本發(fā)明屬于信息處理
技術領域：
，特別涉及一種通信輻射源個體識別方法及系統(tǒng)。
背景技術：
：由于通信輻射源個體設備的差異，在信號的表現(xiàn)形式上存在著不影響信息傳遞的可檢測、可重現(xiàn)的細微特征，能表現(xiàn)這些差異的細微特征稱為輻射源細微特征。在信息通信偵察中，通過截獲輻射源信號、提取細微特征、建立輻射源細微特征庫，實現(xiàn)輻射源的個體識別，判斷其個體性質(zhì)屬性、通信網(wǎng)組成、威脅等級等，為干擾對方具有重要意義。針對通信輻射源個體識別問題，早期主要利用小波分析、分形等理論對輻射源的“turn-on”暫態(tài)信號特征進行研究，對不同型號的通信電臺個體取得了較好的識別效果。近年來大部分研究主要通過穩(wěn)態(tài)信號特征實現(xiàn)通信輻射源個體的識別，典型方法包括基于雜散特性的方法、基于調(diào)制參數(shù)的方法、基于信號瞬時特征的方法和基于高階統(tǒng)計量的方法等?？v觀國內(nèi)外通信輻射源個體識別技術的研究現(xiàn)狀與發(fā)展趨勢，可以發(fā)現(xiàn)存在以下幾個重要問題未得到有效解決：(1)基于暫態(tài)信號特征的通信輻射源個體識別方法由于存在暫態(tài)特征難提取、并且無法用于識別同廠家同型號的通信輻射源個體等問題，所以實際應用中此類方法的識別效果并不理想；(2)在現(xiàn)實工程應用中，有限的觀測時間和附加的噪聲對通信信號參數(shù)測量的精確度均有一定程度的影響，而且現(xiàn)代通信輻射源一般都采用穩(wěn)定度極高、雜散抑制能力很強的數(shù)字式器件，因此，僅從常規(guī)時域、頻域或時頻域的角度分析輻射源信號的載頻、碼速率和雜散特征差異等實現(xiàn)通信輻射源個體識別是遠遠不夠的；(3)在實際應用中，對于每個通信輻射源而言，人們很難獲取充裕的已知類別的通信輻射源觀測樣本數(shù)據(jù)，即我們常常面臨的是小樣本條件下通信輻射源個體識別問題。如果直接采用現(xiàn)有的方法，其性能必將受到嚴重影響。技術實現(xiàn)要素：本發(fā)明的目的是：提供一種通信輻射源個體識別方法及系統(tǒng)，解決通信輻射源個體識別過程中的小樣本問題，并且降低了算法的時間復雜度，避免了現(xiàn)有的基于時域、頻域或時頻域的方法在處理非平穩(wěn)或非高斯信號時存在相位和幅度信息失真問題。本發(fā)明的技術方案是：一種通信輻射源個體識別方法，包括以下步驟：步驟一：通過偵察天線接收各種通信輻射源信號，并將所接收到的通信輻射源信號進行頻率選擇、功率放大、混頻后，獲得中頻信號；步驟二：對獲得的中頻信號濾波、放大、A/D變化、正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；步驟三：將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集和測試樣本集，訓練樣本集X構成了矩形積分雙譜特征字典；步驟四：對矩形積分雙譜特征字典進行非線性變換，構造出協(xié)作投影矩陣；步驟五：將測試樣本集中的每個測試樣本分別映射到協(xié)作投影矩陣上，獲得每個測試樣本的表示系數(shù)向量；步驟六：根據(jù)表示系數(shù)向量得到不同類別的訓練樣本子集對測試樣本的表示殘差；步驟七：計算每類訓練樣本子集所對應的表示系數(shù)向量的范數(shù)，構造出分類器；步驟八：由分類器得到每類訓練樣本子集對測試樣本的分類殘差；步驟九：將最小的分類殘差所對應的類別作為通信輻射源個體的類別。更進一步地，所述步驟三中，將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集X＝[x1,x2,...,xn]∈RD×n和測試樣本集Y＝[y1,y2,...,ym]∈RD×m，n表示訓練樣本數(shù)目，m表示測試樣本數(shù)目，D表示每個矩形積分雙譜特征向量的維數(shù)，訓練樣本集X構成了矩形積分雙譜特征字典。更進一步地，所述步驟四中，利用式(1)構造協(xié)作投影矩陣P。P＝(XTX+λI)-1XT(1)λ是正則化常量，I是n×n的單位矩陣。更進一步地，所述步驟五中，利用式(2)將測試樣本y∈Y映射到協(xié)作投影矩陣P上，得到表示系數(shù)向量α^=Ry---(2)]]>更進一步地，所述步驟六中，利用式(3)計算利用第k類訓練樣本子集表示測試樣本y的表示殘差rk。