CN113205076A - 一种基于memd分解的无线帧行为特征提取方法及系统 - Google Patents
一种基于memd分解的无线帧行为特征提取方法及系统 Download PDFInfo
- Publication number
- CN113205076A CN113205076A CN202110604333.5A CN202110604333A CN113205076A CN 113205076 A CN113205076 A CN 113205076A CN 202110604333 A CN202110604333 A CN 202110604333A CN 113205076 A CN113205076 A CN 113205076A
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- stray
- component
- memd
- 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
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
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于MEMD分解的无线帧行为特征提取方法及系统,包括以下步骤:步骤1:获取信号,将信号进行预处理;步骤2:将经预处理后的信号中每一个信标帧通过MEMD算法处理后,得到IMF信号分量;步骤3:根据IMF信号分量判定是否为杂散部分IMF分量,若是则转入步骤4和步骤5,若否舍去;步骤4:求解杂散分量的一维分形盒维数,作为无线帧行为的一个特征;步骤5:将杂散分量叠加获得新的杂散波形,计算杂散部分的能量,作为无线帧行为的另一个特征;步骤6:信号一维分形盒维数和杂散部分能量构成无线网络设备个体特征集;本发明能够精确提取出信标帧信号中的杂散信号,可以有效的进行无线网络设备个体识别。
Description
技术领域
本发明涉及无线网络设备个体行为特征提取技术领域,具体涉及一种基于MEMD分解的无线帧行为特征提取方法及系统。
背景技术
近年来,随着无线通信技术和信号处理方法的迅猛发展,电子信息对抗技术占据这越来越重要的地位。而辐射源个体细微特征提取与识别技术是电子信息对抗中的一个非常重要的研究课题。主要涉及对辐射源个体特征提取和识别算法两个方面。
在当今日益复杂的电磁环境中,传统的方法已经难以实现对辐射源个体的识别,对辐射源个体特征提取是个体识别的关键环节。但是受通信对抗设备的技术限制,辐射源的个体识别研究较为缓慢。由于信号个体特征的微弱,易受到噪声影响,有效提取标识辐射源设备的个体特征极其困难,特别是参数和型号相同的辐射源个体特征的提取更是面临巨大的挑战。
发明内容
本发明针对现有技术问题提供一种基于MEMD分解的无线帧行为特征提取方法及系统。
本发明采用的技术方案是:
一种基于MEMD分解的无线帧行为特征提取方法,包括以下步骤:
步骤1:获取信号,将信号进行预处理;
步骤2:将经预处理后的信号中每一个信标帧通过MEMD算法处理后,得到IMF信号分量;
步骤3:根据IMF信号分量判定是否为杂散部分IMF分量,若是则转入步骤4和步骤5,若否舍去;
步骤4:求解步骤3得到的杂散分量的一维分形盒维数,作为无线帧行为的一个特征;
步骤5:将步骤3得到的杂散分量叠加获得新的杂散波形,计算杂散部分的能量,作为无线帧行为的另一个特征;
步骤6:步骤4得到的信号一维分形盒维数和杂散部分能量构成无线网络设备个体特征集。
进一步的,所述步骤1中信号预处理如下:
将信号的信道噪声部分、瞬态信号部分去掉,得到信号稳态部分。
进一步的,所述步骤3中判定是否为杂散部分IMF分量的判定准则如下:
其中,En为n帧信号的同一频率尺度进行叠加后的能量,IMF(i)Emax为n帧信号的同一频率尺度的IMF中能量最大者;i=1,2,3…n。
进一步的,所述步骤4中一维分形盒维数d计算过程如下:
其中,ε为盒子的边长,N(ε)为覆盖所需要盒子的数目,ε和N(ε)根据杂散信号周期性特点确定。
进一步的,所述步骤5中杂散部分的能量计算如下:
其中,x为杂散信号幅值。
进一步的,所述步骤1中经预处理后的信号经MEMD算法处理前对信号进行降采样。
进一步的,所述步骤2得到IMF信号分量中每个信标帧的IMF分量中的第一个分量和最后一个分量去掉,然后进行步骤3的判定。
基于MEMD分解的无线帧行为特征提取方法的提取系统,包括:
信号预处理模块:将信号进行预处理去除信道噪声段和瞬态信号部分;
MEMD模块:将信号经MEMD算法进行处理,得到IMF信号分量;
