[发明专利]一种无人机辐射源调制样式识别方法

权利要求书

1.一种无人机辐射源调制样式识别方法，其特征在于：包括以下步骤：

步骤S1：信号模型及时频分析：

信号模型为：s(t)＝x(t)+n(t)

其中：n(t)为噪声，x(t)和s(t)分别为发送端信号和接收端信号；

一维时域信号稳定性较差，时频变换能够形成更为稳定的特征；STFT为时频变换方法，给定一个时间宽度很短的窗函数w(t)，则信号s(t)的STFT定义为：STFT_ws(w,b)＝∫s(t)w(t-b)e^-jwtdt；

步骤S2：能量阈值降噪：采用能量阈值降噪法；

能量阈值降噪法定义为：

其中：|I_i,j|表示时频图中每个像素点的能量值，η为阈值门限系数；

图像质量评价指标：选择SSIM作为评价指标；该指标由三种对比模块组成，分别为亮度、对比度和结构；x和y是两张图像，SSIM指标的定义为：

其中：μ_x,μ_y,σ_x,σ_y和σ_xy分别是图像x,y的均值、标准差和互协方差；

步骤S3：图像降维与归一化：对降噪处理后的时频图进行降维处理，使用等间隔采样法对高维时频图进行降维；

时频图中的数值存在较大差异性，针对量纲不一致问题可以采用标准化区间缩放法将不用规格的数据转换到同一规格；本文采用区间缩放法，为便于计算，将时频图矩阵I变为向量化表示，记作α＝[α₁,α₂,...,α_i,...,α_m]，对每一个列向量α_i做区间缩放，如下：

式中：max(·)与min(·)分别为取向量的最大值和最小值；

步骤S4：CNN及其训练：选用ReLU和最大池化函数进行处理，经过多个卷积层和池化层提取特征后，全连接层用于整合卷积层或者池化层中具有类别区分的局部信息；最后一层全连接层的输出值被传递给输出层，采用softmax层进行分类，最终输出各类概率表示为

式中：S_j是每类输出的概率，最大概率类判定为最终识别结果；

步骤S5：算法流程：训练信号和待识别信号首先进行相同预处理，即短时傅里叶变换、能量阈值降噪、图像降维及归一化处理，并输出训练集和测试集；随后将训练集送入CNN进行网络训练与优化；

步骤S6：信号及参数设置：利用2种不同扩频方式下BPSK调制的DSSS信号进行仿真实验，一种是通过改变扩频码长度即扩频因子来实现扩频；另一种方式为固定扩频码长度，通过改变符号率来改变等效带宽实现扩频；

步骤S7：模型评价指标：

在机器学习任务中，F1值是评价系统性能的常用指标，其为查准率和召回率的调和平均数，其定义为

式中：P为查准率，R为召回率，F1值多用来评价二分类任务性能；对于多任务，利用宏平均作为模型评价指标，即

计算查准率平均值：

召回率平均值：

计算宏平均值：

式中：n代表类别总数；

平均时间作为算法复杂度的衡量指标，用于计算特征提取和训练识别的时间总和，其表示为：T_total＝T_feature+T_train；

步骤S8：仿真实验：采用高信噪比信号用于网络训练，低信噪比信号测试。

2.根据权利要求1所述的一种无人机辐射源调制样式识别方法，其特征在于：所述步骤S2中SSIM的取值范围在0到1之间，SSIM值越接近1表示降噪效果越好，和原图像具有越好的结构相似度。

3.根据权利要求1所述的一种无人机辐射源调制样式识别方法，其特征在于：所述步骤S4中CNN的训练终止条件有两种，即迭代次数达到预设值或者损失函数值不再减小，此时认为模型收敛。

4.根据权利要求1所述的一种无人机辐射源调制样式识别方法，其特征在于：所述步骤S5中当迭代次数或者损失函数值不再降低时，则CNN训练完毕；测试集输入网络后输出分类识别结果。