基于AdaBoost分類(lèi)器的典型戰(zhàn)術(shù)數(shù)據(jù)鏈信號(hào)識(shí)別方法

石達(dá)寧，陳永游，劉 建，陳 韻，李陽(yáng)雨

（中國(guó)航天科工集團(tuán)8511研究所，江蘇 南京 210007）

0 引言

戰(zhàn)術(shù)數(shù)據(jù)鏈?zhǔn)乾F(xiàn)代作戰(zhàn)體系的重要組成部分。它把地理上分散的部隊(duì)、傳感器和武器系統(tǒng)聯(lián)系起來(lái)，實(shí)現(xiàn)信息共享，實(shí)時(shí)掌握戰(zhàn)場(chǎng)態(tài)勢(shì)，縮短決策時(shí)間，從而提高指揮速度和協(xié)同作戰(zhàn)能力，可以對(duì)敵方實(shí)施快速、精確、連續(xù)的打擊［1］。美國(guó)和北約對(duì)戰(zhàn)術(shù)數(shù)據(jù)鏈的研究起步較早，主要形成以Link4A、Link11和Link16為代表的典型戰(zhàn)術(shù)數(shù)據(jù)鏈裝備，在歷次戰(zhàn)爭(zhēng)中發(fā)揮了巨大的作用。

近年來(lái)，傳統(tǒng)的支持向量機(jī)（SVM）和K?近鄰（KNN）等算法在小樣本、非線性及高維特征識(shí)別方面取得了一定成果?；诖髷?shù)據(jù)的深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）等也為信號(hào)類(lèi)型識(shí)別提供了一條新的思路［2］。但是這些識(shí)別算法都存在使用單一分類(lèi)器的問(wèn)題，無(wú)法進(jìn)行多維度、泛視角識(shí)別分類(lèi)，Ada?Boost算法采用自適應(yīng)的迭代算法，通過(guò)組合多個(gè)分類(lèi)器，調(diào)整迭代過(guò)程中錯(cuò)誤樣本的權(quán)重，可增強(qiáng)分類(lèi)器的泛化能力以提高訓(xùn)練識(shí)別結(jié)果的精度和抗噪聲性能［3-4］。

本文瞄準(zhǔn)數(shù)據(jù)鏈巨大的戰(zhàn)術(shù)應(yīng)用價(jià)值，通過(guò)分析與提取數(shù)據(jù)鏈信號(hào)的時(shí)頻分布、循環(huán)譜的高階特征，利用AdaBoost算法對(duì)數(shù)據(jù)鏈信號(hào)進(jìn)行分類(lèi)識(shí)別，進(jìn)而為數(shù)據(jù)鏈信號(hào)后續(xù)的對(duì)抗措施打下基礎(chǔ)。

1 典型數(shù)據(jù)鏈信號(hào)概述

1.1 Link4A

Link4A主要用于艦船對(duì)飛機(jī)進(jìn)行控制，工作在UHF 頻段，范圍為 225.000 ~399.975 MHz［5］?？刂普締未伟l(fā)送控制報(bào)文的周期恒為32 ms，且分為發(fā)射期和接收期。發(fā)射期長(zhǎng)14 ms，用于控制站發(fā)送控制報(bào)文。接收期長(zhǎng)18 ms，此時(shí)控制站等待收信飛機(jī)的應(yīng)答報(bào)文。實(shí)際上收信飛機(jī)發(fā)送回復(fù)報(bào)文只需11.2 ms，小于接收期時(shí)長(zhǎng)18 ms，二者相差的6.8 ms的時(shí)差用于電磁波傳輸。

Link4A信號(hào)的調(diào)制方式為2FSK，頻偏是±20 kHz，且偏離載頻+20 kHz時(shí)代表二進(jìn)制“1”，偏離載頻-20 kHz時(shí)代表二進(jìn)制“0”。Link4A信號(hào)的數(shù)據(jù)速率為5 kbps，帶寬50 kHz，占用2個(gè)25 kHz的標(biāo)準(zhǔn)信道。

