基于多维信号特征融合的空间通信目标识别技术

针对空间通信目标个体识别问题,在射频指纹分析的基础上提出了一种多维信号特征融合提取方法。首先分别在时域、频域和高阶谱域对截获的空间通信目标射频信号提取个体多维信号特征,然后对提取的特征进行融合,并应用支撑矢量机对个体进行分类识别,最后采用实测数据对这种识别方案进行了验证。实验表明,通过多维信号特征融合方法可以有效提取空间通信目标的个体信息,并能获得良好的识别效果。     

一种基于循环谱切片的通信辐射源识别方法

提出一种基于循环谱切片的通信辐射源个体识别方法.通过计算信号的循环谱密度矩阵,将循环谱密度切片作为初始高维特征,再采用主成分分析方法对其进行降维处理得到指纹特征矢量,最后采取概率神经网络分类器实现辐射源的个体识别.通过对20部手持机的实验表明,使用该方法提取的特征矢量能够较好地反映信号的循环平稳特性,并且特征参数对噪声干扰不敏感,在较低信噪比条件下,系统仍具有较高的正确识别率,说明该方法确实能够较好地解决同型号、同批次、同工作参数通信辐射源的个体识别问题.     

基于指纹特征融合的通信辐射源个体识别研究

在对辐射源信号进行时频分析的基础上,提出一种基于特征融合的通信辐射源个体识别方法。提取辐射源信号载频特征和瞬态幅值特征,对重采样的瞬态幅值做三次样条插值,采用最小二乘法分段对插值后的瞬态幅值进行曲线拟合,获取拟合系数作为瞬态指纹特征;最后与载频特征融合,采用遗传算法优化融合系数,融合后的特征作为辐射源指纹特征。识别分类器采用概率神经网络,对16部手持机进行识别实验。实验结果表明,该方法提取的特征能够反映通信辐射源个体的时频特性,可实现对辐射源个体的有效识别,在信噪比为20 dB时,系统识别率优于90%。     

基于二维主成分分析的指纹识别算法

提出一种基于指纹统计特性的识别算法。该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。在FVC2002指纹数据库上进行实验,结果表明：相对于PCA,该方法的计算速度更快。相对于传统的基于特征点的方法,该方法的实现更为简便。     

基于二维主成分分析的指纹识别算法

提出一种基于指纹统计特性的识别算法.该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别.在FVC2002指纹数据库上进行实验,结果表明:相对于PCA,该方法的计算速度更快.相对于传统的基于特征点的方法,该方法的实现更为简便.     

基于成分分析的射频干扰源个体识别

射频干扰源个体识别在军事领域有重要的应用价值,相关的研究成果较少.从分析射频干扰源稳态信号的各种成分出发,提出了基于成分分析的射频干扰源个体识别方法.该方法首先对干扰源稳态信号进行成分分离和恢复,然后选取最能反映个体差异的若干个次成分进行特征降维和识别.通过实测数据实验证明了该方法的识别效果,并和现有的基于经验模态分解的个体识别方法进行了比较.结果表明该方法要优于现有的方法,并且受信噪比影响较小,在5 dB~20 dB的信噪比范围内识别率在80%以上.     

基于1D-CNN-LSTM的特定辐射源识别方法

特定辐射源识别（Specific Emitter Identification,SEI）是指利用雷达指纹特征确定产生信号的辐射源个体。通过对雷达辐射源的识别,可以有效区分出敌我雷达,保证雷达信息的安全性,这在电子战中具有重要的军事意义。目前传统分类识别方法存在指纹特征提取困难,指纹识别正确率低等问题。本文提出了一种基于1D-CNN-LSTM(One Dimensional Convolutional Neural Network Long Short Term Memory)特定辐射源识别方法。该方法直接使用采集到的信号的同向相交分量（Inphase/Quadrature. I/Q）数据进行信号的特征提取,并实现了对于来自不同辐射源个体信号的识别与区分。该模型兼具卷积神经网络与长短时记忆网络的优点,它可以在提取抽象特征的同时进行时序分析。实验结果表明,1D-CNN-LSTM网络能够在复杂的电磁环境下实现对特定辐射源个体的更好识别。     

基于指纹识别的通信电台识别仿真算法研究

研究电台准确识别的问题。在准确跟踪敌台活动、检测有效信息的过程中,由于信号受到哭声影响,实现识别较难。当待识别电台是相同调制模式和型号的不同电台个体,发射信号的差别非常细微。传统的关于暂态信号的识别方法是利用瞬间的暂态信号提取细微特征信息,造成信号的信噪比不高,不能正确识别电台信号。为了解决上述难题,提出了应用电台指纹的电台识别技术,通过对电台的稳态信号进行分析,计算信号的双谱特性,采用方形双谱和核主元分析算法,提取出信号中细微的指纹信息,通过分析电台的指纹信息完成电台的识别。实验表明,这种方法能够准确将差别细微的电台识别出来,避免传统方法信噪比不高的问题,保证了电台识别的准确率,取得了满意的结果。     

