CN111046896A - 一种跳频信号电台分选方法 - Google Patents

Abstract

提供一种基于栈式自编码器细微特征提取的跳频信号电台分选方法，包括下列步骤：栈式自编码器的电台特征提取；栈式自编码器电台特征数据集构建；低秩Low‑rank聚类的跳频信号电台分选。利用栈式自编码器在细微特征提取和描述方面的诸多优势，提取跳频电台的细微特征，结合之前数据累积结果建立电台细微特征字典数据集，对于实时侦测到的非合作方跳频电台信号数据，利用同样技术提取其细微特征参量，然后通过Low‑rank聚类算法与数据字典中信息进行比对分析，实现跳频信号的电台分选，并对数据库信息进行及时更新。

Description

一种跳频信号电台分选方法

技术领域

本发明涉及无线通信与信号处理技术，具体涉及一种跳频信号电台分选方法。

背景技术

跳频通信是指通信双方或者多方在相同的同步算法和伪随机跳频图案算法的控制下，射频频率在约定的频率集内以离散频率的形式伪随机且同步跳变的通信方式。射频频率在跳变过程中所覆盖的带宽远远大于原信息带宽，因而频谱得到扩展。对于非合作的侦测方而言，由于载频跳变规律未知因而很难实现载频同步。当同一空间中存在多部跳频电台同时工作时，就涉及跳频组网的概念。跳频组网的目的是实现跳频多址通信，按照不同的组网方式又可分为同步组网和异步组网。这就使得跳频通信具有截获概率低、抗干扰能力强、保密性好以及易于组网等多种优于常规定频通信的优势。而跳频信号的电台分选是指从多个跳频电台的混合信号中分离出全部或特定电台对应的各跳信号，它是跳频信号侦察处理领域的难点。

现有的跳频信号电台分选算法主要可以分为三类，第一种基于起跳时刻的跳频信号电台分选方法。该方法利用信号时频变换结果得到每跳信号的起跳时刻(到达时间)，然后根据起跳时刻和各跳信号的持续时长进行电台分选。这类方法仅利用各跳信号的起跳时刻信息，对跳频信号起跳时刻估计精度要求较高，且只能实现异步组网的跳频信号分选，目前此类方法的研究越来越少。第二种基于盲分离的跳频信号电台分选方法。这种方法能够在已知源信号个数且不需要其他源信号先验和准确阵列结构的条件下实现信号的分选。这种方法存在的主要问题是受环境噪声影响大，只适用于非欠定情况，即接收天线的阵元个数对于电台个数的情况，欠定条件下欠定方程求解困难，应用受限。第三种也是最常用的方法是基于参数估计的跳频信号电台分选方法。该方法可利用的信号参数有跳周期、跳频频率集、波达方向、功率、信号时间相关性以及网络信息等，在获得信号各类参数后，通过设计相应的聚类算法实现电台分选。该方法存在的只要问题是可用于分选的估计参数数量少，估计精度低，分选正确率对参数估计精度依赖大，不同聚类算法分选结果存在差异，复杂环境下无法有效实现跳频信号的电台分选。

近年来，随着人工智能技术的飞速发展，深度学习作为人工智能领域最常见一种机器学习理论，在信号处理方面应用广泛。深度学习通过搭建多层神经网络，让计算机自主学习，有效解决了信号处理过程中数据量大，信号结构复杂，特征提取困难等问题。自编码器作为神经网络结构的重要组成部分，在无监督学习以及非线性特征提取等方面具有诸多优势。考虑到元器件结构设计、制造工艺以及器件特性带来的性能细微差异，实际上任意两部来自同一生产线型号完全相同的电台，其辐射信号之间也存在细微不同，特别是在其开关机、频率转换瞬间。通过提取这些细微差异特征可实现跳频信号的电台分选。而这些细微特征多呈现复杂的非线性、非平稳性和非高斯性特征。

