[发明专利]一种联合两域多特征的辐射源信号识别方法

说明书

本发明属于信息侦测领域，具体涉及一种联合两域多特征的辐射源信号识别方法，包括以下步骤：对辐射源信号进行短时傅里叶变换、改进的魏格纳时频分布变换和希尔伯特黄变换，获得三种时频特征图像；分别提取三种时频特征图像的Green单通道图像，将三种Green单通道图像进行通道融合，获得新特征图像；本发明采用多时频图像通道融合手段得到新三维时频图像。短时傅里叶变换反应信号的线性时频特征，改进的魏格纳分布反应信号的非线性时频特征，希尔伯特黄变换不受海森堡测不准原理制约，有好的时频分别率，通道融合得到的新三维时频图像可以更全面的表征信号的时频信息，提高系统的可靠性。

技术领域

本发明属于信息侦测领域，具体涉及一种联合两域多特征的辐射源信号识别方法。

背景技术

在复杂电磁环境下，能够获取更多信息的一方能够获得更多的先机，准确识别辐射源的调制信息则是侦测识别中的重要环节。随着电磁环境和调制方式的日益复杂，传统的辐射源信号识别技术已经无法满足辐射源信号识别在实际应用中的需求，因此，寻找新的辐射源信号调制识别方法是非常迫切且意义重大的。现有的辐射源信号识别包括人工提取固定特征参数并使用分类器识别和利用卷积神经网络进行特征提取与识别。

人工提取固定特征参数可以根据不同的需要提取指定的特征参数，这种方法往往存在着特征信息不全面的问题，进而使得识别系统存在适应性较差、泛化能力弱和低信噪比下准确率较低的问题。

利用卷积神经网络可以对辐射源信号进行深层次特征提取，但卷积神经网络在训练过程中存在参数运算量大、所需样本数量多、耗时长等问题，进而降低了识别系统的有效性，并且增加系统对样本数量的需求。

发明内容

本发明的目的是提出一种辐射源信号调制识别方法，主要解决在复杂电磁环境下，现有识别方法泛化能力弱、在低信噪比下识别率低等问题。本发明采用多时频图像通道融合，增强信号表征能力；利用预训练卷积神经网络提取时频图像特征，并用特征降维滤除冗余信息和部分噪声得到迁移特征，提高系统可靠性和泛化能力；本发明从时频域角度提取迁移特征和纹理特征，从时域角度和波形熵特征，基于两域特征思想，将迁移特征、纹理特征和波形熵特征进行拼接，所得拼接特征参数更为全面，进一步提高准确率；结合softmax分类器，最终实现辐射源信号调制识别。该方法泛化能力强、低信噪比下识别率高。

该方法具体执行步骤如下：

一种联合两域多特征的辐射源信号识别方法，包括以下步骤：

(1)对辐射源信号进行短时傅里叶变换、改进的魏格纳时频分布变换和希尔伯特黄变换，获得三种时频特征图像；

(2)分别提取三种时频特征图像的Green单通道图像，将三种Green单通道图像进行通道融合，获得新特征图像；

(3)利用预训练MobileNet网络的若干网络层构成神经网络特征提取模块，利用该模块对新特征图像进行神经网络特征提取，通过局部线性嵌入算法对所得到的特征进行降维，获得迁移特征；

(4)从时频域角度出发，基于灰度共生矩阵特征参数对新特征图像进行纹理特征提取，获得纹理特征；

(5)从时域角度出发，对辐射源信号进行波形熵特征提取，获得波形熵特征；

(6)基于两域多特征思想，将迁移特征、纹理特征和波形熵特征进行特征拼接，获得拼接特征；

(7)将拼接特征送入Softmax分类器进行识别分类，实现对辐射源信号的调制识别。

所述对辐射源信号进行短时傅里叶变换、改进的魏格纳时频分布变换和希尔伯特黄变换，获得三种时频特征图像，包括：

(1.1)对辐射源信号sig(t)做短时傅里叶变换，得到时频域图像，将该时频域图像记作TF₁，短时傅里叶变换公式为：