基于多域融合的空間輻射源細(xì)微特征識(shí)別

王曉晗,閆毅,范亞楠,李雪,牟嬌

1.中國科學(xué)院 國家空間科學(xué)中心,北京 100190

2.中國科學(xué)院大學(xué),北京 100049

1 引言

輻射源個(gè)體識(shí)別在電子對(duì)抗和通信安全等方面起到至關(guān)重要的作用,是非合作通信偵察中的一項(xiàng)關(guān)鍵技術(shù)[1]。輻射源識(shí)別主要根據(jù)所截獲射頻信號(hào)的差異判斷所屬輻射源[2],根據(jù)輻射源工作狀態(tài)掌握其載體的情況,從而有針對(duì)性地對(duì)其進(jìn)行監(jiān)視和管理[3-4]。衛(wèi)星通信不受地域地形的限制,具有通信距離遠(yuǎn)、全球覆蓋、安全可靠的優(yōu)勢,研究空間輻射源識(shí)別技術(shù),對(duì)通信衛(wèi)星的有效的偵察、監(jiān)測和管理具有重要意義。

由于輻射源設(shè)備的個(gè)體差異,在信號(hào)上不可避免地存在著不影響信息傳遞的細(xì)微特征差異,這些可檢測、可重現(xiàn)的細(xì)微差別被稱為信號(hào)細(xì)微特征或輻射源個(gè)體細(xì)微特征[5]。射頻設(shè)備中電子元件的容差是形成細(xì)微特征的原因,元件在生產(chǎn)時(shí)實(shí)際值與標(biāo)稱值存在差異,在工作過程中溫度、濕度、老化也會(huì)引起參數(shù)的變化。目前認(rèn)為,空間輻射源細(xì)微特征的主要成因是衛(wèi)星轉(zhuǎn)發(fā)器中功率放大器的非線性效應(yīng)[6]。通信衛(wèi)星與地面站的距離遙遠(yuǎn),為了抵消路徑損耗,保證功率放大器較高的工作效率,衛(wèi)星轉(zhuǎn)發(fā)器中的功率放大器通常工作在飽和狀態(tài)或鄰近飽和狀態(tài),導(dǎo)致輸出的信號(hào)產(chǎn)生嚴(yán)重的非線性失真。由放大器產(chǎn)生的非線性產(chǎn)物主要有諧波、交調(diào)、互調(diào)和雜散等[7-9]。因此,由于元件容差的存在,系統(tǒng)的非線性特性不同,對(duì)信號(hào)的影響也隨之不同,這給依據(jù)信號(hào)中提取細(xì)微特征,進(jìn)而識(shí)別出相應(yīng)的輻射源個(gè)體提供了可行性。

目前,國內(nèi)外針對(duì)輻射源識(shí)別問題,主要針對(duì)暫態(tài)信號(hào)與穩(wěn)態(tài)信號(hào)兩類信號(hào)進(jìn)行研究。暫態(tài)信號(hào)是指輻射源在開、關(guān)機(jī)和模式轉(zhuǎn)換時(shí)由于工作狀態(tài)不穩(wěn)定所產(chǎn)生的能體現(xiàn)輻射源特征的信號(hào),因其持續(xù)時(shí)間短且受噪聲干擾影響大,不易于進(jìn)行輻射源識(shí)別。穩(wěn)態(tài)信號(hào)是指輻射源穩(wěn)定工作時(shí)所輻射的信號(hào),存在于整段信號(hào)的信息中,易于獲取并且能夠更全面描述發(fā)射機(jī)信號(hào)的特征,因此是輻射源識(shí)別的研究重點(diǎn)。

近年來,眾多學(xué)者針對(duì)穩(wěn)態(tài)信號(hào)的提取提出了多種處理方法,主要包括貝葉斯估計(jì)[10]、信號(hào)包絡(luò)[11]、二維時(shí)頻特征[12]、Wigner-Ville分布[13]、小波變換[14]、固有時(shí)間尺度分解[15]、變分模態(tài)分解[16]、Hilbert-Huang變換[17-18]、雙譜分析[19-21]等理論。文獻(xiàn)[22]利用雷達(dá)信號(hào)的累積量作為個(gè)體識(shí)別的特征,使用KNN分類器對(duì)3部同型號(hào)機(jī)載雷達(dá)的實(shí)測數(shù)據(jù)進(jìn)行分類識(shí)別,取得良好的分類效果。文獻(xiàn)[23]使用離散傅里葉變換的功率譜構(gòu)建了譜域特征,結(jié)果表明譜域特征比時(shí)域特征性能好,與小波域特征性能接近,并略有提高。文獻(xiàn)[24]使用Gabor變換系數(shù)構(gòu)建了基于Gabor變換的特征,結(jié)果表明基于Gabor變換的特征比時(shí)域和譜域特征更為有效。直接提取信號(hào)變換的結(jié)果進(jìn)行輻射源識(shí)別,存在大量的無效或冗余數(shù)據(jù)。無效數(shù)據(jù)對(duì)識(shí)別效果貢獻(xiàn)不足,甚至?xí)a(chǎn)生負(fù)面影響,冗余數(shù)據(jù)會(huì)增大計(jì)算量,影響輻射源識(shí)別效率。這些方法大多使用單一信號(hào)處理手段提取特征,難以全面準(zhǔn)確地表示輻射源信號(hào)之間的細(xì)微差別,存在一定的局限性。

隨著信號(hào)體制和電磁環(huán)境的復(fù)雜化,單一域的特征難以完整體現(xiàn)信號(hào)的特性,將這些特征進(jìn)行融合,建立更高維度的特征向量集合,可以全面表達(dá)信號(hào)的特征,獲得更優(yōu)的識(shí)別效果。為解決現(xiàn)有分類方法[25-27]數(shù)據(jù)冗余和特征單一對(duì)分類效果的負(fù)面影響,本文綜合現(xiàn)有方法與成果,提出一種多域特征融合(multi-domain feature fusion,MFF)的空間輻射源識(shí)別方法,通過對(duì)信號(hào)進(jìn)行Hilbert-Huang變換和高階譜分析,然后提取HHT邊際譜和雙譜的特征并將其拼接融合為信號(hào)的多域特征,采用SVM分類器進(jìn)行分類識(shí)別,進(jìn)行仿真實(shí)驗(yàn),驗(yàn)證方法的性能。

2 輻射源細(xì)微特征識(shí)別

2.1 輻射源細(xì)微特征分析處理流程

通信設(shè)備細(xì)微特征提取與識(shí)別過程如圖1所示,輻射源設(shè)備發(fā)送射頻信號(hào),通信接收機(jī)收到信號(hào)后,送入預(yù)處理機(jī)中,預(yù)處理的主要作用是對(duì)信號(hào)進(jìn)行去噪處理,以削弱噪聲的影響,加強(qiáng)有用信息;預(yù)處理后的數(shù)據(jù)將送入主處理機(jī)進(jìn)行信號(hào)處理和特征提取,生成特征數(shù)據(jù)集送入分類識(shí)別模塊;在分類識(shí)別模塊,將已標(biāo)注的特征數(shù)據(jù)集送入分類器中進(jìn)行訓(xùn)練,再將待識(shí)別信號(hào)特征數(shù)據(jù)集送入訓(xùn)練后的分類器中,得到分類識(shí)別結(jié)果。

圖1 通信設(shè)備細(xì)微特征提取與識(shí)別流程

2.2 功放模型及細(xì)微特征

功率放大器是通信發(fā)射機(jī)中的重要器件,為保證較高的工作效率,衛(wèi)星轉(zhuǎn)發(fā)器內(nèi)部的高功率放大器通常工作在飽和狀態(tài)或鄰近飽和狀態(tài),導(dǎo)致輸出的信號(hào)存在嚴(yán)重的非線性失真,是輻射源細(xì)微特征的主要來源。

一個(gè)雙音復(fù)信號(hào)x(t)可以表示為:

式中:ai為信號(hào)的幅度;fi為信號(hào)的頻率;θi為信號(hào)的相位。

假設(shè)功率放大器輸入信號(hào)為x(t),輸出信號(hào)y(t)可表示為:

式中:A[ai]為功率放大器由于非線性特性引起的幅度AM-AM失真;φ[ai]為相位AM-PM失真。衛(wèi)星通信系統(tǒng)中,常采用行波管放大器作為轉(zhuǎn)發(fā)器內(nèi)部的高功率放大器。Saleh模型是針對(duì)行波管提出的失真模型[28],對(duì)幅度和相位失真均有描述:

圖2給出了功率放大器的AM-AM、AM-PM特性曲線,體現(xiàn)了功率放大器的非線性特性。

圖2 功率放大器的AM-AM和AM-PM曲線

信號(hào)經(jīng)過非線性功率放大器,會(huì)產(chǎn)生多種非線性產(chǎn)物,這些產(chǎn)物中蘊(yùn)含著信號(hào)的細(xì)微特征。由功放產(chǎn)生的細(xì)微特征主要包含諧波、交調(diào)、互調(diào)、雜散等成分,影響信號(hào)的幅度、頻率和相位。對(duì)于每一臺(tái)輻射源設(shè)備,由于其內(nèi)部的電子元件存在差異,導(dǎo)致信號(hào)的細(xì)微特性不同,從而形成輻射源個(gè)體識(shí)別的依據(jù)。

3 特征設(shè)計(jì)與分類識(shí)別方法

3.1 Hilbert-Huang變換

Hilbert-Huang變換利用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)對(duì)原始信號(hào)進(jìn)行處理,分解原始信號(hào)得到若干個(gè)本征模態(tài)函數(shù)(intrinsic mode function,IMF),再對(duì)得到的IMF進(jìn)行Hilbert變換得到瞬時(shí)頻率,從而獲得信號(hào)的Hilbert時(shí)頻譜[29]。

在經(jīng)驗(yàn)?zāi)B(tài)分解過程中,信號(hào)s(t)被分解為IMF分量ci(t)與殘留分量rn(t)之和,即:

圖3為信號(hào)波形及其IMF分量,其中signal為原始信號(hào)s(t),之后依次為EMD分解之后得到IMF分量ci(t),分別稱作IMF1～I(xiàn)MF6,最后為殘留分量rn(t),每一個(gè)IMF分量代表了原始信號(hào)中存在的一種模態(tài)分量。IMF1頻率最高,特征時(shí)間尺度最小。隨著分解層數(shù)的增加,IMF分量的特征時(shí)間尺度增大,頻率降低,多分量信號(hào)中的不同頻率成分被分離出來。

圖3 信號(hào)及其IMF分量

EMD分解后的各個(gè)IMF分量經(jīng)過Hilbert變換可以求得瞬時(shí)頻率。原始信號(hào)可以表示為:

反映了信號(hào)幅值與時(shí)間、頻率的關(guān)系,信號(hào)幅值可以表示為時(shí)間t和瞬時(shí)頻率ω的函數(shù)H(ω,t),從而獲得信號(hào)總的HHT時(shí)頻譜:

圖4所示為仿真信號(hào)的HHT時(shí)頻譜圖,由于EMD能夠?qū)崿F(xiàn)對(duì)信號(hào)成分的精細(xì)分析,H(ω,t)頻率分辨率很高,信號(hào)的不同頻率分量以及低頻噪聲分量清晰地顯示出來,能較好反映信號(hào)的細(xì)微特征。

圖4 信號(hào)的HHT時(shí)頻譜

HHT邊際譜由HHT時(shí)頻譜沿時(shí)間軸進(jìn)行積分得到:

圖5為仿真信號(hào)的HHT邊際譜圖,是Hilbert時(shí)頻譜在時(shí)間軸上的積分,它反映了每一個(gè)頻率點(diǎn)上的幅值分布,代表信號(hào)的幅值在整個(gè)頻率段上隨頻率變化的情況,反映了概率意義上幅值在整個(gè)數(shù)據(jù)跨度上的積累幅值。與傅里葉分析不同,傅里葉變換的頻譜中某一頻率處能量的存在代表該頻率在整個(gè)時(shí)間軸上的存在,而HHT邊際譜數(shù)值的大小表示該頻率出現(xiàn)的概率高低,該頻率出現(xiàn)的具體時(shí)刻由圖 4中的HHT時(shí)頻譜表示。

圖5 信號(hào)的HHT邊際譜

3.2 高階譜分析

高階譜是二維功率譜的推廣,是高階累積量的傅里葉變換,可以提供二階統(tǒng)計(jì)量所沒有的相位信息,適用于對(duì)信號(hào)細(xì)微特征的研究。

定義一個(gè)隨機(jī)序列為:

{x(n),x(n+τ1),…,x(n+τk-1)}

其高階累積量ckx(τ1,τ2,…,τk-1)滿足:

則k階譜是k階累積量的k-1維離散時(shí)間傅里葉變換,即:

因此,三階譜又稱為雙譜,四階譜又稱為三譜,分別定義如下:

雙譜是階數(shù)最低的高階譜,在特征提取、故障檢測方面有著較為廣泛的應(yīng)用,形成了較為成熟的理論和估計(jì)方法。圖6是非線性信號(hào)在SNR=0dB條件下的雙譜圖。圖7所示的雙譜圖是用等高線來定性刻畫的,完整地保留了信號(hào)的雙譜特征,最大限度地保留了信號(hào)原有的信息,方便觀察不同輻射源信號(hào)高階譜的差異。

圖6 信號(hào)的雙譜

圖7 通過FFT估計(jì)的雙譜

3.3 MFF輻射源識(shí)別方法

單一域特征往往無法全面體現(xiàn)信號(hào)復(fù)雜豐富的特征信息,導(dǎo)致識(shí)別效果不佳。雖然單一域特征在分類識(shí)別中存在局限性,但將多種特征進(jìn)行拼接融合,可以發(fā)揮特征在不同域的作用。多域融合特征設(shè)計(jì)的目的是盡量獲得足夠多的特征,構(gòu)建新的多域特征向量空間,以更全面描述輻射源信號(hào)的細(xì)微特征,并通過多域特征表征不同信號(hào)的差異性,將輻射源識(shí)別的問題轉(zhuǎn)換到高維特征空間中的判決區(qū)域劃分,以實(shí)現(xiàn)更優(yōu)的識(shí)別效果。

統(tǒng)計(jì)量是樣本的函數(shù),用于描述或者構(gòu)建樣本之間的關(guān)系,從樣本數(shù)據(jù)中提取信息并推斷總體信息。信息熵可以表征樣本數(shù)據(jù)能量的分布情況。有效的輻射源細(xì)微特征應(yīng)當(dāng)具有較強(qiáng)的判別性以及較低的冗余性。根據(jù)上述原則,本文設(shè)計(jì)了輻射源多域特征集合,如圖8所示。

圖8 輻射源多域特征集合

對(duì)于一個(gè)隨機(jī)變量X,數(shù)學(xué)期望為D(X)。其方差定義為:

D(X)=E{[X-E(X)]2}

峰度定義為:

偏度定義為:

使用EMD算法分解信號(hào),并進(jìn)行Hilbert變換,求得HHT邊際譜J(ω)?；贖HT邊際譜的特征設(shè)計(jì)包括以下統(tǒng)計(jì)特征。

1)HHT邊際譜均值A(chǔ)VGJ為:

AVGJ=E[J(ω)]

2)HHT邊際譜方差VARJ為:

VARJ=D[J(ω)]

3)HHT邊際譜信息熵HseJ為:

4)HHT邊際譜峰度KurtJ為:

KurtJ=Kurt[J(ω)]

5)HHT邊際譜偏度SkewJ為:

SkewJ=Skew[J(ω)]

定義雙譜矩陣為:

雙譜投影為:

基于雙譜的特征設(shè)計(jì)包括以下統(tǒng)計(jì)特征。

1)雙譜均值A(chǔ)VGB為:

AVGB=E[Bx(ω1,ω2)]

2)雙譜方差VARJ為:

VARB=D[Bx(ω1,ω2)]

3)雙譜信息熵HseB為:

4)雙譜投影峰度KurtP為:

KurtP=Kurt(P)

5)雙譜投影偏度SkewP為:

