[发明专利]一种跳频信号电台分选方法

说明书

提供一种基于栈式自编码器细微特征提取的跳频信号电台分选方法，包括下列步骤：栈式自编码器的电台特征提取；栈式自编码器电台特征数据集构建；低秩Low‑rank聚类的跳频信号电台分选。利用栈式自编码器在细微特征提取和描述方面的诸多优势，提取跳频电台的细微特征，结合之前数据累积结果建立电台细微特征字典数据集，对于实时侦测到的非合作方跳频电台信号数据，利用同样技术提取其细微特征参量，然后通过Low‑rank聚类算法与数据字典中信息进行比对分析，实现跳频信号的电台分选，并对数据库信息进行及时更新。

技术领域

本发明涉及无线通信与信号处理技术，具体涉及一种跳频信号电台分选方法。

背景技术

跳频通信是指通信双方或者多方在相同的同步算法和伪随机跳频图案算法的控制下，射频频率在约定的频率集内以离散频率的形式伪随机且同步跳变的通信方式。射频频率在跳变过程中所覆盖的带宽远远大于原信息带宽，因而频谱得到扩展。对于非合作的侦测方而言，由于载频跳变规律未知因而很难实现载频同步。当同一空间中存在多部跳频电台同时工作时，就涉及跳频组网的概念。跳频组网的目的是实现跳频多址通信，按照不同的组网方式又可分为同步组网和异步组网。这就使得跳频通信具有截获概率低、抗干扰能力强、保密性好以及易于组网等多种优于常规定频通信的优势。而跳频信号的电台分选是指从多个跳频电台的混合信号中分离出全部或特定电台对应的各跳信号，它是跳频信号侦察处理领域的难点。

现有的跳频信号电台分选算法主要可以分为三类，第一种基于起跳时刻的跳频信号电台分选方法。该方法利用信号时频变换结果得到每跳信号的起跳时刻(到达时间)，然后根据起跳时刻和各跳信号的持续时长进行电台分选。这类方法仅利用各跳信号的起跳时刻信息，对跳频信号起跳时刻估计精度要求较高，且只能实现异步组网的跳频信号分选，目前此类方法的研究越来越少。第二种基于盲分离的跳频信号电台分选方法。这种方法能够在已知源信号个数且不需要其他源信号先验和准确阵列结构的条件下实现信号的分选。这种方法存在的主要问题是受环境噪声影响大，只适用于非欠定情况，即接收天线的阵元个数对于电台个数的情况，欠定条件下欠定方程求解困难，应用受限。第三种也是最常用的方法是基于参数估计的跳频信号电台分选方法。该方法可利用的信号参数有跳周期、跳频频率集、波达方向、功率、信号时间相关性以及网络信息等，在获得信号各类参数后，通过设计相应的聚类算法实现电台分选。该方法存在的只要问题是可用于分选的估计参数数量少，估计精度低，分选正确率对参数估计精度依赖大，不同聚类算法分选结果存在差异，复杂环境下无法有效实现跳频信号的电台分选。

近年来，随着人工智能技术的飞速发展，深度学习作为人工智能领域最常见一种机器学习理论，在信号处理方面应用广泛。深度学习通过搭建多层神经网络，让计算机自主学习，有效解决了信号处理过程中数据量大，信号结构复杂，特征提取困难等问题。自编码器作为神经网络结构的重要组成部分，在无监督学习以及非线性特征提取等方面具有诸多优势。考虑到元器件结构设计、制造工艺以及器件特性带来的性能细微差异，实际上任意两部来自同一生产线型号完全相同的电台，其辐射信号之间也存在细微不同，特别是在其开关机、频率转换瞬间。通过提取这些细微差异特征可实现跳频信号的电台分选。而这些细微特征多呈现复杂的非线性、非平稳性和非高斯性特征。

发明内容

针对现有技术存在的问题，借鉴深度学习中自编码器在非线性特征提取方面的优势，本发明提供了一种栈式自编码器特征提取下的跳频信号电台分选算法。首先利用栈式自编码器对电台的特征进行提取建立电台特征数据，然后利用低秩(Low-rank)聚类算法实现跳频信号的电台分选。

本发明的跳频信号电台分选方法，包括下列步骤：

第一步：栈式自编码器的电台特征提取；

自编码器的结构包含三层：输入层，隐藏层和输出层，其中输入层也称为可视层，隐藏层和输出层又称为编码层和解码层；自编码器作为一个三层神经网络是一种无监督的学习过程，通过编码和解码两步控制输入信号与输出重构信号相同，进而获得编码和解码过程的权值系数；