1.2 Link11

Link11的工作頻段有2個(gè)，分別是高頻（HF）和甚高 頻（UHF），范 圍 分 別 是 3~30 MHz、225.000~399.975 MHz［6］。Link11 的主要工作模式為輪詢(xún)，控制站會(huì)按照順序依次呼叫前哨站，并在消息發(fā)送后轉(zhuǎn)為接收狀態(tài)，等待接收應(yīng)答消息。

Link11進(jìn)行數(shù)據(jù)傳輸時(shí)以幀為單位，1幀包含30 bit。Link11的數(shù)據(jù)傳輸速率有2種，分別為每秒75幀的快速率和每秒45.45幀的慢速率?？焖俾蕩L(zhǎng)13.33 ms，數(shù)據(jù)速率 2 250 bps；慢速率幀長(zhǎng) 22 ms，數(shù)據(jù)速率1 364 bps。

Link11通過(guò)二次調(diào)制的方式生成最終信號(hào)。在基帶，Link11對(duì)編碼后數(shù)據(jù)進(jìn)行π/4?DQPSK調(diào)制。在HF波段，Link11通過(guò)調(diào)幅對(duì)信號(hào)進(jìn)行二次調(diào)制，具體包括上邊帶調(diào)制、下邊帶調(diào)制和獨(dú)立邊帶調(diào)制。在UHF波段的二次調(diào)制方式則為調(diào)頻。

1.3 Link16

Link16工作在L頻段，設(shè)計(jì)的理論基礎(chǔ)是時(shí)分復(fù)用技術(shù)，時(shí)間劃分的最小單元是長(zhǎng)7.812 5 ms的時(shí)隙。Link16中數(shù)據(jù)以長(zhǎng)75 bit的字為單位進(jìn)行封裝且1個(gè)時(shí)隙內(nèi)傳輸字的數(shù)量受到限制，分別為3字、6字和12字。相應(yīng)地，其數(shù)據(jù)速率有3種，分別為26 880 bps、53 760 bps和 107 520 bps［7］。

Link16的數(shù)據(jù)的傳輸模式有單脈沖和雙脈沖2種：?jiǎn)蚊}沖即每個(gè)處理后的序列只生成一個(gè)脈沖進(jìn)行傳輸；雙脈沖指每個(gè)處理后的序列生成2次脈沖，這2個(gè)脈沖分別以不同的載頻進(jìn)行傳輸。

2 數(shù)據(jù)鏈信號(hào)圖形化特征提取

2.1 數(shù)據(jù)鏈信號(hào)圖形化處理

2.1.1 時(shí)頻分布

經(jīng)典的統(tǒng)計(jì)信號(hào)檢測(cè)與估計(jì)理論中，對(duì)信號(hào)識(shí)別是基于信號(hào)各種分離的物理參數(shù)，從時(shí)、頻、空、功率等多種維度，獨(dú)立或聯(lián)合地進(jìn)行信號(hào)的識(shí)別與判定。這種信號(hào)識(shí)別處理的方法通常依賴(lài)于二維正交變換，將信號(hào)從全維度特征空間中，向某個(gè)特定方向進(jìn)行投影，抽取一種維度的信息，但是這種處理方法通常都忽略了信號(hào)不同維度特征的耦合性，從而無(wú)法提升信號(hào)識(shí)別維度，即經(jīng)典的信號(hào)識(shí)別理論是一種單一維度或單一維度聯(lián)合的判決過(guò)程，沒(méi)有從高維度整體地識(shí)別信號(hào)特征。

另一方面，由于數(shù)據(jù)鏈信號(hào)采用時(shí)分多址的方式來(lái)進(jìn)行多戰(zhàn)術(shù)節(jié)點(diǎn)之間的組網(wǎng)信息交互，特別是Link16數(shù)據(jù)鏈采用抗截獲設(shè)計(jì)，其波形同時(shí)具備擴(kuò)頻與跳頻的特征，因此數(shù)據(jù)鏈信號(hào)被認(rèn)為是一種非平穩(wěn)信號(hào)，時(shí)頻分析作為一種有效的非平穩(wěn)信號(hào)處理方法，特別適合對(duì)于數(shù)據(jù)鏈信號(hào)的處理。同時(shí)時(shí)頻分析工具能夠提供信號(hào)在時(shí)、頻、功率三個(gè)維度的耦合變化情況，提供了信號(hào)特征統(tǒng)一化的處理視角，這種特征耦合化在更高維度描述了信號(hào)的特征，特別適合于當(dāng)前的基于深度學(xué)習(xí)的處理方法。

