CN111680737A - 差异性信噪比条件下的雷达辐射源个体识别方法 - Google Patents

Abstract

本发明公开了一种差异性信噪比条件下的雷达辐射源个体识别方法，主要解决现有技术对差异性信噪比条件下雷达辐射源个体识别率较低的问题。其方案为：用商用软件仿真生成雷达信号的数据集；将雷达数据集的信号先以序列的形式输出，再将序列信号进行小波变换、双谱估计和频域小波分解，提取信号的指纹特征，合成八维特征矩阵输出；从输出的八维特征矩阵中分成训练集和测试集，并计算八维特征中的优化赋权的权重，得到优化的数据集；用优化的数据集训练支持向量机分类器，将不同信噪比条件下的测试集送入到训练后的支持向量机分类器，输出识别结果。本发明能充分提取雷达信号特征，提高了信号的识别率，可用于电子侦察、电子支援和威胁告警系统中。

Description

差异性信噪比条件下的雷达辐射源个体识别方法

技术领域

本发明属于信号处理技术领域，特别涉及一种雷达辐射源个体识别方法，可用于电子侦察、电子支援和威胁告警系统中。

背景技术

在当代电子战中，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，随着电磁环境的复杂化，雷达辐射源个体识别的难度越来越大，要求越来越高。

每一部雷达辐射源个体，由于电子设备等硬件系统的影响，使得接收到的信号之间，在同种类型的不同雷达个体上也存在细微差异，称之为指纹特征。基于指纹特征来识别雷达辐射源个体，就称为雷达辐射源指纹识别。很多研究人员对细微特征的提取，还有个体识别方法做了大量研究。

L.Wang等人在会议ICICS 2009中提出基于模糊度函数零切片的特征优化算法，该算法保留了发射器的明显特征；在会议ICEIEC 2016中，F.Zhuo等人提出提取包络线指纹特征的识别方法，利用线性系统拟合包络线来构造指纹特征；N.Kang等人在会议Radar 2016中将双谱理论与SURF特征结合，来进行识别双谱中反映的指纹特征；在会议IAEAC 2017中，H.Wang等人提出基于分形和小波理论的特征提取算法，利用EMD和小波方法来提取特征。

上述这些方法，由于都是相对明确信号信噪比，然而实际的识别过程中，接收到信号的信噪比通常是不确定的，因而在实际的应用中存在局限性，导致识别率较低。所以考虑到这个问题，本发明针对差异性信噪比条件，提出改进的方法，可以有效解决在该条件下的雷达辐射源个体识别率低的问题，更加满足实际应用的需求。

发明内容

本发明的目的在于是针对上述现有技术的不足，提出一种差异性信噪比条件下的雷达辐射源个体识别方法，以提高雷达辐射源个体识别率，更好的适应实际情况应用的需求。

本发明的技术思路是：在实际的识别的过程中，对雷达辐射源信号的不同特征进行特征提取得到多维特征集合，在多维特征集合上使用优化赋权的SVM分类器进行训练分类，以实现雷达辐射源个体识别，从而提高差异性信噪比条件下雷达辐射源个体识别率。

根据上述思路，本发明的实现方案包括如下：

1)用MATLAB软件仿真生成雷达信号的数据集，该数据集信号包括不同脉冲宽度、不同带宽、不同载波频率、不同相噪系数、不同滤波器的采样频率和截止频率的九种信号，其中每种信号从10dB到20dB每隔1dB信噪比生成1000个样本；

2)对数据集信号进行特征提取：

2a)将1)产生数据集的各种信号先以序列的形式输出，并对该信号序列做Morlet小波变换、双谱估计、频域小波变换，得到信号包络、信号双谱、信号频谱，提取包络的上升沿时间、脉宽、顶降、双谱的波形熵、能量熵、奇异值熵、频谱的高频分量和低频分量的能量分布熵，组成信号的八维特征向量集合；

2b)对2a)得到的八维特征向量集合标注信号所属的类别，得到带有类别的八维特征向量，从每类信号中随机抽出700个样本作为训练样本，300个样本作为测试样本；

3)对支持向量机算法进行权值赋重的优化：

3a)对于2b)得到的带有类别的八维特征向量，通过改变雷达辐射源信号的信噪比条件，分别识别与之不同信噪比下每一个特征信号的正确识别结果，从而计算得到不同信噪比的差异信噪比条件下辐射源单一特征识别结果，对该结果进行均值计算，并按照均值识别结果的比例对信号特征进行特征权值赋重，得到优化赋权的八维特征向量，从中随机抽出700个样本作为优化训练数据集，300个样本作为优化测试数据集；