特征提取模块:根据IMF信号分量提取杂散部分,计算杂散部分的能量,作为一个特征;计算一维分形盒维数作为另一个特征;两个特征构成表征无线网络设备个体的杂散特征集。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
本发明的有益效果是:
(1)本发明结合MEMD算法和设计的判定准则,可以精确的提取出信标帧信号中的杂散信号;
(2)本发明中一维分形盒维数和杂散部分能量构成无线网络设备个体特征集,可以有效的进行无线网络设备个体识别。
附图说明
图1为现有应用经验模态信号分解方法提取得到的特征分布图。
图2为实施例中采用本发明方法提取得到的特征分布图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种基于MEMD分解的无线帧行为特征提取方法,包括以下步骤:
步骤1:获取信号,将信号进行预处理;信号预处理如下:
将信号的信道噪声部分、瞬态信号部分去掉,得到信号稳态部分;将稳态部分的Beacon帧信号送入MEMD算法中。由于信号数据量过大,在信号处理时对信号进行了1000倍的降采样。然后,为对信标帧信号稳态部分进行MEMD分解后得到的本征模态分量IMF,每一个IMF代表着不同的频率分量。
杂散成分是由于辐射源内部硬件的不完善所带来的、寄生在有用信号之上的、包含有辐射源个体信息的无意调制成分。这些杂散成分相对比较微弱,一般隐藏在主要信号之下,直接从接受信号中提取其特征有一定难度。应用多维经验模态分解方法(MEMD),提取由力科示波器在5GHz采样率下的采集的Beacon帧信号。
步骤2:将经预处理后的信号中每一个信标帧通过MEMD算法处理后,得到IMF信号分量;
因为分解信号为实际测得信号,信号中包含大量的频率分量,所以从对应的频谱可知,分解出来的每一个IMF分量中,都包含有较宽的频率分量,且从上下IMF波形频率有一定的重合,说明有一定的模态混叠,但是不影响杂散信号的提取。通过MEMD信号分解,产生的信号IMFs分量包含有杂散信号部分和噪声部分,所以我们需要从中提取出杂散信号部分去除噪声,根据以下两个方面:
1)实际情况下,信号中杂散信号的频率和数目是未知的,但是杂散部分一般存在于信号的中低频部分,所以选择信号的中低频部分的信号为杂散信号部分。
2)因为多维经验模态分解可以同时多个通道进行处理,且MEMD方法可以使信号分解的个数一样,即保持维度一致,这样,每个IMF波形对应的频率分量是基本一致的。因为噪声的能量是有正有负的,而杂散信号是属于信号,它的能量只有正的没有负的,所以,我们通过对多个等级相同的IMF波形进行叠加,噪声的能量在叠加过程中会出现相互抵消,直到消失,而杂散信号在叠加过程中的能量会越来越多,通过对同等级的IMF波形叠加来分辨噪声和杂散信号。
步骤3:根据IMF信号分量判定是否为杂散部分IMF分量,若是则转入步骤4和步骤5,若否舍去;
判定是否为杂散部分IMF分量的判定准则如下:
其中,En为n帧信号的同一频率尺度进行叠加后的能量,IMF(i)Emax为n帧信号的同一频率尺度的IMF中能量最大者;i=1,2,3…n。
基于MEMD分解原理,其频率尺度对齐。因此得到的每一个通道的本征模态函数(IMF)都是频率上对齐的,所以,将帧数为n的信号分解后的同一个频率层次的IMF进行叠加,然后判断n帧信号叠加过后得到得能量是否低于这所有帧信号这一频率层次的IMF中的能量最高者的帧总数的一半,如果低于这一判断尺度,则说明这一频率层次的IMF分量中的噪声是大于杂散信号的,就舍去这一频率层次的IMF,如果相反大于这一判断尺度,则说明这一层次中的IMF里杂散信号是大于噪声的,则保留作为杂散信号的一部分。
步骤4:求解步骤3得到的杂散分量的一维分形盒维数,作为无线帧行为的一个特征;一维分形盒维数d计算过程如下:
其中,ε为盒子的边长,N(ε)为覆盖所需要盒子的数目,ε和N(ε)根据杂散信号周期性特点确定。
盒维数是分形维数的一种,它主要通过大小及其变化来表现信号的不规则成都。因为其计算相对简单,所以应用很广泛。主要用来描述图形和结构的几何尺度的情况。
步骤5:将步骤3得到的杂散分量叠加获得新的杂散波形,计算杂散部分的能量,作为无线帧行为的另一个特征;杂散部分的能量计算如下:
其中,x为组成杂散波形各点的幅度。
步骤6:步骤4得到的信号一维分形盒维数和杂散部分能量构成无线网络设备个体特征集。
盒维数能够度量信号的复杂程度,且由于无线网络设备的杂散频率存在差异,因而其杂散的复杂度也不相同,所以可以作为识别无线网络设备的一种细微特征。能量特征能够度量信号幅值大小,而每个不同无线网络设备的杂散信号是不同的,通过杂散信号能量(熵)能够度量和表征不同的无线网络设备个体。