发明内容

针对现有技术存在的问题，借鉴深度学习中自编码器在非线性特征提取方面的优势，本发明提供了一种栈式自编码器特征提取下的跳频信号电台分选算法。首先利用栈式自编码器对电台的特征进行提取建立电台特征数据，然后利用低秩(Low-rank)聚类算法实现跳频信号的电台分选。

本发明的跳频信号电台分选方法，包括下列步骤：

第一步：栈式自编码器的电台特征提取；

自编码器的结构包含三层：输入层，隐藏层和输出层，其中输入层也称为可视层，隐藏层和输出层又称为编码层和解码层；自编码器作为一个三层神经网络是一种无监督的学习过程，通过编码和解码两步控制输入信号与输出重构信号相同，进而获得编码和解码过程的权值系数；

栈式自编码器是由多个自编码器堆叠而成，其前一层自编码器的输出作为后一层自编码器的输入，采用逐层贪婪学习的方法依次训练网络的每一层，进而完成整个网络的训练，在训练每一层网络时，其他各层参数保持不变；

假设输入原始信号为x∈R^d，其中，d为信号数据长度，R表示整个实数集；对于训练一个3层栈式自编码器网络，介绍基于栈式自编码器的电台信号特征学习过程；

基于栈式自编码器的特征学习过程第一阶段是编码；栈式自编码器输入层的神经元个数为d，与输入信号数据长度相等；对于输入数据x∈R^d，第l个编码隐藏层的输出

为

x^(l)＝f_l(x^(l-1))＝σ(W_lx^(l-1)+b_l) (1)

其中，x⁽⁰⁾＝x表示输入层，x^(l-1)表示第l-1个编码隐藏层的输出，f_l(x^(l-1))表示对x^(l-1)进行的映射，d_l表示第l个编码隐藏层神经网络神经元个数，σ(·)为非线性激活函数，取

为sigmiod函数；W_l为第l-1个隐藏层神经网络与第l个隐藏层神经网络传播过程的权值矩阵，b_l为第l个隐藏层的偏差；

编码过程完成后，需要对编码结果进行解码，重构出原始输入信号；因此，解码过程作为编码的逆过程，神经网络传播路径的权值矩阵与编码过程呈对称性；实际操作中，为了简化求解过程，约定同一层网络中编码权值矩阵与解码权值矩阵的转置相同；对于3层栈式自编码器网络，第l层解码输出

为

式中，z^(l-1)表示第l-1层解码输出，g_l(z^(l-1))表示对z^(l-1)进行的映射，

和

分别为第l个解码层的权值矩阵和偏差，D_l表示第l个解码层神经元个数；第三个编码层的输出等于第一个解码层的输入，即z⁽⁰⁾＝x⁽³⁾；

为求得栈式自编码器编码和解码过程的权值系数，构造代价函数如下，

式中，

为公式(3)的结果值，λ为惩罚系数，

表示求式(3)取最小值时的W_l，b_l；

上述逐层训练完成后，采用误差反向传播算法同时对整个网络参数进行微调，使得微调后的最终输出结果更接近编码前的输入数据；最终求得3层栈式自编码器的权值系数结果为[(W₁，b₁)，(W₂，b₂)，(W₃，b₃)]，该权值系数结果通过Matlab函数reshape拉伸为一组向量后，将作为输入训练信号的特征参量以用于后续的电台特征字典构建以及待测电台的分类识别；

第二步：栈式自编码器电台特征数据集构建；

为了构建用于跳频信号网台分选的特征数据库，需要对带标签的训练信号和无标签的待识别信号，利用栈式自编码器分别进行学习；

将所有带标签信号学习后的权值系数作为特征字典矩阵，表示为A＝[a₁，…，a_i，…，a_P]，其中，P为待分类信号所属电台类别数，a_i表示第i类电台信号带标签特征矩阵，a_i中可包含一个或者多个i类电台信号特征向量，其特征向量个数取决于用于训练的i类电台信号样本个数；

