CN110691050B - 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 - Google Patents
基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 Download PDFInfo
- Publication number
- CN110691050B CN110691050B CN201910854834.1A CN201910854834A CN110691050B CN 110691050 B CN110691050 B CN 110691050B CN 201910854834 A CN201910854834 A CN 201910854834A CN 110691050 B CN110691050 B CN 110691050B
- Authority
- CN
- China
- Prior art keywords
- instantaneous
- entropy
- envelope
- signal
- radiation source
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0871—Complete apparatus or systems; circuits, e.g. receivers or amplifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于辐射源个体识别技术领域,特别涉及一种基于C‑E特征的辐射源指纹提取方法、装置及个体识别系统,该方法包含:提取信号样本中的包络谱信息熵作为指纹特征;针对指纹特征,联合瞬时参数复杂度和熵特征,得到作为用于识别辐射源个体的C‑E特征。本发明通过Hilbert包络谱信息熵的辐射源指纹特征提取,联合瞬时参数的复杂度和熵特征,得到用于辐射源个体识别的联合C‑E特征;相比单类特征,该特征以微弱的时间代价换取了识别率上较大的提高,在仿真信号实验中对比分形维数和香农熵分别提高了15.2%、19.7%的正确率;在不同应用环境下具有良好的独立性、抗噪性;通过实际测试,将其应用于FM手持机信号,在实测环境中验证本发明技术方案具有一定实用性和鲁棒性。
Description
技术领域
本发明属于辐射源个体识别技术领域,特别涉及一种基于C-E特征的辐射源指纹提取方法、装置及个体识别系统。
背景技术
辐射源个体识别是指对因辐射源内部硬件工艺差异、器件非线性等因素造成的无意调制识别。与有意调制相同,无意调制信息会体现在信号的幅度、频率和相位上。如果能获得三者所有信息,理论上会拥有更多的分类信息;反之,如果丢失了其中一项信息,则可能影响分类的结果。但由于直接使用幅度、相位、频率还会包含大量冗余信息,反而会干扰分类信息,影响识别效果。因此,此类方法一般都是在三者基础上再次提取二次特征。
在多变的应用场景和电磁环境中,依靠提取单一的某种或某类特征,一旦测量过程中出现特征值漂移或野值点,可能会产生误判,这样很难满足辐射源个体识别实际应用中所需要的有效性和稳定性;同时,在辐射源个体差异极其微弱的情形下,提取一种能较大程度反映出个体差异信息的特征是有一定难度的。
发明内容
为此,本发明提供一种基于C-E特征的辐射源指纹提取方法、装置及个体识别系统,通过将信号多种特征联合为C-E特征,以识别辐射源个体,满足辐射源个体识别实际应用功能中所需的有效性和稳定性,也适用于辐射源个体差异极其微弱情形下的个体识别,具有较强的鲁棒性。
按照本发明所提供的设计方案,为了获得有效且鲁棒的射频指纹特征,本发明提出一种基于C-E特征的辐射源指纹提取方法,将Hilbert包络谱信息熵作为指纹特征,并联合瞬时参数的复杂度和熵特征,作为基于瞬时参数的复杂性与熵的联合C-E特征(JointCharacteristics of Complexity and Entropy based on Instantaneous Parameters),以识别辐射源个体。
进一步地,提取信号样本中的包络谱信息熵作为指纹特征包含如下内容:
A1)获取信号样本,基于希尔伯特变换提取信号瞬时包络、瞬时相位和瞬时频率;
A2)依据信号瞬时包络,提取基于希尔伯特谱的包络谱信息熵。
进一步地,对接收到的信号样本中实信号进行希尔伯特变换;依据变换结果,并结合实信号,得到该信号样本的解析信号;针对解析信号,分别提取其瞬时包络、瞬时相位和瞬时频率,并对提取到的瞬时包络、瞬时相位和瞬时频率进行标准化处理。
进一步地,对信号瞬时包络进行快速傅里叶变换,得到包络谱;依据包络谱,计算各点包络谱能量值,并获取各点能量占总能量的概率;依据概率来获取包络谱信息熵。
进一步地,联合瞬时参数复杂度和熵特征,得到作为用于识别辐射源个体的C-E特征,包含如下内容:
B1)分别提取信号瞬时包络、瞬时相位和瞬时频率的复杂度和熵特征;
B2)联合包络谱信息熵及复杂度和熵特征,作为用于识别辐射源个体的C-E特征。