Wigner?Ville分布（WVD）是一種典型的非線性時(shí)頻分析方法，其公式為：

式中，z(t)為輸入信號(hào)，τ表示輸入信號(hào)時(shí)間差。WVD具有許多優(yōu)良的性能，如不會(huì)損失信號(hào)的幅值與相位信息，對(duì)瞬時(shí)頻率和群延時(shí)有清晰的概念［8］。但是存在的不足是不能保證非負(fù)性，尤其對(duì)多分量信號(hào)或具有復(fù)雜調(diào)制規(guī)律的信號(hào)會(huì)產(chǎn)生嚴(yán)重的交叉項(xiàng)干擾，大量的交叉項(xiàng)會(huì)淹沒(méi)或嚴(yán)重干擾信號(hào)的自項(xiàng)，模糊信號(hào)的原始特征［8］。數(shù)據(jù)鏈信號(hào)的WVD如圖1所示。

圖1 數(shù)據(jù)鏈信號(hào)的WVD（SNR=20 dB）

短時(shí)傅里葉變換（STFT）作為一種時(shí)頻分析手段，有效改善了WVD的交叉項(xiàng)干擾的問(wèn)題。STFT的公式可以寫(xiě)為：

式中，z(t)為輸入信號(hào)，g(t)為窗函數(shù)，STFT的實(shí)質(zhì)是將長(zhǎng)時(shí)間大數(shù)據(jù)量的獨(dú)立頻譜分析拆分成多幀短時(shí)間的譜分析，通過(guò)窗函數(shù)減少信號(hào)幀與幀之間的影響。實(shí)際上這種時(shí)間上的拆分雖然減少了信號(hào)之間的交叉干擾，但是也弱化了信號(hào)時(shí)間與頻率上的聯(lián)系，可以認(rèn)為是信號(hào)在不同時(shí)間窗口的切片，反映整個(gè)信號(hào)頻譜能量隨時(shí)間變化的過(guò)程。數(shù)據(jù)鏈信號(hào)的STFT如圖2所示。

圖2 數(shù)據(jù)鏈信號(hào)的STFT（SNR=20 dB）

2.1.2 循環(huán)譜

數(shù)據(jù)鏈信號(hào)雖然是一種非平穩(wěn)信號(hào)，但是在較長(zhǎng)的統(tǒng)計(jì)時(shí)間內(nèi)來(lái)看又具有一定的周期性，也即數(shù)據(jù)鏈信號(hào)具有循環(huán)平穩(wěn)性，而循環(huán)譜分析針對(duì)的是循環(huán)平穩(wěn)信號(hào)，因此分析數(shù)據(jù)鏈信號(hào)的循環(huán)譜特征具有一定的優(yōu)勢(shì)。相較于時(shí)頻分析獲取信號(hào)的“時(shí)-頻”特征，循環(huán)譜分析能夠提取信號(hào)的“頻-頻”特征，建立信號(hào)頻率到循環(huán)頻率的聯(lián)系，這在某種程度上能夠展現(xiàn)出信號(hào)在時(shí)頻域所不具備的特征。另一方面，傳統(tǒng)的循環(huán)譜分析也是獨(dú)立提取頻率域或循環(huán)頻率域的特征，缺乏一定的手段同時(shí)分析兩者聯(lián)合的特征，從而無(wú)法完全發(fā)揮出循環(huán)譜分析的所有性能。數(shù)據(jù)鏈信號(hào)的循環(huán)譜如圖3所示。

圖3 數(shù)據(jù)鏈信號(hào)的循環(huán)譜（SNR=20 dB）

對(duì)于一個(gè)輸入信號(hào)x(t)，其均值函數(shù)mx(t)和自相關(guān)函數(shù)Rx(t，τ)具有周期性，則可認(rèn)為具有循環(huán)平穩(wěn)性，也即：