对于无标签的待分类信号，利用栈式自编码器训练权值系数作为其相应的特征向量，所有无标签信号特征向量组成待检测特征集，表示为X＝[x₁，…，x_j，…，x_M]，其中，M表示待分类识别的信号个数，x_j，j∈(1，M)表示特征数据集中的第j个待检测信号特征样本；

对于以上训练所得的有标签特征字典和无标签待分类特征集利用分类器实现分类识别，具体方法如下；

第三步：低秩Low-rank聚类的跳频信号电台分选；

栈式自编码器完成特征提取后，通过低秩Low-rank聚类算法实现信号分类识别；对于给定的列向量数据集X＝[x₁，…，x_j，…，x_M]，若X属于由A中元素张成的向量空间，即X∈span{A}，则X可由A线性表示为X＝AZ，其中A被称为特征字典矩阵，则Low-rank聚类模型表示为

min rank(Z)约束条件：X＝AZ (4)

式中，min(·)为求最小值函数，rank(Z)为矩阵Z的秩，表示矩阵Z中非0特征值的个数；

利用Frobenius范数求解式(4)时，其代价函数表示为

式中，β为惩罚系数，J(Z)为代价函数值，可表示为

式中，tr(·)表示求矩阵的迹，(·)^T表示矩阵的转置，对式(6)中Z求导并使其结果为0，得

由式(7)可得

Z^*＝(βI+A^TA)^-1A^TX (8)

式中，Z^*表示式(5)的结果，(·)^-1表示矩阵的逆，I表示单位矩阵；

由式(8)求得Low-rank聚类参数矩阵Z^*后，待分类识别数据集X＝[x₁，…，x_j，…，x_M]的分类识别结果表示为

式中，A_i＝[0，…，a_i，…，0]表示特征字典矩阵A中除第i类电台信号带标签特征矩阵a_i外，其他元素都为0。

实测跳频信号的分选结果表明，本发明基于栈式自编码器电台特征提取的算法可用于实现跳频信号的电台分选。

附图说明

图1示出自编码器基本结构图；

图2示出栈式自编码器学习训练过程图；

图3示出有无栈式自编码器训练分类对比效果图；

图4示出不同信噪比下本发明分类识别效果图。

具体实施方式

下面结合具体实例来详细介绍本发明的技术方案和实施过程。

本发明提出的跳频信号电台分选方法，包括下列步骤：

第一步：栈式自编码器的电台特征提取；

自编码器作为深度学习领域的重要分支，其最大优点是可通过多层非线性映射将原始高维数据空间编码为低维特征空间，随后又可利用解码函数重构原始数据。其优点主要是通过非线性激活函数的编码过程，利用低维特征空间表征原始高维数据，有效描述输入数据样本特征的同时，降低了特征描述的复杂度。

自编码器的基本结构如图1所示，其结构主要包含三层：输入层，隐藏层和输出层，其中输入层也称为可视层，隐藏层和输出层又称为编码层和解码层。自编码器作为一个三层神经网络是一种无监督的学习过程，主要通过编码和解码两步控制输入信号与输出重构信号相同，进而获得编码和解码过程的权值系数。

栈式自编码器是由多个自编码器堆叠而成，其前一层自编码器的输出作为后一层自编码器的输入，采用逐层贪婪学习的方法依次训练网络的每一层，进而完成整个网络的训练，在训练每一层网络时，其他各层参数保持不变。

假设输入原始信号为x∈R^d，其中，d为信号数据长度，R表示整个实数集。本发明以训练一个3层栈式自编码器网络为例，介绍基于栈式自编码器的电台信号特征学习过程。

如图2所示，基于栈式自编码器的特征学习过程第一阶段是编码。栈式自编码器输入层的神经元个数为d，与输入信号数据长度相等。对于输入数据x∈R^d，第l个编码隐藏层的输出

