基于流形嵌入的通信辐射源细微特征提取方法及系统技术方案

本发明专利技术公开了一种通信辐射源个体细微特征提取方法及系统，其技术方案包括：接收通信辐射源信号、射频预选放大、混频、中频滤波、A/D变化、数字正交解调、矩形积分双谱变换、局部邻域中心化处理、局部切空间坐标样条运算和排列运算、广义特征矩阵正交投影、个体细微特征提取等步骤。本发明专利技术利用正交局部样条判别嵌入流形学习方法挖掘嵌入在通信辐射源个体高维观测数据中的低维流形，有效解决了现有方法提取的通信辐射源个体细微特征存在稳定度差、清晰度不高、相位和幅度信息失真等问题，为后续的分类识别提供了更能反映信号内在差异的本质细微特征。

【技术实现步骤摘要】

本专利技术属于信息处理
，特别涉及一种通信辐射源个体细微特征提取方法及系统。
技术介绍
相关资料表明，发达国家针对辐射源个体细微特征提取的研究成果已经形成了装备，相应成套的分析设备已应用于侦察飞机、侦察舰艇以及侦察卫星等平台，从而构造了立体的电磁辐射源侦察体系，极大地提高了电子情报搜集的能力和效率。以美国为例，从海湾战争开始，已经能够利用电子侦察卫星及其他陆海空电子侦察平台，构建立体化的电子情报侦察系统，对高频、特高频和超高频波段范围内的信号进行电磁频谱监测，获取信号特征参数和表征辐射源个性特征的信号细微特征。国内包括中电集团第三十六研究所、电子科技大学、中电集团第十研究所、国防科技大学、华中科技大学、电子工程学院等科研院所陆续开展了对通信辐射源个体细微特征提取方法的研究，其研究思想和方法在通信对抗中得到了应用。通过理论与技术分析，证实信号细微特征能有效地从被截获的通信信号中提取出来，但是从工程实现的角度，仍然缺乏普遍有效的分析处理方法。从技术研究的角度，现有的方法可划分为基于暂态信号的细微特征提取方法和基于稳态信号的细微特征提取方法。暂态信号特征提取方法主要是通过提取辐射源在非稳定工作状态下信号的细微特征。目前比较典型的方法有基于辐射源“turn-on”瞬态特征分析的方法、基于在发射机辐射信号中嵌入标识个体身份的伪随机序列方法和基于时频分析的方法。稳态信号特征提取方法主要是从稳定工作状态下辐射源个体的噪声特性、由于内部噪声和非线性等产生的无意识调制所带来的杂散特征以及频率源的不稳定性在信号相关频率(如载波频率和码元速率)上的影响这三个方面进行辐射源个体的细微特征分析。稳态信号特征提取方法包括基于信噪比估计的方法、基于高阶统计量的方法、基于调制参数的方法、基于信号瞬时特征的方法等。纵观国内外通信辐射源个体细微特征提取的研究现状与发展趋势，可以发现存在以下几个重要问题未得到有效解决：(1)实际经过调制和编码后的通信辐射源发射信号都是非平稳或非高斯信号，现有的基于一阶矩、二阶矩或功率谱的方法在处理非平稳或非高斯信号时一般存在相位和幅度信息失真问题。(2)通信辐射源的各种内部差异是以一种联合的方式作用在最终的发射信号上，而现有的方法对这些内部效应的数学模型缺乏研究。(3)辐射源发射信号，作为辐射源个体细微特征的载体，对于信道、噪声和环境都比较敏感，即使同一辐射源在不同信道、噪声和环境等条件下的发射信号之间一般差别都很大，利用现有的方法很难提取到鲁棒的通信辐射源个体细微特征。流形学习作为一类新兴的非线性维数约简方法，已在数据挖掘、模式识别和机器学习等众多研究领域引起了人们的广泛关注，并成功应用于人脸识别、手写数字识别、图像检索和植物分类等。流形学习研究水平比较高的国际知名大学和研究机构主要有：美国的斯坦福大学、宾夕法尼亚大学、俄亥俄州立大学、哥伦比亚大学、华盛顿大学，加拿大的多伦多大学以及新加坡国立大学等。国内的北京大学、浙江大学和复旦大学等单位在此方面的研究也达到了国际先进水平。自从Tenenbaum和Roweis等人2000年在《Science》杂志上相继发表了等距特征映射(Isometric Feature Mapping，ISOMAP)和局部线性嵌入(Locally Linear Embedding，LLE)两种流形学习算法后，一批代表性的流形学习算法纷纷涌现出来。根据流形学习方法嵌入方式的不同，把现有的方法划分为全局特性保持嵌入方法和局部特性保持嵌入方法。全局特性保持嵌入方法主要是基于保持嵌入在高维观测空间中内在低维流形的全局几何特性，构造所有数据点对之间的全局度量矩阵，然后将这种全局度量矩阵转化为内积矩阵，通过对内积矩阵特征分解，从而获得数据集的内在低维表示。局部特性保持嵌入方法主要是基于保持流形的局部几何特性，即外围观测空间邻域数据所具有的局部几何特性在内在低维空间得以保持,从而建立外围观测空间与内在低维空间之间的联系，然后在平均意义下整合排列所有交叠的局部几何模型，以构造全局唯一的低维坐标。由于流形学习方法的非线性本质、几何直观性和计算可行性，使得它们在数据挖掘、机器学习、模式识别、图像分析和计算机视觉等研究领域受到了广泛的关注并得到了一些成功的应用。然而，当它们面临模式识别与分类任务时，不可避免地会暴露其自身的局限性：一是无显式的映射关系。原始的流形学习算法对数据进行维数约简或特征提取时，所有的操作都是建立在训练样本集的基础上，即仅仅产生一个隐含的非线性映射将训练样本集从高维输入空间映射到低维空间，而并不能产生一个明确的映射函数关系。因此，对于新的测试样本，无法获得其在低维空间的投影。二是无监督模式学习。原始的流形学习算法具有很好的维数约简能力，但因为是无监督模式学习，在实际应用中不能有效地利用样本的先验知识来提高算法的分类识别能力。
技术实现思路
本专利技术的目的是：提供一种通信辐射源个体细微特征提取方法及系统，解决了现有方法提取的通信辐射源个体细微特征存在稳定度差和清晰度不高等问题，有效保持了通信辐射源发射信号的相位和幅度信息，为后续的分类识别提供了更能反映信号内在差异的本质细微特征。本专利技术的技术方案是：一种通信辐射源个体细微特征提取方法，包括以下步骤：步骤一：通过侦察天线接收各种通信辐射源信号，并将所接收到的通信辐射源信号进行频率选择、功率放大、混频后，获得中频信号；步骤二：对获得的中频信号滤波、放大、A/D变化、正交解调，获得I/Q两路数字零中频信号；步骤三：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得通信辐射源信号的矩形积分双谱特征向量；步骤四：使用KNN近邻选择方法获得矩形积分双谱特征向量的局部邻域，并对局部邻域进行中心化处理，获得中心化局部邻域矩阵；步骤五：对中心化局部邻域矩阵进行局部切空间坐标转换，获得中心化局部邻域的局部切空间坐标；步骤六：对局部切空间坐标进行样条运算和排列运算，获得排列矩阵；步骤七：利用排列矩阵、类内散度矩阵和类间散度矩阵构造广义特征方程，获得广义特征矩阵，再对广义特征矩阵进行正交投影，获得正交投影矩阵；步骤八：对矩形积分双谱特征矩阵进行正交投影，获得通信辐射源个体的细微特征。更进一步地，所述步骤三对I/Q两路数字零中频信号进行矩形积分双谱变换，其方法为：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得c个通信辐射源的n个矩形积分双谱特征向量，构成D×n维的矩形积分双谱特征矩阵，记为X＝[x1,x2,...,xi,...,xn]∈RD×n，i＝1,...,n，D表示矩形积分双谱特征向量的维度，第i个矩形积分双谱特征向量xi∈RD称为通信辐射源信号的第i个样本。更进一步地，所述步骤四使用KNN近邻选择方法获得矩形积分双谱特征向量的局部邻域，进一步获得中心化局部邻域矩阵，其方法为：利用KNN近邻选择方法确定第i个通信辐射源信号样本xi所对应的局部邻域利用式(1)获得第i个通信辐射源信号样本xi所对应的中心化局部邻域XiHk的左奇异向量矩阵Ui： X i H k = U i 本文档来自技高网...

