CN111740930B - 基于多特征分层处理的多类型非合作水声信号识别方法 - Google Patents
基于多特征分层处理的多类型非合作水声信号识别方法 Download PDFInfo
- Publication number
- CN111740930B CN111740930B CN202010867881.2A CN202010867881A CN111740930B CN 111740930 B CN111740930 B CN 111740930B CN 202010867881 A CN202010867881 A CN 202010867881A CN 111740930 B CN111740930 B CN 111740930B
- Authority
- CN
- China
- Prior art keywords
- signal
- underwater acoustic
- power spectrum
- autocorrelation
- data sequence
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
- H04L27/2604—Multiresolution systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/38—Demodulator circuits; Receiver circuits
- H04L27/3845—Demodulator circuits; Receiver circuits using non - coherent demodulation, i.e. not using a phase synchronous carrier
- H04L27/3854—Demodulator circuits; Receiver circuits using non - coherent demodulation, i.e. not using a phase synchronous carrier using a non - coherent carrier, including systems with baseband correction for phase or frequency offset
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于多特征分层处理的多类型非合作水声信号识别方法,包括获取水声通信信号数据序列;利用信号的功率谱线谱特征,对信号进行第一层信号识别;利用平方信号的功率谱线谱特征进行第二层信号识别;利用信号的自相关峰特征进行第三层信号识别。本发明不易受水声信道影响的稳健特征,通过分层处理架构,充分利用了不同特征对各调制类型的区分度,提高了识别准确度,能够满足实际应用需求。
Description
技术领域
本发明涉及一种基于多特征分层处理的多类型水声通信信号识别方法,属于音频分析技术领域。
背景技术
通信信号调制类型识别是进一步获取截获信号参数信息的基础,是非合作通信信号截获处理的关键环节。目前调制类型识别方法可分为两大类:基于最大似然假设检验的判决理论方法和基于特征提取的统计模式识别方法。
基于最大似然假设检验的方法是通过计算接收信号的似然函数,将似然函数与门限阈值相比较,从而识别出信号的类型。最大似然的方法是贝叶斯意义上的最优分类算法,但在实际应用时存在两个问题:一是需要已知较多的信号参数,不适用于非合作处理;二是未知参数的存在导致似然比函数计算表达式非常复杂,无法计算,而简化处理又会导致分类信息的丢失,降低识别性能。
基于特征提取的统计模式识别方法是通过特定的方式提取信号的时域特征或者变换域特征,通过特征的特性差异实现信号识别,相比最大似然比识别方法性能不一定最优,但对已知信息依赖性小,更具实用性。
统计模式识别性能依赖于所提特征对各类信号的差异性,差异性越大,分类识别性能越好。
在水声通信信号非合作截获处理领域,由于接收通信信号种类多、参数范围宽,一种特征、一种方法难以适应多种水声通信信号类型的有效识别。另外,由于水声信道的时变空变特性,影响了基于信号幅度或相位特征的常规通信信号识别方法的性能。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于多特征分层处理的多类型非合作水声信号识别方法,采用功率谱线谱、相关峰等不易受水声信道影响的稳健特征,设计分层处理架构,逐层提取相应特征并进行辨识,实现2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 共6种水声通信信号的类型识别,满足实际应用需求。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于多特征分层处理的多类型非合作水声信号识别方法,采用多特征分层处理架构,实现2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 共六种水声通信信号的类型识别。其多特征分别是原始接收信号功率谱线谱特征、平方信号功率谱线谱特征,以及信号自相关峰特征;多特征分层处理架构是逐级采用不同的特征,识别出该特征区分度较高的水声通信信号类型,剩余类型留到下一层识别,直到识别完毕,分层处理方式如下:
第一层采用信号功率谱线谱特征实现2FSK、4FSK与其他类型通信信号的识别,若识别为2FSK或4FSK则识别结束,否则进入下一层识别。
第二层采用平方信号功率谱线谱特征实现BPSK或DSSS-BPSK类与QPSK或OFDM类的识别。
第三层采用信号自相关峰特征实现BPSK与DSSS-BPSK的分类识别,或QPSK与OFDM的分类识别。
具体包括以下步骤:
步骤S1、获取水声信号原始数据序列,为接收的信号
长度,水声信号原始数据序列中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一
的水声信号,对水声信号原始数据序列去除直流分量得到去除直流分量后的水声信
号数据序列。