为

x^(l)＝f_l(x^(l-1))＝σ(W_lx^(l-1)+b_l) (1)

其中，x⁽⁰⁾＝x表示输入层，x^(l-1)表示第l-1个编码隐藏层的输出，f_l(x^(l-1))表示对x^(l-1)进行的映射，d_l表示第l个编码隐藏层神经网络神经元个数，σ(·)为非线性激活函数，取

为sigmiod函数。W_l为第l-1个隐藏层神经网络与第l个隐藏层神经网络传播过程的权值矩阵，b_l为第l个隐藏层的偏差。

编码过程完成后，需要对编码结果进行解码，重构出原始输入信号。因此，解码过程作为编码的逆过程，神经网络传播路径的权值矩阵与编码过程呈对称性，如图中2所示。实际操作中，为了简化求解过程，约定同一层网络中编码权值矩阵与解码权值矩阵的转置相同。对于3层栈式自编码器网络，第l层解码输出

为

式中，z^(l-1)表示第l-1层解码输出，g_l(z^(l-1))表示对z^(l-1)进行的映射，

和

分别为第l个解码层的权值矩阵和偏差，D_l表示第l个解码层神经元个数。第三个编码层的输出等于第一个解码层的输入，即z⁽⁰⁾＝x⁽³⁾。

为求得栈式自编码器编码和解码过程的权值系数，构造代价函数如下，

式中，

为公式(3)的结果值，λ为惩罚系数，

表示求式(3)取最小值时的W_l，b_l。

上述逐层训练完成后，可采用误差反向传播算法(Error Bank Propagation)[Rumelhart D E，Hinton G E，Williams R J.Learning representations by back-propagating errors[J].Nature，1986，323(6088)：399-421.]同时对整个网络参数进行微调，使得微调后的最终输出结果更接近编码前的输入数据。最终求得3层栈式自编码器的权值系数结果为[(W₁，b₁)，(W₂，b₂)，(W₃，b₃)]，该权值系数结果通过Matlab函数reshape拉伸为一组向量后，将作为输入训练信号的特征参量以用于后续的电台特征字典构建以及待测电台的分类识别。

第二步：栈式自编码器电台特征数据集构建；

为了构建用于跳频信号网台分选的特征数据库，需要对带标签的训练信号和无标签的待识别信号，利用栈式自编码器分别进行学习。

将所有带标签信号学习后的权值系数作为特征字典矩阵，表示为A＝[a₁，…，a_i，…，a_P]，其中，P为待分类信号所属电台类别数，a_i表示第i类电台信号带标签特征矩阵，a_i中可包含一个或者多个i类电台信号特征向量，其特征向量个数取决于用于训练的i类电台信号样本个数。

对于无标签的待分类信号，利用栈式自编码器训练权值系数作为其相应的特征向量，所有无标签信号特征向量组成待检测特征集，表示为X＝[x₁，…，x_j，…，x_M]，其中，M表示待分类识别的信号个数，x_j，j∈(1，M)表示特征数据集中的第j个待检测信号特征样本。

栈式自编码器没有分类识别的功能，因此，对于以上训练所得的有标签特征字典和无标签待分类特征集需要利用分类器实现分类识别，具体方法如下。

第三步：低秩Low-rank聚类的跳频信号电台分选；

栈式自编码器完成特征提取后，本发明通过Low-rank聚类算法实现信号分类识别。对于给定的列向量数据集X＝[x₁，…，x_j，…，x_M]，若X属于由A中元素张成的向量空间，即X∈span{A}，则X可由A线性表示为X＝AZ，其中A被称为特征字典矩阵，则Low-rank聚类模型表示为

min rank(Z)约束条件：X＝AZ (4)