此時(shí)就可以定義循環(huán)自相關(guān)函數(shù)為：

式中，α被稱(chēng)為循環(huán)頻率，而循環(huán)自相關(guān)函數(shù)Rαx(τ)的傅里葉變換就被稱(chēng)為循環(huán)自相關(guān)函數(shù)Sαx(f)，用公式表示為：

2.2 特征提取

2.2.1 偽Zernike矩特征

時(shí)頻譜圖和循環(huán)譜的多維度聯(lián)合特征包含在圖形的形狀、輪廓等特征中，對(duì)這些特征的提取是數(shù)據(jù)鏈信號(hào)能否被識(shí)別的關(guān)鍵性因素。偽Zernike矩常用于圖像處理中提取顏色、紋理、形狀、空間關(guān)系等特征［9］，本文采用偽Zernike矩對(duì)時(shí)頻譜圖和循環(huán)譜圖的輪廓特征及輪廓包圍區(qū)域進(jìn)行特征提取，通過(guò)描述譜圖圖像的全局特征和幾何特征對(duì)數(shù)據(jù)鏈信號(hào)進(jìn)行分類(lèi)。

偽Zernike矩是一種正交復(fù)數(shù)矩，如果輸入圖像函數(shù)為f(x，y)，則其偽Zernike矩定義為：

式中，n為正整數(shù)，m為整數(shù)，且|m|

式中，r=(x2+y2)12，θ=arctan(y/x)。

式（7）說(shuō)明偽Zernike矩實(shí)際上是基于單位距離圓的一組完整正交投影，Rnm(r)是實(shí)半徑多項(xiàng)式，一般被定義為：

對(duì)于一幅數(shù)字化的圖像來(lái)說(shuō)，其偽Zernike矩可以寫(xiě)為：

式中，I(x，y)為圖像當(dāng)前的像素點(diǎn)。

偽Zernike矩具有很強(qiáng)的圖像描述能力，低階偽Zernike矩一般表示圖像的整體信息，而高階偽Zernike矩描述圖像的細(xì)節(jié)信息［10］。本文考慮采用低階矩和高階矩聯(lián)合的方式，即采用低階矩Z10，Z31和高階矩Z43，Z53，Z64組成特征向量用于數(shù)據(jù)鏈信號(hào)識(shí)別。

2.2.2 灰度共生矩陣GLCM特征

灰度共生矩陣（GLCM）是一種紋理統(tǒng)計(jì)分析方法，通過(guò)描述圖像中不同像素點(diǎn)之間的對(duì)應(yīng)關(guān)系來(lái)表示圖像的紋理特征分布，而無(wú)論是時(shí)頻譜還是循環(huán)譜，計(jì)算當(dāng)中2個(gè)維度的物理參量的交疊混合就反映在譜圖的紋理細(xì)節(jié)中［11］，因此可以通過(guò)對(duì)譜圖的灰度共生矩陣提取代表圖像的二次特征參數(shù)對(duì)數(shù)據(jù)鏈信號(hào)進(jìn)行識(shí)別。GLCM的二次特征參數(shù)較多，本文主要選取角二階矩、相關(guān)性、對(duì)比度和均勻性這四個(gè)統(tǒng)計(jì)特征，假設(shè)GLCM的元素用p(i，j)來(lái)表示，那么這四種統(tǒng)計(jì)特征如下。

1） 角二階矩

角二階矩被定義為：

ASM在數(shù)學(xué)上表征了GLCM所有元素的平方和，在物理上反映了圖像的紋理細(xì)節(jié)的能量，其值越小紋理就越細(xì)。

2） 相關(guān)性

相關(guān)性被定義為：

式中，μx、μy是均值，σ2x、σ2y是方差，COR反映了圖像紋理細(xì)節(jié)的相似程度。

3） 對(duì)比度

對(duì)比度被定義為：

CON反映了圖像的清晰度與紋理細(xì)節(jié)的銳度。

4） 均勻性

均勻性被定義為：

IDM反映了圖像局部紋理細(xì)節(jié)變化的快慢程度。

GLCM還能夠反映出圖像細(xì)節(jié)的方向性特征，結(jié)合數(shù)據(jù)鏈信號(hào)可以工作在多頻點(diǎn)，甚至Link16信號(hào)可以產(chǎn)生頻率跳變，但是對(duì)于每個(gè)截獲信號(hào)的觀測(cè)周期內(nèi)具有頻率時(shí)間移不變特征，因此其GLCM在方向上必然能夠表現(xiàn)出不同的特征。本文選取 0°，90°，180°，360°四個(gè)不同方向分別計(jì)算GLCM的二次特征，構(gòu)成一組16維的特征向量用于數(shù)據(jù)鏈信號(hào)識(shí)別。