3b)根据3a)得到的八维特征向量，对支持向量机分类器设置参数，即设置分类类别为9类，核函数为线性核函数，惩罚因子为1.0，随机数据混洗时使用的伪随机数生成器的种子random_state为10；

4)将3a)得到的优化训练数据集输入至3b)设置好的支持向量机分类器中，每训练一个数据，得到其距离超平面的间隔，计算找到使间隔最大化的分类超平面，当训练完全部训练数据时，得到最优超平面，即训练好的分类器模型；

5)在3a)的优化测试数据集中选择与训练数据集信噪比差值为1dB、2dB、3dB的测试数据集，并输入到训练好的支持向量机分类器中，输出差异性信噪比条件下测试数据集的分类结果。

本发明与现有技术相比，具有如下优点：

第一，本发明使用雷达辐射源的八维特征矩阵作为数据集，充分提取了雷达信号不同维度的有用信息，有效地提高了识别结果。

第二，本发明对支持向量机算法进行权值赋重的优化，提高了雷达辐射源个体识别的正确识别结果，降低了噪声对于特征的影响，优化了支持向量机得到的分类超平面。

第三，本发明使用训练好的支持向量机模型测试差异性信噪比条件下的数据集，较好的解决了差异性信噪比条件下雷达辐射源个体识别问题。

附图说明

图1是本发明的实现流程图。

图2是使用本发明和先有SVM算法在同一信噪比条件下对雷达辐射源个体识别的结果对比图。

图3是使用本发明在不同的差异性信噪比条件下对雷达辐射源个体进行识别的结果图。

具体实施方式

以下结合附图，对本发明的实施例和效果进行详细描述。

参照图1，本发明的的实现步骤如下：

步骤1：生成雷达信号数据集。

用MATLAB软件仿真生成雷达信号的数据集，该数据集信号包括不同脉冲宽度、不同带宽、不同载波频率、不同相噪系数、不同滤波器的采样频率和截止频率的九种信号，其中每种信号从10dB到20dB每隔1dB信噪比生成1000个样本；

九种不同的雷达辐射源信号，其共有三种辐射源，这三种辐射源的脉冲宽度依次为2us、1.5us、3us，带宽依次为30MHz、20MHz、40MHz，载波频率依次为10GHz、8GHz、12GHz；

每一种雷达辐射源类型有三种相噪参数，即相噪系数依次为1、0.5、1，滤波器的载波频率依次为20MHZ、30MHZ、30MHZ，截止频率依次为200Hz、150Hz、200Hz。

步骤2：对雷达信号进行变换处理，得到信号包络、信号双谱、信号频谱。

2.1)对步骤1产生数据集的信号先以序列的形式输出，然后对该信号做如下三个变换：

2.1.1)对信号进行Morlet小波变换，得到信号包络，表示如下：

式中，WT_ζx(α,β)表示原始信号x(t)经过小波变换得到的信号，t表示时间，x(t)表示原始信号，参数α和β分别是展缩因子和平移因子，其中α≠0，ζ^*()表示对Morlet小波函数求其共轭函数；

2.1.2)对信号做三阶累积量计算，得到信号的双谱估计，表示如下：

式中，ψ_x(ω₁,ω₂)表示信号x(t)经过变换得到的双谱估计，ω₁和ω₂表示双谱的不同频率，j表示虚数单位，c_3x()表示信号x(t)的三阶累积量，W()表示加窗函数；

2.1.3)将信号转换到频域，得到信号的频谱f(x)：

式中，cD_j和cA_j分别为第j次分解后得到的高频分量和低频分量；

2.2)对信号的特征进行提取，得到八维特征向量集合：

2.2.1)从2.1.1)得到的包络中提取上升沿时间、脉宽、顶降；

2.2.2)从2.1.2)得到双谱提取波形熵E_b、能量熵E_n、奇异值熵E_sv，计算公式如下：

式中，

r_i表示围线积分的特征序列，L表示围线积分积分路径；

a()表示双谱估计矩阵；

s_j表示分解得到的奇异值，N表示过程中得到的奇异值的总个数；

2.2.3)从2.1.3)得到的频谱中，分解出高频分量和低频分量，并提取高频能量分布熵和低频能量分布熵；

2.3)用2.2.1)、2.2.2)、2.2.3)的结果，组成信号的八维特征向量集合；

2.4)给2.3)得到的八维特征向量集合标注信号所属的类别，得到带有类别的八维特征向量，并从每类信号中随机抽出700个样本作为训练样本，300个样本作为测试样本。

