本發(fā)明涉及一種輻射源個體識別方法。

背景技術(shù)：

如何通過偵查、截獲、定位，進(jìn)而分析和識別輻射源的特性、判斷威脅等級等，一直是電子戰(zhàn)中電子支援的主要內(nèi)容，而通信信號識別是解決該問題的關(guān)鍵問題之一。輻射源個體識別技術(shù)在信號處理領(lǐng)域具有重要的意義。它需要在復(fù)雜的噪聲環(huán)境中識別出輻射源個體信號，從而為進(jìn)一步分析和處理信號提供依據(jù)?，F(xiàn)代通信系統(tǒng)中，通信環(huán)境復(fù)雜多變，由于通信設(shè)備本身的測量誤差以及傳輸環(huán)境中各種干擾的存在，使接收到的信號特征參數(shù)跟真值相比具有一定的隨機(jī)性和模糊性，這就使輻射源個體識別中的關(guān)鍵環(huán)節(jié)——特征提取成為了一個難題。因此，如何在復(fù)雜多變的電磁環(huán)境中以較小的計算復(fù)雜度，較小的計算時間，在低信噪比下對輻射源個體達(dá)到較高的識別率，是現(xiàn)代通信系統(tǒng)研究的關(guān)鍵。

如今，對通信輻射源個體信息的獲取越來越困難，目前已有的輻射源個體識別的方法有很多，這些算法在一定程度上，實(shí)現(xiàn)了較低信噪比下的輻射源個體識別，也為現(xiàn)代通信技術(shù)中的識別提供了很好的理論依據(jù)。但隨著通信環(huán)境的日益復(fù)雜，需要根據(jù)當(dāng)前需求，不斷的發(fā)明新的技術(shù)方法來提高傳統(tǒng)算法的抗噪能力。

現(xiàn)有的技術(shù)方法中，采用簡單的特征參數(shù)提取算法計算相對簡單，容易實(shí)現(xiàn)，但是，提取到的特征參數(shù)容易受噪聲的影響，適合于信噪比較高的環(huán)境，其應(yīng)用范圍因而受到一定的限制。使用簡單的特征參數(shù)已經(jīng)無法對各種輻射源個體進(jìn)行識別。從近幾年來國內(nèi)外學(xué)者發(fā)表的文獻(xiàn)中可以看出，信號的特征提取與識別理論越來越受到有關(guān)學(xué)者的重視，各種各樣的現(xiàn)代信號處理技術(shù)，其中包括小波理論、分形理論、人工神經(jīng)網(wǎng)絡(luò)、高階統(tǒng)計量、譜相關(guān)理論等，都開始或已經(jīng)被應(yīng)用到對該理論的研究中。但是，如何在較低信噪比條件下準(zhǔn)確的提取輻射源個體特征，并盡量減小計算方法的復(fù)雜度，仍沒有被很好的解決，成為當(dāng)前研究的重點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：在較低信噪比條件下準(zhǔn)確的提取輻射源個體特征，并盡量減小計算方法的復(fù)雜度。

為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是提供了一種基于多重分形維數(shù)的輻射源指紋特征提取方法，其特征在于，包括以下步驟：

步驟1、對信號進(jìn)行相空間重構(gòu)，將信號分為n個小區(qū)域，第i個小區(qū)域的線度大小為εi，則第i個小區(qū)域的密度分布函數(shù)pi用不同的標(biāo)度指數(shù)αi描述為：

步驟2、將得到密度分布函數(shù)pi代入：

計算得到廣義分形維數(shù)dq即可得到信號的多重分形維數(shù)特征，式中：

xq(ε)為各個區(qū)域的概率加權(quán)求和，

q為參數(shù)，當(dāng)q＞＞1時，中概率大的區(qū)域起主要作用，此時的dq和xq(ε)反應(yīng)的是概率高區(qū)域的性質(zhì)；當(dāng)q→∞時，忽略小的概率，而只考慮概率較大的密度分布函數(shù)pi，從而對廣義分形維數(shù)dq的計算進(jìn)行簡化；當(dāng)q＜＜1時，dq和xq(ε)反應(yīng)的是概率小區(qū)域的性質(zhì)；當(dāng)q＝0，1，2時，分別定義d0為容量維數(shù)、d1為信息維數(shù)，d2為關(guān)聯(lián)維數(shù)。