信号指纹识别技术发展与应用

由于制造工艺的细微差别,通信辐射源内部电路存在硬件差异,其发射信号会体现出区别于其他辐射源个体的特征,即为信号指纹。利用信号指纹识别技术,可以识别同型号的不同辐射源个体,进行信号追踪、监测,实现军事打击。论述了信号指纹识别技术的原理,分析了国内外关于信号指纹提取与识别的研究现状,展望了该技术未来在军事和民用领域的应用。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

基于经验小波变换的结构损伤特征提取

为了更好地提取结构损伤特征信息,提出了基于经验小波变换(EWT)和希尔伯特变换的振动信号分析方法。首先,用EWT对结构损伤加速度振动信号的频谱进行自适应分割,然后提取不同的调幅-调频(A M-AF)分量,最后对其进行希尔伯特变换,获取瞬时频率。仿真和工程实验结果表明:经验小波变换相对于经验模态分解(E MD)可以更好地提取信号的各个特征分量,为信号时频处理奠定基础,且分解的模态少,不存在虚假模态。同时,EWT与Hilbert的结合更进一步验证了该方法的有效性。     

基于功率谱特征的Wi-Fi射频指纹提取方法

近年来,利用射频指纹(Radio Frequency Fingerprint,RFF)技术对设备进行识别认证,构建保密通信系统成为研究的热点.相比于传统的认证体制,射频指纹利用设备本身的硬件特性进行识别,具有更高的安全性.与其他射频技术相比,Wi-Fi信号频谱更宽,应用更加广泛,但也更容易受室内多径干扰,造成对Wi-F...     

基于固有时间尺度分解模型的通信辐射源特征提取算法

针对当前通信辐射源个体识别方法准确率不高,特征提取效率不高等问题,提出了基于时间尺度分解(ITD)模型的通信辐射源特征提取算法。该算法提取了原始信号特征、信号经ITD分解后得到的固有旋转分量特征以及瞬时幅频谱的特征组成特征向量,使用支持向量机(SVM)得到分类结果。通过6部实际电台的分类实验结果表明：该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且相对与经验模态分解(EMD)的特征提取在分类效果及运算效率上都有一定程度的提升。     

基于投影信号谱分析的指纹纹线间距估计方法

准确估计指纹纹线间距对指纹图像分割、增强及指纹细节特征提取具有重要意义。针对现有纹线间距估计方法存在的不足,提出了一种基于纹线方向投影信号谱分析的指纹纹线间距估计方法。该方法首先对指纹块方向图进行选择性平滑以滤除噪声干扰,然后计算方向投影信号的傅立叶变换能量谱,并通过谱分析提取信号基频,以此估计出纹线间距。实验结果表明,与现有的一些典型方法相比,该文方法对于纹线间距的估计更为准确、可靠。     

基于边际Fisher深度自编码器的电台指纹特征提取*

针对在少量有标签样本条件下传统方法训练不充分而且难以准确提取通信电台指纹特征的问题,文中提出基于边际Fisher深度自编码器的电台指纹特征提取算法.以深度自编码器为基础,训练过程分为无监督预训练、基于边际Fisher映射的有监督训练两部分.首先挖掘海量无标签样本中包含的电台个体类别信息,用于深度自编码器最优参数训练.然后在有标签样本的辅助下对训练参数进行基于边际Fisher映射的有监督精校,提高指纹特征对同类型电台个体的鉴别能力.在多个通信电台数据集上进行的分类识别实验表明,文中算法能在小样本训练条件下有效表达同类型通信电台个体之间的差异.     

An enhanced empirical wavelet transform for noisy and non-stationary signal processing

As an alternative method of empirical mode decomposition (EMD), the empirical Wavelet transform (EWT) method was proposed to realize the signal decomposition by constructing an adaptive filter bank. Though the EWT method has been demonstrated its effectiveness in some applications, it becomes invalid in analyzing some noisy and non-stationary signals due to its improper segmentation in the frequency domain. In this paper, an enhanced empirical wavelet transform method is proposed. This method takes advantage of the waveform in the frequency domain of a signal to eliminate drawbacks of the EWT method in the spectrum segmentation. It modifies the segmentation algorithm by adopting the envelope approach based on the order statistics filter (OSF) and applying criteria to pick out useful peaks. With these measures, the proposed method obtains a perfect segmentation in decomposing noisy and non-stationary signals. Furthermore, simulated and experimental signals are used to verify the effectiveness of the proposed method.     

基于CMFS-MIC特征选择的跳频电台个体识别方法

针对跳频电台细微特征集中存在冗余特征等导致电台识别时存在计算量大、识别准确率低等问题,提出了一种基于CMFS-MIC特征选择的跳频电台个体识别方法。首先计算采集到的各个跳频电台信号样本的细微特征集,然后采用关联信息熵度量特征子集的组合效应,兼顾考虑特征间的关联关系和冗余关系对各个特征进行降序排序。在此基础上,采用最大信息系数度量的近似马尔可夫毯方法删除冗余特征,实现对特征子集进行优化和降维。最后,设计了投票组合分类器实现对4部跳频电台信号的识别。仿真结果表明,本文算法具有更高的分选识别率。