式中，min(·)为求最小值函数，rank(Z)为矩阵Z的秩，表示矩阵Z中非0特征值的个数。

利用Frobenius范数求解式(4)时，其代价函数表示为

式中，β为惩罚系数，J(Z)为代价函数值，可表示为

式中，tr(·)表示求矩阵的迹，(·)^T表示矩阵的转置，对式(6)中Z求导并使其结果为0，可得

由式(7)可得

Z^*＝(βI+A^TA)^-1A^TX (8)

式中，Z^*表示式(5)的结果，(·)^-1表示矩阵的逆，I表示单位矩阵。

由式(8)求得Low-rank聚类参数矩阵Z^*后，待分类识别数据集X＝[x₁，…，x_j，…，x_M]的分类识别结果可表示为

式中，A_i＝[0，…，a_i，…，0]表示特征字典矩阵A中除第i类电台信号带标签特征矩阵a_i外，其他元素都为0。

实例测试

为了验证本发明在跳频信号电台分类识别中的可行性和鲁棒性，按照上文所述方法步骤，对外场采集的五种不同跳频电台信号个体进行计算机仿真验证，其采样频率均为1.01MHz，并对仿真结果进行分析。算法仿真在Intel(R)Xeon(R)CPU E5-2630 v2@2.60GHz8.00GB内存的处理器上利用Matlab 2014a实现。

本实验中输入信号样本长度均为1024，栈式自编码器网络训练结构中，神经网络传播路径中的神经元个数为1024-512-256-128。

为了验证本发明方法将栈式自编码器训练网络结构中的权值参量作为信号特征信息的可行性，图3所示为将标签训练信号直接作为字典，将待测无标签信号和字典输入Low-rank聚类算法实现信号直接分类识别和通过本方法栈式自编码器训练，将标签训练信号编码权值参量作为特征字典，将待测无标签信号训练权值参量特征和字典输入Low-rank聚类算法实现信号分类识别的对比效果。图3实验对比表明，通过本发明栈式自编码器训练，将信号编码权值参量作为信号特征后进行分类识别较于信号不提取特征直接分类效果好，本实验在证明栈式自编码器编码参量可以作为信号分类特征的同时也证明了本发明方法对于信号分类识别的可行性。

图4所示为利用Matlab中awgn函数对待测无标签信号加噪后，不同信噪比条件下的分类识别效果。图4对比实验表明，在很大信噪比范围内，本发明方法对信号都能实现较好的分类识别。

Claims (1)

1.跳频信号电台分选方法，包括下列步骤：

第一步：栈式自编码器的电台特征提取；

自编码器的结构包含三层：输入层，隐藏层和输出层，其中输入层也称为可视层，隐藏层和输出层又称为编码层和解码层；自编码器作为一个三层神经网络是一种无监督的学习过程，通过编码和解码两步控制输入信号与输出重构信号相同，进而获得编码和解码过程的权值系数；

栈式自编码器是由多个自编码器堆叠而成，其前一层自编码器的输出作为后一层自编码器的输入，采用逐层贪婪学习的方法依次训练网络的每一层，进而完成整个网络的训练，在训练每一层网络时，其他各层参数保持不变；

假设输入原始信号为x∈R^d，其中，d为信号数据长度，R表示整个实数集；对于训练一个3层栈式自编码器网络，介绍基于栈式自编码器的电台信号特征学习过程；

基于栈式自编码器的特征学习过程第一阶段是编码；栈式自编码器输入层的神经元个数为d，与输入信号数据长度相等；对于输入数据x∈R^d，第l个编码隐藏层的输出

为

x^(l)＝f_l(x^(l-1))＝σ(W_lx^(l-1)+b_l) (1)

其中，x⁽⁰⁾＝x表示输入层，x^(l-1)表示第l-1个编码隐藏层的输出，f_l(x^(l-1))表示对x^(l-1)进行的映射，d_l表示第l个编码隐藏层神经网络神经元个数，σ(·)为非线性激活函数，取

