CN115219991A - 一种基于希尔伯特变换的二相编码调制信号识别方法 - Google Patents

Abstract

本发明公开了一种基于希尔伯特变换的二相编码调制信号识别方法，通过对脉冲数据进行进行希尔伯特变换，形成二相编码调制信号特有的时域对数图；再通过特征提取网络提取时域对数图的特征值；最后将时域对数图的特征值与既存的二相编码调制信号特征值进行匹配，若匹配成功，则该雷达信号的调制类型为二相编码。本发明能够实时识别未知雷达信号的二相编码调制类型，识别准确率高达95％以上，普遍高于现有其他雷达信号调制类型识别方法。

Description

一种基于希尔伯特变换的二相编码调制信号识别方法

技术领域

本发明涉及雷达信号调制类型识别技术领域，尤其是一种基于希尔伯特变换的二相编码调制信号识别方法。

背景技术

在现代化军队中，雷达、制导、通信等电子装备越来越多，通过电子侦察获取敌方雷达、制导、通信等设备发射的电磁信息，就能够获取敌方重要的军事情报。因此，在现代军事对抗中，雷达对抗具有日益重要的举足轻重地位。

雷达侦察作为雷达对抗的重要组成部分，是信息情报的重要来源之一。雷达侦察系统接收雷达发射的直达信号，测量该直达信号的方向、频率及其它调制参数，然后根据已经掌握的雷达信号先验信息及先验知识，判断该雷达的功能、工作状态、威胁程度等，并将各种信号处理结果反馈给干扰机和其他有关的设备。

雷达信号的脉内特征是雷达信号细微特征的重要体现，也称雷达信号的指纹特征，是电子侦察中对雷达信号进行分选、识别的重要参数，是雷达设备个体特征识别的重要依据之一。雷达脉冲压缩信号的脉内调制类型可以有很多种，例如单载频、多载频分集、多载频编码、线性调频、二相编码和多相编码等，其中现代脉冲压缩雷达应用最广泛的信号形式主要是线性调频(LFM)信号和二相编码(BPSK)信号。

研究人员在雷达信号调制类型的精准识别上，一直在不断地进行探索。例如，国家知识产权局于2021年1月12日公告授权的发明专利CN107577999B公开了一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法，实现低信噪比条件下雷达信号调制类型的有效识别；于2021年5月18日公告授权的发明专利CN107966687B公开了一种基于部分自相关谱的MIMO雷达信号调制类型识别方法，大大减少了计算量，缩短了识别时间，且实现简单、识别效果良好；于2022年5月31日公告授权的发明专利CN114114227B公开了一种基于双通道异构融合网络的雷达信号调制类型识别方法，基于双通道异构融合网络进行未知雷达信号调制类型的识别，相比于单通道网络模型，识别准确率提高了10％。

现有技术对于雷达信号调制类型的识别均未针对特定调制类型，在二相编码调制信号的识别上，显现识别能力不足、泛化性较差等问题。

发明内容

针对现有雷达信号调制类型识别技术在二相编码调制信号识别上存在的技术问题，本发明提供了一种基于希尔伯特变换的二相编码调制信号识别方法，以及用于实现方法的特征提取网络。

本发明保护一种基于希尔伯特变换的二相编码调制信号识别方法，包括以下步骤：

步骤1，预处理雷达信号，以提取脉冲数据，确定脉冲上升沿、下降沿位置；

步骤2，将提取到的脉冲数据中对应脉冲上升沿、下降沿位置且数值大于0的数据列入希尔伯特变换数组；

步骤3，对希尔伯特变换数组中的数据进行希尔伯特变换；

步骤4，变换后的脉冲数据作为虚部，原始脉冲数据作为实部，并以对数极坐标的形式呈现，形成时域对数图；

步骤5，提取时域对数图的特征值；

步骤6，将时域对数图的特征值与既存的二相编码调制信号特征值进行匹配，若匹配成功，则该雷达信号的调制类型为二相编码。

进一步的，所述步骤5的具体操作为：利用特征提取网络提取时域对数图中的门形轮廓、序列码、码元宽度，形成门形轮廓特征值、序列码特征值、码元宽度特征值；将门形轮廓特征值、序列码特征值、码元宽度特征值首尾拼接融合，得到时域对数图的特征值。

进一步的，所述步骤1中的提取脉冲数据的具体操作为：首先，设定第一阈值为K1*Qmax，第二阈值为K2*Qmin，其中Qmax、Qmin分别为数据列中的最大值与最小值，K1、K2为可调系数；然后，将数据列中大于第一阈值或者小于第二阈值的数据保留，其余部分置零处理。

本发明还保护二相编码调制信号识别的特征提取网络，其特征在于，包括门形特征提取子网络、序列码特征提取子网络和码元宽度特征提取子网络；

所述门形特征提取子网络，首先对时域特征图进行分割，通过卷积神经单元对每个部分进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后融合并输出门形轮廓特征值；

所述序列码特征提取子网络，首先通过下采样单元连接的两个卷积神经单元对时域对数图进行初级轮廓特征提取，然后通过残差单元进行深层特征提取，最后合并全连接层，输出时域对数图的序列码特征值；

码元宽度特征提取子网络，首先通过卷积神经单元进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后整形并输出时域对数图的码元宽度特征值。

本发明能够实时识别未知雷达信号的二相编码调制类型，识别准确率高达95％以上，普遍高于现有其他雷达信号调制类型识别方法。

附图说明

图1为基于希尔伯特变换的二相编码调制信号识别方法的主要流程图；

图2为提取脉冲数据处理前的原始波形；

图3为提取脉冲数据处理后的脉冲数据波形；

图4为二相编码调制信号的时域对数图；

图5为线性调频调制信号的时域对数图；

图6为非线性调频调制信号的时域对数图；

图7为四相编码调制信号的时域对数图；

图8为八相编码调制信号的时域对数图；

图9为常规脉冲调制信号的时域对数图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

实施例1

一种基于希尔伯特变换的二相编码调制信号识别方法，如图1所示，包括以下步骤：

1、预处理雷达信号，以提取脉冲数据，确定脉冲上升沿、下降沿位置。

雷达信号数字接收机接收到的信号为中频脉冲序列，中频脉冲序列中包含多个脉冲数据，需要逐一提取中频脉冲序列的单个脉冲数据。

提取脉冲数据的具体操作为：首先，设定第一阈值为K1*Qmax，第二阈值为K2*Qmin，其中Qmax、Qmin分别为数据列中的最大值与最小值，K1、K2为可调系数；然后，将数据列中大于第一阈值或者小于第二阈值的数据保留，其余部分置零处理。图2为提取脉冲数据处理前的原始波形，图3为按照此方法处理后的脉冲数据波形。处理后的脉冲数据波形，比原始波形更加容易捕捉到上升沿和下降沿，但是与其他调制类型的雷达信号调整后的时域波形近似，无法据此进行调制类型的区分。

2、将提取到的脉冲数据中对应脉冲上升沿、下降沿位置且数值大于0的数据列入希尔伯特变换数组；对希尔伯特变换数组中的数据进行希尔伯特变换，优选快速希尔伯特变换。

希尔伯特变换是信号分析的一个重要工具，在信号处理系统和通信系统中非常有用，如何进行希尔伯特变换属于现有技术，在此不再赘述。

3、变换后的脉冲数据作为虚部，原始脉冲数据作为实部，并以对数极坐标的形式呈现，形成二相编码调制信号特有的时域对数图，如图4所示，从图4可以看出，二相编码的调制次数10次(序列码1010101010或者0101010101)，码元宽度、脉宽等参数，通过计算均可清晰得到。

图5-9依次出了线性调频、非线性调频、四相编码、八相编码、常规脉冲对应的时域对数图(获取方法与二相编码相同)，对比图4可以看出，通过希尔伯特变换获取调制信号的时域对数图，能够区分出三类，分别为调频信号，二相编码，其他调制信号，其中调频分为线性和非线性，其他调制类型分为四相编码、八相编码以及常规脉冲。

二相编码的码元宽度为图4中“门”洞宽度，码元序列由“门”框两边的突变点演变而来，结合通过神经网络训练，能够智能识别二相编码信号。

5、提取时域对数图的特征值。

利用深度学习网络对图像进行特征提取已经广泛应用于各个领域，本实施例同样采用深度学习网络进行时域对数图的特征值提取，具体方式为，利用特征提取网络提取时域对数图中的门形轮廓、序列码、码元宽度，形成门形轮廓特征值、序列码特征值、码元宽度特征值；将门形轮廓特征值、序列码特征值、码元宽度特征值首尾拼接融合，得到时域对数图的特征值。

6、将时域对数图的特征值与既存的二相编码调制信号特征值进行匹配，若匹配成功，则该雷达信号的调制类型为二相编码；若未匹配成功，则再进行其他调制类型的判断。匹配容差可以根据实际情况设定，例如10％以内。

此处的既存二相编码调制信号特征值，是基于大量已知二相编码调制信号通过特征提取网络获得的。

基于二相编码调制信号时域对数图的独有特性，本发明能够识别未知雷达信号的二相编码调制类型，识别准确率高达95％以上，普遍高于现有其他雷达信号调制类型识别方法。

实施例2

一种用于二相编码调制信号识别的特征提取网络，其特征在于，包括门形特征提取子网络、序列码特征提取子网络和码元宽度特征提取子网络。

所述门形特征提取子网络，首先对时域特征图进行分割，通过卷积神经单元对每个部分进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后融合并输出门形轮廓特征值。

所述序列码特征提取子网络，首先通过下采样单元连接的两个卷积神经单元对时域对数图进行初级轮廓特征提取，然后通过残差单元进行深层特征提取，最后合并全连接层，输出时域对数图的序列码特征值。

码元宽度特征提取子网络，首先通过卷积神经单元进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后整形并输出时域对数图的码元宽度特征。

本领域技术人员知晓，特征提取网络构建完成后，需要通过大量样本训练。当所有样本的输入信号均为正值，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。

为了避免出现类似情况，本实施例对样本的输入信号(即样本的时域对数图)进行绝对值归一化，使得所有样本输入信号的均值接近于0或与其均方差相比很小，以加快网络学习速度。

显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

Claims (5)

1.一种基于希尔伯特变换的二相编码调制信号识别方法，其特征在于，包括以下步骤：

步骤1，预处理雷达信号，以提取脉冲数据，确定脉冲上升沿、下降沿位置；

步骤2，将提取到的脉冲数据中对应脉冲上升沿、下降沿位置且数值大于0的数据列入希尔伯特变换数组；

步骤3，对希尔伯特变换数组中的数据进行希尔伯特变换；

步骤4，变换后的脉冲数据作为虚部，原始脉冲数据作为实部，并以对数极坐标的形式呈现，形成时域对数图；

步骤5，提取时域对数图的特征值；

步骤6，将时域对数图的特征值与既存的二相编码调制信号特征值进行匹配，若匹配成功，则该雷达信号的调制类型为二相编码。

2.根据权利要求1所述的基于希尔伯特变换的二相编码调制信号识别方法，其特征在于，所述步骤5的具体操作为：利用特征提取网络提取时域对数图中的门形轮廓、序列码、码元宽度，形成门形轮廓特征值、序列码特征值、码元宽度特征值；将门形轮廓特征值、序列码特征值、码元宽度特征值首尾拼接融合，得到时域对数图的特征值。

3.根据权利要求1或2所述的基于希尔伯特变换的二相编码调制信号识别方法，其特征在于，所述步骤1中的提取脉冲数据的具体操作为：首先，设定第一阈值为K1*Qmax，第二阈值为K2*Qmin，其中Qmax、Qmin分别为数据列中的最大值与最小值，K1、K2为可调系数；然后，将数据列中大于第一阈值或者小于第二阈值的数据保留，其余部分置零处理。

4.一种用于二相编码调制信号识别的特征提取网络，其特征在于，包括门形特征提取子网络、序列码特征提取子网络和码元宽度特征提取子网络；

所述门形特征提取子网络，首先对时域特征图进行分割，通过卷积神经单元对每个部分进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后融合并输出门形轮廓特征值；

所述序列码特征提取子网络，首先通过下采样单元连接的两个卷积神经单元对时域对数图进行初级轮廓特征提取，然后通过残差单元进行深层特征提取，最后合并全连接层，输出时域对数图的序列码特征值；

码元宽度特征提取子网络，首先通过卷积神经单元进行初级轮廓特征提取，然后送入循环神经网络进行横向关联特征提取，最后整形并输出时域对数图的码元宽度特征值。

5.根据权利要求4所述的用于二相编码调制信号识别的特征提取网络，其特征在于，在进行特征提取网络训练时，对样本的时域对数图进行绝对值归一化处理。

Images