CN112163457A - 一种通信电台识别方法及装置 - Google Patents

一种通信电台识别方法及装置 Download PDF

Info

Publication number
CN112163457A
CN112163457A CN202010918063.0A CN202010918063A CN112163457A CN 112163457 A CN112163457 A CN 112163457A CN 202010918063 A CN202010918063 A CN 202010918063A CN 112163457 A CN112163457 A CN 112163457A
Authority
CN
China
Prior art keywords
signal
envelope
communication
spectrogram
transient signal
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
Application number
CN202010918063.0A
Other languages
English (en)
Inventor
高伟
廖军
刘永生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202010918063.0A priority Critical patent/CN112163457A/zh
Publication of CN112163457A publication Critical patent/CN112163457A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例提供一种通信电台识别方法及装置，涉及通信技术领域，解决了现有技术中能够提取到的个体区别特征越来越少，识别通信电台的难度较大的技术问题。该通信电台识别方法包括：从采集的待测信号中确定第一暂态信号；并将第一暂态信号进行复Morlet小波变换，得到第一包络谱图；以及将第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。

Description

一种通信电台识别方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种通信电台识别方法及装置。
背景技术
通常，由于通信电台之间存在硬件差异，因此，每个通信电台发射的信号中都携带了一些不影响信息传输、且能够反映个体差异的个体区别特征。为了对通信电台个体进行识别，可以采集通信电台信号，并对采集的通信电台信号进行个体区别特征提取，然后将提取的个体区别特征输入到特征对比识别模型中进行匹配，从而确定发射该通信电台信号的通信电台。
然而，随着硬件制造技术的提升，通信电台硬件之间的差异越来越细微，通信电台在发射的信号中携带的个体区别特征越来越少，因此，能够提取到的个体区别特征越来越少，识别通信电台的难度较大。
发明内容
本申请提供一种通信电台识别方法及装置，解决了现有技术中能够提取到的个体区别特征越来越少，识别通信电台的难度较大的技术问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供一种通信电台识别方法，包括：从采集的待测信号中确定第一暂态信号；并将第一暂态信号进行复Morlet小波变换，得到第一包络谱图；以及将第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。
本申请实施例中，可以从采集的待测信号中确定第一暂态信号；并将第一暂态信号进行复Morlet小波变换，得到第一包络谱图；以及将第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。通过该方案，一方面，由于暂态信号中存在比较明显的通信电台个体差异特征，因此通过确定第一暂态信号可以提取较多的个体差异特征；另一方面，由于通过复Morlet小波变换得到的第一包络谱图可以更加准确的表现出通信电台的个体差异特征，因此，即使通信电台在发射的信号中携带的个体特征较少，也可以通过细微的差异对通信电台进行识别，从而可以提高识别通信电台的准确度。
第二方面，提供一种通信电台识别装置，包括：预处理单元，用于从采集的待测信号中确定第一暂态信号；变换单元，用于将确定单元确定的第一暂态信号进行复Morlet小波变换，得到第一包络谱图；识别单元，用于将变换单元得到的第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。
第三方面，提供一种通信电台识别装置，包括存储器和处理器。存储器用于存储计算机执行指令，处理器与存储器通过总线连接。当通信电台识别装置运行时，处理器执行存储器存储的计算机执行指令，以使通信电台识别装置执行第一方面提供的通信电台识别方法。
该通信电台识别装置可以是终端设备，也可以是终端设备中的一部分装置，例如终端设备中的芯片系统。该芯片系统用于支持终端设备实现第一方面及其任意一种可能的实现方式中所涉及的功能，例如，确定、发送上述通信电台识别方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。
