[发明专利]基于MFCC特征和Transformer集成分类器的LFM信号分类方法

说明书

本发明公开了一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法，对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，再进行包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取的MFCC特征提取过程，得到静态基础特征、一阶差分动态特征和二阶差分动态特征；将三组特征分别输入三个Transformer分类器进行差异性训练，得到预分类特征；再将三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。本发明将MFCC特征和Transformer相结合，提出了适用于线性调频信号的Transformer集成分类方法，有效地解决了配置相同的信号源区分困难的问题。

技术领域

本发明属于信息安全技术领域，主要涉及了一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法。

背景技术

扩展频谱通信、光纤通信和卫星通被称为是信息时代的三大通信传输方式。其中发展时间最长的是扩展频谱通信，其中的频带扩展一般通过伪随机码完成，以达到抗干扰和可进行多址通信的目的。而线性调频则是一种不需要伪随机编码序列的扩展频谱调制技术，线性调频信号比相同带宽的信号持续时间更长从而被广泛应用在雷达、声纳等场景中，通过从雷达、声纳等装置发射的线性调频信号进行识别，从而判断出信号的具体发射机有着十分重要的意义。因此，工业界需要一种高效、高准确率的LFM信号信号源识别方法。

传统的识别方法大多基于脉冲描述字技术，通过提取脉冲信号的频率、到达时间等浅层特征进行识别。但随着电磁环境的日益复杂以及电子技术的不断完善，当线性调频信号的信号源拥有相同的配置和参数设置时，识别工作往往难以开展。由于提取出的特征极其相似，分类器往往不能很好的工作，射频指纹技术能很好地解决这一问题。每个信号源发射器在制造时都会存在一些硬件差异，这些由硬件缺陷引起的差异便是该发射器的固有硬件特性，这些特性往往独一无已，如同人的指纹一般，因此将这些特性称为“射频指纹”。通过研究的深入，射频指纹被认为是无线设备最理想的特征，即使发射机的频率、调制方式均相同，射频指纹特征也可以很好的发挥作用。射频指纹特征可以大致分为频率偏移、时域包络、调制域特征、频谱特征等，其中最常用的便是通过梅尔频谱倒谱系数(Mel-frequencyCepstral Coefficients，MFCC)提取出的频谱特征。因此，MFCC是一种潜在可行的用于解决LFM信号识别困难的方法。

然而，想要高效的识别信号源，光有特征远远不够，一个好的分类器同样起着十分关键的作用。Transformer自提出以来便成为NLP领域最热门的模型，但该模型的优势不仅在于其优秀的分类能力，更重要的是它可以适用于很多领域，具有较强的通用性，如用于CV领域中的Vision Transformer模型。因此将MFCC与Transformer相结合是一种可行的方案。

发明内容

本发明正是针对现有技术中相同配置的线性调频信号发射机识别困难的问题，提供一种基于MFCC特征和Transformer集成分类器的LFM信号分类方法，对采集到的线性调频信号进行信号预处理，得到有效脉冲信号，再针对每个有效脉冲信号，进行包括预加重、分帧、加窗、快速傅里叶变化、Mel滤波器组、对数运算、离散余弦变换以及动态差分参数提取的MFCC特征提取过程，得到静态基础特征、一阶差分动态特征和二阶差分动态特征；将三组特征分别输入三个Transformer分类器中进行差异性训练，得到预分类特征；再将三个Transformer分类器得到的三组预分类特征进行合并后输入进集成模块，分别进行归一化和三层线性层操作，最后通过一层全连接层，输出得到最终的分类结果。本发明将MFCC特征和Transformer相结合，提出了适用于线性调频信号的Transformer集成分类方法，有效地解决了配置相同的信号源区分困难的问题。

为了实现上述目的，本发明采取的技术方案是：基于MFCC特征和Transformer集成分类器的LFM信号分类方法，包括以下步骤：