非穩(wěn)定信噪比下的通信雷達輻射源識別方法
【技術領域】
[0001] 本發(fā)明涉及電子對抗情報偵察中的輻射源信號識別技術領域，具體涉及雷達輻射 源信號和通信輻射源信號的具體識別方法，特別是不穩(wěn)定信噪比下基于多重分形維數的雷 達、通信輻射源信號特征提取與識別方法。
【背景技術】
[0002] 在現(xiàn)代電子偵察輻射源信號識別系統(tǒng)中[1-2]，不僅要求能夠識別不同類型、不同 功能參數的輻射源信號，同時還要求識別具有相近參數的不同個體的輻射源信號。在復雜 的電磁環(huán)境下，信噪比往往不是穩(wěn)定的，因此，如何在非穩(wěn)定信噪比下實現(xiàn)輻射源的識別成 為了重要的研究內容。同時，依靠傳統(tǒng)的信號特征參數以及調制類型等基本功能參數已經 難以實現(xiàn)對現(xiàn)代復雜的輻射源信號進行識別，因此，需要提出新的特征參數，對信號內部特 征結構以及信號微小的變化進行特征分析與分類。
[0003] 在輻射源信號識別領域，當前用于識別的新特征主要包括小波包特征[3]、相像系 數[4]、盒維數[5]、熵值[6]等。這些新體制特征克服了傳統(tǒng)參數識別信號單一、抗噪能力 較差等缺陷，在時域或頻域的信號波形細微特征上對輻射源信號進行了識別[7]，取得了一 定的成果，提高了識別信號的類別數目，在一定程度上，提高了信號特征的抗噪能力。
[0004] 在通信輻射源識別領域，有基于決策論、神經網絡、小波變換和參數統(tǒng)計等幾種識 別方法，其中，基于參數統(tǒng)計的方法較為簡單，計算量小，易于實現(xiàn)，但是，如何選擇合適的 特征參數是該算法的難點；小波變換在輻射源識別領域已經得到了比較廣泛的應用，然而， 其抗噪性能差，在低信噪比下難以實現(xiàn)識別；神經網絡識別方法在各個領域都得到了比較 廣泛的應用，通過對獲得的信號特征進行訓練測試，通?？梢赃_到比較好的識別效果，但要 以訓練的時間為代價。
[0005] 隨著當今電子偵察技術的發(fā)展和電磁環(huán)境的日趨復雜，對輻射源信號逐漸提出了 新的要求，如何在不穩(wěn)定信噪比的電磁環(huán)境下，有效提取出輻射源信號的個體特征，并對其 進行識別，是我們亟待解決的問題。
[0006]〈參考文獻列表〉
[0007] [1]余志斌.基于脈內特征的雷達輻射源信號識別研究[D].成都：西南交通大 學，2010.
[0008] [2]余志斌，陳春霞，金煒東.基于融合熵特征的輻射源信號識別[J].現(xiàn)代雷 達，2010(1) :34-38.
[0009] [3]孫來軍.振動信號小波包特征熵的時變與頻變特性分析[J].高電壓技 術，2007, 33 (8) :146-150.
[0010] [4]張葛祥.雷達輻射源信號智能識別方法研究[D].成都：西南交通大學電氣工 程學院，2005.
[0011] [5]張葛祥.雷達輻射源信號智能識別方法研究[D].成都：西南交通大學電氣工 程學院，2005.
[0012] [6]羅國敏，何正友，林圣.利用小波相對熵值的差異識別輸電線路暫態(tài)信號的 探討[J].電網技術，2008, 32 (15) :47-51.
[0013] [7]張政超，李應升，王磊，等.雷達輻射源信號識別研究綜述[J].艦船電子工 程，2009 (4) :10-14.