步骤S2、利用信号功率谱线谱特征,根据去除直流分量后的水声信号数据序列进行水声信号的第一层信号识别,其具体实现步骤如下:
这里| |表示取绝对值运算。
步骤S3、利用平方信号的功率谱线谱特征进行第二层信号识别,其具体实现步骤如下:
步骤S31、对水声信号原始数据序列进行平方运算得到平方水声信号数据序
列,去除直流成分,计算其功率谱二,并根据功率谱二估计出中包含的线谱个数二,若,则判断水声信号原始数据序列含有BPSK信号或DSSS-BPSK信号,否则判断含有QPSK信号或OFDM信号。
步骤S4、利用信号的估计自相关峰特征进行第三层信号识别,其具体实现步骤如下:
步骤S44、对初步判决自相关峰进行规范化处理:将连续过门限点合并为1根自相关峰,即若:
步骤S5、信号识别过程结束。
本发明相比现有技术,具有以下有益效果:
本发明针对现有技术对水声通信信号类型识别的不足,采用分层处理模式,充分利用不同特征对各调制类型的区分度,逐级识别出各类调制类型,提高识别准确度。在识别特征的选取上,针对水声通信信号经过水下信道传播后存在的瞬时幅度、相位畸变,优选稳健性较高的功率谱线谱与自相关峰两类特征,降低了瞬时畸变的影响,能够满足实际应用需求。并且,本发明方法运算量较小,且不需要任何先验参数信息,能够满足工程上对常用水声通信信号进行快速稳健识别要求。
附图说明
图1为本发明的方法的具体识别流程图;
图2为根据本发明方法在不同信噪比下的识别性能;
图3为根据本发明方法在不同数据长度下的识别性能。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于多特征分层处理的多类型非合作水声通信信号识别方法,如图1所示,包括以下步骤:
步骤S1、获取水声信号原始数据序列,为接收的信号
长度,该数据中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一的水声通信信
号,首先去除的直流分量得到去除直流分量后的水声信号数据序列,即:
步骤S2、利用信号功率谱线谱特征,进行第一层信号识别,其具体实现步骤如下:
其中,为工作频段对应的离散频率序号,为工作频段对应的离散频率序
号,,,为采样频率,round()表示四舍五
入取整,medfilt表示中值滤波运算,其计算方法是以为中心,用共点序列中的排序中值作为的值,为
中值滤波窗口长度,通常取奇数。
这里| |表示取绝对值运算。
步骤S3、利用平方信号功率谱的线谱特征,对信号进行第二层信号识别,其具体实现步骤如下:
步骤S31、对水声信号原始数据序列进行平方运算得到平方水声信号数据序
列,去除直流成分,计算其功率谱二,并根据功率谱二估计出中包含的线谱个数二,若,则判断水声信号原始数据序列含有BPSK信号或DSSS-BPSK信号,否则判断含有QPSK信号或OFDM信号。
步骤S4、利用信号的自相关特征进行第三层信号识别,其具体实现步骤如下:
步骤S5、信号识别过程结束。
根据以上详细描述的基于多特征分层处理的多类型非合作水声通信信号自动识别方法,下面以一个仿真实验来验证本发明的效果。
仿真信号参数设置为:信号的采样频率为,BPSK、QPSK信号的载波频
率为,符号频率为,2FSK、4FSK信号的载波中心频率为,载波最小频率
间隔为200Hz,则2FSK信号的两个载波频率分别为与,4FSK信号的四个载
波频率分别为、、与,符号频率均为。OFDM信号的
中心载波频率与符号速率设置与BPSK信号相同,且OFDM信号的子载波个数为32个,子载波
的调制样式为QPSK,OFDM信号的循环前缀长度为四分之一有效OFDM符号长度。DSSS信号为
DSSS-BPSK信号,其载波频率与符号速率设置与BPSK信号相同,且伪码阶数为3阶,每个码片
时间内的载波个数为2,伪码序列为m序列。噪声类型为加性高斯白噪声。处理频带范围为
500Hz~4.5kHz,中值滤波窗口长度为5,平滑处理窗口长度为5,处理门限Th1=3。采用蒙特卡
洛方法测试性能,仿真实验次数为500次。
图2所示为本发明所提方法在不同信噪比下对各调制类型的识别率,信号处理长度N为4096。从图中可以看出,当信噪比大于0dB时,该分类器对信号的识别率均在60%以上,当信噪比大于5dB时,该分类器对信号的识别率均在80%以上,而当信噪比低于0dB时分类器对2FSK/4FSK有良好的识别效果。图3所示为0dB信噪比时,数据长度对该识别器的识别性能影响图,从该图中可以看出,随着点数的增加,本发明识别性能有所提高,这是由于积分时间的增加提高了傅里叶变换处理增益,线谱信噪比提升,特征稳定性提高。实际应用时,并不是选择的长度越大越好,而是需要从通信信号帧长度、处理器性能两个方面综合考虑,选择合适的处理长度。
从实施例的结果可以看出,本发明估计方法在无先验信号参数的情况下,能够有效识别出水声通信常用的2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM六类水声通信信号类型,适用于快速稳健识别要求。本发明不易受水声信道影响的稳健特征,通过分层处理架构,充分利用了不同特征对各调制类型的区分度,提高了识别准确度,能够满足实际应用需求。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于多特征分层处理的多类型非合作水声信号识别方法,其特征在于,包括以下步骤:
步骤S1、获取水声信号原始数据序列,为接收的信号长度,
水声信号原始数据序列中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一的水
声信号,对水声信号原始数据序列去除直流分量得到去除直流分量后的水声信号数
据序列;
步骤S2、利用信号功率谱线谱特征,根据去除直流分量后的水声信号数据序列进行水声信号的第一层信号识别,其具体实现步骤如下:
其中,| |表示取绝对值运算;
步骤S3、利用平方信号的功率谱线谱特征进行第二层信号识别,其具体实现步骤如下:
步骤S31、对水声信号原始数据序列进行平方运算得到平方水声信号数据序列,去除直流成分,计算其功率谱二,并根据功率谱二估计出中包含的线谱个数二,若,则判断水声信号原始数据序列含有BPSK信号或DSSS-BPSK信号,否则判断含有QPSK信号或OFDM信号;
