CN111046697A - 一种基于模糊逻辑系统的自适应调制信号识别方法 - Google Patents
一种基于模糊逻辑系统的自适应调制信号识别方法 Download PDFInfo
- Publication number
- CN111046697A CN111046697A CN201811187929.4A CN201811187929A CN111046697A CN 111046697 A CN111046697 A CN 111046697A CN 201811187929 A CN201811187929 A CN 201811187929A CN 111046697 A CN111046697 A CN 111046697A
- Authority
- CN
- China
- Prior art keywords
- classifier
- signal
- modulation
- fuzzy logic
- signals
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种基于模糊逻辑系统的自适应调制信号识别方法,根据空中信号特征参数取值呈现范围性分布的特点,自动统计空中信号调制特征参数取值范围,利用模糊逻辑原理构建分类器并进行训练,从而实现了对空中信号调制方式的高识别率,从而弥补测试人员经验不足导致的隶属度函数取值不准确的缺陷,提高了识别精度。
Description
技术领域
本发明涉及无线电监测及信号情报分析领域,具体涉及一种基于模糊逻辑系统的自适应调制信号识别方法。
背景技术
调制方式识别是无线电对抗领域的重要课题,是未来无线电监测重要的发展方向。调制方式识别的基本结构包括:1)数据预处理模块、2)特征提取模块、3)分类器模块。其中数据预处理模块通过信号下变频、正交分量分解、载频估计、信号分离等处理手段,为特征提取模块以及分类器模块提供合适的数据。特征识别模块从数据中提取信号的时域、变换域特征参数,分类器则是根据提取的特征参数判断信号的调制方式。
常见的分类器算法包括统计模式识别方法、决策论方法和人工神经网络方法。
统计模式识别方法主要有直方图构造特征向量,用线性分类器判别信号的调制方式。统计模式识别方法的先决条件是要以一定量的信号样本得出其特征参数和判决门限,所以识别结果受噪声干扰的因素较大。低信噪比时的识别效果远不如高信噪比时。但其因为理论判断简便,提取特征的适应能力强,可用于多种类型的识别。
决策论方法判决理论识别方法是建立在假设检验理论上的一种识别方法,主要利用到了概率论,使之推导出一个合理的分类标准。此方法在理论统计分析出信号特性的基础上,用提前设置的门限和判决标准和推算得出的检验统计量进行定向对比。在整个识别过程中不需要信号样本且更适用在低信噪比环境下的识别。但该方法只能对已经分析得出累积特性的某类调制信号进行识别,识别类型十分有限。
人工神经网络方法则是模仿人脑处理问题的方式发展起来的一种新型智能信息处理理论,通过大量称之为神经元的简单处理结构构成人工神经网络系统。神经元具有非线性映射能力,神经元之间通过权重系数相连接,这种并行结构具有很高的计算速度。人工神经网络的信息分布式存储连接系数中,使网络具有很高的容错性和鲁棒性。基于人工神经网络的调制识别方法速度快、识别率高,但仅限于调制特征独立性较高的数字调制方式,对于模拟信号调制方式识别率效果不佳。
以上三种识别分类方法各有侧重,对于实际使用的发射信号来说,由于受到调制源信号持续变化、传播过程中噪声和其它发射源干扰、环境变化引起的衰落、折射、以及传输损耗等因素影响,其到达接收机的调制特征将出现显著的差异,提取到的特征参数也将超出预计的阈值范围。同时在调制信号实时识别时,提取的特征数据稀疏化严重,根据理想信号特征的识别方法在实际应用时其识别性能出现显著下降。
因此如何提高现有识别方法在当今日益复杂的通信环境下的识别性能,是十分有必要的。
经过大量信号数据统计,接收到的空中信号其调制特征取值范围在某个阈值区间内基本服从正态分布,部分不同信号之间相同的调制特征无明确的区分界限。空中信号分类识别中,需要一种可以针对区间性分布的特征参数值进行处理统计的方法。
模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式,对于模型未知或不能确定的描述系统,以及强非线性、大滞后的控制对象,应用模糊集合和模糊规则进行推理,表达过渡性界限或定性知识经验,模拟人脑方式,实行模糊综合判断,推理解决常规方法难于对付的规则型模糊信息问题。
模糊逻辑系统是指利用模糊概念和模糊逻辑构成的系统。由于在选择模糊概念和模糊逻辑上的随意性,可以构造出多种多样的模糊逻辑系统。最常见的模糊逻辑系统有三类:纯模糊逻辑系统、高木-关野模糊逻辑系统和具有模糊产生器以及模糊消除器的模糊逻辑系统。