【發(fā)明內容】

[0014] 本發(fā)明所要解決的技術問題是針對現(xiàn)有技術中存在上述缺陷，提供一種非穩(wěn)定信 噪比下的基于多重分形維數的輻射源信號識別方法，該方法可以克服現(xiàn)有識別方法中，對 信噪比穩(wěn)定性的要求，在一定信噪比變化范圍內提取信號的多重分形維數特征，提取特征 后，通過神經網絡分類器的訓練、測試，可以在不穩(wěn)定信噪比下達到對輻射源信號進行識別 的目的。
[0015] 為了實現(xiàn)上述技術目的，根據本發(fā)明，提供了一種非穩(wěn)定信噪比下的基于多重分 形維數的輻射源信號識別方法，包括：將不同類型的輻射源信號分別進行離散歸一化；分 別對每個輻射源信號截取相同的離散點數以分別組成各自的輻射源信號序列；將組成的輻 射源信號序列進行重組以得到一系列特征向量；根據實際要求選擇合適的多重分形維數， 隨后計算多個不同信噪比下信號的多重分形維數特征的特征向量，并且將所述多重分形維 數特征的特征向量存儲為特征數據庫；利用神經網絡對數據庫中的特征向量進行訓練，以 得到相同類型輻射源信號的公共特征，為分類識別做準備；將待識別信號作為輸入，對神經 網絡系統(tǒng)進行訓練和測試，以實現(xiàn)非穩(wěn)定信噪比下對輻射源信號的識別。
[0016] 優(yōu)選地，多重分形維數不小于3。
[0017] 優(yōu)選地，多重分形維數不大于11。
[0018] 優(yōu)選地，所述多個不同信噪比介于預定范圍內。
[0019] 優(yōu)選地，分別對每個輻射源信號截取相同的離散點數的步驟包括：在相同的條件 下對各個輻射源信號進行特征提取以截取相同的離散點數。
【附圖說明】
[0020] 結合附圖，并通過參考下面的詳細描述，將會更容易地對本發(fā)明有更完整的理解 并且更容易地理解其伴隨的優(yōu)點和特征，其中：
[0021] 圖1示意性地示出了根據本發(fā)明優(yōu)選實施例的非穩(wěn)定信噪比下的通信雷達輻射 源識別方法的流程圖。
[0022] 圖2示意性地示出了FSK信號多重分形維數曲線圖。
[0023] 圖3示意性地示出了PSK信號多重分形維數曲線圖。
[0024] 圖4示意性地示出了LFM信號多重分形維數曲線圖。
[0025] 圖5示意性地示出了SFCW信號多重分形維數曲線圖。
[0026] 圖6示意性地示出了三重維數時不同輻射源信號的分型特征。
[0027] 需要說明的是，附圖用于說明本發(fā)明，而非限制本發(fā)明。注意，表示結構的附圖可 能并非按比例繪制。并且，附圖中，相同或者類似的元件標有相同或者類似的標號。
【具體實施方式】
[0028] 為了使本發(fā)明的內容更加清楚和易懂，下面結合具體實施例和附圖對本發(fā)明的內 容進行詳細描述。
[0029] 本發(fā)明在非穩(wěn)定信噪比下，提取輻射源信號的多重分形維數特征，獲得不同的細 微波形特征數據庫，再利用神經網絡，實現(xiàn)對不同輻射源信號個體的識別。
[0030] 本發(fā)明包括的在非穩(wěn)定信噪比環(huán)境下，實現(xiàn)輻射源信號識別?？梢栽O定信噪比環(huán) 境在一定的范圍內變化，在變化的信噪比下提取輻射源信號的多重分形維數特征，要求輻 射源信號的該特征參數在信噪比變化的環(huán)境下具有穩(wěn)定性，同時，具有很好的類內聚集度 和類間分離度。
[0031] 對于多重分形維數特征提取，可以對輻射源信號進行離散歸一化，同時截取相同 的離散采樣點數作為待處理信號序列，保證各個輻射源信號在相同的條件下進行特征提 取，同時，設置相應的分形維數，按照多重分形維數的定義，對輻射源信號進行多重分形維 數特征提取。
[0032] 而且，本發(fā)明針對神經網絡識別系統(tǒng)，對非穩(wěn)定信噪比下提取的多重分形維數特 征作為神經網絡的輸入，進行訓練，測試，最終實現(xiàn)非穩(wěn)定信噪比下的輻射源信號識別。
[0033] 下面具體描述本發(fā)明的優(yōu)選實施例。
[0034]圖1示意性地示出了根據本發(fā)明優(yōu)選實施例的非穩(wěn)定信噪比下基于多重分形維 數的通信雷達輻射源識別方法的流程圖。
[0035] 如圖1所示，根據本發(fā)明優(yōu)選實施例的非穩(wěn)定信噪比下基于多重分形維數的通信 雷達輻射源識別方法包括下述步驟：
[0036] 1.取4個待識別輻射源信號，分別為頻率偏移調變（FSK)信號、相移鍵控（PSK)信 號、線性調頻（LFM)信號、和頻率步進（SFCW)信號。以這4個雷達、通信輻射源信號為例， 對各個信號進行離散歸一化，同時，對各個信號截取相同的采樣點數，對應得到4個信號序 列；
[0037] 2.對4個信號序列進行相同形式的重組，把每個信號都分為Μ個小區(qū)域，對于第 i(i= 1，2, "·，