rk=||y-Xkα^k||2,k=1,2,...,c---(3)]]>c表示訓練樣本的類別數(shù)；表示由第k類訓練樣本子集構成的矩形積分雙譜特征子字典，nk是第k類訓練樣本的數(shù)目，并且有X＝[X1,X2,...,Xc]和表示第k類訓練樣本子集對應的協(xié)作表示子向量。更進一步地，所述步驟七中，利用式(4)計算第k類訓練樣本子集對應的表示系數(shù)子向量的l2范數(shù)Αk。Ak=||α^k||2,k=1,2,...,c---(4)]]>更進一步地，所述步驟八中，利用式(5)所構造的協(xié)作表示分類器得到第k類訓練樣本子集的分類殘差Ck。Ck=rkAk,k=1,2,...,c---(5)]]>更進一步地，所述步驟九中，利用式(6)得到最小的分類殘差所對應的類別class(y)，并作為測試樣本y的類別。class(y)=argminkCk---(6)]]>一種通信輻射源個體識別系統(tǒng)，包括：信號接收與預處理模塊、協(xié)作表示模塊、分類識別模塊；所述信號接收與預處理模塊包括：信號接收與預處理單元、射頻預選放大單元、混頻單元、中頻濾波放大單元、A/D處理單元、數(shù)字正交解調(diào)單元、矩形積分雙譜變換單元；所述信號接收與預處理單元用于通過天線接收通信輻射源；所述射頻預選放大單元用于對各種通信輻射源信號進行頻率選擇和功率放大處理，獲得預選信號；所述混頻單元對預選信號進行混頻處理，獲得中頻信號；所述中頻濾波放大單元對中頻信號進行濾波放大處理；所述A/D處理單元用于對放大后的中頻信號進行A/D變換，獲得中頻數(shù)字信號；所述數(shù)字正交解調(diào)單元對中頻數(shù)字信號進行正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；所述矩形積分雙譜變換單元對所述I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得通信輻射源信號的矩形積分雙譜特征向量；所述協(xié)作表示模塊用于將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集和測試樣本集；由訓練樣本集構成矩形積分雙譜特征字典；然后對矩形積分雙譜特征字典進行非線性變換，構造出協(xié)作投影矩陣；將測試樣本集中的每個測試樣本分別映射到協(xié)作投影矩陣上，獲得每個測試的表示系數(shù)向量；所屬分類識別模塊根據(jù)表示系數(shù)向量得到不同類別的訓練樣本子集對測試樣本的表示殘差，并計算每類訓練樣本子集所對應的表示系數(shù)向量的范數(shù)，從而構造出分類器；由分類器得到每類訓練樣本子集對測試樣本的分類殘差，將最小的分類殘差所對應的類別作為通信輻射源個體的類別。與已有技術相比，本發(fā)明的有益效果體現(xiàn)在：(1)本發(fā)明在矩形積分雙譜特征空間中，利用基于協(xié)作表示的通信輻射源個體識別方法有效提取通信輻射源個體的本質(zhì)特征，快速準確地實現(xiàn)同廠家同型號的通信輻射源個體識別，解決了現(xiàn)有方法面臨的通信輻射源本質(zhì)特征提取困難的問題，克服了通信輻射源個體識別過程中常見的小樣本問題，并且降低了算法的時間復雜度。(2)本發(fā)明采用數(shù)字正交解調(diào)和矩形積分雙譜分析，獲得通信輻射源發(fā)射信號特征參數(shù)的完備集合，有效避免了現(xiàn)有的基于時域、頻域或時頻域的方法在處理非平穩(wěn)或非高斯信號時存在相位和幅度信息失真問題。(3)本發(fā)明在矩形積分雙譜特征空間中，有效挖掘樣本之間的相似性結構，利用所有的訓練樣本協(xié)作表示測試樣本，從而克服了通信輻射源個體識別中常見的小樣本問題，并且降低了算法的時間復雜度。(4)本發(fā)明根據(jù)“雙重校驗”原則構造協(xié)作表示分類器，實現(xiàn)了對通信輻射源個體的魯棒識別。附圖說明圖1為本發(fā)明方法流程圖；圖2為本發(fā)明系統(tǒng)組成框圖。具體實施方式實施例1：參加圖1，一種通信輻射源個別識別方法，包括以下步驟：步驟一：通過偵察天線接收各種通信輻射源信號，并將所接收到的通信輻射源信號進行頻率選擇、功率放大、混頻后，獲得中頻信號；步驟二：對獲得的中頻信號濾波、放大、A/D變化、正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；步驟三：將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集和測試樣本集，訓練樣本集X構成了矩形積分雙譜特征字典，將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集X＝[x7,x4,x5,x3,x9,x14,x11,x15,x10,x13,x24,x27,x21,x26,x19]∈R256×15和測試樣本集Y＝[y8,y1,y6,y2,y16,y18,y12,y17,y23,y25,y22,y20]∈R256×12，訓練樣本集X構成了矩形積分雙譜特征字典。