[发明专利]基于多维度参数提取和支持向量机的扩频信号识别方法

权利要求书

1.一种基于多维度参数提取和支持向量机的扩频信号识别方法，其特征在于，包括如下步骤：

(1)获取离散接收信号集合Y：

获取电磁环境中包括J个信号类别的共D个离散接收信号得到离散信号集合Y＝{y₁,y₂,...,y_d,...,y_D}，其中，y_d＝{y_d(1),y_d(2),...y_d(n),...,y_d(N)}表示第d个离散接收信号子集合，y_d(n)表示y_d的第n个离散点，n＝1,2,...,N，J＝7，即X中包括7种类别接收信号，分别为三类扩频信号：跳频FH信号、直接序列扩频DSSS信号和混合扩频DS/FH信号，以及四类干扰信号：单音信号、多音信号、矩形脉冲信号和高斯白噪声；

(2)对离散接收信号集合Y进行多维度参数提取：

(2a)提取每个离散接收信号子集合y_d的自相关峰均比P_d,1和自相关二阶矩P_d,2：

(2a1)计算y_d的自相关序列R_d(k)，并通过自相关序列R_d(k)的均值和峰值R_d,max，计算y_d的自相关峰均比

其中，k＝1,2,...,K，K表示R_d(k)的点数，∑·表示求和操作；

(2a2)将每个离散接收信号子集合y_d均匀划分为L个离散接收信号段，第l个离散接收信号段y_d,l＝{y_d,l(1),y_d,l(2),...y_d,l(u),...,y_d,l(U)}包括个离散点，其中y_d,l(u)表示y_d,l的第u个离散点，u＝1,2,...,U，计算y_d,l的自相关序列R_d,l(q)的二阶矩ρ_d,l，然后根据ρ_d,l计算y_d的自相关二阶矩P_d,2：

其中，l＝1,2,...,L，L≥4，Q＝U表示R_d,l(q)的点数，q＝1,2,...,Q，表示向下取整；

(2b)提取每个离散接收信号子集合y_d的频谱带宽P_d,3和功率谱对消增益P_d,4：

(2b1)对每个离散接收信号子集合y_d进行M点的快速傅里叶变换，得到y_d的频谱F_d(m)，并对F_d(m)取模后的幅度谱|F_d(m)|进行归一化处理，得到归一化后的幅度谱|F_d(m)|，其中，m＝1,2,...,M，M≥1024；

(2b2)计算归一化后的幅度谱|F_d(m)|中大于阈值σ的最大索引I_d,H和最小索引I_d,L，并通过I_d,H和I_d,L计算y_d的频谱带宽P_d,3：

其中max(·)和min(·)分别表示取最大值操作和最小值操作；

(2b3)将每个离散接收信号子集合y_d均匀划分为C个离散接收信号段，第c个离散接收信号段y_d,c＝{y_d,c(1),y_d,c(2),...y_d,c(z),...,y_d,c(Z)}包括个离散点，其中y_d,c(z)表示y_d,c的第z个离散点，z＝1,2,...,Z，计算y_d,c的功率谱S_d,c(ω)和y_d的平均功率谱再计算的能量E_d,1，其中：

其中c＝1,2,...,C，C≥4，表示向下取整；

(2b4)通过y_d,c的功率谱S_d,c(ω)与y_d的平均功率谱计算y_d对消后的功率谱S_d,diff(ω)，并计算S_d,diff(ω)的能量E_d,2，再通过E_d,1和E_d,2计算y_d的功率谱对消增益P_d,4＝E_d,2/E_d,1，其中：

(2c)提取每个离散接收信号子集合y_d的时频矩阵归一化列模P_d,5和时频矩阵归一化行模P_d,6：

对每个离散接收信号子集合y_d进行短时傅里叶变换，得到y_d的时频矩阵STFT[a,b]_d，并计算时频矩阵STFT[a,b]_d的列模||STFT||_d,1和行模||STFT||_d,∞，再对||STFT||_d,1和||STFT||_d,∞分别进行归一化处理，得到y_d(n)的时频矩阵归一化列模P_d,5和时频矩阵归一化行模P_d,6：

其中a＝1,2,...,A,b＝1,2,...,B，A表示STFT[a,b]_d的行数，B表示STFT[a,b]_d的列数，s_a,b表示STFT[a,b]_d中a行b列的元素；

(2d)将每个离散接收信号子集合y_d的自相关峰均比P_d,1、自相关二阶矩P_d,2、频谱带宽P_d,3、功率谱对消增益P_d,4、时频矩阵归一化列模P_d,5和时频矩阵归一化行模P_d,6组合成多维度特征向量v_d＝[P_d,1,P_d,2,P_d,3,P_d,4,P_d,5,P_d,6]^T，则离散接收信号集合Y对应的多维度特征向量集合为V＝{v₁,v₂,...,v_d,...,v_D}；

(3)构建训练样本集合TRAIN：

(3a)根据步骤(1)和(2)的方法首先获取包括D个离散接收信号的集合作为训练信号集Y_train，并对Y_train进行多维度参数提取得到多维度特征向量集合V_train，其中训练信号集Y_train中包含的信号类别与步骤(1)中离散接收信号集合Y所包含的信号类别的个数相同，每种类型的信号数量为D/J，D≥700；

(3b)依据min-max准则对多维特征向量集合V_train中的每个多维特征向量v_d中的每个多维度特征P_d,h进行归一化，P_d,h∈{P_d,1,P_d,2,P_d,3,P_d,4,P_d,5,P_d,6}，并通过标签label_d对归一化后的v_d进行标注，然后将每个多维特征向量v_d及其对应的标签label_d组合成训练样本集TRAIN＝{(v₁；label₁),(v₂；label₂),...,(v_d；label_d),...,(v_D；label_D)}，其中，(v_d；label_d)表示第d个训练样本，label_d∈{1,2,3,4,5,6,7}，对应FH信号、DSSS信号、DS/FH信号、单音信号、多音信号、矩形脉冲信号和高斯白噪声；

(4)构建扩频信号识别模型并进行训练：

(4a)使用训练样本集TRAIN中属于同一类别的所有训练样本构建TRAIN_j＝{(v_d；label_d)|(v_d；label_d)∈TRAIN,label_d＝j}，使用任意两个TRAIN_j和TRAIN_j′构建一个训练样本子集得到集合T＝{T₁,T₂,...,T_i,...,T_J(J-1)/2}，其中T_i＝[TRAIN_j,TRAIN_j′]为包含第j和j′类样本的训练样本子集，i＝1,2,...,J(J-1)/2，j,j′＝1,2,...,J，j≠j′；

(4b)将训练样本子集T_i作为支持向量机svm_i的输入，使用T_i的训练样本求解svm_i对应的分类超平面方程w_i^T·v_d+β_i＝0，然后将求解超平面方程问题转化为最大几何间隔优化问题：

其中，w_i，β_i表示最优分类超平面的参数，ξ_i,d表示松弛变量，χ表示惩罚因子，D_i表示T_i的样本总数，v_d和label_d分别表示T_i中第d个样本(v_d；label_d)的多维度特征向量和标签，||·||²表示求2范数操作；

(4c)根据最大几何间隔优化问题建立拉格朗日公式L_i(w_i,β_i,ξ_i,λ,μ)，并根据L_i(w_i,β_i,ξ_i,λ,μ)得到优化问题

s.t.λ_d≥0,μ_d≥0,ξ_i,d≥0

其中，λ_d,μ_d表示拉格朗日乘子；

(4d)对优化问题中的参数w_i，β_i和ξ_i分别求偏导数，并将w_i，β_i和ξ_i的极小值带入L_i(w_i,β_i,ξ_i,λ,μ)中，得到最终的优化问题

其中，v_d′和label_d′分别表示T_i中第d′个样本(v_d′；label_d′)的多维度特征向量和标签；

(4e)采用序列最小优化SMO算法对最终的优化问题进行求解得到最优分类超平面的参数和根据和得到分类决策函数svm_i：

从而得到训练好的扩频信号识别模型F＝{svm₁,svm₂,...,svm_i,...,svm_J(J-1)/2}；

(5)获取扩频信号的识别结果：

(5a)按照步骤(1)和(2)的方法，首先获取包括D个离散接收信号的测试样本集合Y_test，并对Y_test进行多维度参数提取得到多维度特征向量集合V_test，其中D≥1，测试样本集合Y_test包含的信号类别与步骤(1)中离散接收信号集合Y所包含的信号类别的个数相同；

(5b)对多维度特征向量集合V_test中的每个多维度特征向量v_d使用扩频信号识别模型F进行信号识别，F中每一个分类决策函数svm_i测试结果对应标签的出现次数加一，测试完成后输出测试结果中出现次数最多的标签label，然后判断label≤3是否成立，若是，则该测试样本属于扩频信号，否则，该测试样本不属于扩频信号，label对应类型为该测试样本的信号类型。