2.2.3 LBP算子特征

LBP算法的核心思想是用中心像素的灰度值pc作為閾值，與其相鄰的像素灰度值pi作比較來(lái)表述圖像局部紋理特征［12］，當(dāng)統(tǒng)計(jì)窗口內(nèi)其他像素灰度值大于中心像素灰度值時(shí)，對(duì)應(yīng)像素位置置1，否則置0，然后根據(jù)像素不同位置進(jìn)行加權(quán)求和作為該窗口的LBP值，用公式表示為：

式中，P表示相鄰元素個(gè)數(shù)，R表示臨域半徑。為了消除圖像旋轉(zhuǎn)對(duì)LBP算子的影響，引入旋不變LBP，將其定義為：

式中，ROR(x，i)表示將x右移i位。LBP算子中高頻次的出現(xiàn)某些描述紋理的重要模式被稱(chēng)為Uniform模式，Uniform 模式 LBP 算子表示為 LBPu2P，R，基于 Uni?form模式旋轉(zhuǎn)不變LBP算子LBPriu2P，R被定義為：

本文采用(P，R)取(8，1)的旋轉(zhuǎn)不變Uniform模式LBPriu2P，R算子，計(jì)算數(shù)據(jù)鏈信號(hào)的時(shí)頻圖及循環(huán)譜圖所得10維特征，用這10維特征構(gòu)成特征向量進(jìn)行信號(hào)的識(shí)別。

3 弱分類(lèi)器設(shè)計(jì)的AdaBoost算法

AdaBoost算法是一種設(shè)計(jì)分類(lèi)器的算法，其基本的思想是設(shè)計(jì)大量分類(lèi)能力一般的弱分類(lèi)器，通過(guò)將這些弱分類(lèi)器組合在一起，構(gòu)成一個(gè)分類(lèi)能力較強(qiáng)的強(qiáng)分類(lèi)器［13］。理論分析可以證明，只要弱分類(lèi)器的分類(lèi)能力稍強(qiáng)于隨機(jī)猜測(cè)，那么當(dāng)數(shù)量足夠多的分類(lèi)器組合起來(lái)成為強(qiáng)分類(lèi)器時(shí)，其分類(lèi)正確概率就能夠接近百分之百［14］。

3.1 構(gòu)建最佳弱分類(lèi)器

考慮一個(gè)具有n個(gè)訓(xùn)練樣本的訓(xùn)練集(X1，y1)，…，(Xi，yi)，…，(Xn，yn)，其中Xi為提取樣本特征值，yi表示樣本標(biāo)簽，如果待分類(lèi)樣本具有M個(gè)分類(lèi)，則表示第j個(gè)特征下的所有分類(lèi)值，其中1≤j≤M。

假設(shè)對(duì)于j個(gè)特征，可以定義弱分類(lèi)器hj(X)為：

式中，X為某一樣本的特征值，Tj表示為弱分類(lèi)器設(shè)計(jì)的分類(lèi)閾值，而pj為弱分類(lèi)器的調(diào)整方向，一般來(lái)說(shuō)調(diào)整方向?yàn)檎?種方向，也即pj取值為±1。在樣本特征被提取出來(lái)之后，需要構(gòu)建最佳的弱分類(lèi)器，在某些情況下，根據(jù)樣本的先驗(yàn)信息設(shè)計(jì)相應(yīng)的分類(lèi)器閾值可以使得分類(lèi)器出現(xiàn)較好的結(jié)果，但是由于整個(gè)樣本的特征訓(xùn)練在某種程度上體現(xiàn)的非線性特征，其表現(xiàn)出一定的非均勻魯棒性，同時(shí)人為干預(yù)下的分類(lèi)器設(shè)計(jì)使得自主學(xué)習(xí)退化為有監(jiān)督學(xué)習(xí)，在學(xué)習(xí)效率與使用擴(kuò)展性方面存在性能損失［15-16］，為了解決以上問(wèn)題，設(shè)計(jì)弱分類(lèi)器的自學(xué)習(xí)調(diào)整。