分形理論是現(xiàn)代數(shù)學(xué)理論的一個分支，它與動力學(xué)系統(tǒng)的混沌理論相輔相成。多重分形維數(shù)在一維分形維數(shù)的基礎(chǔ)上，在多個層次上，對信號的分形維數(shù)進(jìn)行了刻畫，相對于一維分形維數(shù)而言，能夠更好的刻畫信號的細(xì)微變化，根據(jù)信號的復(fù)雜程度，選擇相應(yīng)的分形維數(shù)算法，就可以進(jìn)而準(zhǔn)確的識別不同通信信號。

本發(fā)明從解決輻射源個體特征難以識別的角度出發(fā)，在傳統(tǒng)特征識別的基礎(chǔ)上，基于信號分形復(fù)雜度特征，根據(jù)接收信號復(fù)雜程度的不同以及所處環(huán)境的噪聲的情況，利用不同復(fù)雜度的分形維數(shù)特征，刻畫信號的細(xì)微特性，建立特征數(shù)據(jù)庫，從而實(shí)現(xiàn)更精細(xì)的信號特征提取，該算法計算簡單，實(shí)現(xiàn)更低信噪比下的輻射源個體識別。

從多重分形維數(shù)的定義中可以看出，多重分形維數(shù)能夠從不同的維度上，對信號的特征進(jìn)行詳細(xì)刻畫，計算量和復(fù)雜度也大大增高，對于處于不同噪聲環(huán)境中的相同信號的細(xì)微特征的提取，具有更好的應(yīng)用價值。因此，本發(fā)明通過對信號和噪聲復(fù)雜程度的先驗分析，進(jìn)而選擇相應(yīng)的分形維數(shù)特征提取算法，在算法的復(fù)雜度和有效性方面，進(jìn)行一個優(yōu)化的選擇。

附圖說明

圖1為10db信噪比條件下不同調(diào)制信號的多重分形維數(shù)特征；

圖2為0db信噪比條件下不同調(diào)制信號的多重分形維數(shù)特征；

圖3為-10db信噪比條件下不同調(diào)制信號的多重分形維數(shù)特征；

圖4為fsk信號+不同分布噪聲序列及其多重分形維數(shù)曲線，其中：

(a)為fsk信號+均勻分布噪聲；(b)為fsk信號+瑞利分布噪聲；(c)為fsk信號+指數(shù)分布噪聲；(d)為fsk信號+貝塔分布噪聲；(e)為fsk信號+正態(tài)分布噪聲。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。

本發(fā)明提供的一種基于多重分形維數(shù)的輻射源指紋特征提取方法利用擴(kuò)展的多重分形維數(shù)來提取電臺內(nèi)部噪聲不同層次、不同概率波形點(diǎn)的結(jié)構(gòu)特征，提高對噪聲類別的區(qū)分?jǐn)?shù)目，更加準(zhǔn)確的識別不通輻射源個體所表現(xiàn)的不同細(xì)微差別。針對不同的信噪比環(huán)境以及信號復(fù)雜程度的不同，選擇相應(yīng)的分形維數(shù)特征，對信號的細(xì)微特征進(jìn)行提取，本發(fā)明采用的技術(shù)方案如下。

1.1附加相同噪聲的不同調(diào)制信號的特征提取

對于附加相同白噪聲的不同調(diào)制信號，相對于附加不同分布噪聲的信號，特征更為明顯，一般情況下，不需要利用多重分形維數(shù)進(jìn)行復(fù)雜度較高的特征提取。因此，對于信噪比較高環(huán)境下的不同通信調(diào)制信號，可以采用先粗分類再細(xì)分類的信號特征提取算法，在特征提取算法復(fù)雜度較低的情況下實(shí)現(xiàn)對信號的準(zhǔn)確識別，對于信噪比較低的環(huán)境中無法分類的信號，才直接采用多重分形維數(shù)算法進(jìn)行計算，具體計算步驟如下：

首先，利用一維分形維數(shù)算法，對待識別信號進(jìn)行一維分形維數(shù)特征提取，實(shí)現(xiàn)第一次的粗分類；

其次，對于特征分類度較差的信號，可利用多重分形維數(shù)進(jìn)行二次分類，實(shí)現(xiàn)對信號多重細(xì)微特征的提取。

1.2附加不同噪聲的相同信號的特征提取

對于附加不同噪聲的相同通信信號，信號特征并不明顯，因此，需要對信號進(jìn)行相空間重構(gòu)后，再利用多重分形維數(shù)進(jìn)行細(xì)微特征的提取，相對于附加相同噪聲的不同信號的特征提取算法，特征提取的復(fù)雜度有所提高，但是，分類的效果也會大大提升，算法的具體實(shí)現(xiàn)步驟如下：

1)首先對接收到的未知通信信號進(jìn)行預(yù)處理即進(jìn)行離散化：

設(shè)接收到的輻射源個體信號為s，預(yù)處理后的離散信號序列為{s(i)}，其中，i＝1，2，...，n0表示信號的采樣點(diǎn)數(shù)，n0為信號序列的長度；

2)將離散化后的信號序列進(jìn)行重組：

首先對預(yù)處理后的離散通信信號序列{s(i}，i＝1，2，...，n0，定義以下特征參量：

定義：表示重組信號不同向量個數(shù)的次數(shù)；

定義：t(j)＝2^j，表示每次重組信號中離散信號點(diǎn)的個數(shù)，其中，j＝1，2，...，n，表示重組信號不同向量個數(shù)的次數(shù)的取值；

定義數(shù)字序列：

則重組信號序列s(j)的定義方法為：

s(j)＝s(t(j)*(t(j)-1)+t0(j))(2)

其中，t0(j)＝[1：t(j)]，j＝1，2，…，n。

3)對重組的特征向量進(jìn)行多重分形維數(shù)運(yùn)算，選擇不同的維數(shù)，提取通信信號的多重分形維數(shù)特征：

多重分形維數(shù)描述的是事物不同層次的特征，一個多重分形可以看做是由不同維數(shù)的分形子集組成的并集，把研究對象分為n個小區(qū)域，第i個小區(qū)域的線度大小為εi，則第i個小區(qū)域的密度分布函數(shù)pi用不同的標(biāo)度指數(shù)αi描述為：

非整數(shù)αi稱為奇異指數(shù)，表示某一區(qū)域的分形維數(shù)，由于一個信號可以劃分為許多不同的小區(qū)域，于是可以得到由一系列不同的αi所組成的變量f(α)，則f(α)成為信號的多重分形譜。

定義函數(shù)xq(ε)為各個區(qū)域的概率加權(quán)求和，ε為線度大小，q為密度分布函數(shù)pi的冪數(shù)，即：

定義廣義分形維數(shù)dq為：

由此，對步驟2)中的每一個重組信號s(j)求和，s(j)表示第j個重組信號，即：

其中，j＝1，2，...，j0，j＝1，2，...，n，sj為第j次重組信號的和，j0為重組信號的次數(shù)。

再對整個離散信號序列求和，和為，即：

s(i)為離散信號序列的第i個采樣點(diǎn)值，則第j個概率測度pj定義為：

將pj帶入到多重分形維數(shù)dq的計算式中即可得到信號的多重分形維數(shù)特征。

不同噪聲環(huán)境下的信號多重分形維數(shù)特征結(jié)果如圖1、圖2、圖3、圖4所示。