步骤S4、利用信号的估计自相关峰特征进行第三层信号识别,其具体实现步骤如下:
步骤S44、对初步判决自相关峰进行规范化处理:将连续过门限点合并为1根自相关峰,即若:
步骤S5、信号识别过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867881.2A CN111740930B (zh) | 2020-08-26 | 2020-08-26 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867881.2A CN111740930B (zh) | 2020-08-26 | 2020-08-26 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111740930A CN111740930A (zh) | 2020-10-02 |
CN111740930B true CN111740930B (zh) | 2020-11-24 |
Family
ID=72658830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010867881.2A Active CN111740930B (zh) | 2020-08-26 | 2020-08-26 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111740930B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110082691A1 (en) * | 2009-10-05 | 2011-04-07 | Electronics And Telecommunications Research Institute | Broadcasting system interworking with electronic devices |
KR101675963B1 (ko) * | 2012-09-06 | 2016-11-15 | 한국전자통신연구원 | 무선통신 시스템에서의 변조방식 분류 장치 및 방법 |
CN103199945B (zh) * | 2013-03-29 | 2016-06-01 | 南京信息职业技术学院 | 一种低信噪比条件下认知无线电信号调制方式的识别方法 |
CN110059555B (zh) * | 2019-03-14 | 2021-04-20 | 中国人民解放军战略支援部队信息工程大学 | 基于多分辨谱图分水岭图像分割及决策树的信号调制分类识别方法及装置 |
-
2020
- 2020-08-26 CN CN202010867881.2A patent/CN111740930B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111740930A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108831499B (zh) | 利用语音存在概率的语音增强方法 | |
CN110782910B (zh) | 一种高检出率的啸叫音频检测系统 | |
WO2017202292A1 (zh) | 一种回声时延跟踪方法及装置 | |
CN111585662B (zh) | 一种调相信号的分类识别和参数估计方法及系统 | |
CN105785324B (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
CN108509377A (zh) | 一种基于沿特征提取的脉冲信号到达时间与脉宽估计方法 | |
CN108243130A (zh) | 解调方法、装置、频谱检测仪及计算机可读存储介质 | |
CN103021405A (zh) | 基于music和调制谱滤波的语音信号动态特征提取方法 | |
CN109061591B (zh) | 一种基于序贯聚类的时频线谱检测方法 | |
CN111740930B (zh) | 基于多特征分层处理的多类型非合作水声信号识别方法 | |
CN111540381B (zh) | 一种基于随机森林的话音模拟调制特征识别方法 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
CN116804736A (zh) | 一种调制类型识别工程化实现方法及计算机可读存储介质 | |
CN114613391B (zh) | 一种基于半带滤波器的鼾声识别方法及装置 | |
CN114268393B (zh) | 一种基于连通分量个数特征的认知无线电频谱感知方法 | |
CN111147168B (zh) | 一种功率谱和统计融合的信号检测方法 | |
CN105959035B (zh) | 一种直扩信号截获检测方法 | |
CN114152329B (zh) | 一种水声信号谱峰检测方法 | |
CN108243131A (zh) | 解调方法、装置、频谱检测仪及计算机可读取存储介质 | |
CN114944975B (zh) | 一种基于fpga处理的信号调制类型实时识别方法 | |
CN112636781B (zh) | 一种数字调制最优干扰信号的检测方法 | |
Grimaldi et al. | Automatic modulation classification and measurement of digitally modulated signals | |
Wisdom et al. | On spectral noncircularity of natural signals | |
CN115994301A (zh) | 基于循环谱截面特征的舰船辐射噪声线谱稳健提取方法 | |
CN115456035B (zh) | 基于对角相关局部积分双谱的射频指纹识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |