CN111126332B - 基于轮廓特征的跳频信号分类方法 - Google Patents

Abstract

本发明公开了基于轮廓特征的跳频信号分类方法，其特征是，包括如下步骤：1）得到二维时频矩阵；2）提取轮廓特征；3）图像预处理；4）训练、分类。这种方法以跳频信号在等高线图的轮廓作为图像特征，转化为图像识别的问题，再利用卷积神经网络CNN具有自主寻找特征的特点，将图像输入到CNN网路中，能实现跳频信号的识别，不需要进行人工提取参数作为特征向量，能够避免复杂的参数提取问题，在低信噪比时有较高的识别率。

Description

基于轮廓特征的跳频信号分类方法

技术领域

本发明涉及信号处理领域，具体是一种基于轮廓特征的跳频信号分类方法。

背景技术

随着通信技术的快速发展，跳频通信系统因其频率不断跳变的特性在抗干扰方面表现出极其优越的性能。在无人机通信系统中，跳频信号以飞控信号的形式存在。而近年来，随着民用无人机的普及，无人机黑飞事件时有发生，严重影响着公共场所的安全，因此，研究跳频信号的识别具有重大的研究意义。目前关于无人机跳频信号的识别方面，主要是基于时频分析上的参数提取，再以此作为特征向量，完成信号的识别。但是这种方法需要涉及到复杂的参数提取问题，而且依赖于参数估计的精度。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于轮廓特征的跳频信号分类方法。这种方法能实现跳频信号的识别，不需要进行人工提取参数作为特征向量，能够避免复杂的参数提取问题，在低信噪比时有较高的识别率。

实现本发明的技术方案是：

基于轮廓特征的跳频信号分类方法，与现有技术不同的是，包括如下步骤：1)得到二维时频矩阵：对采集到的跳频信号数据x(n)作短时傅里叶变换得到二维时频矩阵STFT(m,n)，表示为公式(1)：

其中，h(m)为窗函数，n为对角频率w的N点离散化，M为采样点数，且时间行向量为T＝1:1:M，归一化频率列向量F为：

2)提取轮廓特征：将经步骤1)短时傅里叶变换得到的二维矩阵STFT和行向量T,归一化频率列向量F构成三维矩阵Z＝[T,F,STFT]，以(T,F)作为坐标矩阵，STFT作为高度值矩阵所表示的等高线图的颜色分布能够很好的反映信号的特征，为了能更好的反映信号的主要特征，提取信号在等高线图上的轮廓特征，即通过先计算二维矩阵在每个时刻点的最大值y(n)，表示为公式(2)：

选取E(n)＝y(n)·σ为判断轮廓点的阈值，即在第k个采样时刻点，能量大于E(k)的点为轮廓内的点，其中，σ为能量阈值调整点，其区间在[0.5,1)，当噪声增大时，σ也逐渐增大，可进一步消除噪声的影响，这里可选取σ＝0.9，提取的轮廓特征矩阵STFT1(m,n)可表示为公式(3)：

接着将三维矩阵Z更新为Z＝[T,F,STFT1],并对矩阵Z作等高线图并保存为图像；

3)图像预处理：包括图像灰度化、图像增强、图像反转以及图像二值化处理：对经过步骤2)得到的等高线图进行灰度化处理，得到灰度图像I，其灰度转换公式可表示为公式(4)：

Gray＝R*0.299+G*0.587+B*0.114 (4)，

其中，Gray为像素点的亮度，R,G,B分别为读取图像的三基色的相对强度，由于得到的灰度图像清晰度不够高，对灰度图像I采用灰度变换增强法进行图像增强，改善图像的质量，突显信号的特征，经图像增强后的图像，可以很好获取信号的时频能量分布状态，接着进行灰度反转、为了降低数据的数值计算，然后采用最大类间误差法对等高线图像作二值化处理，根据有用信号所占的区域，可选择对等高线图进行裁剪；

4)训练、分类：经过步骤3)图像预处理后，得到了卷积神经网络的输入图像数据，将图像数据分为训练集和测试集，首先初始化所有卷积核的权重和偏差，再将图像输入卷积神经网络的卷积层，进行特征提取，然后通过激励函数ReLU对卷积层的输出结果做非线性映射，接着将非线性映射结果输入到池化层，进行下采样，对特征图稀疏处理，完成特征的降维，然后通过全连接层把局部特征通过权值矩阵组装成完整的图像，最后输入到卷积神经网络的softmax层，得到图像的所属类别标签y，整个训练的目的是通过误差E来调整卷积神经网络的每层参数，这里的误差E是通过比较样本标签值O和网络输出标签y来计算误差E，误差E的可表示为公式(5)：