其中具有模糊产生器以及模糊消除器的模糊逻辑系统是由Mamdani首先提出,而且已经在许多工业过程和商业产品中得到成功的应用。该系统具有以下三方面的显著优点:1)这种模糊逻辑系统提供了一种描述领域专家知识的模糊规则的一般化方法;2)使用者在设计其中的模糊产生器、模糊推理机和模糊消除器时具有很大的自由度,因此可以根据实际情况,找到一个最适合的模糊逻辑系统;3)因为其输入、输出均为精确值,因此特别适合在工程领域中应用。
发明内容
本发明目的是针对无线电监测过程中,由于发射源数据变动、外界环境变化、传输损耗等因素导致调制信号出现明显波动而引起的调制方式无法有效识别的问题,提供一种可行的自适应实时识别方法。所述方法将接收到的射频信号数据,经过接收机数据预处理,得到时域IQ数据,根据频率带宽设定分离信号,计算统计信号对应的时域数据和频谱数据特征参数,然后将特征数据分为前后两部分输入分类器模块,前一部分用于训练,将调制信号对应的空隶属度函数重构为真实信号的隶属度函数,后一部分数据进入训练后的模糊逻辑分类器,从而实现对信号的在线识别。
一种基于模糊逻辑系统的自适应调制信号识别方法,主要包括以下步骤:
1)构建分类器:根据信号调制类型设计隶属度函数和模糊逻辑推理规则,构建模糊逻辑分类器;
2)利用实际信号训练分类器:从接收机获取调制方式已知的信号数据,计算其特征参数,并循环多次计算构建特征参数对应的数组,获取统计分布数据,并重构对应的隶属度函数;
3)验证分类器准确率:重新获取该信号IQ数据,计算特征参数,使用模糊逻辑分类器进行识别,验证识别准确率。准确率95%以上视为训练完成。
4)在线识别:训练完成后,即可使用接收机在线分离信号,获取特征参数,并将其输入模糊逻辑分类器,输出已识别的调制方式,执行自动识别任务。
为实现上述目的,本发明采用技术方案如下:
一种基于模糊控制的自动调制信号识别方法包括如下步骤:
步骤a:根据已知调制信号的特征参数构建空隶属度函数。
步骤b:根据隶属度函数,创建模糊推理规则,使满足条件的特征参数经过模糊推理、去模糊化以后指向该信号对应的调制方式,构建模糊逻辑分类器。
步骤c:从接收机获取指定频率和时长的IQ数据。
步骤d:从IQ数据中分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值。
步骤e:重复步骤d,不少于500次,以获得该信号特征参数相应的数组。
步骤f:对每个特征参数对应的数组进行正态分布统计,根据计算得到的期望和方差,更新步骤b中对应的隶属度函数,完成对分类器的训练。
步骤g:重复步骤c、d,同时将特征参数值输入分类器,验证调制信号自动识别准确率。
步骤h:判断识别准确率,当小于95%时,重复步骤c、d、e、f、g;大于95%时,则进入步骤i。
步骤i:若有其他已知调制方式的信号,则重复以上步骤;如无则进入步骤j。
步骤j:重复步骤c,从IQ数据中分离其它频率信号,计算特征参数,使用训练完成的分类器来在线自动识别信号的调制方式。
步骤h:输出自动识别结果。
本发明的有益效果
本发明的优点在于根据空中信号特征参数取值呈现范围性分布的特点,自动统计空中信号调制特征参数取值范围,利用模糊逻辑原理构建分类器并进行训练,从而实现了对空中信号调制方式的高识别率,具有较高的实用价值。其中训练阶段利用空中信号调制方式特征参数值的统计分布特性,重构隶属度函数,从而弥补测试人员经验不足导致的隶属度函数取值不准确的缺陷,提高了识别精度。
同时,对于空中模拟调制信号(AM/FM/USB/LSB)具有更好的适应性与分辨力,特别是FM调制信号,由于各电台播放内容、发射参数以及相对距离的差异导致特征参数取值出现较大范围的波动,使用理想的调制识别方法做在线识别,其准确率会有明显下降,而使用基于模糊逻辑的分类器则解决了此类问题。
本发明具有良好的扩展性。由于隶属度函数和模糊逻辑推理规则是根据调制信号特征而预先设计的,因而可以更方便的扩展信号调制方式。
附图说明
图1是本发明的实现流程示意图
具体实施方式
下面以FM调制信号识别为实施例对本发明作进一步地详细说明
如图1所示,本发明提供一种基于模糊逻辑的自动调制信号识别方法。
具体实现步骤如下:
步骤a:根据FM调制信号的特征参数(瞬时幅度偏离度Ra、包络熵Ae、瞬时频率偏离度Fe)分别构建隶属度函数Fi,函数形状采用高斯正态分布函数,数值点均预设为0。
步骤b:根据隶属度函数,创建模糊推理规则(当瞬时幅度偏离度Ra、包络熵Ae、瞬时频率偏离度等Fe等分别对应的隶属度函数Fi同时满足条件时,则确定该调制方式为FM),去模糊运算使用面积中心方法,构建模糊逻辑分类器。
步骤c:从接收机获取88MHz~108MHz频段范围,时长10秒的的IQ数据。
