一种FSK信号射频指纹特征提取方法、识别方法及系统技术方案

本发明专利技术涉及辐射源识别技术领域，公开了一种FSK信号射频指纹特征提取方法、识别方法及系统，该提取方法，其特征在于，包括以下步骤：S1，特征提取：基于瞬时频率小波变换提取能够描述辐射源的指纹特征，FSK信号瞬时频率的小波系数作为指纹特征。本发明专利技术解决了现有技术存在的FSK信号射频指纹特征提取能力较低、低信噪比下FSK信号指纹特征区分性差等问题。噪比下FSK信号指纹特征区分性差等问题。噪比下FSK信号指纹特征区分性差等问题。

【技术实现步骤摘要】
一种FSK信号射频指纹特征提取方法、识别方法及系统


[0001]本专利技术涉及辐射源个体识别
，具体是一种FSK信号射频指纹特征提取方法、识别方法及系统。

技术介绍

[0002]辐射源个体识别的特征来源于发射机硬件的非理想特性，即发射机设计和制造过程中的无意的误差因素。不同辐射源设备的发射机模拟电路器件都存在细微的差异，从而构成射频指纹的唯一性，辐射源个体识别提取出稳定有区分性的射频指纹用来标识每个辐射源设备。因此射频指纹可以作为辐射源设备的唯一身份标识，将辐射源设备与目标平台关联起来，实现对目标平台个体身份的识别，在无线网络安全和通信侦察等领域有着重要的应用前景。
[0003]FSK信号是常用的一种通信方式，从FSK信号射频指纹特征提取方法来看，主要分为基于信号参数的特征提取、基于域变换的特征提取、基于机理建模的特征提取、基于深度学习的特征提取。
[0004](1)基于信号参数的特征提取主要是利用信号的参数误差作为指纹特征，部分特征的稳定性较好。主要将调制频率、频移间距、码元速率和码元过渡时间等作为指纹特征，由于很难实现精确测量这些参数，特征提取能力一般。
[0005](2)基于域变换的特征提取主要应用信号变换工具来对信号进行描述，最大化展现信号包含的细微特征，获得信号中隐藏的指纹特征。主要使用的信号变换包括：频域、时频域、小波变换和高阶变换等。有的信号变换信息损失大，识别稳定性差。
[0006](3)基于机理建模的特征提取是建立模拟器件的机理模型，利用接收信号和解调结果对模型中的畸变参数进行估计来得到特征。该方法实现简单，算法复杂度低，特征具有可解释性，但机理建模需要广泛的专业知识和大量的实验。
[0007](4)基于深度学习的特征提取是将特征的理解和提取工作交给神经网络去完成，无需手动进行特征工程和目标建模，但模型训练需要大量的样本。主要使用的深度学习方法有：卷积神经网络(CNN，Convolutioanl Neural Network)、深度残差网络(ResNet，Deep Residual Network)、扩展因果卷积网络(DCC，Dilated Causal Convolution)等。
[0008]综上，现有技术存在以下问题：
[0009](1)FSK信号射频指纹特征提取能力较低：目前FSK信号通常提取调制频率、频移间距、码元速率和码元过渡时间作为指纹特征，由于很难精确测量这些参数，导致特征提取能力一般:；
[0010](2)低信噪比下FSK信号射频指纹特征区分性差：低信噪比下，由于受到噪声的影响，FSK信号指纹特征容易混淆，指纹特征的区分性变差。

技术实现思路

[0011]为克服现有技术的不足，本专利技术提供了一种FSK信号射频指纹特征提取方法、识别
方法及系统，解决现有技术存在的FSK信号射频指纹特征提取能力较低、低信噪比下FSK信号指纹特征区分性差等问题。
[0012]本专利技术解决上述问题所采用的技术方案是：
[0013]一种FSK信号射频指纹特征提取方法，其特征在于，包括以下步骤：
[0014]S1，特征提取：基于瞬时频率小波变换提取能够描述辐射源的指纹特征，FSK信号瞬时频率的小波系数作为指纹特征。
[0015]作为一种优选的技术方案，步骤S1包括以下步骤：
[0016]S11，将FSK信号每个样本N个符号进行分类：
[0017]按照M进制将N个符号分为M类，分类后的FSK信号如下：
[0018][0019]其中，s
i
表示分类后的FSK信号，i表示FSK信号频率编号，i＝1,2,...,M，M表示FSK信号频率总数，j表示第i类信号中的符号数，P
i,j,K
表示第i类信号中第j个符号的样点；
[0020]S12，对分类后的M种FSK信号分别进行平均：
[0021]将每种FSK信号s
i
的j个信号按照列向量进行平均，，得到平均后的FSK信号如下：
[0022][0023]其中，表示平均后的FSK信号，表示s
i
的第M列信号的平均；
[0024]S13，对平均后的M个信号分别计算瞬时频率，得到M组瞬时频率向量如下：
[0025]f
i
＝[W
i,1 W
i,2
...W
i,D
]；
[0026]其中，f
i
表示瞬时频率向量组，W
i,D
表示第D个瞬时频率向量，D表示提取的瞬时频率总数；
[0027]S14，对M组瞬时频率f
i
分别进行小波变换，得到M组小波系数向量如下：
[0028]F
i
＝[C
i,1 C
i,2
...C
i,L
]；
[0029]其中，F
i
表示小波系数向量组，L表示小波系数总数，C
i,L
表示第L个小波系数；
[0030]S15，将F
i
中小波系数的幅度组成特征向量，F＝[|F1| |F2|...|F
M
|]，F即为提取的射频指纹特征；
[0031]其中，F表示特征向量，|F
M
|表示第M组小波系数向量的幅度。
[0032]作为一种优选的技术方案，还包括如下步骤：
[0033]S2，特征降维：将高维特征向量降到低维特征向量。
[0034]作为一种优选的技术方案，采用线性判别分析方法将高维特征向量降到低维特征向量，并去除冗余信息。
[0035]作为一种优选的技术方案，M＝2。
[0036]一种FSK信号指纹识别方法，，包括所述的一种FSK信号射频指纹特征提取方法，还包括如下步骤：
[0037]S3，分类识别：利用分类器对特征向量进行分类识别。
[0038]作为一种优选的技术方案，步骤S3中，采用轻量级梯度提升机器学习分类器，将所有样本的指纹特征划分为训练集和测试集，用训练集中的特征向量训练LightGBM分类器，将测试集中的特征向量输入到已训练的LightGBM分类器，得到测试结果，通过将测试结果与实际类别结果对比，得到平均识别正确率。
[0039]作为一种优选的技术方案，还包括位于步骤S1前的如下步骤：
[0040]B，信号预处理：采用数字信号处理手段对接收信号进行预处理；其中，预处理包括以下的一种或多种：滤波、样点同步、频偏估计/校正、归一化。
[0041]作为一种优选的技术方案，还包括位于步骤B前的如下步骤：
[0042]A，信号接收：将天线接收的信号进行增益放大、滤波、变频和模数转换。
[0043]一种FSK信号指纹识别系统，用于实现所述的一种FSK信号指纹识别方法，包括依次相连的以下模块：
[0044]特征提取模块：用以，基于瞬时频率小波变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种FSK信号射频指纹特征提取方法，其特征在于，其特征在于，包括以下步骤：S1，特征提取：基于瞬时频率小波变换提取能够描述辐射源的指纹特征，FSK信号瞬时频率的小波系数作为指纹特征。2.根据权利要求1所述的一种FSK信号射频指纹特征提取方法，其特征在于，步骤S1包括以下步骤：S11，将FSK信号每个样本N个符号进行分类：按照M进制将N个符号分为M类，分类后的FSK信号如下：其中，s
i
表示分类后的FSK信号，i表示FSK信号频率编号，i＝1,2,...,M，M表示FSK信号频率总数，j表示第i类信号中的符号数，P
i,j,K
表示第i类信号中第j个符号的样点；S12，对分类后的M种FSK信号分别进行平均：将每种FSK信号s
i
的j个信号按照列向量进行平均，得到平均后的FSK信号如下：其中，表示平均后的FSK信号，表示s
i
的第M列信号的平均；S13，对平均后的M个信号分别计算瞬时频率，得到M组瞬时频率向量如下：f
i
＝[W
i,1 W
i,2 ... W
i,D
]；其中，f
i
表示瞬时频率向量组，W
i,D
表示第D个瞬时频率向量，D表示提取的瞬时频率总数；S14，对M组瞬时频率f
i
分别进行小波变换，得到M组小波系数向量如下：F
i
＝[C
i,1 C
i,2 ... C
i,L
]；其中，F
i
表示小波系数向量组，L表示小波系数总数，C
i,L
表示第L个小波系数；S15，将F
i
中小波系数的幅度组成特征向量，F＝[|F1| |F2| ... |F
M
|]，F即为提取的射频...

【专利技术属性】
技术研发人员：许从方，夏明赟，许瑶，
申请(专利权)人：中国电子科技集团公司第三十研究所，
类型：发明
国别省市：