【技术保护点】
一种通信辐射源个体细微特征提取方法，其特征在于，包括以下步骤：步骤一：通过侦察天线接收各种通信辐射源信号，并将所接收到的通信辐射源信号进行频率选择、功率放大、混频后，获得中频信号；步骤二：对获得的中频信号滤波、放大、A/D变化、正交解调，获得I/Q两路数字零中频信号；步骤三：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得通信辐射源信号的矩形积分双谱特征向量；步骤四：使用KNN近邻选择方法获得矩形积分双谱特征向量的局部邻域，并对局部邻域进行中心化处理，获得中心化局部邻域矩阵；步骤五：对中心化局部邻域矩阵进行局部切空间坐标转换，获得中心化局部邻域的局部切空间坐标；步骤六：对局部切空间坐标进行样条运算和排列运算，获得排列矩阵；步骤七：利用排列矩阵、类内散度矩阵和类间散度矩阵构造广义特征方程，获得广义特征矩阵，再对广义特征矩阵进行正交投影，获得正交投影矩阵；步骤八：对矩形积分双谱特征矩阵进行正交投影，获得通信辐射源个体的细微特征。

【技术特征摘要】
1.一种通信辐射源个体细微特征提取方法，其特征在于，包括以下步骤：步骤一：通过侦察天线接收各种通信辐射源信号，并将所接收到的通信辐射源信号进行频率选择、功率放大、混频后，获得中频信号；步骤二：对获得的中频信号滤波、放大、A/D变化、正交解调，获得I/Q两路数字零中频信号；步骤三：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得通信辐射源信号的矩形积分双谱特征向量；步骤四：使用KNN近邻选择方法获得矩形积分双谱特征向量的局部邻域，并对局部邻域进行中心化处理，获得中心化局部邻域矩阵；步骤五：对中心化局部邻域矩阵进行局部切空间坐标转换，获得中心化局部邻域的局部切空间坐标；步骤六：对局部切空间坐标进行样条运算和排列运算，获得排列矩阵；步骤七：利用排列矩阵、类内散度矩阵和类间散度矩阵构造广义特征方程，获得广义特征矩阵，再对广义特征矩阵进行正交投影，获得正交投影矩阵；步骤八：对矩形积分双谱特征矩阵进行正交投影，获得通信辐射源个体的细微特征。2.如权利要求1所述的一种通信辐射源个体细微特征提取方法，其特征在于：所述步骤三对I/Q两路数字零中频信号进行矩形积分双谱变换，其优选方法为：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得c个通信辐射源的n个矩形积分双谱特征向量，构成D×n维的矩形积分双谱特征矩阵，记为X＝[x1,x2,...,xi,...,xn]∈RD×n，i＝1,...,n，D表示矩形积分双谱特征向量的维度，第i个矩形积分双谱特征向量xi∈RD称为通信辐射源信号的第i个样本。3.如权利要求1所述的一种通信辐射源个体细微特征提取方法，其特征在于：所述步骤四使用KNN近邻选择方法获得矩形积分双谱特征向量的局部邻域，进一步获得中心化局部邻域矩阵，其优选方法为：利用KNN近邻选择方法确定第i个通信辐射源信号样本xi所对应的局部邻域利用式(1)获得第i个通信辐射源信号样本xi所对应的中心化局部邻域XiHk的左奇异向量矩阵Ui： X i H k = U i Σ i 0 ( D - k ) × k V i T , i = 1 , ... , n - - - ( 1 ) ]]>是维度为k的中心化算子，I是k×k的单位矩阵，ek＝[1,1,...,1]T∈Rk；Σi＝diag(σ1,...,σk)表示包含中心化局部邻域矩阵XiHk的k个按降序排列的奇异值；Ui∈RD×D和Vi∈Rk×k分别为中心化局部邻域矩阵XiHk的左奇异向量矩阵和右奇异向量矩阵。4.如权利要求1所述的一种通信辐射源个体细微特征提取方法，其特征在于：所述步骤五对中心化局部邻域矩阵进行局部切空间坐标转换，获得中心化局部邻域的局部切空间坐标，其优选方法为：利用式(2)获得第i个通信辐射源信号样本xi所对应的中心化局部邻域矩阵XiHk的局部切空间坐标Θi； Θ i = ( U ~ i ) T ...

【专利技术属性】
技术研发人员：雷迎科，李科，蔡晓霞，杨晓静，陈红，孔辉，王锐，
申请(专利权)人：中国人民解放军电子工程学院，
类型：发明
国别省市：安徽;34