错误为CW。

表3 -2dB信噪比下6种雷达信号的识别结果(％)

为了进一步说明本发明实施例中技术方案的优越性，在同等条件下与基于奇异值熵和分形维数的雷达信号识别文献[4]和基于时频分析的自适应PCA辐射源调制识别文献[10]方法进行对比测试，对6种雷达信号的平均识别率实验结果如图8所示，可知，本发明实施例中技术方案在较低信噪比下的识别精度高于同类方法。在信噪比低于-2dB时，文献[4]算法的平均识别率低于80％，这主要是因为文献[4]算法没有经过时频图像预处理，提取的奇异值熵和分形维数特征受噪声影响较大。文献[10]算法在信噪比大于0dB时可以保证较高的识别准确率，但在信噪比低于-2dB时平均识别率急剧下降，这主要是因为文献[10]方法利用自适应主成分分析提取的矩特征不能够完整地表述信号的有效信息，在噪声较大时特征的区分度不强。而本发明实施例中技术方案利用MSST得到的信号时频图更加地精细，基于多域提取的组合特征向量可以更完整地表述信号，抗噪性能也更强。在信噪比为0dB时，整体平均识别率达到了96％，在更低信噪比下的平均识别率也能保持较好的效果，证明了本发明实施例中技术方案是有效的。

以上实验结果表明，本发明实施例中技术方案基于多重同步压缩变换(MSST)的雷达辐射源自动分选识别，能够有效地在较低信噪比下对8种雷达信号实现分选识别，通过提取时频图像的GLCM纹理特征和Zernike矩特征，并和信号的功率谱参数特征和平方谱统计特征组合构建特征参数向量送入SVM分类器，实现对雷达信号的自动分选识别；运算效率高、抗噪性能良好，对信号的参数变化有较强的适应能力，它在小样本下也能达到较高的识别性能，在工程上具有一定的应用价值。

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。

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 (3)

1.一种基于多重同步压缩变换的雷达辐射源分选识别方法，其特征在于，包含：

A)通过多重同步压缩变换获取雷达辐射源信号的时频图像；针对接收到的雷达辐射源信号，通过对短时傅里叶变换获得的时频谱多次执行同步压缩处理，以提升时频谱能量聚集程度；

B)对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

采用基于灰度共生矩阵方法，通过计算图像中特定方向和距离两点灰度之间的相关性，提取图像纹理特征，其中，图像纹理特征包含对比度、相关性、能量和均质性；

采用计算Zernike矩方法，基于Zernike多项式的正交化函数，提取图像矩特征；

计算Zernike矩方法，包含如下内容：首先，确定时频图像矩阵大小，进而确定Zernike矩中二维图像大小；确定Zernike矩中对应图像像素参数的范围；然后，利用Zernike多项式快速递推性质，依次获取Zernike矩中单位圆上点的径向多项式及Zernike矩复数表示中的实部和虚部内容；对实部和虚部内容进行求模，得到Zernike矩特征参数；

n阶m次Zernike矩复数表示中的实部Re_n,m和虚部Im_n,m内容分别表示为：

其中，N为时频图像矩阵大小，(r,σ)为对应图像像素(x,y)参数；

特征参数集采用联合特征向量表示，联合特征向量中包含图像纹理特征和矩特征组成的图像特征向量，及信号功率谱参数特征和平方谱复杂度特征组成的信号特征向量，其中，信号功率谱参数特征计算公式表示为：

y(k)为复采样序列，N为采样数，

为三阶原点矩参数，

为估计的噪声方差；平方谱复杂度特征计算中，首先，分别求信号的频谱、平方谱和四次方谱，得到信号长度为N个采样点的频谱序列X^[v](i)，i＝1,2,…,N；然后，利用Y^[v](i)＝|X^[v](i+1)-X^[v](i)|,i＝1,2,…,N-1来重构信号并利用公式

来计算信息维数，其中，

最后，分别取v＝1,2,4，将平方频谱复杂度特征与功率谱参数特征组成信号特征向量；

C)针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

2.根据权利要求1所述的基于多重同步压缩变换的雷达辐射源分选识别方法，其特征在于，B)时频图像预处理，包含如下内容：首先，将时频图像转换为灰度图像；然后利用维纳自适应滤波器去除灰度图像中的噪声点，对图像进行增强处理；运用双三次插值法对图像大小进行调整，使所有信号时频图像大小保持一致，最后对图像进行归一化处理。

3.一种基于多重同步压缩变换的雷达辐射源分选识别装置，其特征在于，基于权利要求1所述的方法实现，包含：数据获取模块、特征提取模块和分选识别模块，其中，

数据获取模块，用于通过多重同步压缩变换获取雷达辐射源信号的时频图像；

特征提取模块，用于对时频图像进行预处理，并提取出时频图像的纹理特征和矩特征，结合信号功率谱参数特征和平方谱复杂度特征构建特征参数集；

分选识别模块，用于针对特征参数集，利用支持向量机SVM分类器进行信号分选识别。

Images