其中，L表示样本集的数量，C表示样本类型的数量，

表示第l个样本对应的网络输出的第g个输出，

为第l个样本对应的标签的g维，当误差大于期望值时，根据求得误差进行权值更新，即将误差传回网络中，依次求得全连接层、池化层和卷积层的误差，各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于期望值时，结束训练，此时得到训练好的卷积神经网络模型，再将测试图像输入到训练好的卷积神经网络模型，通过训练好的神经网络模型中的softmax层作为分类器依据公式(6)对图像进行分类：

其中，η表示跳频信号的特征，q为类别中的某一类，P为分类器输出概率值，依据输出的概率值，进行最终结果分类。

与现有技术相比，本技术方案具有如下特点：

本技术方案对跳频信号识别，是从信号轮廓本身出发，通过提取信号在等高线图上的轮廓特征，进行分类识别，不需要进行参数特征提取；引入卷积神经网络的方法，相比其它神经网络，能够对图像进行自动学习结构化特征，相比人工选取特征的方法，避免了复杂的参数提取过程，且在低信噪比时有较高的识别率。

这种方法以跳频信号在等高线图的轮廓作为图像特征，转化为图像识别的问题，再利用卷积神经网络CNN具有自主寻找特征的特点，将图像输入到CNN网路中，能实现跳频信号的识别，不需要进行人工提取参数作为特征向量，能够避免复杂的参数提取问题，在低信噪比时有较高的识别率。

附图说明

图1为实施例的流程示意图；

图2为实施例中基于轮廓特征的跳频电台识别概率图。

具体实施方式

下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，基于轮廓特征的跳频信号分类方法，包括如下步骤：

1)得到二维时频矩阵：对采集到的跳频信号数据x(n)作短时傅里叶变换得到二维时频矩阵STFT(m,n)，表示为公式(1)：

其中，h(m)为窗函数，n为对频率w的N点离散化，M为采样点数，且时间行向量为T＝1:1:M，归一化频率列向量F为：

2)提取轮廓特征：将经步骤1)短时傅里叶变换得到的二维矩阵STFT和行向量T，归一化频率列向量F构成三维矩阵Z＝[T,F,STFT]，以(T,F)作为坐标矩阵，STFT作为高度值矩阵所表示的等高线图的颜色分布能够很好的反映信号的特征，为了能更好的反映信号的主要特征，提取信号在等高线图上的轮廓，即通过先计算二维矩阵在每个时刻点的最大值y(n)，表示为公式(2)：

选取E(n)＝y(n)·σ为判断轮廓点的阈值，即在第k个采样时刻点，能量大于E(k)的点为轮廓内的点，其中，σ为能量阈值调整点，其区间在[0.5,1)，当噪声增大时，σ也逐渐增大，可进一步消除噪声的影响，本例选取σ＝0.9，提取的轮廓特征矩阵STFT1(m,n)可表示为公式(3)：

接着将三维矩阵Z更新为Z＝[T,F,STFT1]，并对矩阵Z作等高线图并保存为图像；

3)图像预处理：包括图像灰度化、图像增强、图像反转以及图像二值化处理：对经步骤2)得到的等高线图进行灰度化处理，得到灰度图像I，其灰度转换公式可表示为公式(4)：

Gray＝R*0.299+G*0.587+B*0.114 (4)，

其中，Gray为像素点的亮度，R,G,B分别为读取图像的三基色的相对强度，由于得到的灰度图像清晰度不够高，对灰度图像I采用灰度变换增强法进行图像增强，改善图像的质量，突显信号的特征，经图像增强后的图像，可以很好获取信号的时频能量分布状态，接着进行灰度反转、为了降低数据的数值计算，然后采用最大类间误差法对等高线图像作二值化处理，根据有用信号所占的区域，可选择对等高线图像进行裁剪；

4)训练、分类：经过步骤3)图像预处理后，得到了卷积神经网络的输入图像数据，将图像数据分为训练集和测试集，首先初始化所有卷积核的权重和偏差，再将图像输入卷积神经网络的卷积层，进行特征提取，然后通过激励函数ReLU对卷积层的输出结果做非线性映射，接着将非线性映射结果输入到池化层，进行下采样，对特征图稀疏处理，完成特征的降维，然后通过全连接层把局部特征通过权值矩阵组装成完整的图像，最后输入到卷积神经网络的softmax层，得到图像的所属类别标签y，整个训练的目的是通过误差E来调整卷积神经网络的每层参数，这里的误差E是通过比较样本标签值O和网络输出标签y来计算误差E，误差E表示为公式(5)：

其中，L表示样本集的数量，C表示样本类型的数量，

表示第l个样本对应的网络输出的第g个输出，

为第l个样本对应的标签的g维，当误差大于期望值时，根据求得误差进行权值更新，即将误差传回网络中，依次求得全连接层、池化层和卷积层的误差，各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于期望值时，结束训练，此时得到训练好的卷积神经网络模型，再将测试图像输入到训练好的卷积神经网络模型，通过训练好的神经网络模型中的softmax层作为分类器依据公式(6)对图像进行分类：