进一步地,提取复杂度和熵特征中,首先将瞬时包络、瞬时相位和瞬时频率三个瞬时参数分别置于单位正方形内,计算分形盒维数及集合元素概率;然后根据香农公式,计算集合信息维数,以及瞬时包络、瞬时相位和瞬时频率的信息熵,并依据分形盒维数得到瞬时参数的复杂度和熵特征。
进一步地,针对信号样本中提取到的C-E特征,将特征数据进行划分,得到训练样本,并对训练样本采用K折交叉验证进行分割,输入线性SVM分类器进行训练测试,以通过分类来识别辐射源个体。
进一步地,本发明还提供一种基于C-E特征的辐射源指纹提取装置,包含:提取模块和联合模块,其中,
提取模块,用于提取信号样本中的包络谱信息熵作为指纹特征;
联合模块,用于针对指纹特征,并联合瞬时参数复杂度和熵特征,作为用于识别辐射源个体的C-E特征。
进一步地,本发明还提供一种辐射源个体识别系统,包含上述的基于C-E特征的辐射源指纹提取装置和SVM分类器,辐射源指纹提取装置提取到的C-E特征输入至SVM分类器进行分类学习,以通过特征聚类识别辐射源个体。
本发明的有益效果:
本发明中,通过Hilbert包络谱信息熵的辐射源指纹特征提取,并联合瞬时参数的复杂度和熵特征,得到用于辐射源个体识别的联合C-E特征;相比单类特征,该特征以微弱的时间代价换取了识别率上较大的提高,在仿真信号实验中对比分形维数和香农熵分别提高了15.2%、19.7%的正确率;在不同应用环境下具有良好的独立性、抗噪性;并通过实际测试,将其应用于FM手持机信号,在实测环境中进一步验证本发明技术方案具有一定实用性和鲁棒性。
附图说明:
图1为实施例中指纹提取流程示意图;
图2为实施例中辐射源个体识别原理图;
图3为实施例中Taylor功放模型特性曲线图;
图4为实施例中瞬时幅度-瞬时频率-瞬时相位的信息熵特征分布图;
图5为实施例中基于Hilbert包络谱信息熵的特征分布图;
图6为实施例中瞬时幅度-瞬时频率-瞬时相位的盒维数特征分布图;
图7为实施例中瞬时幅度-瞬时频率-瞬时相位的信息维数特征分布图;
图8为实施例中幅度盒维数-频率盒维数-包络谱香农熵特征分布图;
图9为实施例中采用不同指纹特征时五类电台个体的平均识别结果;
图10为实施例中AWGN信道下16QAM信号个体识别率曲线图;
图11为实施例中AWGN信道下不同调制方式的个体识别率曲线图;
图12为实施例中实测FM调制对讲机信号的识别率结果;
图13为实施例中实测FM调制对讲机信号的识别ROC曲线。
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。
在多变的应用场景和电磁环境中,依靠提取单一的某种或某类特征,一旦测量过程中出现特征值漂移或野值点,可能就会产生误判,这样很难满足辐射源个体识别实际应用中所需要的有效性和稳定性;同时,在辐射源个体差异极其微弱的情形下,提取一种能较大程度反映出个体差异信息的特征是有一定难度的。因此在实际使用中,一个越趋近于成熟的辐射源个体识别系统越应该是多种特征联合预测的。为了获得有效且鲁棒的射频指纹特征,本发明实施例,参见图1所示,提供一种基于C-E特征的辐射源指纹提取方法,包含:
S101)提取信号样本中的包络谱信息熵作为指纹特征;
S102)针对指纹特征,联合瞬时参数复杂度和熵特征,以获取作为用于识别辐射源个体的C-E特征。
本发明实施例中,基于Hilbert包络谱信息熵作为指纹特征,并联合瞬时参数的复杂度和熵特征,联合为C-E特征(Joint Characteristics of Complexity and Entropybased on Instantaneous Parameters)识别辐射源个体。
进一步地,本发明实施例中,提取信号样本中的包络谱信息熵作为指纹特征过程中,针对获取的信号样本,基于希尔伯特变换提取信号瞬时包络、瞬时相位和瞬时频率;依据信号瞬时包络,提取基于希尔伯特谱的包络谱信息熵。
进一步地,本发明实施例中,对接收到的信号样本中实信号进行希尔伯特变换;依据变换结果,并结合实信号,得到该信号样本的解析信号;针对解析信号,分别提取其瞬时包络、瞬时相位和瞬时频率,并对提取到的瞬时包络、瞬时相位和瞬时频率进行标准化处理。标准化处理过程可设计为如下内容:
对接收的实信号u(n)进行Hilbert变换得到解析信号s(n)=u(n)+jv(n);提取信号瞬时包络并对其进行标准化提取信号瞬时相位并对其进行标准化根据瞬时相位得到的φ(n)提取信号瞬时频率并对其进行标准化
进一步地,本发明实施例中,对信号瞬时包络进行快速傅里叶变换,得到包络谱;依据包络谱,计算各点包络谱能量值,并获取各点能量占总能量的概率;依据概率来获取包络谱信息熵。
进一步地,本发明实施例中,联合瞬时参数复杂度和熵特征,得到作为用于识别辐射源个体的C-E特征,包含如下内容:分别提取信号瞬时包络、瞬时相位和瞬时频率的复杂度和熵特征;联合包络谱信息熵及复杂度和熵特征,作为用于识别辐射源个体的C-E特征。
进一步地,本发明实施例中,提取复杂度和熵特征中,首先将瞬时包络、瞬时相位和瞬时频率三个瞬时参数分别置于单位正方形内,计算分形盒维数及集合元素概率;然后根据香农公式,计算集合信息维数,以及瞬时包络、瞬时相位和瞬时频率的信息熵,并依据分形盒维数得到瞬时参数的复杂度和熵特征。