第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得该计算机执行第一方面提供的通信电台识别方法。
第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如上述第一方面及其各种可能的实现方式提供的通信电台识别方法。
需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与通信电台识别装置的处理器封装在一起的，也可以与通信电台识别装置的处理器单独封装，本申请对此不作限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述，此处不再赘述；并且，第二方面、第三方面、第四方面以及第五方面描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
在本申请中，上述通信电台识别装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种通信电台识别装置的硬件结构示意图之一；
图2为本申请实施例提供的一种通信电台识别装置的硬件结构示意图之二；
图3为本申请实施例提供的一种通信电台识别方法的流程示意图之一；
图4为本申请实施例提供的第一暂态信号的示意图；
图5为本申请实施例提供的对第一暂态信号进行复Morlet小波变换的流程示意图；
图6为本申请实施例提供的一种通信电台识别方法的流程示意图之二；
图7为本申请实施例提供的一种通信电台识别装置的结构示意图之一；
图8为本申请实施例提供的一种通信电台识别装置的结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
本申请实施例提供了一种通信电台识别方法，该方法可以应用于如图1所示的通信电台识别装置，该通信电台识别装置包括处理器11，存储器12、通信接口13、总线14。处理器11，存储器12以及通信接口13之间可以通过总线14连接。
处理器11是通信电台识别装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器11可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例，处理器11可以包括一个或多个CPU，例如图1中所示的CPU 0和CPU 1。
存储器12可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
一种可能的实现方式中，存储器12可以独立于处理器11存在，存储器12可以通过总线14与处理器11相连接，用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时，能够实现本申请实施例提供的通信电台识别方法。
另一种可能的实现方式中，存储器12也可以和处理器11集成在一起。
通信接口13，用于与其他设备通过通信网络连接。所述通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口13可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。
总线14，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
需要指出的是，图1示出的结构并不构成对该通信电台识别装置的限定。除图1所示部件之外，该通信电台识别装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图2示出了本申请实施例中通信电台识别装置的另一种硬件结构。如图2所示，通信电台识别装置可以包括处理器21以及通信接口22。处理器21与通信接口22耦合。
处理器21的功能可以参考上述处理器11的描述。此外，处理器21还具备存储功能，可以参考上述存储器12的功能。
通信接口22用于为处理器21提供数据。该通信接口22可以是通信电台识别装置的内部接口，也可以是通信电台识别装置对外的接口(相当于通信接口13)。
需要指出的是，图1(或图2)中示出的结构并不构成对通信电台识别装置的限定，除图1(或图2)所示部件之外，该通信电台识别装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
需要说明的是，上述通信电台识别装置可以为终端设备，也可以为终端设备中的一部分装置，例如终端设备中的芯片系统。该终端设备可以为各种具有通信功能的手持设备、车载设备、可穿戴设备、计算机、智能家居设备或智能办公设备，本发明实施例对此不作任何限定。例如，手持设备可以是智能手机。车载设备可以是车载导航系统。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digital assistant，PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。智能家居设备可以是智能窗帘、智能水表。智能办公设备可以是智能打印机。
下面结合上述图1和图2示出的通信电台识别装置，并以通信电台识别装置为终端设备为例，对本申请实施例提供的通信电台识别方法进行详细介绍。