其中，η表示跳频信号的特征，q为类别中的某一类，P为分类器输出概率值，依据输出的概率值，进行最终结果分类。

本例方法的有效性可以通过以下仿真进行验证：

一、仿真条件与方法：

仿真参数设置如下：在高斯白噪声情况下，采用4个跳频信号，它们的参数设置如下：

采样频率：Fs1＝200e6,Fs2＝150e6,Fs3＝200e6,Fs4＝150e6；

跳周期：Th1＝0.38ms，Th2＝0.45ms，Th3＝1.5ms，Th4＝1ms；

频率集：f_set1＝[41 43 45 47 49 51 63 63 65 67 69 71 73 75 75 73 71 6967 65 63 61]MHz

f_set2＝[63 53 50 70 57 63 53 50 57 63 53 50 57 63 53 50 57 63 53 5067 53 50 57 63 57 63 53 50 57]MHz

f_set3＝[60 42 62 43 63 45 65 47]MHz

f_set4＝[62 59 62 59 62 59 62 59]MHz

CNN结构参数：采用3个卷积层，3个池化层，和1个全连接。卷积核大小为9，个数为20，卷积核滑动步长为1；池化层均采用2*2平均池化层，滑动步长为2；激活函数采用ReLU函数。

二、仿真结果分析：

如图2所示，可以看出依照本例方法得到的识别概率在信噪比为-10dB时，识别率仍为100％，且在预处理中对图像进行裁剪，识别率能得到进一步的提升，说明本例的方法能够在低信噪比下准确的识别出跳频信号。

Claims (1)

1.基于轮廓特征的跳频信号分类方法，其特征是，包括如下步骤：

1)得到二维时频矩阵：对采集到的跳频信号数据x(n)作短时傅里叶变换得到二维时频矩阵STFT(m，n)，表示为公式(1)：

其中，h(m)为窗函数，n为对频率w的N点离散化，M为采样点数，且时间行向量为T＝1∶1∶M，归一化频率列向量F为：

2)提取轮廓特征：将经步骤1)短时傅里叶变换得到的二维矩阵STFT和行向量T，归一化频率列向量F构成三维矩阵Z＝[T,F,STFT]，以(T,F)作为坐标矩阵，STFT作为高度值矩阵所表示的等高线图的颜色分布反映信号的特征，提取信号在等高线图上的轮廓，即通过先计算二维矩阵在每个时刻点的最大值y(n)，表示为公式(2)：

选取E(n)＝y(n)·σ为判断轮廓点的阈值，即在第k个采样时刻点，能量大于E(k)的点为轮廓内的点，其中，σ为能量阈值调整点，其区间在[0.5，1)，提取的轮廓特征矩阵STFT1(m,n)可表示为公式(3)：

接着将三维矩阵Z更新为Z＝[T,F,STFT1]，并对矩阵Z作等高线图并保存为图像；

3)图像预处理：图像预处理包括图像灰度化、图像增强、图像反转以及图像二值化处理：对步骤2)得到的等高线图进行灰度化处理，得到灰度图像I，其灰度转换公式可表示为公式(4)：

Gray＝R*0.299+G*0.587+B*0.114 (4),

其中，Gray为像素点的亮度，R，G，B分别为读取图像的三基色的相对强度，对灰度图像I采用灰度变换增强法进行图像增强，接着进行灰度反转、然后采用最大类间误差法对等高线图像作二值化处理，根据有用信号所占的区域，选择对等高线图像进行裁剪；

4)训练、分类：经过步骤3)图像预处理后，得到了卷积神经网络的输入图像数据，将图像数据分为训练集和测试集，首先初始化所有卷积核的权重和偏差，再将图像输入卷积神经网络的卷积层，进行特征提取，然后通过激励函数ReLU对卷积层的输出结果做非线性映射，接着将非线性映射结果输入到池化层，进行下采样，对特征图稀疏处理，完成特征的降维，然后通过全连接层把局部特征通过权值矩阵组装成完整的图像，最后输入到卷积神经网络的softmax层，得到图像的所属类别标签h，通过误差E来调整卷积神经网络的每层参数，误差E是通过比较样本标签值O和网络输出标签h来计算，误差E的可表示为公式(5)：

其中，L表示样本集的数量，C表示样本类型的数量，

表示第l个样本对应的网络输出的第g个输出，

为第l个样本对应的标签的g维，当误差大于期望值时，根据求得误差进行权值更新，即将误差传回网络中，依次求得全连接层、池化层以及卷积层的误差，各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练，此时得到训练好的卷积神经网络模型，再将测试图像输入到训练好的卷积神经网络模型，通过训练好的网络模型中的softmax层作为分类器依据公式(6)对图像进行分类：

其中，η表示跳频信号的特征，q为类别中的某一类，P为分类器输出概率值，依据输出的概率值，进行最终结果分类。

Images