[发明专利]复杂环境下一种新的通信电台个体识别方法

摘要

本发明的目的在于提供复杂环境下一种新的通信电台个体识别方法，包括以下步骤：对不同通信电台发射的同种通信信号进行重采样，将通信信号转化为离散时间信号序列，对重采样的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征，利用一种新的分形盒维数算法计算不同重构相空间下的分形盒维数，得到一个分形盒维数特征向量，利用神经网络对得到的向量空间进行分类，进而达到了对不同的通信电台进行识别的目的。本发明可以在复杂多变的环境下，识别出不同通信电台的细微差别。

主权项

复杂环境下一种新的通信电台个体识别方法，其特征是：(1)对不同通信电台发射的通信信号进行重采样，接收到得通信电台信号为x，重采样信号的采样间隔为Δx，通信信号被转化为离散时间信号序列{x(i)}，i表示信号的采样点数；(2)对重采样得到的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征：设离散信号序列{x(i)}为欧式空间Rn上的闭集，离散数据点之间的距离即为采样间隔Δx，则重构信号向量空间x0可以表示为：x0＝xk(j‑1)+1，xk(j‑1)+2，·xk(j‑1)+k+1j＝1，2，·，N0/k，k＝1，2·K，j、k为重构空间时所设定的值，K为k的最大值，N0为采样点数，且K＜N0；当k＝K时，向量空间中每一个向量为K+1维向量，即离散信号序列{x(i)}被重构为N0‑K+1个K+1维向量；(3)利用一种新的分形盒维数算法计算不同重构相空间下通信电台离散信号序列的分形盒维数，得到一个关于分形盒维数特征向量：设F为Rn上的非空有界子集，表示待计算变量，令N(F，ε)表示覆盖F的边长为ε的最少盒子的数目，则盒维数D的计算公式可以表示为： D = lim ϵ → 0 InN ( F , ϵ ) In ( 1 / ϵ ) 由于采样频率f的存在，其采样间隔Δx即为信号的最高分辨率，在计算盒维数时，令最小盒子的边长ε＝Δx，对于离散信号序列{x(i)}，采用近似算法令覆盖信号盒子的最小边长等于采样间隔Δx，依次计算边长为kΔx的盒子在离散信号{x(i)}上的计数NkΔx，则定义：p1＝max{x0}p2＝min{x0} p ( kΔx ) = Σ j = 1 N 0 / k | p 1 - p 2 | j＝1，2，·，N0/k，表示处理后信号的离散点数，即重构空间时所设定的值，k＝1，2·K，表示所取盒子边长是采样间隔Δx的倍数，K表示采样间隔Δx的最大倍数；N0为采样点数，且K＜N0；p(kΔx)为信号纵向坐标的尺度范围，则定义NkΔx可以表示为：NkΔx＝p(kΔx)/kΔx+1，选择拟合曲线lgkΔx～lgNkΔx中线性度好的一段作为无标度区，则：lgNkΔx＝‑DlgkΔx+b，k1≤k≤k2，k1，k2分别为无标度区的起点和终点，b表示拟合曲线的常数项，利用最小二乘法计算出该段直线的斜率，即离散信号的分形盒维数D： D = - ( k 2 - k 1 + 1 ) Σ ( lgk ) · lg N kΔx - Σ ( lgk ) · Σ lgN kΔx ( k 2 - k 1 + 1 ) Σ lg 2 k - ( Σlgk ) 2 , 对其进行改进，即一种新的分形盒维数算法：由于对离散信号序列进行了K次相空间重构，每一次相空间重构对应着拟合曲线lgkΔx～lgNkΔ中的一个点，因此对每一个重构相空间点求导，即： D ( K ) = d ( lgkΔx ) d ( lg N kΔx ) 得到一个盒维数特征向量空间D＝(D(1)，D(2)，·，D(K))，将此向量空间作为各个电台识别的特征；(4)利用神经网络对得到的电台特征向量空间进行分类，进而达到对不同的通信电台进行识别的目的：Di为通信电台特征数据库中的不同电台的分形盒维数特征向量：D1＝(D1(1)，D1(2)，·，D1(K))·Di＝(Di(1)，Di(2)，·，Di(K))·Dm＝(Dm(1)，Dm(2)，·，Dm(K))其中，k＝1，2·K代表第k个重构空间的分形盒维数。