如图3所示，本申请实施例提供一种通信电台识别方法，该通信电台识别方法可以应用于终端设备，该通信电台识别方法可以包括下述的S301-S303。
S301、终端设备从采集的待测信号中确定第一暂态信号。
终端设备可以使用接收天线采集待测信号，由于信号段能量高于噪声段能量，因此，为了防止噪声干扰，可以通过带通滤波器对采集的待测信号进行滤波处理，从而得到滤波信号。之后，终端设备可以根据基于滑动窗口的短时能量检测方法确定该滤波信号的起始时间点，为了提高对该起始时间点判断的准确度，终端设备可以将该起始时间点之前的第一数量的采样点和该起始时间点之后的第二数量的采样点确定为第一暂态信号，该第一暂态信号可以表示为：s(t)＝A(t)cos[φ(t)]，其中，s(t)为第一暂态信号，A(t)为第一暂态信号的幅度，t为采样时间点。
可选的，上述带通滤波器可以为有限长单位冲激响应(finite impulseresponse，FIR)带通滤波器。针对不同的待测信号，终端设备可以通过窗函数法设置不同的FIR带通滤波器参数，该窗函数可以为汉明窗。例如，终端设备可以通过该汉明窗设置该FIR带通滤波器的通带边缘为200kHz和300kHz，阻带衰减为6dB，窗口长度为128。
可选的，上述滑动窗口可以为矩形窗。例如，如图4所示，以第一数量为2500，第二数量为5500为例。终端设备可以根据基于矩形窗的短时能量检测方法确定该滤波信号的起始时间点，并保存起始时间点前2500个采样点和起始时间点后5500个采样点，共8000个采样点作为第一暂态信号，其中，该第一暂态信号的信噪比为20dB。
需要说明的是，暂态信号是指在通信设备开机或状态切换时提取的信号幅度、相位等信息。由于暂态信号在不同的通信电台个体间相对稳态信号指纹特征能够表现出更明显的电台个体差异，因此通过确定第一暂态信号可以从待测信号中提取出较多的个体差异特征。
S302、终端设备将第一暂态信号进行复Morlet小波变换，得到第一包络谱图。
在得到第一暂态信号后，终端设备可以将第一暂态信号s(t)与复Morlet小波基函数ψa,b(t)做卷积得到第一暂态信号s(t)的复Morlet小波变换：
Figure BDA0002665733930000061
其中，ψa,b(t)用于表示复Morlet小波基函数，a用于表示尺度因子，并且a不等于0，尺度因子a可以用于控制小波基函数的展缩尺度，b用于表示平移因子，平移因子b可以用于控制小波基函数的平移尺度。之后，终端设备可以计算第一暂态信号s(t)的复Morlet小波包络A(a,b)，
Figure BDA0002665733930000071
其中，Re(WTψs(a,b))表示s(t)的复Morlet小波变换的实部，Im(WTψs(a，b))表示s(t)的复Morlet小波变换的虚部。
可选的，如图5所示，终端设备可以选取N个不同的尺度因子aj，分别对第一暂态信号进行复Morlet小波变换，并对不同尺度因子aj下得到的结果分别求复Morlet小波包络A(aj,b)，从而得到第一暂态信号的第三包络谱图，其中，第三包络谱图包括N个不同频段数量的包络谱图，N为大于1，小于J+1的整数。
为了适应预设神经网络模型的输入尺寸要求，在得到第三包络谱图后，终端设备可以将该第三包络谱图进行裁剪得到预设尺寸的第一包络谱图。例如，为了保留更多的信息，终端设备可以只裁剪掉包络谱图中不包含信息的空白部分，从而得到长宽尺寸均为M的第一包络谱图作为预设神经网络模型的输入参数。
需要说明的是，可以通过尺度因子aj划分得到包括N个不同频段数量的包络谱图，其中尺度因子aj的计算方式为：在满足覆盖全部信号频率的情况下，尺度因子aj的取样序列可以按照二分方式划分，即aj＝a02j，其中，j＝1,2,3……J，a0＝2dt，为最小尺度，dt是信号的采样间隔，aJ为最大尺度，aJ小于二分之一的信号长度。
需要说明的是，第一包络谱图的长边上的点表示不同的采样点，第一包络谱图的宽边上的点表示频率，第一包络谱图颜色的深浅用于表示信号的幅度大小。
S303、终端设备将第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。
可选的，上述预设神经网络模型可以为VGG16卷积神经网络，该VGG16卷积神经网络包括13层卷积层和3层全连接层，其所有的隐藏层都使用非线性修正ReLu。该VGG16卷积神经网络的基本架构如下述表1所示：
表1
层级名称 重复次数 说明
convolution+ReLU 2 两层卷积层
max pooling 1 池化层
convolution+ReLU 2 两层卷积层
max pooling 1 池化层
convolution+ReLU 3 三层卷积层
max pooling 1 池化层
convolution+ReLU 3 三层卷积层
max pooling 1 池化层
convolution+ReLU 3 三层卷积层
fully connected+ReLU 1 一层全连接层
fully connected+ReLU 1 一层全连接层
fully connected+ReLU 1 一层全连接层
softmax 1 输出层
可选的，上述通信电台的标识可以为通信电台编号。终端设备得到发射待测信号的通信电台编号后，可以根据该通信电台编号确定该通信电台是否为非法电台。