步骤d:从IQ数据中分离FM电台信号,如频率102.5MHz,带宽200KHz的广播电台信号,计算并缓存其特征参数值(瞬时幅度偏离度Ra、包络熵Ae、瞬时频率偏离度等Fe)。
步骤e:重复步骤d,不少于500次,以获得该信号特征参数相应的数组。
步骤f:对每个特征参数对应的数组进行正态分布统计,根据计算得到的期望(E)和方差(u),更新步骤b中对应隶属度函数的数据点(E-3u,E-u,E+u,E+3u),完成对分类器的训练。
步骤g:重复步骤c、d,同时将特征参数值(R_a、A_e、F_e等)输入分类器,验证调制信号自动识别准确率。
步骤h:判断识别准确率,当小于95%时,重复步骤c、d、e、f、g;大于95%时,则进入步骤i。
步骤i:若有其他已知调制方式的信号,则重复以上步骤;如无则进入步骤j。
步骤j:重复步骤c、d,IQ数据时长变为10ms,以保证实时性。从IQ数据中分离其它频率的FM电台信号,计算特征参数(Ra、Ae、Fe),使用训练完成的分类器来在线自动识别信号的调制方式。
步骤h:输出自动识别结果。
Claims (2)
1.一种基于模糊逻辑系统的自适应调制信号识别方法,其特征在于,包括以下步骤:
1)构建分类器:根据信号调制类型设计隶属度函数和模糊逻辑推理规则,构建模糊逻辑分类器;
2)利用实际信号训练分类器:从接收机获取调制方式已知的信号数据,计算其特征参数,并循环多次计算构建特征参数对应的数组,获取统计分布数据,并重构对应的隶属度函数;
3)验证分类器准确率:重新获取该信号IQ数据,计算特征参数,使用模糊逻辑分类器进行识别,验证识别准确率。准确率95%以上视为训练完成。
4)在线识别:训练完成后,即可使用接收机在线分离信号,获取特征参数,并将其输入模糊逻辑分类器,输出已识别的调制方式,执行自动识别任务。
2.一种基于模糊控制的自动调制信号识别方法,其特征在于,包括如下步骤:
步骤a:根据已知调制信号的特征参数构建空隶属度函数;
步骤b:根据隶属度函数,创建模糊推理规则,使满足条件的特征参数经过模糊推理、去模糊化以后指向该信号对应的调制方式,构建模糊逻辑分类器;
步骤c:从接收机获取指定频率和时长的IQ数据;
步骤d:从IQ数据中分离已知频点、带宽和调制方式的信号,计算并缓存其特征参数值;
步骤e:重复步骤d,不少于500次,以获得该信号特征参数相应的数组;
步骤f:对每个特征参数对应的数组进行正态分布统计,根据计算得到的期望和方差,更新步骤b中对应的隶属度函数,完成对分类器的训练;
步骤g:重复步骤c、d,同时将特征参数值输入分类器,验证调制信号自动识别准确率;
步骤h:判断识别准确率,当小于95%时,重复步骤c、d、e、f、g;大于95%时,则进入步骤i;
步骤i:若有其他已知调制方式的信号,则重复以上步骤;如无则进入步骤j;
步骤j:重复步骤c,从IQ数据中分离其它频率信号,计算特征参数,使用训练完成的分类器来在线自动识别信号的调制方式;
步骤h:输出自动识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187929.4A CN111046697A (zh) | 2018-10-12 | 2018-10-12 | 一种基于模糊逻辑系统的自适应调制信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187929.4A CN111046697A (zh) | 2018-10-12 | 2018-10-12 | 一种基于模糊逻辑系统的自适应调制信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046697A true CN111046697A (zh) | 2020-04-21 |
Family
ID=70229606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811187929.4A Pending CN111046697A (zh) | 2018-10-12 | 2018-10-12 | 一种基于模糊逻辑系统的自适应调制信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046697A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461007A (zh) * | 2020-03-31 | 2020-07-28 | 北京博识广联科技有限公司 | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
CN112084850A (zh) * | 2020-08-04 | 2020-12-15 | 中电科仪器仪表有限公司 | 一种信号调制参数自适应识别方法 |