无线网络信号通过无线网络设备输出。在无线网络设备中,总会使用到放大器这个元器件,该元器件在理想状况下或者理想预期中产生的特性是线性的,但是用于实现放大的过程中,该器件可能在一定的范围内产生非线性效应。比如当输入放大器的幅度过大时,可能就会导致幅度饱和。在实际的情况中,即使放大器的传递函数为线性,它的动态特性也会存在着失真。一般从两个方面来描述无线网络设备的放大器的失真:时域失真和频域失真。时域失真主要归因于波形幅度调制和因电源纹波而引起的寄生信号的幅度和相位调制。频域失真主要归因于放大器的幅度变化与相位引起的非线性失真导致的。信号携带的杂散分量就是由于放大器这些器件在时域和频域的失真引起的。而每个无线网络设备个体的杂散信号是不一样的。通过计算杂散信号合维数和能量(熵)能够度量和表征每个无线网络设备个体。
基于MEMD分解的无线帧行为特征提取方法的提取系统,包括:
信号预处理模块:将信号进行预处理去除信道噪声段和瞬态信号部分;
MEMD模块:将信号经MEMD算法进行处理,得到IMF信号分量;
特征提取模块:根据IMF信号分量提取杂散部分,计算杂散部分的能量,作为一个特征;计算一维分形盒维数作为另一个特征;两个特征构成表征无线网络设备个体的杂散特征集。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
实施例
采集管理帧中的信标帧(Beacon帧)信号作为标识无线网络设备的信号,Beacon(信标)帧是802.11中一个周期性的帧,周期性高,每隔一段时间就会发出一个Beacon信号用来宣布802.11网络的存在且Beacon帧是一个广播帧,目的是广播AP的基本信息。因为Beacon帧的周期性,加上其广播AP设备的基本信息,所以可以很好的作为标识无线网络设备的信号。
实验采集信标帧信号的器材为力科示波器,通过示波器对同型号不同序列号的Tplink公司的无线网络设备进行信号采集。实验基于802.11n网络协议,采样带宽为20MHz,通过无线网络设备发送信标帧信号,由示波器在5GHz的采样频率下通过单向天线进行采集。
基于无线帧杂散行为特征提取算法,提取5个同型号的无线网络设备的杂散行为信号和二次特征。为了表明本发明方法的优越性,对比其应用经验模态信号分解方法(EMD)的结果,如图1和图2所示。
从图1和图2中可以看出,在对5个型号的不同无线网络设备提取出的杂散信号求取一维分形盒维数和能量特征后,EMD方法得到的特征有一些交叉,且聚合程度没有MEMD好。而MEMD方法得到的分布图上各个无线网络设备的特征无明显交叉或重叠。将提取的杂散行为特征作为支持向量机的输入,对5个同型号无线网络设备个体进行识别,结果如图表1和表2所示。
表1.无线网络设备个体识别EMD
无线网络设备(序列号) | 训练样本数 | 识别结果 | 识别率(%) |
13912145003 | 20 | 30 | 100 |
13907526186 | 20 | 30 | 100 |
13822107818 | 20 | 25 | 83.3 |
1148485003214 | 20 | 30 | 100 |
1158535045323 | 20 | 24 | 80 |
表2.无线网络设备个体识别EMED
无线网络设备(序列号) | 训练样本数 | 识别结果 | 识别率(%) |
13912145003 | 20 | 30 | 100 |
13907526186 | 20 | 30 | 100 |
13822107818 | 20 | 28 | 93.3 |
1148485003214 | 20 | 30 | 100 |
1158535045323 | 20 | 29 | 90 |
从表1和表2可以看出,50帧的信标帧信号,随机选取20帧的信号特征送入SVG分类器中作为训练样本数,剩余30帧信号作为测试样本,获得了如上述表格的识别率。EMD方法的平均识别率为92.66%,MEMD方法的平均识别率为96.66%,可以看出此识别无线网络设备的方法是可行的。并且MEMD方法优于现有的EMD方法。
识别方法如下:
步骤1:构建识别网络;
步骤2:采用本发明方法识别得到的特征集分为训练集和测试集;
步骤3:采用训练集数据对识别网络进行训练;
步骤4:采用测试集数据对识别网络进行测试。
采用的识别网络为现有网络结构中的一种,包括但不限于下述网络:卷积神经网络、循环神经网络、深度信念网络、生成对抗网络、深度强化网络。
