CN115514690B - 一种非合作水声网络mac协议识别方法 - Google Patents

Abstract

本发明提供了一种非合作水声网络MAC协议识别方法，首先通过对接收信号中的海洋环境噪声进行消减，减少了脉冲噪声对接收信号的干扰，然后提取短时能量特征，并对提取到短时能量特征进一步进行降噪，并通过机器学习的分类方法能够学习到数据间的特征规律，从而实现对水声非合作网络MAC协议的有效识别。本发明减小噪声能量对水声网络信号能量估计的影响，能够起到对短时能量降噪的效果，符合实际应用场景。通过对CQSTE序列进行变化检测和统计分析，即可提取到能够反映感知节点处的非合作水声网络能量随时间变化的特征，从而能够获取基于CQSTE的水声网络MAC协议识别特征集。

Description

一种非合作水声网络MAC协议识别方法

技术领域

本发明涉及水声网络领域，涉及声信号处理、特征提取、机器学习等技术，尤其一种非合作水声网络MAC协议识别方法。

背景技术

水声网络是海洋环境中唯一的远程数据传输手段，正逐渐应用于军事对抗领域。水声网络中的MAC协议用于将有限的水下声道资源分配到多个网络节点，以实现系统的最高网络吞吐量，是目前水声网络的研究热点。在水下信息对抗作战时，现有的非合作水声通信方法不能从整体上感知水声网络的相关协议，只能在物理层提供有限的先验知识。因此，对非合作水声网络MAC协议识别方法的研究是非常重要的。

目前在认知无线电领域已有对典型MAC协议识别进行一定的研究，通过对无线电网络的功率进行数值大小和到达时刻的统计，可以提取到网络所具有时隙特征和碰撞特征，再利用机器学习的分类方法可实现对MAC协议的识别。然而目前对非合作水声网络MAC协议识别方法的研究尚属空白，并且水声网络信号往往淹没于含有脉冲干扰的海洋环境噪声中，且受多径影响较大，使得上述方法无法直接应用于水声网络。

发明内容

为了克服现有技术的不足，本发明提供一种非合作水声网络MAC协议识别方法。本发明提供了一种通过提取对经过噪声干扰消后的短时能量序列的方法，得到对水声网络信号能量变化的估计，进一步提取该序列统计类特征构建特征集，通过分类器对MAC协议进行识别。

本发明针对水声网络信号低信噪比和噪声非高斯特性的特点，提出了提取量化后的短时能量特征的方法，应用于非合作水声网络的MAC协议识别。该方法首先通过对接收信号中的海洋环境噪声进行消减，减少了脉冲噪声对接收信号的干扰。然后提取短时能量特征，并对提取到短时能量特征进一步进行降噪，有效刻画了接收信号能量随时间的变化情况。由于减小了多径效应和海洋环境噪声对接收信号带来的影响，本文所提出的通过聚类的方法对短时能量特征进行量化可以获得更准确的能量变化和能量到达时刻的统计特征，以及信道繁忙及空闲时长的统计特征，由此能够构建更有效的MAC协议识别特征集，并通过机器学习的分类方法能够学习到数据间的特征规律，从而实现对水声非合作网络MAC协议的有效识别。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤一：海洋环境脉冲噪声消减

计算接收信号的中位数绝对偏差MAD，利用干扰值相邻的数据进行线性插值，并对干扰值进行替换，得到信号序列为

步骤二：带通滤波

对信号序列进行带通滤波，对带通滤波设置为仅保留水声网络所使用频带范围内的能量，消除其他频率范围内噪声能量，经带通滤波后的信号序列为：

其中，带通滤波器的单位冲击响应为h_bpf(m)，为卷积运算符；

步骤三：计算短时能量

对预处理后的信号序列r(m)进行滑窗，提取短时能量特征序列E，第n个能量值E_n表示为：

其中，N为窗长，ω(n)为窗函数；

步骤四：能量中心值和距离代价初始化

计算短时能量特征序列E_n分布中的峰值个数k，在所有能量序列E_n中任意选择k个能量值作为初始的簇中心Oj＝{oj₁,oj₂,...,oj_k}，将E_n中剩余的能量值作为非中心点能量值O_r，并将非中心点能量值O_r分配至离自身最近的中心点Oj所代表的簇，计算所有非中心点到达中心点的总欧氏距离L；

步骤五：K-mediods聚类

重新选择非中心点能量值O_r，用O_r代替中心能量值Oj，从而形成新聚类，计算新聚类的总欧氏距离L，不断迭代更新Oj，直至总欧氏距离L不再降低，即总欧氏距离L前后两次迭代的结果相同，最终形成k个中心点的集合

步骤六：短时能量量化

将所有非中心能量值O_r替换为所属簇的中心值，获得量化后的短时能量序列E′为：

其中，E_n′为替换后的能量值；

步骤七：非合作水声网络MAC协议识别特征集构建

对量化后的短时能量E_n′进行变化检测，计算统计特征，将统计特征构建形成MAC协议识别特征集F；

步骤八：MAC协议识别

利用MAC协议识别特征集F训练分类器，得到分类模型D，将新信号样本的特征输入分类器D中，即可得到对MAC协议的识别结果。

所述步骤一中，接收信号的中位数绝对偏差MAD为：

MAD＝med(|s_m-med(s)|)，m＝1,2,3...,M

其中，接收到的水声网络信号序列为s，med(s)为取信号序列s的中位数，M为信号序列长度，随机变量s_m为信号序列第m项；

估计接收信号标准差δ≈1.4826MAD，对于接收信号中超过标准差δ三倍的干扰值，利用干扰值相邻的数据进行线性插值，并对干扰值进行替换，得到信号序列为

所述步骤七中，对量化后的短时能量E_n′进行变化检测，确定信号到达的时间间隔t_n、信道繁忙时刻t_busy及信道空闲时刻t_idel，对随机变量E_n′、t_n、t_busy、t_idel分别计算随机变量的均值mean(·)、方差var(·)、中值med(·)、最大值max(·)和最小值min(·)四个统计特征，其中每个样本的特征为f，可提取特征f为：

将统计特征构建形成MAC协议识别特征集F。

所述步骤八中，采用训练随机森林或SVM分类器得到分类模型D。

本发明的有益效果在于所提出的基于聚类量化短时能量特征的MAC协议识别方法，考虑到受海洋复杂环境影响，若直接对低信噪比的接收信号提取能量特征，通过能量变化对信号到达时刻进行检测时会引起较高的虚警概率。本发明通过对原始接收信号去除异常值和带通滤波，可以减小噪声能量对水声网络信号能量估计的影响。为实现对MAC协议的更有效的识别，提取短时能量用来表征信号能量随时间的变化，可以关注到关注非合作网络的信道分配规律。本发明创新使用k-mediods方法对提取的短时能量序列进行聚类，能够起到对短时能量降噪的效果，符合实际应用场景。通过对CQSTE序列进行变化检测和统计分析，即可提取到能够反映感知节点处的非合作水声网络能量随时间变化的特征，从而能够获取基于CQSTE的水声网络MAC协议识别特征集。本发明的创新推动了水声网络感知技术的发展，可以为网络化水声对抗提供有效的先验信息，具有极大的理论研究价值和应用价值，对海洋领土安全、海洋军事信息安全等具有深远的军事意义和经济意义。

附图说明

图1是本发明的协议识别流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明提出的聚类量化短时能量特征提取方法主步骤如下：

步骤一：海洋环境脉冲噪声消减

计算接收信号的中位数绝对偏差MAD为：

MAD＝med(|s_m-med(s)|)，m＝1,2,3...

其中，接收到的水声网络信号序列为s，med(s)为取信号序列s的中位数，M为信号幅值序列长度，随机变量s_m为信号序列第m项。

估计接收信号标准差δ≈1.4826MAD，利用线性插值的方法对超过标准差δ三倍的干扰值进行替换，得到信号序列为使用MAD估计标准差而非直接计算标准差能够得到更稳健的效果且计算复杂度更小。

步骤二：带通滤波

通常水声网络所使用的频率范围较窄，对步骤一中得到的信号序列进行带通滤波，仅保留水声网络所使用频带范围内的能量，可以消除其他频率范围内噪声能量。经干扰值去除和通滤波后的信号为：

其中，带通滤波器的单位冲击响应为h_bpf(m)，为卷积运算符。

步骤三：计算短时能量

对预处理后的接收序列r(m)进行滑窗，提取短时能量特征序列E，第n个能量值E_n表示为：

其中，N为窗长，ω(n)为窗函数。短时能量可以充分反应接收信号中能量随时间的变化，但由于较低的信噪比，使得计算得到的短时能量仍受噪声干扰，需要进一步的降噪处理。

步骤四：能量中心值和距离代价初始化

计算短时能量序列E_n分布中的峰值个数k，在所有能量序列E_n中任意选择k个能量值作为初始的簇中心Oj＝{oj₁,oj₂,...,oj_k}。剩余能量值作为非中心点能量值O_r分配到最近的中心点所代表的簇，计算所有非中心点到达中心点的总欧氏距离L。

步骤五：K-mediods聚类

重新选择非中心点能量值O_r，计算用O_r代替中心能量值Oj形成新聚类的总欧氏距离L。不断迭代更新Oj，直到总欧氏距离L不再降低，最终形成k个中心点的集合

步骤六：短时能量量化

将所有非中心能量值O_r替换为利用所属簇的中心值获得量化后的短时能量序列E′

其中，E_n′为替换后的能量值。

步骤七：非合作水声网络MAC协议识别特征集构建

对量化后的短时能量E_n′进行变化检测，确定信号到达的时间间隔t_n，信道繁忙时刻t_busy以及信道空闲时刻t_idel，对随机变量E_n′、t_n、t_busy、t_idel分别计算均值mean(·)、方差var(·)、中值med(·)、最大值max(·)、最小值min(·)等统计特征，构建MAC协议识别特征集F，其中每个样本的特征为f。例如，可提取特征f为：

步骤八：MAC协议识别

对接收信号样本提取特征得到MAC协议识别特征集F，可以选择训练随机森林、SVM等分类器得到分类模型D。将新信号样本的特征f输入分类器D中即可得到对MAC协议的识别结果。

Claims (4)

1.一种非合作水声网络MAC协议识别方法，其特征在于包括下述步骤：

步骤一：海洋环境脉冲噪声消减

计算接收信号的中位数绝对偏差MAD，利用干扰值相邻的数据进行线性插值，并对干扰值进行替换，得到信号序列为

步骤二：带通滤波

对信号序列进行带通滤波，对带通滤波设置为仅保留水声网络所使用频带范围内的能量，消除其他频率范围内噪声能量，经带通滤波后的信号序列为：

其中，带通滤波器的单位冲击响应为h_bpf(m)，为卷积运算符；

步骤三：计算短时能量

对预处理后的信号序列r(m)进行滑窗，提取短时能量特征序列E，第n个能量值E_n表示为：

其中，N为窗长，ω(n)为窗函数；

步骤四：能量中心值和距离代价初始化

计算短时能量特征序列E_n分布中的峰值个数k，在所有能量序列E_n中任意选择k个能量值作为初始的簇中心Oj＝{oj₁,oj₂,...,oj_k}，将E_n中剩余的能量值作为非中心点能量值O_r，并将非中心点能量值O_r分配至离自身最近的中心点Oj所代表的簇，计算所有非中心点到达中心点的总欧氏距离L；

步骤五：K-mediods聚类

重新选择非中心点能量值O_r，用O_r代替中心能量值Oj，从而形成新聚类，计算新聚类的总欧氏距离L，不断迭代更新Oj，直至总欧氏距离L不再降低，即总欧氏距离L前后两次迭代的结果相同，最终形成k个中心点的集合

步骤六：短时能量量化

将所有非中心能量值O_r替换为所属簇的中心值，获得量化后的短时能量序列E′为：

其中，E′_n为替换后的能量值；

步骤七：非合作水声网络MAC协议识别特征集构建

对量化后的短时能量E′_n进行变化检测，计算统计特征，将统计特征构建形成MAC协议识别特征集F；

步骤八：MAC协议识别

利用MAC协议识别特征集F训练分类器，得到分类模型D，将新信号样本的特征输入分类器D中，即可得到对MAC协议的识别结果。

2.根据权利要求1所述的一种非合作水声网络MAC协议识别方法，其特征在于：

所述步骤一中，接收信号的中位数绝对偏差MAD为：

MAD＝med(|s_m-med(s)|)，m＝1,2,3...,M

其中，接收到的水声网络信号序列为s，med(s)为取信号序列s的中位数，M为信号序列长度，随机变量s_m为信号序列第m项；

估计接收信号标准差δ≈1.4826MAD，对于接收信号中超过标准差δ三倍的干扰值，利用干扰值相邻的数据进行线性插值，并对干扰值进行替换，得到信号序列为

3.根据权利要求1所述的一种非合作水声网络MAC协议识别方法，其特征在于：

所述步骤七中，对量化后的短时能量E′_n进行变化检测，确定信号到达的时间间隔t_n、信道繁忙时刻t_busy及信道空闲时刻t_idel，对变量E′_n计算均值mean(·)和方差var(·)统计特征，对变量t_n、t_busy、t_idel计算中值med(·)、最大值max(·)、最小值min(·)统计特征，并计算比值∑t_busy/(∑t_busy+∑t_idel)，构建MAC协议识别特征集F，其中每个样本的特征为f，因此可提取特征f为：

min(t_idel),med(t_busy),max(t_busy),min(t_busy),∑t_busy/(∑t_busy+∑t_idel)]

将统计特征构建形成MAC协议识别特征集F。

4.根据权利要求1所述的一种非合作水声网络MAC协议识别方法，其特征在于：

所述步骤八中，采用训练随机森林或SVM分类器得到分类模型D。