1） 初始化弱分類(lèi)器參數(shù)

假設(shè)存在T個(gè)弱分類(lèi)器，則首先設(shè)置迭代次數(shù)t，t=1，2，…，T。如果有n個(gè)正負(fù)樣本，則初始權(quán)重定義為：

2） 計(jì)算弱分類(lèi)器錯(cuò)誤率

假設(shè)第j個(gè)特征為Xj，取出特征Xj下所有樣本的樣本值，按照從小到大的順序計(jì)算相鄰2個(gè)樣本值的中間值點(diǎn)，將中值點(diǎn)作為弱分類(lèi)器的閾值，根據(jù)式（18）遍歷±1的調(diào)整方向情況下的所有弱分類(lèi)器，計(jì)算每個(gè)弱分類(lèi)器的錯(cuò)誤率ε，用公式表示為：

式中，I(yi≠hj(Xi))相等時(shí)為0，不相等時(shí)為1。

3） 更新樣本權(quán)重

根據(jù)式（20）計(jì)算訓(xùn)練樣本集中的所有特征，找出具有最小的錯(cuò)誤概率ε的弱分類(lèi)器，在訓(xùn)練過(guò)程中，通過(guò)錯(cuò)誤概率ε調(diào)整樣本的權(quán)重值，使得所有弱分類(lèi)器在某種程度上達(dá)到最優(yōu)效果。更新樣本權(quán)重過(guò)程如下所示：

在訓(xùn)練過(guò)程中，對(duì)正確進(jìn)行分類(lèi)的樣本值賦予較小的權(quán)重，而對(duì)錯(cuò)誤分類(lèi)樣本賦予較大的權(quán)重，通過(guò)大量數(shù)據(jù)樣本集的訓(xùn)練將突出具有錯(cuò)誤分類(lèi)的弱分類(lèi)器的訓(xùn)練，最終獲得性能最佳的弱分類(lèi)器。

3.2 構(gòu)建強(qiáng)分類(lèi)器

在構(gòu)建了性能最佳的弱分類(lèi)器的基礎(chǔ)上，對(duì)得到的T個(gè)弱分類(lèi)器進(jìn)行線性組合以獲得強(qiáng)分類(lèi)器，用公式表示為：

式中，αt為最佳弱分類(lèi)器的合成權(quán)重，αt是一個(gè)與分類(lèi)器錯(cuò)誤概率相關(guān)的參數(shù)：

最終的強(qiáng)分類(lèi)器為：

因?yàn)楸疚墓矎膱D像中組合提取了31維特征向量，所以本文中T=31。最終強(qiáng)分類(lèi)器由特征向量中每一維訓(xùn)練得來(lái)的共31個(gè)弱分類(lèi)器組成。

總結(jié)以上算法流程，如圖4所示。

圖4 AdaBoost算法流程

4 仿真分析

為了驗(yàn)證本文所提出的方法，通過(guò)仿真計(jì)算對(duì)類(lèi)型為L(zhǎng)ink4A、Link11和Link16的數(shù)據(jù)集進(jìn)行識(shí)別驗(yàn)證，具體如表1所示，隨機(jī)選取4/5的樣本作為訓(xùn)練集，另外1/5樣本作為測(cè)試集。

表1 數(shù)據(jù)集

同時(shí)為了使仿真貼近真實(shí)情況，對(duì)數(shù)據(jù)集合添加不同信噪比的高斯白噪聲，分別選取SNR為-20 dB、-10 dB、0 dB、5 dB和10 dB。在不同信噪比條件下，采用不同特征分析方法對(duì)數(shù)據(jù)鏈信號(hào)進(jìn)行分析，產(chǎn)生WVD時(shí)頻圖、STFT時(shí)頻圖和循環(huán)譜圖，并提取偽Zernike矩特征、GLCM特征和LBP算子特征，將特征向量合并分別輸入SVM和KNN分類(lèi)器識(shí)別，產(chǎn)生每種類(lèi)型信號(hào)不同信噪比下的識(shí)別概率。