本发明从无线帧行为角度,根据设计的杂散信号判定准则,将无线帧信号中的杂散信号部分提取出来,并且对杂散信号进行二次特征提取。可以精确的提取出信标帧中的杂散信号。通过杂散信号的一维盒维数和能量构成无线网络设备个体特征集。可以有效的进行无线网络设备的个体识别。本发明实施例从基于IEEE 802.11协议为主的无线网络设备个体评价识别出发,通过对无线帧信号中杂散信号提取,并对提取的杂散信号进行细微特征提取,以此来表征无线网络设备的个体特征。
Claims (10)
1.一种基于MEMD分解的无线帧行为特征提取方法,其特征在于,包括以下步骤:
步骤1:获取信号,将信号进行预处理;
步骤2:将经预处理后的信号中每一个信标帧通过MEMD算法处理后,得到IMF信号分量;
步骤3:根据IMF信号分量判定是否为杂散部分IMF分量,若是则转入步骤4和步骤5,若否舍去;
步骤4:求解步骤3得到的杂散分量的一维分形盒维数,作为无线帧行为的一个特征;
步骤5:将步骤3得到的杂散分量叠加获得新的杂散波形,计算杂散部分的能量,作为无线帧行为的另一个特征;
步骤6:步骤4得到的信号一维分形盒维数和杂散部分能量构成无线网络设备个体特征集。
2.根据权利要求1所述的一种基于MEMD分解的无线帧行为特征提取方法,其特征在于,所述步骤1中信号预处理如下:
将信号的信道噪声部分、瞬态信号部分去掉,得到信号稳态部分。
6.根据权利要求1所述的一种基于MEMD分解的无线帧行为特征提取方法,其特征在于,所述步骤1中经预处理后的信号经MEMD算法处理前对信号进行降采样。
7.根据权利要求1所述的一种基于MEMD分解的无线帧行为特征提取方法,其特征在于,所述步骤2得到IMF信号分量中每个信标帧的IMF分量中的第一个分量和最后一个分量去掉,然后进行步骤3的判定。
8.如权利要求1~7所述任一项基于MEMD分解的无线帧行为特征提取方法的提取系统,其特征在于,包括:
信号预处理模块:将信号进行预处理去除信道噪声段和瞬态信号部分;
MEMD模块:将信号经MEMD算法进行处理,得到IMF信号分量;
特征提取模块:根据IMF信号分量提取杂散部分,计算杂散部分的能量,作为一个特征;计算一维分形盒维数作为另一个特征;两个特征构成表征无线网络设备个体的杂散特征集。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~7任一项基于MEMD分解的无线帧行为特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604333.5A CN113205076A (zh) | 2021-05-31 | 2021-05-31 | 一种基于memd分解的无线帧行为特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604333.5A CN113205076A (zh) | 2021-05-31 | 2021-05-31 | 一种基于memd分解的无线帧行为特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205076A true CN113205076A (zh) | 2021-08-03 |
Family
ID=77024299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604333.5A Pending CN113205076A (zh) | 2021-05-31 | 2021-05-31 | 一种基于memd分解的无线帧行为特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205076A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808166A (zh) * | 2017-10-26 | 2018-03-16 | 杭州电子科技大学 | 一种memd张量线性拉普拉斯判别的肌电特征提取方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
CN111563227A (zh) * | 2020-04-30 | 2020-08-21 | 中国人民解放军军事科学院评估论证研究中心 | 辐射源信号的指纹特征参数提取方法及辐射源识别 |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
-
2021
