CN116304623A - 一种辐射源识别方法、装置及系统 - Google Patents
一种辐射源识别方法、装置及系统 Download PDFInfo
- Publication number
- CN116304623A CN116304623A CN202310195005.3A CN202310195005A CN116304623A CN 116304623 A CN116304623 A CN 116304623A CN 202310195005 A CN202310195005 A CN 202310195005A CN 116304623 A CN116304623 A CN 116304623A
- Authority
- CN
- China
- Prior art keywords
- variance
- radiation source
- rearranged
- mean
- radiation
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 114
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 230000001174 ascending effect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 230000008707 rearrangement Effects 0.000 claims description 15
- 230000000739 chaotic effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000005670 electromagnetic radiation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本说明书公开了一种辐射源识别方法、装置及系统，其中方法包括：获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列；对辐射信号序列进行相空间重构；对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量；对于各重排分量执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；根据各重排分量的分段均值方差，对目标辐射源进行识别。由分段均值方差组成的组合特征向量可以用于识别辐射源，以提高辐射源的识别准确性。
Description
技术领域
本申请涉及辐射源识别技术领域，可用于金融领域，特别涉及一种辐射源识别方法、装置及系统。
背景技术
基于安全及保密需求，银行等金融场所通常对内部辐射源设备有特定限制。例如银行内金库等场所，基于对安全要求，已存在的辐射源应当是固定且已知的，并通常禁止外来辐射源设备的进入；另如应保持机密性的金融场所，基于对保密的要求，通常严禁存在辐射源设备。然而辐射源设备形式、大小各异，无论是对外来辐射源设备的禁止还是对已知辐射源设备中异常设备的监测，都带来了额外的人力财力成本，且仅靠人力检查、监测，效率和准确率都较低。信号处理领域与金融场景的融合，给辐射源设备自动识别带来了可能性。
现有的辐射源识别方法，主要是采集辐射源信号之后，进行相空间重构，重构后的高维空间信号包含了丰富的非线性信息，然后采用重构向量计算关联维数、柯尔莫戈洛夫熵和李雅普诺夫指数等混沌特征参数，基于这些混沌特征参数进行辐射源。
然而，现有的辐射源识别方法的准确率不高。
发明内容
本申请实施方式的目的是提供一种辐射源识别方法、装置及系统，以解决现有方法识别辐射源的准确率不高的问题。
为解决上述技术问题，本说明书第一方面提供一种辐射源识别方法，包括：获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列；对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间；对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量；对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数；根据各重排分量的分段均值方差，对目标辐射源进行识别。
在一些实施例中，根据各重排分量的分段均值方差，对目标辐射源进行识别，包括：将各重排分量的分段均值方差，与混沌特征参数组合而成信号特征向量，输入预先训练的分类器以识别目标辐射源。
在一些实施例中，所述混沌特征参数包括以下至少一者：关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数。
在一些实施例中，对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量，包括：将第一个列向量中的元素按照数值大小进行升序排列，得到第一个列向量的重排分量；按照以下方法对其余各列向量进行大小排序：将当前列向量中的各元素按照数值大小升序排列，并对升序排列结果中的各元素依次赋予新的下标；获取上一个列向量的重排分量中各元素在上一个列向量中的下标序列；采用所述下标序列对赋予了新下标的升序排列结果进行采样，得到当前列向量的重排分量。
在一些实施例中，对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量，包括：从所述相空间的各列向量中筛选出三个列向量；将筛选出的三个列向量中的元素按照数值大小及下标进行重排，得到重排分量。
在一些实施例中，所述辐射信号特征参数包括辐射信号的强度和/或频率。
在一些实施例中，获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列，包括：采用辐射信号采集设备每隔预定时长采集一次辐射信号的强度，并附上时间戳，形成辐射信号特征参数随时间变化的序列信号。
在一些实施例中，在采集辐射信号时，将辐射信号下变频到基带。
本说明书第二方面提供一种辐射源识别装置，包括：获取单元，用于获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列；重构单元，用于对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间；重排单元，用于对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量；计算单元，用于对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数；识别单元，用于根据各重排分量的分段均值方差，对目标辐射源进行识别。
在一些实施例中，所述识别单元包括：识别子单元，用于将各重排分量的分段均值方差，与混沌特征参数组合而成信号特征向量，输入预先训练的分类器以识别目标辐射源。
在一些实施例中，所述混沌特征参数包括以下至少一者：关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数。
在一些实施例中，所述重排单元包括：升序排序单元，用于将第一个列向量中的元素按照数值大小进行升序排列，得到第一个列向量的重排分量；处理子单元，用于按照以下装置对其余各列向量进行大小排序：将当前列向量中的各元素按照数值大小升序排列，并对升序排列结果中的各元素依次赋予新的下标；获取上一个列向量的重排分量中各元素在上一个列向量中的下标序列；采用所述下标序列对赋予了新下标的升序排列结果进行采样，得到当前列向量的重排分量。
本说明书第三方面提供一种辐射源识别系统，包括：信号采集设备，用于采集目标辐射源的辐射强度随时间变化的信号；辐射源识别设备，用于执行权利要求1至4任一项所述的辐射源识别方法。
在一些实施例中，所述信号采集设备包括：信号接收模块，用于接收目标辐射源的辐射信号；下变频模块，用于将采集信号下变频至基带。
在一些实施例中，所述目标辐射源为产生电磁辐射的辐射源，相应地，所述信号采集设备为无线电采集设备。
本说明书第四方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面任一项所述方法的步骤。
本说明书第五方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现第一方面任一项所述方法的步骤。
本说明书第六方面提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。
本说明提供的辐射源识别方法、装置及系统，在对目标辐射源的辐射信号序列进行相空间重构得到高维向量组成的相空间后，对相空间中的各列向量的元素按照数值大小及下标进行重排得到重排分量，计算各重排分量的分段均值方差，进而根据各重排分量的分段均值方差对目标辐射源进行识别。由于分段均值方差组成的组合特征向量在空间的分布可呈现出同一设备的组合特征向量在空间中聚集、不同设备的组合特征向量聚集成不同的簇的特点，因此可以用于识别辐射源，以提高辐射源的识别准确性。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本说明书提供的辐射源识别方法的流程图；
图2和图3分别示出了各重排分量的各分段均值方差组合成的特征向量在三维空间的分布和在二维空间的投影；
图4示出了本说明书提供的一种辐射源识别方法的计算方法示意图；
图5示出了本说明书提供的辐射源识别装置的原理框图；
图6示出了本说明书提供的辐射源识别系统的结构示意图；
图7示出了本说明书所提供的电子设备的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
需要说明的是，本说明书提供的辐射源识别方法、装置及系统可用于金融领域，也可用于除金融领域之外的任意领域，本申请对于辐射源识别方法、装置及系统的应用领域不做限定。
本说明书提供一种辐射源识别方法，该方法首先对于目标辐射源的一维辐射信号序列进行相空间重构，得到高维向量，再对高维向量进行重排，得到重排分量，然后计算各重排分量的分段均值方差，将分段均值方差作为目标辐射源的一种特征数据，并基于该特征数据对目标辐射源进行识别。
如图1所示，该辐射源识别方法包括以下步骤S10至S50。
S10：获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列。
目标辐射源，即能发射电离辐射的物质或装置。例如，产生电磁辐射的手机、电视、微波炉、输变电设备、通信基站等，产生X射线的X射线发生器等。在金融领域，目标辐射源主要是指产生电磁辐射的辐射源。
在采集时，可以采用无线电平台等辐射信号采集设备每隔预定时长采集一次辐射信号的强度，并附上时间戳，形成辐射信号特征参数随时间变化的序列信号。
信号特征参数是用于表现信号特点的参数，例如可以为辐射强度、辐射频率等。
在采集时，可以对目标辐射源设备的信号进行采集并下变频到基带。
S20：对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间。
可以以随时间变化的辐射信号特征参数序列值作为一维向量，采用一维向量进行相空间重构，得到高维向量。也即，将一维系统变化高维的非线性系统。借助于高维的非线性系统，能够从多个维度较为完整、全面地对目标辐射源进行分析。
相空间重构，可以采用Packard提出的坐标延迟重构法，该重构法利用两个参数从一位时间序列中重构出高维相空间。具体地，一维时间序列{x1,x2,x3,...,xN}，设嵌入维数为m，时间延迟为τ，m和τ就是坐标延迟重构法的两个关键参数，利用它们可以从一维信号中重构出一个m维相空间，重构矩阵为：
矩阵有N-(m-1)τ个向量，其中每个向量相当于m维相空间中的一个点：
Xk＝[xk-(m-1)τ ... xk-τ xk],k＝1+(m-1)τ,2+(m-1)τ,...,N，k为下标。
S30：对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量。
相空间的矩阵中，每个行向量是相空间中的一个点，第p列是相空间的第p维数据，其中p为自然数。矩阵中的列向量为辐射信号序列的分量，第k列即为第k维分量Xk＝[x1+(k-1)τ x2+(k-1)τ ... xN-(m-k)τ],k＝1,2,...,m。
在一些实施例中，S30可以先将第一个列向量中的元素按照数值大小进行升序排列，得到第一个列向量的重排分量；然后按照以下方法对其余各列向量(即除所述第一个列向量之外的其他列向量)进行大小排序：将当前列向量中的各元素按照数值大小升序排列，并对升序排列结果中的各元素依次赋予新的下标；获取上一个列向量的重排分量中各元素在上一个列向量中的下标序列；采用所述下标序列对赋予了新下标的升序排列结果进行采样，得到当前列向量的重排分量。
例如，如下表一所示，第一个列向量X1为：2、10、7、3、6、8、5，第二个列向量X2为：5、2、1、6、8、3，第三个列向量X3为：9、7、4、8、3、1，则根据上述方法得到第一个列向量X1的重排分量为：2、3、6、7、8、10，第二个列向量X2的重排分量为：1、5、6、3、8、2，第三个列向量X3的重排分量为：4、1、7、9、8、3。表一内“2①”中的“2”表示元素，“①”表示元素的下标，类似的表达可以参考该示例进行理解。
表一
发明人通过研究发现，表一所示的重排分量方法能够抑制多分量之间的交叉干扰，具有较好的抗噪声性能；最重要的是，经过分量重排，原有分量中含有的相空间结构特点被转移到了重排分量中，并且在重排分量中得到了放大，从而对重排分量进行进一步分析就可以提取高维空间的复杂结构信息。
在一些实施例中，步骤S30可以对相空间中的各列向量进行重排，得到各列向量的重排分量。
在另一些实施例中，步骤S30也可以仅对相空间中的部分列向量进行重排，得到部分列向量的重排分量。例如，仅取前三维数据，则前三维分量为：
X1＝[x1 x2 ... xN-(m-1)τ]
X2＝[x1+τ x2+τ ... xN-(m-2)τ]
X3＝[x1+2τ x2+2τ ... xN-(m-3)τ]
可以仅对这个列向量进行重排得到重排分量。
在对高维相空间吸引子轨迹进行直观观察时，由于维数限制，只能画出相空间前三维的几何结构。而实际上，依据图可说明前三维几何结构已经足够表示并区分辐射源个体，因此在相空间直观几何结构方面，可以设置一个参数，仅取相空间的前三维数据计算得出结果，描述重构相空间的结构信息。
S40：对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数。
将当前重排分量分成M组时，则若重排分量有N个元素，则分后的每组的长度为
得到分组为/>
其中，m＝1,2,...,M，集合Zm中的各元素表示分后的各组。
对于当前重排分量的一个组zm，求其均值
(即第一均值)和方差/>
(即第一方差)。由于当前重排分量具有M个组，那么也即有M个均值/>
(即第一均值)和方差/>
(即第一方差)。计算这M个均值/>
(即第一均值)的均值(即第二均值)/>
计算这M个方差
(即第一方差)的均值/>
并且计算第二方差，第二方差为各第一均值的方差
根据各第一方差的均值/>
第二方差/>
计算当前重排分量的分段均值方差为/>
S50：根据各重排分量的分段均值方差，对目标辐射源进行识别。
可以将各重排分量的各分段均值方差组合成特征向量，然后基于该组合特征向量对目标辐射源进行识别。
图2和图3分别示出了各重排分量的各分段均值方差组合成的特征向量在三维空间的分布和在二维空间的投影，其中，辐射源设备1和4是同一信号的设备。从图2和图3中可以看出，本说明书提出的由分段均值方差组成的组合特征向量，在空间的分布可呈现出同一设备的组合特征向量在空间中聚集、不同设备的组合特征向量聚集成不同的簇的特点。
从图2和图3可以看出，通过绘制组合特征向量在三维及二维空间的分布图，观察组合特征向量的分布规律，可以在一定程度上对各辐射源设备进行识别区分。
在一些实施例中，步骤S50可以包括S51：将各重排分量的分段均值方差，与混沌特征参数组合而成信号特征向量，输入预先训练的分类器以识别目标辐射源。
分类器可以是预先采用分段均值方差、混沌特征参数组合而成的信号特征向量训练得到的。分类器的结果可以是目标辐射源是否在已知的辐射源集合中，也可以是将多个目标辐射信号是否为同一辐射源的信号。
混沌特征参数可以包括以下至少一者：关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数。
柯尔莫戈洛夫熵是信号领域的参数，它表示了信号概率分布的混乱度，也体现了系统的结构复杂度和其混沌程度。
关联维数反映了吸引子的结构，也间接地说明了系统的混沌程度，是刻画吸引子的重要参数。同时它是非线性系统重要的特性参数，描述了非线性时间序列在高维空间中的结构的自相似性和复杂度。关联维数和柯尔莫戈洛夫熵可采取如下G-P算法一起计算。
(1)重构出的相空间为
Xk＝[xk-(m-1)τ ... xk-τ xk],k＝1+(m-1)τ,2+(m-1)τ,...,N。
(2)计算相空间中任意两个点间的距离，令步长
其中dmax是所有距离中的最大值，dmin是所有距离中的最小值。
(3)计算关联积分
其中，H为阶跃函数，/>
|Yi-Yj|为向量Yi和Yj之间的距离，Yi、Yj表示空间中任意两个点或向量。
(4)拟合lnr～lnC(r)为一条直线，其斜率即为关联维数D。
(5)柯尔莫戈洛夫熵K的值为步骤d)中的拟合直线与y轴交点的纵坐标。
上述G-P算法为现有技术，本说明书不再详述。
李雅普诺夫指数是混沌系统分析中常见的定量分析参数，并且与初始值无关，是吸引子本身固有的性质。是描述几何结构中，某两条轨迹随时间演化后其距离分离速度的量。
最大李雅普诺夫指数可以由如下计算复杂度较低的小数据量法得到。
(1)重构出的相空间为
Xk＝[xk-(m-1)τ ... xk-τ xk],k＝1+(m-1)τ,2+(m-1)τ,...,N。
(2)对信号进行快速傅里叶变换得到信号主频率f和平均周期
则P为限制性分离的长度。
(3)从重构相空间中的第一个点开始，寻找空间中其最近邻点dj(0)＝min||Xj-Xj′||，其中|j-j′|＞P，||·||为2-范数，dj(0)表示空间中第j个点Xj和与它距离最近的点Xj′之间的距离。
(4)计算经u步演化后，每个点与其最邻点此时的距离dj(u)，并取对数得ln(dj(u))。
(5)对j求每一步演化的平均，得到ln(d(u))。
(6)拟合ln(d(u))，拟合直线的斜率即为最大李雅普诺夫指数。
上述小数据量法为现有技术，本说明书不再详述。
图4示出了本说明书提供的一种辐射源识别方法的计算方法示意图，该方法综合了分段均值方差、关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数来对辐射源进行识别。
本说明提供的辐射源识别方法，在对目标辐射源的辐射信号序列进行相空间重构得到高维向量组成的相空间后，对相空间中的各列向量的元素按照数值大小及下标进行重排得到重排分量，计算各重排分量的分段均值方差，进而根据各重排分量的分段均值方差对目标辐射源进行识别。由于分段均值方差组成的组合特征向量在空间的分布可呈现出同一设备的组合特征向量在空间中聚集、不同设备的组合特征向量聚集成不同的簇的特点，因此可以用于识别辐射源，以提高辐射源的识别准确性。
本说明书提供一种辐射源识别装置，可以用于实现上述辐射源识别方法。如图5所示，该装置包括获取单元10、重构单元20、重排单元30、计算单元40和识别单元50。
获取单元10用于获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列。
重构单元20用于对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间。
重排单元30用于对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量。
计算单元40用于对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数。
识别单元50用于根据各重排分量的分段均值方差，对目标辐射源进行识别。
在一些实施例中，所述识别单元包括：识别子单元，用于将各重排分量的分段均值方差，与混沌特征参数组合而成信号特征向量，输入预先训练的分类器以识别目标辐射源。
在一些实施例中，所述混沌特征参数包括以下至少一者：关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数。
在一些实施例中，所述重排单元30包括升序排序单元31和处理子单元32。
升序排序单元31用于将第一个列向量中的元素按照数值大小进行升序排列，得到第一个列向量的重排分量。
处理子单元32用于按照以下装置对其余各列向量进行大小排序：将当前列向量中的各元素按照数值大小升序排列，并对升序排列结果中的各元素依次赋予新的下标；获取上一个列向量的重排分量中各元素在上一个列向量中的下标序列；采用所述下标序列对赋予了新下标的升序排列结果进行采样，得到当前列向量的重排分量。
上述各单元的描述及功能可以参阅辐射源识别方法部分的内容理解，不再赘述。
本说明书提供一种辐射源识别系统，可以用于实现上述辐射源识别方法。如图6所示，该辐射源识别系统包括信号采集设备61和辐射源识别设备62。
信号采集设备61用于采集目标辐射源的辐射强度随时间变化的信号。辐射源识别设备62用于执行上述辐射源识别方法。
在一些实施例中，如图6所示，所述信号采集设备包括：信号接收模块，用于接收目标辐射源的辐射信号；下变频模块，用于将采集信号下变频至基带。
在一些实施例中，所述目标辐射源为产生电磁辐射的辐射源，相应地，所述信号采集设备为无线电采集设备。
本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器701和存储器702，其中处理器701和存储器702可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器701可以为中央处理器(Central Processing Unit，CPU)。处理器701还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器702作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的辐射源识别方法对应的程序指令/模块(例如，图5所示的获取单元10、重构单元20、重排单元30、计算单元40和识别单元50)。处理器701通过运行存储在存储器702中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的辐射源识别方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器701所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至处理器701。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器702中，当被所述处理器701执行时，执行如图1所示实施例中的辐射源识别方法。
上述电子设备具体细节可以对应参阅图1的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本说明书还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现上述辐射源识别方法的步骤。
本说明书还提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现上述辐射源识别方法的步骤。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。
上述实施方式阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式的某些部分的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (13)
1.一种辐射源识别方法，其特征在于，包括：
获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列；
对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间；
对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量；
对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数；
根据各重排分量的分段均值方差，对目标辐射源进行识别。
2.根据权利要求1所述的方法，其特征在于，根据各重排分量的分段均值方差，对目标辐射源进行识别，包括：
将各重排分量的分段均值方差，与混沌特征参数组合而成信号特征向量，输入预先训练的分类器以识别目标辐射源。
3.根据权利要求2所述的方法，其特征在于，所述混沌特征参数包括以下至少一者：关联维数、柯尔莫戈洛夫熵和最大李雅普诺夫指数。
4.根据权利要求1所述的方法，其特征在于，对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量，包括：
将第一个列向量中的元素按照数值大小进行升序排列，得到第一个列向量的重排分量；
按照以下方法对其余各列向量进行大小排序：将当前列向量中的各元素按照数值大小升序排列，并对升序排列结果中的各元素依次赋予新的下标；获取上一个列向量的重排分量中各元素在上一个列向量中的下标序列；采用所述下标序列对赋予了新下标的升序排列结果进行采样，得到当前列向量的重排分量。
5.根据权利要求1所述的方法，其特征在于，对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量，包括：
从所述相空间的各列向量中筛选出三个列向量；
将筛选出的三个列向量中的元素按照数值大小及下标进行重排，得到重排分量。
6.根据权利要求1所述的方法，其特征在于，所述辐射信号特征参数包括辐射信号的强度和/或频率。
7.根据权利要求1所述的方法，其特征在于，获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列，包括：
采用辐射信号采集设备每隔预定时长采集一次辐射信号的强度，并附上时间戳，形成辐射信号特征参数随时间变化的序列信号。
8.根据权利要求7所述的方法，其特征在于，在采集辐射信号时，将辐射信号下变频到基带。
9.一种辐射源识别装置，其特征在于，包括：
获取单元，用于获取目标辐射源的辐射信号特征参数随时间变化的辐射信号序列；
重构单元，用于对所述辐射信号序列进行相空间重构，得到由高维向量组成的相空间；
重排单元，用于对相空间中的各列向量中的元素按照数值大小及下标进行重排，得到重排分量；
计算单元，用于对于各重排分量，执行如下操作：将当前重排分量分成M组，分别计算各组的第一均值和第一方差；计算第二均值，所述第二均值为各第一均值的均值；计算第二方差，第二方差为各第一均值的方差；根据各第一方差的均值、第二方差，计算当前重排分量对应的分段均值方差；其中，M为自然数；
识别单元，用于根据各重排分量的分段均值方差，对目标辐射源进行识别。
10.一种辐射源识别系统，其特征在于，包括：
信号采集设备，用于采集目标辐射源的辐射强度随时间变化的信号；
辐射源识别设备，用于执行权利要求1至8任一项所述的辐射源识别方法。
11.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现权利要求1至8任一项所述方法的步骤。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现权利要求1至8任一项所述方法的步骤。
13.一种计算机程序产品，其特征在于，包含有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310195005.3A CN116304623A (zh) | 2023-02-27 | 2023-02-27 | 一种辐射源识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310195005.3A CN116304623A (zh) | 2023-02-27 | 2023-02-27 | 一种辐射源识别方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304623A true CN116304623A (zh) | 2023-06-23 |
Family
ID=86817983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310195005.3A Pending CN116304623A (zh) | 2023-02-27 | 2023-02-27 | 一种辐射源识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304623A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117257303A (zh) * | 2023-11-21 | 2023-12-22 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-27 CN CN202310195005.3A patent/CN116304623A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117257303A (zh) * | 2023-11-21 | 2023-12-22 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
| CN117257303B (zh) * | 2023-11-21 | 2024-02-06 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trujillo-Toledo et al. | Real-time RGB image encryption for IoT applications using enhanced sequences from chaotic maps | |
| US10547618B2 (en) | Method and apparatus for setting access privilege, server and storage medium | |
| CN111477290A (zh) | 保护用户隐私的联邦学习和图像分类方法、系统及终端 | |
| Kim et al. | Choosing arrival process models for service systems: Tests of a nonhomogeneous Poisson process | |
| CN104506378B (zh) | 一种预测数据流量的装置及方法 | |
| US9875532B2 (en) | Information processing device that implements image processing, and image processing method | |
| WO2015050567A1 (en) | System and method for performing set operations with defined sketch accuracy distribution | |
| CN103731258A (zh) | 生成密钥的方法及设备 | |
| CN110059288B (zh) | 用于获得促进机器学习任务用的最佳母小波的系统和方法 | |
| CN110198292A (zh) | 域名识别方法和装置、存储介质及电子装置 | |
| CN116304623A (zh) | 一种辐射源识别方法、装置及系统 | |
| CN113807415B (zh) | 联邦特征选择方法、装置、计算机设备和存储介质 | |
| CN108270944A (zh) | 一种基于分数阶变换的数字图像加密的方法及装置 | |
| CN111507479A (zh) | 特征分箱方法、装置、设备及计算机可读存储介质 | |
| CN112073444A (zh) | 数据集的处理方法、装置和服务器 | |
| CN105809066B (zh) | 加密数据的存储方法及终端 | |
| Zhao et al. | Image quality assessment based on complementary local feature extraction and quantification | |
| CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
| Li | A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier | |
| CN105138527A (zh) | 一种数据分类回归方法及装置 | |
| Vogt | Quantifying landscape fragmentation | |
| CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
| CN104580174A (zh) | 一种防止恶意服务器攻击的敏感数据计算外包服务方法 | |
| Cheng et al. | An efficient FPRAS type group testing procedure to approximate the number of defectives | |
| CN104283735A (zh) | 帧分析—用来分析串行和其他分组化数据的新方法 |
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 |