步骤3：对支持向量机分类器进行权值赋重的优化。

3.1)对于2.4)得到的带有类别的八维特征向量，通过改变雷达辐射源信号的信噪比条件来识别不同信噪比下每一个特征信号的正确识别结果，从而计算得到不同信噪比下的辐射源单一特征均值识别结果，表示如下：

式中，p_i表示确定信噪比条件下第i个特征的识别结果，M是信噪比条件下信噪比改变的次数，

表示所有信噪比条件下第i个特征的识别结果；

3.2)按照均值识别结果的比例对信号特征进行特征权值赋重，得到优化赋权的八维特征向量，再从该向量中随机抽出700个样本作为优化训练数据集，300个样本作为优化测试数据集；

3.3)根据3.2)得到优化的八维特征向量，对支持向量机分类器设置参数，即设置分类类别为9类，惩罚因子为1.0，随机数据混洗时使用的伪随机数生成器的种子random_state为10，核函数为线性核函数；

步骤4：使用优化训练数据集训练支持向量机分类器，得到训练好的支持向量机分类器模型。

4.1)将3.2)得到的优化训练数据集输入到3.3)设置好的支持向量机分类器中，计算每个数据到支持向量机超平面的距离，作为函数间隔；

4.2)计算使函数间隔最大化的分类超平面f_j(x)，得到训练好的支持向量机分类器，即：

式中，sgn()表示阶跃函数，x表示信号特征点，ω表示信号特征对应的法向量，b表示超平面到原点的距离，y代表信号特征点x所在的信号类别，N′表示第j类支持向量机的训练数目，α_i ^j表示第j类支持向量机的训练系数，b^j表示第j类的分类的阈值。

步骤5：利用训练好的支持向量机分类器获得测试数据集的分类结果。

5.1)在3.2)的优化测试数据集中选择与训练数据集信噪比差值为1dB、2dB、3dB的测试数据集；

5.2)将所选的测试数据集输入到4.2)训练好的支持向量机分类器中，输出差异性信噪比条件下测试数据集的分类结果。

本发明的效果可通过以下仿真进一步阐述。

1.仿真条件：

硬件工具为：商用计算机、芯片为Intel Core i5-6500处理器、主频3.20GHz、内存8GB、硬盘为1TB；操作系统：Windows 7；开发工具：Matlab 2014a。

数据集为：每个信噪比下，训练集采用尺寸为700*9，测试集采用尺寸为300*9。

2.仿真内容：

仿真1：在上述仿真条件下，通过编程，将测试集中任意相同信噪比的数据输入到本发明优化的支持向量机分类器中，得到在相同信噪比下的雷达辐射源个体识别准确率，结果如图2所示。

仿真2：在上述仿真条件下，通过编程，将测试集中训练与测试信噪比差值ΔSNR为3dB、2dB、1dB条件下的数据输入到本发明优化的支持向量机分类器中，得到在差异性信噪比下的雷达辐射源个体识别准确率，如图3所示。

3.仿真分析：

从图2和图3可以看到，在相同信噪比条件下，本发明可以有效提高辐射源雷达个体识别的正确率；在差异性信噪比条件下，本发明在雷达辐射源个体识别中的正确率也能达到很好的效果，满足实际场景的需求。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明的内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (8)

1.一种差异性信噪比条件下的雷达辐射源个体识别方法，其特征在于，包括如下：

1)用MATLAB软件仿真生成雷达信号的数据集，该数据集信号包括不同脉冲宽度、不同带宽、不同载波频率、不同相噪系数、不同滤波器的采样频率和截止频率的九种信号，其中每种信号从10dB到20dB每隔1dB信噪比生成1000个样本；