- 2021-05-31 CN CN202110604333.5A patent/CN113205076A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808166A (zh) * | 2017-10-26 | 2018-03-16 | 杭州电子科技大学 | 一种memd张量线性拉普拉斯判别的肌电特征提取方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
CN111563227A (zh) * | 2020-04-30 | 2020-08-21 | 中国人民解放军军事科学院评估论证研究中心 | 辐射源信号的指纹特征参数提取方法及辐射源识别 |
Non-Patent Citations (1)
Title |
---|
ZHIBIN YU等: ""Feature Extraction Method For Wireless Network Devices Using Multivariate Empirical Mode Decomposition"", 《ACM:ICCIP’19:PROCEEDINGS OF THE 5TH INTERNATIONAL CONFERENCE ON COMMUNICATION AND INFORMATION PROCESSING》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
CN106845339A (zh) | 一种基于双谱和emd融合特征的手机个体识别方法 | |
Wang et al. | Fractal complexity-based feature extraction algorithm of communication signals | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN106533577A (zh) | 一种基于能量检测的非高斯噪声抑制方法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
Deng et al. | A novel specific emitter identification method based on radio frequency fingerprints | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
Yao et al. | Specific emitter identification based on square integral bispectrum features | |
CN112287796A (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
Han et al. | Communication emitter individual identification via 3D‐Hilbert energy spectrum‐based multiscale segmentation features | |
Tan et al. | Specific emitter identification based on software-defined radio and decision fusion | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
CN109150340A (zh) | 指纹特征提取方法及身份检测方法和辐射源识别校正方法 | |
CN113205076A (zh) | 一种基于memd分解的无线帧行为特征提取方法及系统 | |
CN107356963A (zh) | 一种数据驱动的自适应的地震信号相干体属性分析方法 | |
CN104008292B (zh) | 宽带天线超宽带电磁脉冲响应预测方法 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
Liang et al. | An individual emitter recognition method combining bispectrum with wavelet entropy | |
CN102819012B (zh) | 一种基于改进的非负ica的相控阵风廓线雷达信号处理方法 | |
Shi et al. | Multifractal slope feature based wireless devices identification |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |