[发明专利]一种基于时频图像特征的脉内调制识别方法

摘要

本发明属于雷达辐射源信号识别技术领域，具体涉及一种基于时频图像特征的脉内调制识别方法。本发明包括：(1)对雷达信号进行Wigner‑Vill分布时频变换，得到反映信号能量随时间和频率的时频分布图；(2)对步骤(1)得到的时频图像进行图像预处理；(3)对预处理后的图像进行插值打散原轨迹；(4)将步骤(3)中被打散成单个点的轨迹类比成目标跟踪中的目标位置，并引入联合概率数据关联来识别出不同雷达信号的轨迹；(5)运用中心矩提取时频图像的形状特征等。本发明提出了一种将雷达信号通过时频分布变换转换为时频图像，通过数字图像处理将同一时刻到达并且频率互相交叠的情况下，分别识别出雷达信号调制方式的方法。

主权项

一种基于时频图像特征的脉内调制识别方法，其特征在于，包括如下步骤：(1)对雷达信号进行Wigner‑Vill分布时频变换，得到反映信号能量随时间和频率的时频分布图；对相关函数作滑窗处理，得到时变的局部相关函数公式，R(t,τ)=∫∞∞s(u+τ2)s*(u-τ2)φ(u-t,τ)du]]>当窗函数取时间冲击函数，不加限制，而在时域取瞬时值，R(t,τ)=∫∞∞s(u+τ2)s*(u-τ2)σ(u-t,τ)du=s(t+τ2)s*(t-τ2)]]>对时变局部相关函数作Fourier变换，即可得到WVD，MVD(t,f)=∫s(t+τ/2)s*(u-τ)du=s(t+τ2)s*(t-τ2)]]>设有n个分量信号，得到多分量信号的WVD，MVDx(t,f)=ΣkMVDxk(t,f)+ΣkΣl≠k2Re[MVDxkxl(t,f)]]]>雷达信号经过Wigner‑Vill分布时频变换后得到时频图像；(2)对步骤(1)得到的时频图像进行图像预处理；对时频图像灰度值进行归一化；设和σ2分别是所有像素点灰度值的均值和方差；x‾=1NΣi=1Nxi]]>σ2=1N-1Σi-1N(xi-x‾)2]]>归一化后像素点的灰度值为：采用自适应维纳滤波器初步去除时频图像的噪声点，对图像进行增强；采用形态学方法对灰度图像进行处理；形态学处理是应用具有一定形态的结构元素对灰度图像进行腐蚀和膨胀的操作，其中使用结构元素b对f的灰度膨胀记为选择半径为3的菱型结构元素对时频图像进行闭运算；通过检测信号时频分布的起止频率，将没有信号分布的图像区域剪切掉；采用最近邻域插值法归一化时频图像的纵横比；将原图定义为一个二维函数F(x,y)，(x,y)点的函数值对应像素点的灰度值，f(x,y)为归一化纵横比后的目标图；Fw、Fh设为原图的宽度和高度；fw、fh设为目标图的宽度和高度；原图坐标(x,y)和目标图坐标(x′,y′)之间公式为：x=x′(Fw/fw)y=y′(Fh/fh);]]>(3)对预处理后的图像进行插值打散原轨迹；(4)将步骤(3)中被打散成单个点的轨迹类比成目标跟踪中的目标位置，并引入联合概率数据关联来识别出不同雷达信号的轨迹；引入确认矩阵；确认矩阵定义为：Ω＝(ωjt),j＝1,2,...,m(k),t＝0,1,...,n其中ωjt表示量测j是否落入目标t的确认门之内；t＝0表示没有目标，此时对应的Ω的列的元素都是1；设在杂波环境中已有T个目标，则他们的状态方程和测量方程分别表示为：X′(k+1)=F′(k)X′(k)+W′(k),k=0,1,2,...;t=1,2,...,TZ(k)=H(k)X(k)+V(k),k=0,1,2,...;]]>JPDA的状态更新方程为：其中，表示k时刻目标t的状态矢量，表示目标t的状态预测矢量，V′(k)为联合新息：V′(k)=ΣjβjtVj′(k)]]>其中，βjt表示目标t与观测j的关联概率，V′j(k)表示滤波新息；关联概率表示为：其中，表示在可行事件θj中，观测j是否源于目标t；如果源于目标则等于1，否则为0；在k时刻联合事件θ的条件概率表示为P{θ/Zk}=1cΦ!vΦΠj=1mk[Ntj(Zj(k))]τjΠt=1T(PDt)σt(1-PDt)1-σt]]>其中，σt为目标检测指示器，如果目标在θ中与观测关联，则σt的值等于1，反之为零；Φ是虚假观测事件的个数，表示目标t的检测概率，V表示航迹有效门体积；(5)运用中心矩提取时频图像的形状特征；设大小为M*N的二值图像表示为：f(x,y)∈{1,0}，则图像的(p+q)阶原点矩定义为：mpq=Σx=0M-1Σy=0N-1xpyqf(x,y)p,q∈N]]>图像的(p+q)阶中心矩定义为：μpq=Σx=0M-1Σy=0N-1(x-x‾)p(y-y‾)qf(x,y)]]>其中表示水平方向上的质心；表示垂直方向的质心；其中μ02表示图像在垂直方向上的伸展度；μ20表示图像在水平方向上的伸展度；μ11表示图像的倾斜度；μ03表示图像在垂直方向上的重心偏移度；μ12表示图像垂直伸展的均衡程度；由于时频图的差异性主要体现在垂直方向的频域上，故舍弃μ02，而构造出特征向量；(6)选取支持向量机分类器的核函数，并根据训练样本的形态特征确定核函数的参数，以训练支持向量机分类器；其中，支持向量机分类器的核函数为高斯核函数，高斯核函数为：k(x1,x2)＝exp(‑γ*|x1‑x2|2)，选择任意两类设计1个二分类SVM，总共设计n(n‑1)/2个二分类SVM；然后将这个二分类SVM构成一个有向无循环图，该图有n(n‑1)/2个非叶子节点和n个叶子节点，每个非叶子节点表示一个二分类SVM分类器，并与下一层的两个节点相连，每个叶子节点表示一个输出；具体而言，选择上述的高斯核函数作为核函数，核函数参数的选择采用交叉验证的方法；其中，惩罚因子C从2‑5成倍增加到25，核函数参数g从2‑5成倍增加到25，对于(C,g)，选择5折交叉验证，即将训练样本分成5份，挑选1份作为测试样本，剩下4份作为训练样本，重复5次，计算平均正确率，以此衡量当前(C,g)的性能，选择性能相对最好的(C,g)作为最终的参数；最后，将步骤(5)得到的特征向量输入训练好的支持向量机。