为sigmiod函数；W_l为第l-1个隐藏层神经网络与第l个隐藏层神经网络传播过程的权值矩阵，b_l为第l个隐藏层的偏差；

编码过程完成后，需要对编码结果进行解码，重构出原始输入信号；因此，解码过程作为编码的逆过程，神经网络传播路径的权值矩阵与编码过程呈对称性；实际操作中，为了简化求解过程，约定同一层网络中编码权值矩阵与解码权值矩阵的转置相同；对于3层栈式自编码器网络，第l层解码输出

为

式中，z^(l-1)表示第l-1层解码输出，g_l(z^(l-1))表示对z^(l-1)进行的映射，

和

分别为第l个解码层的权值矩阵和偏差，D_l表示第l个解码层神经元个数；第三个编码层的输出等于第一个解码层的输入，即z⁽⁰⁾＝x⁽³⁾；

为求得栈式自编码器编码和解码过程的权值系数，构造代价函数如下，

式中，

为公式(3)的结果值，λ为惩罚系数，

表示求式(3)取最小值时的W_l，b_l；

上述逐层训练完成后，采用误差反向传播算法同时对整个网络参数进行微调，使得微调后的最终输出结果更接近编码前的输入数据；最终求得3层栈式自编码器的权值系数结果为[(W₁，b₁)，(W₂，b₂)，(W₃，b₃)]，该权值系数结果通过Matlab函数reshape拉伸为一组向量后，将作为输入训练信号的特征参量以用于后续的电台特征字典构建以及待测电台的分类识别；

第二步：栈式自编码器电台特征数据集构建；

为了构建用于跳频信号网台分选的特征数据库，需要对带标签的训练信号和无标签的待识别信号，利用栈式自编码器分别进行学习；

将所有带标签信号学习后的权值系数作为特征字典矩阵，表示为A＝[a₁，…，a_i，…，a_P]，其中，P为待分类信号所属电台类别数，a_i表示第i类电台信号带标签特征矩阵，a_i中可包含一个或者多个i类电台信号特征向量，其特征向量个数取决于用于训练的i类电台信号样本个数；

对于无标签的待分类信号，利用栈式自编码器训练权值系数作为其相应的特征向量，所有无标签信号特征向量组成待检测特征集，表示为X＝[x₁，…，x_j，…，x_M]，其中，M表示待分类识别的信号个数，x_j，j∈(1，M)表示特征数据集中的第j个待检测信号特征样本；

对于以上训练所得的有标签特征字典和无标签待分类特征集利用分类器实现分类识别，具体方法如下；

第三步：低秩Low-rank聚类的跳频信号电台分选；

栈式自编码器完成特征提取后，通过低秩Low-rank聚类算法实现信号分类识别；对于给定的列向量数据集X＝[x₁，…，x_j，…，x_M]，若X属于由A中元素张成的向量空间，即X∈span{A}，则X可由A线性表示为X＝AZ，其中A被称为特征字典矩阵，则Low-rank聚类模型表示为

min rank(Z)约束条件：X＝AZ (4)

式中，min(·)为求最小值函数，rank(Z)为矩阵Z的秩，表示矩阵Z中非0特征值的个数；

利用Frobenius范数求解式(4)时，其代价函数表示为

式中，β为惩罚系数，J(Z)为代价函数值，可表示为

式中，tr(·)表示求矩阵的迹，(·)^T表示矩阵的转置，对式(6)中Z求导并使其结果为0，得

由式(7)可得

Z^*＝(βI+A^TA)^-1A^TX (8)

式中，Z^*表示式(5)的结果，(·)^-1表示矩阵的逆，I表示单位矩阵；

由式(8)求得Low-rank聚类参数矩阵Z^*后，待分类识别数据集X＝[x₁，…，x_j，…，x_M]的分类识别结果表示为

式中，A_i＝[0，…，a_i，…，0]表示特征字典矩阵A中除第i类电台信号带标签特征矩阵a_i外，其他元素都为0。

Images