[发明专利]一种跳频电台个体识别方法

说明书

提出了一种基于跳频信号时频能量谱的特征提取方法，该方法首先对跳频信号稀疏重构得到时频谱，然后在不同尺度条件下对时频能量谱进行分块，分别提取时频能量谱瑞利熵、差分盒维数和多重分形维数三种特征。通过分类识别实验表明，本发明识别性能受训练样本数量影响较小，能够在较少训练样本数量条件下，具有较高的识别正确率。

技术领域

本发明涉及无线通信与信号处理技术，具体涉及一种跳频电台个体识别方法。

背景技术

跳频通信网台分选是截获敌方通信，产生最佳干扰信号的首要前提。现有的跳频信号网台分选主要利用跳频信号的持续时间、方位信息、功率以及信号时间相关性等实现跳频信号的网台分选识别。但是，随着跳频模式的增多，仅靠以上特征难以实现跳频信号的正确分选。由于每部跳频电台的元器件性能、生产工艺以及调试等方面的随机离散性，使其辐射的跳频信号带有区别与其他跳频电台信号的个体特征，因此可以利用不同跳频电台信号特有的细微特征，即“指纹”特征，实现跳频信号的网台分选和识别。目前，常用的细微特征提取方法主要有：通过提取跳频通信设备频率转换瞬态信号的特征实现分类识别；利用发射功率放大器瞬态响应过程的不同特征实现跳频电台分选；通过提取时频能量谱的多维特征实现辐射源的个体识别，但是由于该方法提取的特征集的信息冗余较多，其识别正确率很低；通过提取固定尺度时频能量谱的一、二阶矩和能量谱熵特征，但是并未考虑在不同分块条件下，时频能量谱具有不同的分布信息特征，导致分类识别正确率不高。而且现有研究跳频电台细微特征识别的算法大多是在大样本和高信噪比条件下进行的，没能有效克服样本数量和信噪比对分类识别率的不良影响。

发明内容

针对现有技术存在的问题，本发明提出一种跳频电台个体识别方法，该方法包括下列步骤：

第一步：提取跳频信号时频能量谱

假设跳频信号的有限频率集为w，接收信号频率集为0≤m≤P-1，根据对时间精度的要求，将跳频段等间隔划分为P个频点，接收的跳频信号y等间隔划分为G段，每段数据y_k的长度为P，则有

y_k＝y(k·L：k·L+P-1) (1)

其中，1≤k≤G，L为分段间隔；

观测矩阵Y＝[y₁，y₂，...，y_G]可表示为

Y＝WX+V (2)

其中，W＝[ω₀，...，ω_P-1]，ω_i＝[e^jω1，...，e^jωP]，X为时频矩阵，V为噪声矩阵，X，V∈C^P×G，C表示复数矩阵；

由于跳频信号在时频域的稀疏性，X中的时频点即是稀疏的，同时非零点又全部在各跳频点对应的行上，X也是行稀疏的；因此假设带惩罚函数的无约束优化函数：

其中，x_k表示X第k行，表示使L(X)最小的X取值，μ₁是X点稀疏惩罚因子，μ₂是X行稀疏惩罚因子；

AL0算法引入高斯函数来近似l₀范数其中s表示任意的D维向量，σ表示接近于零的正常数；当σ近似为0时，有

其中s_i表示向量s的第i行，D表示向量s的维数；将式(4)近似l₀范数表示跳频信号时频域的稀疏性，则稀疏重构问题即可转化为求解高斯和函数的最小化问题其中F_σ(x)表示跳频信号的l₀范数，引入惩罚因子λ，将l₀范数最小化问题转化为最优化问题，即