本申请实施例提供一种通信电台识别方法，一方面，由于暂态信号中存在比较明显的通信电台个体差异特征，因此通过确定第一暂态信号可以提取较多的个体差异特征；另一方面，由于通过复Morlet小波变换得到的第一包络谱图可以更加准确的表现出通信电台的个体差异特征，因此，即使通信电台在发射的信号中携带的个体特征较少，也可以通过细微的差异对通信电台进行识别，从而可以提高识别通信电台的准确度。
可选的，结合上述图3，如图6所示，在S303之前，本申请实施例提供的通信电台识别方法还可以包括下述的S304和S305。
S304、终端设备确定多个样本信号中每个样本信号的第二包络谱图。
终端设备可以采集多台通信电台发射的信号作为样本信号，并按照上述S301提供的方法对采集到的多个样本信号中每个样本信号进行处理，得到多个第二包络谱图。
示例性的，终端设备可以采集8台相同型号的通信电台发射的信号作为样本信号，这些样本信号的信号类型可以为频移键控(frequency-shift keying，FSK)信号，采样频率可以为5Mhz，信号中心频率可以为250kHz，将该8台通信电台依次命名为电台1-电台8，同时为这些通信电台设置相同的工作模式和工作参数。然后，使用接收天线、滤波器等设备对该8台通信电台进行信号采集，每部通信电台可以采集150个样本信号。
S305、终端设备将样本信号的第二包络谱图与发射样本信号的通信电台的标识作为训练数据构建预设神经网络模型。
终端设备可以将样本信号的第二包络谱图与发射样本信号的通信电台的标识作为训练数据，该训练数据可以用[X，Y]表示，其中，X可以包括8个类别的第二暂态信号，每个类别的第二暂态信号包括150个样本信号，Y包括8个通信电台的标识，即电台1-电台8。
终端设备可以裁剪掉第二包络谱图中不包含信息的空白部分，得到裁剪后的包络谱图，然后使用深度学习框架tensorflow中resize工具将裁剪后的包络谱图处理为固定尺寸的图片，例如，该固定尺寸可以为224。如此，则每个样本信号的包络谱图的RGB图像为一个224*224*3的三维矩阵，Y为一个与训练数据类别对应的长度为150*8的一维向量。将训练集[X，Y]输入到VGG16卷积神经网络，可以对神经网络进行构建，构建完成的VGG16卷积神经网络模型可以作为预设神经网络模型。
需要说明的是，终端设备可以先执行S301和S302，后执行S304和S305；也可以先执行S304和S305，后执行S301和S302；还可以同时执行S301、S302、S304和S305，本申请实施例对此不作限定。
本申请实施例中，由于终端设备可以将样本信号的第二包络谱图与发射样本信号的通信电台的标识作为训练数据构建预设神经网络模型，因此，当终端设备采集到待测信号后，可以将经过预处理的待测信号输入到预设神经网络模型，从而得到可以识别通信电台的标识。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的通信电台识别方法，执行主体可以为通信电台识别装置，或者该通信电台识别装置中的用于执行电子卡管理业务的控制模块。本申请实施例中以通信电台识别装置执行通信电台识别方法为例，说明本申请实施例提供的执行电子卡管理业务装置。
需要说明的是，本申请实施例可以根据上述方法示例对通信电台识别装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图7所示，本申请实施例提供的一种通信电台识别装置。该通信电台识别装置70可以包括预处理单元71、变换单元72和识别单元73。该预处理单元71，可以用于从采集的待测信号中确定第一暂态信号。例如，结合图3，预处理单元71可以用于执行S301。该变换单元72，可以用于将预处理单元71确定的第一暂态信号进行复Morlet小波变换，得到第一包络谱图。例如，结合图3，变换单元72可以用于执行S302。该识别单元73，可以用于将变换单元72得到的第一包络谱图输入到预设神经网络模型，得到发射待测信号的通信电台的标识。例如，结合图3，识别单元73可以用于执行S303。
可选的，如图8所示，上述通信电台识别装置70还可以包括构建单元74。该预处理单元71，还可以用于在识别单元73将第一包络谱图输入到预设神经网络模型之前，确定多个样本信号中每个样本信号的第二包络谱图。例如，结合图6，预处理单元71可以用于执行S304。该构建单元74，可以用于将样本信号的第二包络谱图与发射样本信号的通信电台的标识作为训练数据构建预设神经网络模型。例如，结合图6，构建单元74可以用于执行S305。
可选的，上述预处理单元71，具体可以用于通过带通滤波器对采集的待测信号进行滤波处理，得到滤波信号，并根据基于滑动窗口的短时能量检测方法确定滤波信号的起始时间点，以及将起始时间点之前的第一数量的采样点和所述起始时间点之后的第二数量的采样点确定为第一暂态信号。
可选的，上述变换单元72，具体可以用于选取N个不同的尺度因子，分别对第一暂态信号进行复Morlet小波变换，得到第一暂态信号的第三包络谱图，并将第三包络谱图进行裁剪得到预设尺寸的第一包络谱图；其中，第三包络谱图包括N个不同频段数量的包络谱图，N为大于1的整数。
当然，本申请实施例提供的通信电台识别装置70包括但不限于上述模块。
在实际实现时，预处理单元71、变换单元72、识别单元73和构建单元74皆可以由图1所示的处理器11调用存储器12中的程序代码来实现。其具体的执行过程可参考图3或图6所示的通信电台识别方法部分的描述，这里不再赘述。