根据标准化后的瞬时包络瞬时相位瞬时频率将三个信号瞬时参数分别置于单位正方形内,横坐标的最小间隔为ε=1/N,令计算分形盒维数:令设{Y(i),i=1,2,...,N}是X的一个有限δ-覆盖,则可计算出集合X的元素落在集合Y的概率根据香农公式计算出X的信息维数以及瞬时包络信息熵、瞬时相位信息熵、瞬时频率信息熵:联合得到瞬时参数的复杂度和熵特征。
进一步地,本发明实施例中,针对信号样本中提取到的C-E特征,将特征数据进行划分,得到训练样本,并对训练样本采用K折交叉验证进行分割,输入线性SVM分类器进行训练测试,以通过分类来识别辐射源个体。
进一步地,本发明实施例还提供一种基于C-E特征的辐射源指纹提取装置,包含:提取模块和联合模块,其中,
提取模块,用于提取信号样本中的包络谱信息熵作为指纹特征;
联合模块,用于针对指纹特征,联合瞬时参数复杂度和熵特征,以获取作为用于识别辐射源个体的C-E特征。
进一步地,本发明实施例还提供一种辐射源个体识别系统,包含上述的基于C-E特征的辐射源指纹提取装置和SVM分类器,辐射源指纹提取装置提取到的C-E特征输入至SVM分类器进行分类学习,以通过特征聚类识别辐射源个体。
为验证本发明技术方案的有效性,下面结合图2优选实施例和图3~13中仿真实验数据做进一步解释说明:
实施例一:
1)仿真参数:
功放的非线性作用是辐射源设备指纹特征产生的重要原因,采用泰勒多项式模型来描述功放的系统响应可以仿真发射信号的产生。利用该模型产生仿真辐射源信号进行识别,辐射源功率放大器的输出信号为
其中,l表示泰勒多项式系数,l=1,2…,Ls,包含通信辐射源的指纹特征,k表示辐射源个数,k=1,2,…,K。泰勒多项式阶数L=3,系数设置:α[1]=[1,0.5,0.3],α[2]=[1,0.08,0.6],α[3]=[1,0.01,0.01],α[4]=[1,0.01,0.8],α[5]=[1,0.6,0.04],α[6]=[1,0.4,0.07]。
在提取瞬时幅度、瞬时频率、瞬时相位的香农熵时分段数NM=8。样本截取分段为200个信号样本,每段信号采样512个点,其中一半作为训练样本,并采用K-折交叉验证以获得更好的泛化性(K的经验值通常取5、10,这里取K=5),输入线性SVM分类器进行训练。
2)仿真实验结果:
仿真一:针对通信辐射源信号,选择无线通信中常用的恒包络8PSK信号和幅度-相位联合调制的16QAM信号作为仿真信号样本,分别比较瞬时幅度/频率/相位的分形维数、香农熵、香农熵联合指数熵、包络谱香农熵以及C-S特征的识别效果。仿真环境为AWGN环境,图8给出了SNR=Es/No=15dB时,以上特征分别经过20次蒙特卡洛仿真后,五类电台个体的平均识别率Pc以及时间消耗Time(特征提取时间+训练测试时间=总时间)。
从图8的实验结果可以看出:1.FFT变换下的香农熵特征联合指数熵特征还不足以作为细微特征研究个体识别,因此不作为联合向量之一。而本发明实施例中提出的包络谱香农熵算法明显优于该指纹特征,可以作为个体识别的指纹特征之一;2.单独某一类特征在识别个体的细微特征时,很容易因为信号方式的改变而影响正确识别率,实验只是简单改变了调制方式识别率就已经有所下降。说明期望通过提取一种特征获得鲁棒性优良且能将硬件差异扩大化至可分离的指纹特征,在实际应用中更加存在一定难度;3.从时间成本来看,C-S特征时间消耗要超过部分单类指纹特征,但其实所消耗的时间在实际使用中是可以接受的,是依然可以保证实时性的;但是从正确识别率来看,C-S特征向量产生了1加1远大于2的效果;4.由于采用了多种特征联合,因此某一类特征类内聚合度较低就会影响整体的特征方差,因此在提取特征之后,或应采取特征选择方法,或采用合适的分类器。本发明实施例中采用线性SVM,分类结果主要取决于支持向量,特征方差大小对该分类器没有特别大的影响。综上,C-S特征以微小时间代价换取了较高的识别率,是一种有效的信号指纹提取方法。
仿真二:对C-S特征的抗噪性进行仿真验证,待测信号为在AWGN信道下的16QAM信号,SNR范围为0~24dB。
从图10可以看出,在较高信噪比下,C-S特征对16QAM信号的识别率可以达到100%,在SNR=10dB时,识别率可以达到93.5%,当信号和噪声能量相当时(SNR=0dB),识别率为71%,综上C-S特征在较低信噪比下性能较为良好。
仿真三:对C-S特征的独立性进行仿真,独立性指信号指纹特征不随信号调制方式的改变而改变。故本节中将仿真BPSK、QPSK、8PSK、16QAM、FSK等调制信号。
图11给出了AWGN信道下不同调制方式的识别率情况,信噪比范围为0~24dB。在对不同数字调制方式的仿真性能中,基于C-S特征的辐射源个体识别算法都能达到较高的识别率,其中16QAM信号欲达到80%的识别率,只需在3dB左右,8PSK信号大约需要在5dB,QPSK信号则性能稍差,需要8dB左右,而BPSK信号在0dB时识别率已经达到90%左右。总体来说,在信噪比环境低于10dB的情况下,数字调制信号的识别率基本都能达到80%以上。以上说明,C-S特征是一种独立性较好的指纹特征,符合现代通信中信号调制方式多变的趋势。
实施例二:为验证本发明在工程上的实用性,通过实施例二验证说明:
1)实验条件:利用实际FM调制对讲机信号对3种方法识别性能进行实验验证。实测信号来自同型号、同批次的5台的FM调制moto对讲机,用Ti(i=1,2,3,4,5,6)表示。信号的采样率为500KHz,使用的衰减器为40dB。
针对实测信号,每台手持机共截取500个稳态信号段作为总样本,每段信号样本包含1024个样点,因此,在提取瞬时幅度、瞬时频率、瞬时相位分段时增加了段数,段数NM=128。分类器设置同仿真信号。
2)实验结果:从图12可以看出,对于同型号、同批次的手持对讲机信号,由于厂家、型号相同,其硬件信息差异十分微小,但C-S特征依然可以以较高的分辨率分辨出来。证明C-S特征有一定的实用性。由图13可以看出在C-S特征的分类器ROC和AUC指标基本已经近乎理想状态。一般来说当测试集中正负样本分布发生变化时,ROC曲线能够保持不变。以上说明,当实际数据集中出现样本类不平衡时,C-S特征具有一定稳健性。
经过以上仿真数据,进一步验证本发明技术方案在不同应用环境下具有良好的独立性、抗噪,且在实际应用中具有一定实用性和鲁棒性。
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。
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 (4)
1.一种基于C-E特征的辐射源指纹提取方法,其特征在于,包含如下内容:
A)提取信号样本中的包络谱信息熵作为指纹特征;
B)针对指纹特征,联合瞬时参数复杂度和熵特征,得到作为用于识别辐射源个体的C-E特征;
A)中,包含如下内容:
A1)获取信号样本,基于希尔伯特变换提取信号瞬时包络、瞬时相位和瞬时频率;
A2)依据信号瞬时包络,提取基于希尔伯特谱的包络谱信息熵;
A1)中,对接收到的信号样本中实信号进行希尔伯特变换;依据变换结果,并结合实信号,得到该信号样本的解析信号;针对解析信号,分别提取其瞬时包络、瞬时相位和瞬时频率,并对提取到的瞬时包络、瞬时相位和瞬时频率进行标准化处理;
A2)中,对信号瞬时包络进行快速傅里叶变换,得到包络谱;依据包络谱,计算各点包络谱能量值,并获取各点能量占总能量的概率;依据概率来获取包络谱信息熵;
B)中,包含如下内容:
B1)分别提取信号瞬时包络、瞬时相位和瞬时频率的复杂度和熵特征;
B2)联合包络谱信息熵及复杂度和熵特征,作为用于识别辐射源个体的C-E特征;
B1)提取复杂度和熵特征中,首先将瞬时包络、瞬时相位和瞬时频率三个瞬时参数分别置于单位正方形内,计算分形盒维数及集合元素概率;然后根据香农公式,计算集合信息维数,以及瞬时包络、瞬时相位和瞬时频率的信息熵,并依据分形盒维数得到瞬时参数的复杂度和熵特征。
2.根据权利要求1所述的基于C-E特征的辐射源指纹提取方法,其特征在于,针对信号样本中提取到的C-E特征,将特征数据进行划分,得到训练样本,并对训练样本采用K折交叉验证进行分割,输入线性SVM分类器进行训练测试,以通过分类来识别辐射源个体。
3.一种基于C-E特征的辐射源指纹提取装置,其特征在于,包含:提取模块和联合模块,其中,
提取模块,用于提取信号样本中的包络谱信息熵作为指纹特征;
联合模块,用于针对指纹特征,联合瞬时参数复杂度和熵特征,得到作为用于识别辐射源个体的C-E特征;
所述提取模块包含子模块一和子模块二,其中,
子模块一,用于获取信号样本,基于希尔伯特变换提取信号瞬时包络、瞬时相位和瞬时频率;
子模块二,用于依据信号瞬时包络,提取基于希尔伯特谱的包络谱信息熵;
对接收到的信号样本中实信号进行希尔伯特变换;依据变换结果,并结合实信号,得到该信号样本的解析信号;针对解析信号,分别提取其瞬时包络、瞬时相位和瞬时频率,并对提取到的瞬时包络、瞬时相位和瞬时频率进行标准化处理;
对信号瞬时包络进行快速傅里叶变换,得到包络谱;依据包络谱,计算各点包络谱能量值,并获取各点能量占总能量的概率;依据概率来获取包络谱信息熵;
联合模块中,通过分别提取信号瞬时包络、瞬时相位和瞬时频率的复杂度和熵特征;联合包络谱信息熵及复杂度和熵特征,作为用于识别辐射源个体的C-E特征;其中,提取复杂度和熵特征中,首先将瞬时包络、瞬时相位和瞬时频率三个瞬时参数分别置于单位正方形内,计算分形盒维数及集合元素概率;然后根据香农公式,计算集合信息维数,以及瞬时包络、瞬时相位和瞬时频率的信息熵,并依据分形盒维数得到瞬时参数的复杂度和熵特征。
4.一种辐射源个体识别系统,其特征在于,包含权利要求3所述的基于C-E特征的辐射源指纹提取装置和SVM分类器,辐射源指纹提取装置提取到的C-E特征输入至SVM分类器进行分类学习,以通过特征聚类识别辐射源个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854834.1A CN110691050B (zh) | 2019-09-10 | 2019-09-10 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854834.1A CN110691050B (zh) | 2019-09-10 | 2019-09-10 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110691050A CN110691050A (zh) | 2020-01-14 |
CN110691050B true CN110691050B (zh) | 2022-01-21 |
Family
ID=69108057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854834.1A Active CN110691050B (zh) | 2019-09-10 | 2019-09-10 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110691050B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310700B (zh) * | 2020-02-27 | 2024-02-13 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN112132027A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112311480B (zh) * | 2020-10-29 | 2023-03-14 | 上海电机学院 | 一种通信辐射源个体识别方法 |
CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
CN112507855A (zh) * | 2020-12-04 | 2021-03-16 | 国网浙江省电力有限公司武义县供电公司 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
CN112633121A (zh) * | 2020-12-18 | 2021-04-09 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 |
CN112910813B (zh) * | 2021-04-10 | 2022-09-06 | 青岛科技大学 | 基于lda-knn的水声信号自动调制识别方法 |
CN115169406B (zh) * | 2022-07-15 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于经验模态分解的瞬时相位指纹特征增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109446877A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
-
2019
- 2019-09-10 CN CN201910854834.1A patent/CN110691050B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109446877A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
Non-Patent Citations (3)
Title |
---|
Joint resource allocation scheme for target tracking in distributed MIMO radar systems;ZHENG Na’e, SUN Yang, SONG Xiyu等;《Journal of Systems Engineering and Electronics》;20190902;全文 * |
Resource Allocation for Target Tracking in Distributed MIMO Radar;Yang Sun, Nae Zheng, Yuxiang Li等;《2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20170326;全文 * |
基于射线跟踪的AOA定位算法的GDOP研究;孔范增,郭敏,任修坤等;《计算机工程与科学》;20180131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110691050A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110691050B (zh) | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 | |
Margoosian et al. | An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises | |
Zhou et al. | A robust radio-frequency fingerprint extraction scheme for practical device recognition | |