步驟四：對矩形積分雙譜特征字典進行非線性變換，構造出協(xié)作投影矩陣，利用式(1)構造協(xié)作投影矩陣P∈R15×256：P＝(XTX+λI)-1XT(1)正則化常量λ設為0.01，I是15×15的單位矩陣。步驟五：將測試樣本集中的每個測試樣本分別映射到協(xié)作投影矩陣上，獲得每個樣本測試的表示系數(shù)向量，利用式(2)將測試樣本y∈Y映射到協(xié)作投影矩陣P上，得到表示系數(shù)向量α^=Py---(2)]]>每個測試樣本的表示系數(shù)向量以列向量形式表示，則測試樣本集Y中的12個測試樣本所對應表示系數(shù)向量集合可以描述成如下矩陣形式：0.05420.05210.40980.0810-0.01430.15990.07350.0228-0.0484-0.1071-0.0470-0.05560.26940.24270.33360.2942-0.07650.0601-0.25870.12530.02884-0.16560.06760.16900.28600.1693-0.13660.2648-0.0201-0.1916-0.0265-0.10190.10380.15870.09220.0136-0.11080.80120.23040.5678-0.03030.0636-0.0062-0.0355-0.0520-0.0421-0.0508-0.06600.5269-0.08200.21150.41630.0624-0.26920.1243-0.01430.06030.15600.02180.07790.05060.12210.17780.12360.08780.15940.00000.17200.01910.00390.07540.03440.13150.0165-0.1391-0.00770.2348-0.04860.6409-0.11040.11370.30660.1032-0.1392-0.12880.1805-0.00460.0332-0.04380.03860.0623-0.0172-0.0580-0.0232-0.09340.1023-0.0059-0.2135-0.1230-0.5556-0.07830.1940-0.00130.1628-0.0999-0.1602-0.06220.11080.1565-0.04120.17470.07610.01160.1207-0.39550.22640.16060.01720.2858-0.0084-0.1604-0.3394-0.4592-0.48850.14060.00960.3361-0.02610.27840.30550.1140-0.3028-0.03460.23470.28420.34380.35620.19650.14370.30310.20160.25870.27150.10540.0095-0.1157-0.1699-0.17540.00270.05400.1001-0.0733-0.03030.03910-0.09300.4199-0.0500-0.2575-0.0736-0.26720.22940.26790.34390.01020.27350.23750.1668-0.33750.00000.17940.29520.28540.15730.2380-0.09600.35920.0093-0.00800.09450.7554]]>步驟六：根據(jù)表示系數(shù)向量得到不同類別的訓練樣本子集對測試樣本的表示殘差，利用式(3)計算利用第k類訓練樣本子集表示測試樣本y的表示殘差rk：rk=||y-Xkα^k||2,k=1,2,3---(3)]]>c＝3表示訓練樣本的類別數(shù)；Xk∈R256×5表示由第k類訓練樣本子集構成的矩形積分雙譜特征子字典，nk＝5是第k類訓練樣本的數(shù)目，并且有X＝[X1,X2,X3]和表示第k類訓練樣本子集對應的協(xié)作表示子向量。