本申请实施例提供一种通信电台识别装置，一方面，由于暂态信号中存在比较明显的通信电台个体差异特征，因此通过确定第一暂态信号可以提取较多的个体差异特征；另一方面，由于通过复Morlet小波变换得到的第一包络谱图可以更加准确的表现出通信电台的个体差异特征，因此，即使通信电台在发射的信号中携带的个体特征较少，也可以通过细微的差异对通信电台进行识别，从而可以提高识别通信电台的准确度。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的通信电台识别方法中，通信电台识别装置执行的各个步骤。
本申请实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的通信电台识别方法中，通信电台识别装置执行的各个步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取的存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种通信电台识别方法，其特征在于，包括：
从采集的待测信号中确定第一暂态信号；
将所述第一暂态信号进行复Morlet小波变换，得到第一包络谱图；
将所述第一包络谱图输入到预设神经网络模型，得到发射所述待测信号的通信电台的标识。
2.根据权利要求1所述的通信电台识别方法，其特征在于，所述将所述第一包络谱图输入到预设神经网络模型之前，所述方法还包括：
确定多个样本信号中每个样本信号的第二包络谱图；
将样本信号的第二包络谱图与发射所述样本信号的通信电台的标识作为训练数据构建所述预设神经网络模型。
3.根据权利要求1所述的通信电台识别方法，其特征在于，所述从采集的待测信号中确定第一暂态信号，包括：
通过带通滤波器对采集的待测信号进行滤波处理，得到滤波信号；
根据基于滑动窗口的短时能量检测方法确定所述滤波信号的起始时间点；
将所述起始时间点之前的第一数量的采样点和所述起始时间点之后的第二数量的采样点确定为第一暂态信号。
4.根据权利要求1所述的通信电台识别方法，其特征在于，所述将所述第一暂态信号进行复Morlet小波变换，得到第一包络谱图，包括：
选取N个不同的尺度因子，分别对所述第一暂态信号进行复Morlet小波变换，得到所述第一暂态信号的第三包络谱图；
将所述第三包络谱图进行裁剪得到预设尺寸的第一包络谱图；
其中，所述第三包络谱图包括N个不同频段数量的包络谱图，N为大于1的整数。
5.一种通信电台识别装置，其特征在于，包括：
预处理单元，用于从采集的待测信号中确定第一暂态信号；
变换单元，用于将所述预处理单元确定的所述第一暂态信号进行复Morlet小波变换，得到第一包络谱图；
识别单元，用于将所述变换单元得到的所述第一包络谱图输入到预设神经网络模型，得到发射所述待测信号的通信电台的标识。
6.根据权利要求5所述的通信电台识别装置，其特征在于，所述装置还包括构建单元；
所述预处理单元，还用于在所述识别单元将所述第一包络谱图输入到预设神经网络模型之前，确定多个样本信号中每个样本信号的第二包络谱图；
所述构建单元，用于将样本信号的第二包络谱图与发射所述样本信号的通信电台的标识作为训练数据构建所述预设神经网络模型。
7.根据权利要求5所述的通信电台识别装置，其特征在于，所述预处理单元，具体用于通过带通滤波器对采集的待测信号进行滤波处理，得到滤波信号，并根据基于滑动窗口的短时能量检测方法确定所述滤波信号的起始时间点，以及将所述起始时间点之前的第一数量的采样点和所述起始时间点之后的第二数量的采样点确定为第一暂态信号。
8.根据权利要求5所述的通信电台识别装置，其特征在于，所述变换单元，具体用于选取N个不同的尺度因子，分别对所述第一暂态信号进行复Morlet小波变换，得到所述第一暂态信号的第三包络谱图，并将所述第三包络谱图进行裁剪得到预设尺寸的第一包络谱图；其中，所述第三包络谱图包括N个不同频段数量的包络谱图，N为大于1的整数。
9.一种通信电台识别装置，其特征在于，包括存储器和处理器；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过总线连接；
当所述通信电台识别装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述通信电台识别装置执行如权利要求1-4任一项所述的通信电台识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机执行指令，当所述计算机执行指令在计算机上运行时，使得所述计算机执行如权利要求1-4任一项所述的通信电台识别方法。
CN202010918063.0A 2020-09-03 2020-09-03 一种通信电台识别方法及装置 Pending CN112163457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010918063.0A CN112163457A (zh) 2020-09-03 2020-09-03 一种通信电台识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010918063.0A CN112163457A (zh) 2020-09-03 2020-09-03 一种通信电台识别方法及装置

Publications (1)

Publication Number Publication Date
CN112163457A true CN112163457A (zh) 2021-01-01

Family

ID=73857531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010918063.0A Pending CN112163457A (zh) 2020-09-03 2020-09-03 一种通信电台识别方法及装置

Country Status (1)

Country Link
CN (1) CN112163457A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050044561A1 (en) * 2003-08-20 2005-02-24 Gotuit Audio, Inc. Methods and apparatus for identifying program segments by detecting duplicate signal patterns
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
US20170250766A1 (en) * 2013-03-15 2017-08-31 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management for identifying signal-emitting devices
US20180122403A1 (en) * 2016-02-16 2018-05-03 Red Pill VR, Inc. Real-time audio source separation using deep neural networks
WO2018107810A1 (zh) * 2016-12-15 2018-06-21 平安科技（深圳）有限公司 声纹识别方法、装置、电子设备及介质
CN109787929A (zh) * 2019-02-20 2019-05-21 深圳市宝链人工智能科技有限公司 信号调制识别方法、电子装置及计算机可读存储介质
CN109829352A (zh) * 2018-11-20 2019-05-31 中国人民解放军陆军工程大学 融合多层稀疏学习与多视角学习的通信指纹识别方法
CN109948731A (zh) * 2019-03-29 2019-06-28 成都大学 一种通信电台个体识别方法、系统、存储介质及终端
US20190307345A1 (en) * 2016-12-02 2019-10-10 Thomas Jefferson University Signal processing method for distinguishing and characterizing high-frequency oscillations
CN110427893A (zh) * 2019-08-06 2019-11-08 西安电子科技大学 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质
CN111368648A (zh) * 2020-02-17 2020-07-03 西安电子科技大学 雷达辐射源个体识别方法、装置、电子设备及其存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050044561A1 (en) * 2003-08-20 2005-02-24 Gotuit Audio, Inc. Methods and apparatus for identifying program segments by detecting duplicate signal patterns
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
US20170250766A1 (en) * 2013-03-15 2017-08-31 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management for identifying signal-emitting devices
US20180122403A1 (en) * 2016-02-16 2018-05-03 Red Pill VR, Inc. Real-time audio source separation using deep neural networks
US20190307345A1 (en) * 2016-12-02 2019-10-10 Thomas Jefferson University Signal processing method for distinguishing and characterizing high-frequency oscillations
WO2018107810A1 (zh) * 2016-12-15 2018-06-21 平安科技（深圳）有限公司 声纹识别方法、装置、电子设备及介质
CN109829352A (zh) * 2018-11-20 2019-05-31 中国人民解放军陆军工程大学 融合多层稀疏学习与多视角学习的通信指纹识别方法
CN109787929A (zh) * 2019-02-20 2019-05-21 深圳市宝链人工智能科技有限公司 信号调制识别方法、电子装置及计算机可读存储介质
CN109948731A (zh) * 2019-03-29 2019-06-28 成都大学 一种通信电台个体识别方法、系统、存储介质及终端
CN110427893A (zh) * 2019-08-06 2019-11-08 西安电子科技大学 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质
CN111368648A (zh) * 2020-02-17 2020-07-03 西安电子科技大学 雷达辐射源个体识别方法、装置、电子设备及其存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
LI XIN 等: "Radiation source individual identification using machine learning method", 《2019 IEEE 8TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》, pages 1001 - 1005 *
LIU CHONG CHUN 等: "A method based on Morlet wavelet for extracting vibration signal envelope", 《2000 5TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING PROCEEDINGS. 16TH WORLD COMPUTER CONGRESS 2000》, vol. 01, pages 337 - 340 *
丁敏: "通信辐射源个体识别技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 02, pages 136 - 1658 *
井博军: "基于深度学习的雷达辐射源识别技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 04, pages 136 - 2258 *
何岭松 等: "用Morlet小波进行包络检波分析", 《振动工程学报》, no. 01, pages 123 - 126 *
王伦文 等: "电台"指纹"特征初探", 《计算机与网络》, no. 10, pages 29 - 32 *
高伟: "通信电台信号指纹识别技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 10, pages 138 - 513 *

Similar Documents

Publication Publication Date Title
CN107609186B (zh) 信息处理方法及装置、终端设备及计算机可读存储介质
CN109241859B (zh) 指纹识别方法及相关产品
CN112312457B (zh) 一种基于复数深度残差网络的通信辐射源个体识别方法
CN110718235B (zh) 异常声音检测的方法、电子设备及存储介质
CN110363076A (zh) 人员信息关联方法、装置及终端设备
CN107092874A (zh) 基于心电和指纹融合特征的身份识别方法、装置及系统
CN103976740A (zh) 一种面向网络环境的脑电信号身份识别系统及识别方法
CN108460346A (zh) 指纹识别方法及装置
CN108255602A (zh) 任务组合方法及终端设备
CN113939016B (zh) 基于wifi双频融合的智能终端室内定位方法及系统
Holmström et al. Statistical scale space methods
CN107004131A (zh) 指纹识别的方法及装置
CN109725337B (zh) 一种B2a信号匹配滤波捕获方法、装置及计算机存储介质
CN103810241B (zh) 一种低频点击的过滤方法和装置
CN112163457A (zh) 一种通信电台识别方法及装置
CN108062401A (zh) 应用推荐方法、装置及存储介质
CN109309538A (zh) 一种频谱感知方法、装置、设备、系统及存储介质
CN109558518A (zh) 一种确定社交网络中社区发现的方法、装置及存储介质
CN106845340A (zh) 用户设备、指纹识别阵列及其控制方法
Liu et al. Incremental learning based radio frequency fingerprint identification using intelligent representation
CN107889191A (zh) 无线局域网络的连接方法、装置、设备及计算机可读存储介质
CN115470873A (zh) 一种雷达辐射源识别方法与系统
CN111160468B (zh) 数据处理方法及装置、处理器、电子设备、存储介质
CN105681539B (zh) 一种解锁处理的方法、装置以及终端
CN101807961B (zh) 基于双谱对角切片实现频谱感知的方法

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