SkewP=Skew(P)

在特征融合的基礎(chǔ)上,本文設(shè)計(jì)了基于MFF的輻射源識(shí)別方法,流程如圖9所示。原始信號(hào)集合包含已標(biāo)注信號(hào)和未知信號(hào),將其送入非線性元件并加以高斯白噪聲,得到有噪聲的失真信號(hào)集合;對(duì)失真信號(hào)集合分別進(jìn)行Hilbert-Huang變換和高階譜分析,得到信號(hào)的HHT邊際譜和雙譜;然后進(jìn)行特征提取和特征融合,提取HHT邊際譜的均值、方差、峰度、偏度和信息熵作為信號(hào)HHT時(shí)頻域特征,提取雙譜均值、雙譜方差、雙譜投影峰度、雙譜投影偏度和雙譜信息熵作為信號(hào)的雙譜域特征,再將其拼接融合得到多域特征集合;最后將已標(biāo)注的多域特征送入SVM分類器中進(jìn)行訓(xùn)練,將待識(shí)別的多域特征送入訓(xùn)練好的分類器中,得到分類識(shí)別結(jié)果。

圖9 基于MFF的輻射源識(shí)別方法流程

4 試驗(yàn)設(shè)置與結(jié)果分析

4.1 試驗(yàn)設(shè)置

為了評(píng)價(jià)多域融合的輻射源識(shí)別方法,本次仿真試驗(yàn)對(duì)發(fā)射端的非線性失真進(jìn)行了仿真,功率放大器采用Saleh模型,模擬了信號(hào)的諧波、交調(diào)、互調(diào)、雜散等非線性產(chǎn)物特征,將本文提出的方法與傳統(tǒng)基于HHT邊際譜、邊際譜信息熵、雙譜投影、雙譜矩形積分、四階累積量切片譜的分類識(shí)別方法進(jìn)行了比較。

實(shí)際的通信衛(wèi)星工作在L、C、S、Ku及Ka頻段,在試驗(yàn)設(shè)置中,使用不失代表性的簡單模型,參考Inmarsat和Thuraya衛(wèi)星通信系統(tǒng),衛(wèi)星轉(zhuǎn)發(fā)器帶寬36MHz,共劃分為120個(gè)子帶,多路轉(zhuǎn)發(fā)器相鄰?fù)ǖ赖念l率間隔為300kHz,10MHz、10.3MHz對(duì)應(yīng)原始信號(hào)的兩個(gè)射頻頻點(diǎn),發(fā)送到衛(wèi)星轉(zhuǎn)發(fā)器的兩個(gè)通道中,然后經(jīng)過變頻、放大到下行1626MHz、1626.3MHz兩個(gè)頻點(diǎn),在衛(wèi)星地面站接收到高頻信號(hào),將其下變頻至10MHz、10.3MHz的中頻頻段,在中頻接收機(jī)選取80MHz的頻率對(duì)信號(hào)進(jìn)行采樣,選取每段信號(hào)的長度為N=400。設(shè)置輻射源個(gè)數(shù)為4個(gè),輻射源輸入相同的信號(hào)并加以高斯白噪聲,信噪比的設(shè)置SNR∈[0,20]dB,其中,SNR仿真步長為1dB。在仿真信號(hào)中,每個(gè)信噪比下選取50段構(gòu)成有標(biāo)簽的訓(xùn)練數(shù)據(jù)集,并在同樣的信噪比設(shè)置下分別選取50段構(gòu)成測試數(shù)據(jù)集。

然后進(jìn)行預(yù)處理,對(duì)訓(xùn)練集和測試集信號(hào)進(jìn)行小波閾值去噪,對(duì)小波系數(shù)進(jìn)行閾值處理。因?yàn)樾〔ㄗ儞Q后有用信號(hào)的能量主要集中在少數(shù)絕對(duì)值較大的小波系數(shù)上和特定的頻率范圍內(nèi),而噪聲的能量卻分布于整個(gè)小波域內(nèi)。小波分解后的有用信號(hào)的系數(shù)幅值會(huì)大于噪聲的系數(shù)幅值,采用閾值處理的方法可實(shí)現(xiàn)信號(hào)去噪。

4.2 試驗(yàn)結(jié)果分析

為驗(yàn)證試驗(yàn)結(jié)果的有效性,進(jìn)行如下試驗(yàn),將本文提出的多域融合識(shí)別方法與傳統(tǒng)方法進(jìn)行對(duì)比,將訓(xùn)練集輸入到SVM分類器中,訓(xùn)練不同的分類器,將測試集輸入分類器中進(jìn)行分類,計(jì)算正確率,表1為各種方法分類器的輸入。邊際譜信息熵描述信號(hào)邊際譜的不確定性;四階累積量切片譜是四階譜在一維的投影;雙譜投影和雙譜矩形路徑積分通過不同的積分路徑將二維雙譜通過積分轉(zhuǎn)化為一維數(shù)據(jù)進(jìn)行處理;傳統(tǒng)方法常把上述特征作為衡量信號(hào)細(xì)微特征的重要參數(shù)。

表1 試驗(yàn)設(shè)置

SVM算法最初是為二值分類問題設(shè)計(jì)的,當(dāng)處理多類問題時(shí),就需要構(gòu)造合適的多類分類器。本文采用一對(duì)一 SVM,在任意兩類樣本之間設(shè)計(jì)一個(gè)SVM分類器,k個(gè)類別的樣本就需要設(shè)計(jì)k(k-1)/2個(gè)SVM分類器。當(dāng)對(duì)測試數(shù)據(jù)進(jìn)行分類時(shí),對(duì)所有的分類器分別進(jìn)行測試,并保存結(jié)果,最后得票最多的類別即為該樣本的類別。

對(duì)去噪后的信號(hào)進(jìn)行HHT變換,得到信號(hào)的HHT邊際譜,圖10是在SNR=20dB下4臺(tái)發(fā)射機(jī)信號(hào)的HHT邊際譜。

圖10 SNR=20dB信號(hào)的HHT邊際譜

提取HHT邊譜的均值、方差、峰度、偏度、信息熵特征,為方便顯示,固定三維圖像的X軸代表HHT邊際譜的均值,Y軸代表方差,Z軸分別代表HHT邊際譜的偏度、峰度和信息熵,繪制特征空間分布散點(diǎn)圖,如圖11～13所示。

圖11 HHT邊譜均值-方差-偏度

圖12 HHT邊譜均值-方差-峰度

圖13 HHT邊譜均值-方差-熵

然后計(jì)算信號(hào)的雙譜,圖14為SNR=20dB下4臺(tái)發(fā)射機(jī)信號(hào)的雙譜圖像。

圖14 SNR=20dB 信號(hào)的雙譜圖像

提取雙譜均值、雙譜方差、雙譜投影峰度、雙譜投影偏度和雙譜熵,為方便顯示,固定三維圖像的X軸代表雙譜的均值,Y軸代表雙譜方差,Z軸分別代表雙譜投影峰度、雙譜投影偏度和雙譜熵,繪制特征空間分布散點(diǎn)圖,如圖15～17所示。

圖15 雙譜均值-方差-偏度

圖16 雙譜均值-方差-峰度

圖17 雙譜均值-方差-熵

可以看出,不同發(fā)射機(jī)信號(hào)的HHT邊際譜和雙譜圖像具有細(xì)微差異,這些細(xì)微區(qū)別是輻射源發(fā)射機(jī)硬件的不同引起的,是發(fā)射機(jī)固有特性在信號(hào)上的體現(xiàn)。因此HHT邊際譜和雙譜可以用于提取個(gè)體信號(hào)的特征,滿足輻射源個(gè)體識(shí)別的基本要求。

在HHT邊際譜和雙譜的特征分布散點(diǎn)圖中,以不同顏色表示不同輻射源個(gè)體的特征。除個(gè)別異常值外,特征總體呈現(xiàn)明顯的同類聚集性和類間分離性,具有良好區(qū)分度,能夠反映不同的輻射源個(gè)體的差異。

圖18為4臺(tái)發(fā)射機(jī)的四階累積量切片譜。四階累積量是一個(gè)有3個(gè)參數(shù)變量的四維函數(shù),三譜即四階譜,是四階累積量的三維離散時(shí)間傅里葉變換,但計(jì)算量大且耗時(shí)長,在有限數(shù)據(jù)情況下相對(duì)于相關(guān)運(yùn)算其估計(jì)方差較大。四階累積量切片譜實(shí)質(zhì)上是四階譜在一維的投影,四階累積量切片譜比四階譜明顯簡化了計(jì)算的復(fù)雜度,但保留了其抑制高斯噪聲的固有優(yōu)點(diǎn),利于實(shí)際應(yīng)用中的圖形顯示。

圖18 四階累積量切片譜

對(duì)基于HHT邊際譜、邊際譜信息熵、雙譜投影、雙譜矩形積分、四階累積量切片譜的分類識(shí)別方法及本節(jié)所提方法的分類結(jié)果進(jìn)行對(duì)比分析,具體的分類結(jié)果隨SNR的變化特性曲線如圖19所示。

圖19 不同方法分類效果曲線

由圖 19可得,對(duì)比基于HHT邊際譜、邊際譜信息熵、雙譜投影、雙譜矩形積分、四階累積量切片譜的分類識(shí)別方法,本文提出的MFF方法有著更好的性能。MFF方法自SNR=9dB開始,分類正確率開始顯著提高,自SNR=13dB開始,分類正確率的升高趨于平緩,SNR≥16dB時(shí),可以達(dá)到90%以上的分類正確率。在SNR=20dB時(shí),基于HHT邊際譜方法的分類正確率為65.45%,基于邊際譜信息熵方法的分類正確率為86.03%,基于雙譜投影方法的分類正確率為79.98%,基于雙譜矩形路徑積分方法的分類正確率為70.15%,基于四階累積量切片譜方法的分類正確率為83.77%,本文方法的正確率達(dá)到95.44%,同對(duì)比組中效果最好的基于邊際譜信息熵方法相比,正確率有9.41%的提升。

從分類效果曲線圖中可看出,分類正確率主要受到特征提取和信噪比高低的影響。特征是決定輻射源個(gè)體識(shí)別效果的關(guān)鍵,特征提取的目的就是尋找表征顯著類別差異的信息,提取出最能表征原始數(shù)據(jù)本質(zhì)信息的少量綜合特征。直接提取信號(hào)變換的結(jié)果進(jìn)行輻射源識(shí)別,存在大量的無效或冗余數(shù)據(jù),并且單一域的特征難以完整體現(xiàn)信號(hào)的特性,這些都對(duì)輻射源識(shí)別帶來困難。輻射源的特征十分細(xì)微,容易淹沒在噪聲中。噪聲對(duì)識(shí)別正確率有著很大影響,不同方法的分類正確率都隨著信噪比的增大而提高,在10dB信噪比附近,各方法的正確率開始顯著提高。

5 結(jié)論

本文分析了空間輻射源個(gè)體細(xì)微特征產(chǎn)生的機(jī)理,建立了發(fā)射端非線性模型,提取了輻射源信號(hào)的多域特征,實(shí)現(xiàn)基于MFF方法的輻射源設(shè)備細(xì)微特征的識(shí)別。本文主要完成的研究工作如下:

1)分析了細(xì)微特征的產(chǎn)生機(jī)理,對(duì)諧波、交叉調(diào)制、相互調(diào)制、雜散輸出等非線性產(chǎn)物做出描述,建立了發(fā)射端的模型,對(duì)信號(hào)的非線性失真進(jìn)行了仿真;

2)提出一種基于MFF的輻射源識(shí)別方法,提取HHT邊際譜和雙譜的均值、方差、峰度、偏度和信息熵進(jìn)行拼接融合,得到信號(hào)的多域特征,作為后續(xù)分類器的輸入;

3)使用SVM分類器對(duì)多域特征進(jìn)行分類識(shí)別,對(duì)比基于HHT邊際譜、邊際譜信息熵、雙譜投影、雙譜矩形積分、四階累積量切片譜的分類識(shí)別方法,本文方法的識(shí)別效果均有提升。