2)对数据集信号进行特征提取：

2a)将1)产生数据集的各种信号先以序列的形式输出，并对该信号序列做Morlet小波变换、双谱估计、频域小波变换，得到信号包络、信号双谱、信号频谱，提取包络的上升沿时间、脉宽、顶降、双谱的波形熵、能量熵、奇异值熵、频谱的高频分量和低频分量的能量分布熵，组成信号的八维特征向量集合；

2b)对2a)得到的八维特征向量集合标注信号所属的类别，得到带有类别的八维特征向量，从每类信号中随机抽出700个样本作为训练样本，300个样本作为测试样本；

3)对支持向量机算法进行权值赋重的优化：

3a)对于2b)得到的带有类别的八维特征向量，通过改变雷达辐射源信号的信噪比条件，分别识别与之不同信噪比下每一个特征信号的正确识别结果，从而计算得到不同信噪比的差异信噪比条件下辐射源单一特征识别结果，对该结果进行均值计算，并按照均值识别结果的比例对信号特征进行特征权值赋重，得到优化赋权的八维特征向量，从中随机抽出700个样本作为优化训练数据集，300个样本作为优化测试数据集；

3b)根据3a)得到的八维特征向量，对支持向量机分类器设置参数，即设置分类类别为9类，核函数为线性核函数，惩罚因子为1.0，随机数据混洗时使用的伪随机数生成器的种子random_state为10；

4)将3a)得到的优化训练数据集输入至3b)设置好的支持向量机分类器中，计算每个数据到支持向量机超平面的距离，作为函数间隔，计算使函数间隔最大化的分类超平面，得到训练好的支持向量机分类器模型；

5)在3a)的优化测试数据集中选择与训练数据集信噪比差值为1dB、2dB、3dB的测试数据集，并输入到训练好的支持向量机分类器中，输出差异性信噪比条件下测试数据集的分类结果。

2.根据权利要求1所述的方法，其特征在于，1)中九种不同的雷达辐射源信号，其共有三种辐射源，这三种辐射源的脉冲宽度依次为2us、1.5us、3us，带宽依次为30MHz、20MHz、40MHz，载波频率依次为10GHz、8GHz、12GHz；

每一种雷达辐射源类型有三种相噪参数，相噪系数依次为1、0.5、1，滤波器的值载波频率依次为20MHZ、30MHZ、30MHZ，截止频率依次为200Hz、150Hz、200Hz。

3.根据权利要求1所述的方法，其特征在于2a)中信号的小波变换，表示如下：

式中，WT_ζx(α,β)表示原始信号x(t)经过小波变换得到的信号，t表示时间，x(t)表示原始信号，参数α和β分别是展缩因子和平移因子，其中α≠0，ζ^*()表示对Morlet小波函数求其共轭函数。

4.根据权利要求1所述的方法，其特征在于2a)中的双谱估计，表示如下：

式中，ψ_x(ω₁,ω₂)表示信号x(t)经过变换得到的双谱估计，ω₁和ω₂表示双谱的不同频率，j表示虚数单位，c_3x()表示信号x(t)的三阶累积量，W()表示加窗函数。

5.根据权利要求1所述的方法，其特征在于2a)中双谱的熵值计算，如下：

式中，E_b表示双谱的波形熵，

r_i表示围线积分的特征序列，L表示围线积分积分路径；E_n表示双谱的能量熵，

a()表示双谱估计矩阵；E_sv表示双谱的奇异值熵，

s_j表示分解得到的奇异值，N表示过程中得到的奇异值的总个数。

6.根据权利要求1所述的方法，其特征在于2a)中小波频域分解后得到的原始信号，表示如下：

式中，f(x)表示信号频谱，cD_j和cA_j分别为第j次分解后得到的高频分量和低频分量，即高频系数和低频系数。

7.根据权利要求1所述的方法，其特征在于3a)中的均值识别结果，表示如下：

式中，

表示得到的第i个特征的均值识别结果集合，M表示信噪比改变的总次数，p_i表示第i个特征的识别结果。

8.根据权利要求1所述的方法，其特征在于4)中的计算支持向量机分类器的超平面，公式如下：

式中，f_j(x)表示得到支持向量机的最优超平面，sgn()表示阶跃函数，x表示信号特征点，ω表示信号特征对应的法向量，b表示超平面到原点的距离，y代表信号特征点x所在的信号类别，N′表示第j类支持向量机的训练数目，

表示第j类支持向量机的训练系数，b^j表示分类的阈值。

Images