CN114818808A (zh) * | 2022-04-25 | 2022-07-29 | 中国电子科技集团公司第二十九研究所 | 基于转移分析的频率信号分类方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
-
2018
- 2018-10-12 CN CN201811187929.4A patent/CN111046697A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
CN107124381A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
Non-Patent Citations (3)
Title |
---|
付晓霞等: "基于模糊系统的调制信号自动识别方法" * |
吕燕等: "基于模糊分类的调制信号自动识别方法" * |
陈筱倩等: "基于自适应级联模糊推理的调制识别算法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461007A (zh) * | 2020-03-31 | 2020-07-28 | 北京博识广联科技有限公司 | 一种基于模糊逻辑的自动调制信号识别方法及装置 |
CN112084850A (zh) * | 2020-08-04 | 2020-12-15 | 中电科仪器仪表有限公司 | 一种信号调制参数自适应识别方法 |
CN114818808A (zh) * | 2022-04-25 | 2022-07-29 | 中国电子科技集团公司第二十九研究所 | 基于转移分析的频率信号分类方法及装置 |
CN114818808B (zh) * | 2022-04-25 | 2023-04-14 | 中国电子科技集团公司第二十九研究所 | 基于转移分析的频率信号分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN111046697A (zh) | 一种基于模糊逻辑系统的自适应调制信号识别方法 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN107563437B (zh) | 基于随机森林的超宽带非视距鉴别方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN111862951B (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN112668498A (zh) | 空中辐射源个体智能增量识别方法、系统、终端及应用 | |
Zhou et al. | Specific emitter identification via bispectrum-radon transform and hybrid deep model | |
Li | A new robust signal recognition approach based on holder cloud features under varying SNR environment | |
CN110929677A (zh) | 一种振动数据在线监测分析系统 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
CN112689288A (zh) | 一种基于wann的射频指纹提取和识别方法 | |
CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 | |
CN111461007A (zh) | 一种基于模糊逻辑的自动调制信号识别方法及装置 | |
CN111951611A (zh) | 基于多特征融合的ads-b微弱信号检测装置及方法 | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
CN110071884A (zh) | 一种基于改进熵云特征的通信信号调制识别方法 | |
CN113688953B (zh) | 基于多层gan网络的工控信号分类方法、装置和介质 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN111988252A (zh) | 基于深度学习的信号调制方式识别方法 | |
CN110135281B (zh) | 一种电力系统低频振荡智能在线识别方法 |
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 |