對(duì)于Link4A信號(hào)而言，在信噪比為10 dB時(shí)，無(wú)論計(jì)算WVD/STFT時(shí)頻圖，還是計(jì)算循環(huán)譜圖，均能夠達(dá)到90%的識(shí)別概率；而Link11信號(hào)的識(shí)別概率稍低，原因是相較于Link4A信號(hào)來(lái)說(shuō)，Link11信號(hào)采用了二次調(diào)制方式，時(shí)頻圖無(wú)法進(jìn)一步深入反映信號(hào)在調(diào)制域上深層次的特征。該方法對(duì)Link16信號(hào)的識(shí)別效果最差，這是由于Link16信號(hào)采用擴(kuò)跳結(jié)合的調(diào)制方式，跳速高且每一跳采用MSK調(diào)制方式，無(wú)論是對(duì)這種短時(shí)多跳且每跳寬帶擴(kuò)頻的信號(hào)進(jìn)行時(shí)頻分析還是循環(huán)譜分析，都難以避免多跳信號(hào)之間的交叉干擾，隨著每跳調(diào)制信息不一致導(dǎo)致的各跳信號(hào)之間特征的相互非線性疊加，信號(hào)特征進(jìn)一步模糊化。當(dāng)信噪比下降到0 dB以下時(shí)，無(wú)論Link4A、Link11還是Link16信號(hào)，其識(shí)別概率都將較大地下降，說(shuō)明此時(shí)噪聲對(duì)信號(hào)特征的模糊與退化是識(shí)別錯(cuò)誤的主要因素，也即信號(hào)波形本身的信息量遭到損失，無(wú)論采取哪種方法都無(wú)法提高識(shí)別概率。

經(jīng)對(duì)比發(fā)現(xiàn)使用STFT圖像特征作為輸入的模型識(shí)別概率整體效果較好，因此選其作為輸入，采用AdaBoost算法通過(guò)集成多個(gè)弱分類(lèi)器組成強(qiáng)分類(lèi)器，實(shí)現(xiàn)對(duì)三種信號(hào)的分類(lèi)識(shí)別。三種信號(hào)在各種信噪比條件下的識(shí)別概率相較于單獨(dú)使用SVM或KNN均有明顯提升，如表2—4所示，說(shuō)明本文情境下，Ada?Boost算法中的以多個(gè)弱分類(lèi)器聯(lián)合工作效能高于單獨(dú)的SVM和KNN分類(lèi)器。

表2 Link4A信號(hào)在不同信噪比條件下的不同識(shí)別方法識(shí)別概率

表3 Link11信號(hào)在不同信噪比條件下的不同識(shí)別方法識(shí)別概率

表4 Link16信號(hào)在不同信噪比條件下的不同識(shí)別方法識(shí)別概率

5 結(jié)束語(yǔ)

本文研究了Link4A、Link11、Link16三種典型戰(zhàn)術(shù)數(shù)據(jù)鏈信號(hào)特征，通過(guò)計(jì)算數(shù)據(jù)鏈信號(hào)的WVD/STFT時(shí)頻譜和循環(huán)譜，構(gòu)建了信號(hào)多維多域的特征譜圖。信號(hào)多維譜圖能夠描述不同域物理參數(shù)的耦合特征，反映在圖像上面就是不同信號(hào)的譜圖圖像的紋理、形狀、輪廓、邊沿都具有各自的特征，通過(guò)提取譜圖圖像中的偽Zernike矩、GLCM特征和LBP特征，構(gòu)成描述不同數(shù)據(jù)鏈信號(hào)的特征向量，利用AdaBoost算法自適應(yīng)優(yōu)化多個(gè)弱分類(lèi)器形成的最佳分類(lèi)算法對(duì)數(shù)據(jù)鏈信號(hào)進(jìn)行分類(lèi)識(shí)別，相較于單個(gè)分類(lèi)器的識(shí)別結(jié)果更優(yōu)，且識(shí)別算法穩(wěn)定可靠，具有較高的軍事使用價(jià)值和工程應(yīng)用價(jià)值。