O'Shea et al. | Learning approximate neural estimators for wireless channel state information | |
Tu et al. | Research on the Internet of Things device recognition based on RF-fingerprinting | |
Wang et al. | A semi-supervised learning approach for UWB ranging error mitigation | |
Li et al. | Wireless transmitter identification based on device imperfections | |
Harmer et al. | Classifier selection for physical layer security augmentation in cognitive radio networks | |
Wu et al. | DSLN: Securing Internet of Things through RF fingerprint recognition in low-SNR settings | |
Sun et al. | Radio-frequency fingerprint extraction based on feature inhomogeneity | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
Lukacs et al. | Classification performance using'RF‐DNA'fingerprinting of ultra‐wideband noise waveforms | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
Han et al. | Communication emitter individual identification via 3D‐Hilbert energy spectrum‐based multiscale segmentation features | |
Zhang et al. | Variable-modulation specific emitter identification with domain adaptation | |
Ma et al. | Generalised maximum complex correntropy‐based DOA estimation in presence of impulsive noise | |
Liu et al. | A new cumulant estimator in multipath fading channels for digital modulation classification | |
McClintick et al. | Countering physical eavesdropper evasion with adversarial training | |
CN111245821B (zh) | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 | |
Wang et al. | User capacity of wireless physical-layer identification | |
Zou et al. | A transfer kernel learning based strategy for adaptive localization in dynamic indoor environments: poster | |
Sun et al. | Intrinsic Low-Dimensional Nonlinear Manifold Structure of Radio Frequency Signals | |
Wang et al. | Automatic digital modulation recognition in the presence of alpha-stable noise | |
Xing et al. | Method to reduce the signal‐to‐noise ratio required for modulation recognition based on logarithmic properties | |
Sun et al. | Joint detection scheme for spectrum sensing over time‐variant flat fading channels |
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 |