分別利用第1，2，3類訓練樣本子集表示每個測試樣本的表示殘差r1,r2,r3以列向量形式表示，則利用第1，2，3類訓練樣本子集表示測試樣本集Y中的12個測試樣本所對應的表示殘差可以描述成如下矩陣形式：0.11040.34790.29890.67751.07391.17671.11880.99690.88610.96630.88880.89950.81990.96190.97041.32150.17010.33480.68360.58290.85770.85310.68960.92781.20091.18241.02451.18260.79520.56830.40270.43730.27150.23720.43080.3024]]>步驟七：計算每類訓練樣本子集所對應的表示系數(shù)向量的范數(shù)，構造出分類器，利用式(4)計算第k類訓練樣本子集對應的表示系數(shù)子向量的l2范數(shù)Αk：Ak=||α^k||2,k=1,2,...,c---(4)]]>在本實施例中，第1，2，3類訓練樣本子集對應的表示系數(shù)子向量的l2范數(shù)Α1,Α2,Α3以列向量形式表示，則對于測試樣本集Y中的12個測試樣本，第1，2，3類訓練樣本子集對應的表示系數(shù)子向量的l2范數(shù)可以描述成如下矩陣形式：0.44720.73890.39560.65890.01130.14240.08850.02810.02030.09020.01830.04220.06100.09500.09670.33090.22400.17010.57110.11980.05240.12050.11060.04340.02950.28210.41310.54050.07100.08140.27110.22710.19400.21820.13210.9637]]>步驟八：由分類器得到每類訓練樣本子集對測試樣本的分類殘差，利用式(5)所構造的協(xié)作表示分類器得到第k類訓練樣本子集的分類殘差Ck：Ck=rkAk,k=1,2,...,3---(5)]]>利用式(5)所構造的協(xié)作表示分類器得到第1，2，3類訓練樣本子集的分類殘差C1,C2,C3以列向量形式表示，則測試樣本集Y中的12個測試樣本所對應的第1，2，3類訓練樣本子集的分類殘差可以描述成如下矩陣形式：0.02720.16380.22590.6965102.22949.722414.142835.399438.683110.355743.088119.149411.02359.73429.74305.27720.12910.65910.81832.836214.03366.03764.299319.837348.87024.95532.54042.58768.90303.96590.59820.84210.38020.25781.40500.0949]]>步驟九：將最小的分類殘差所對應的類別作為通信輻射源個體的類別，利用式(6)得到最小的分類殘差所對應的類別class(y)，并作為測試樣本y的類別：class(y)=argminkCk---(6)]]>對于測試樣本集Y中的12個測試樣本所對應的類別可以描述成如下向量形式：[111122333333]實施例2：參加圖2，一種通信輻射源個體識別系統(tǒng)，包括：信號接收與預處理模塊1、協(xié)作表示模塊2、分類識別模塊3；所述信號接收與預處理模塊1包括：信號接收與預處理單元1.1、射頻預選放大單元1.2、混頻單元1.3、中頻濾波放大單元1.4、A/D處理單元1.5、數(shù)字正交解調(diào)單元1.6、矩形積分雙譜變換單元1.7；所述信號接收與預處理單元1.1用于通過天線接收通信輻射源；所述射頻預選放大單元1.2用于對各種通信輻射源信號進行頻率選擇和功率放大處理，獲得預選信號；所述混頻單元1.3對預選信號進行混頻處理，獲得中頻信號；所述中頻濾波放大單元1.4對中頻信號進行濾波放大處理；所述A/D處理單元1.5用于對放大后的中頻信號進行A/D變換，獲得中頻數(shù)字信號；所述數(shù)字正交解調(diào)單元1.6對中頻數(shù)字信號進行正交解調(diào)，獲得I/Q兩路數(shù)字零中頻信號；所述矩形積分雙譜變換單元1.7對所述I/Q兩路數(shù)字零中頻信號進行矩形積分雙譜變換，獲得通信輻射源信號的矩形積分雙譜特征向量。所述協(xié)作表示模塊2用于將所有通信輻射源信號的矩形積分雙譜特征向量劃分為訓練樣本集和測試樣本集；由訓練樣本集構成矩形積分雙譜特征字典；然后對矩形積分雙譜特征字典進行非線性變換，構造出協(xié)作投影矩陣；將測試樣本集中的每個測試樣本分別映射到協(xié)作投影矩陣上，獲得每個測試的表示系數(shù)向量。所屬分類識別模塊3根據(jù)表示系數(shù)向量得到不同類別的訓練樣本子集對測試樣本的表示殘差，并計算每類訓練樣本子集所對應的表示系數(shù)向量的范數(shù)，從而構造出分類器；由分類器得到每類訓練樣本子集對測試樣本的分類殘差，將最小的分類殘差所對應的類別作為通信輻射源個體的類別。當前第1頁1 2 3