魏迎軍,王 磊,黃麗剛,申 振

(1.黃淮學(xué)院機(jī)械與能源工程學(xué)院,河南 駐馬店 463000;2.河南工業(yè)大學(xué)理學(xué)院,鄭州 450001; 3.中國洛陽電子裝備試驗(yàn)中心,河南 洛陽 471003)

項(xiàng)目來源:裝備預(yù)研共用技術(shù)基金項(xiàng)目(9140A33030413KG33001)

2017-05-02修改日期2017-06-26

基于成分分析的射頻干擾源個(gè)體識(shí)別*

魏迎軍1*,王 磊2,黃麗剛3,申 振3

(1.黃淮學(xué)院機(jī)械與能源工程學(xué)院,河南 駐馬店 463000;2.河南工業(yè)大學(xué)理學(xué)院,鄭州 450001; 3.中國洛陽電子裝備試驗(yàn)中心,河南 洛陽 471003)

射頻干擾源個(gè)體識(shí)別在軍事領(lǐng)域有重要的應(yīng)用價(jià)值,相關(guān)的研究成果較少。從分析射頻干擾源穩(wěn)態(tài)信號(hào)的各種成分出發(fā),提出了基于成分分析的射頻干擾源個(gè)體識(shí)別方法。該方法首先對干擾源穩(wěn)態(tài)信號(hào)進(jìn)行成分分離和恢復(fù),然后選取最能反映個(gè)體差異的若干個(gè)次成分進(jìn)行特征降維和識(shí)別。通過實(shí)測數(shù)據(jù)實(shí)驗(yàn)證明了該方法的識(shí)別效果,并和現(xiàn)有的基于經(jīng)驗(yàn)?zāi)B(tài)分解的個(gè)體識(shí)別方法進(jìn)行了比較。結(jié)果表明該方法要優(yōu)于現(xiàn)有的方法,并且受信噪比影響較小,在5 dB～20 dB的信噪比范圍內(nèi)識(shí)別率在80%以上。

電子對抗;個(gè)體識(shí)別;成分分析;射頻干擾源

特征提取是射頻干擾源個(gè)體識(shí)別的核心內(nèi)容,涉及多個(gè)領(lǐng)域的方法和知識(shí)。特征提取質(zhì)量的優(yōu)劣對后續(xù)分類器設(shè)計(jì)的復(fù)雜度和識(shí)別率有著重要影響。目前射頻干擾源個(gè)體識(shí)別相關(guān)的研究成果非常少見,而電臺(tái)個(gè)體識(shí)別則已經(jīng)有了一定的研究基礎(chǔ),它們之間具備一定的相似性和關(guān)聯(lián)性。陳金等人通過分析瞬時(shí)頻率的概率分布函數(shù),提出了改進(jìn)相位擬合的方法,利用瞬時(shí)頻率估計(jì)值建立正態(tài)云,從而轉(zhuǎn)化為隸屬度進(jìn)行識(shí)別,然而實(shí)際生產(chǎn)出來的同一型號(hào)同一批次電臺(tái)個(gè)體的頻率穩(wěn)定度非常高,個(gè)體之間的差異非常微弱,識(shí)別效果不理想[1]。溫玉倉等人使用矩形雙譜和核主元分析的方法提取電臺(tái)的指紋特征,實(shí)現(xiàn)了電臺(tái)個(gè)體識(shí)別,該方法隨著電臺(tái)個(gè)體種類的增加分類性能會(huì)下降[2]。錢祖平等人針對雙譜特征提取算法的不足,提出了基于高階譜和時(shí)域分析的電臺(tái)穩(wěn)態(tài)特征提取算法,實(shí)現(xiàn)了識(shí)別率的較大提高,但是該方法需要的數(shù)據(jù)量較大,過程復(fù)雜[3]。Bradford等人把類時(shí)頻分布特征應(yīng)用于信號(hào)分類[4],該算法對于不同訓(xùn)練樣本需要不同的最優(yōu)核函數(shù)。趙國慶等人把小波和分形理論相結(jié)合,用于不同頻率穩(wěn)定度電臺(tái)的個(gè)體識(shí)別,同樣在實(shí)際應(yīng)用中性能不佳[5]。為進(jìn)一步提高射頻干擾源穩(wěn)態(tài)信號(hào)個(gè)體特征的穩(wěn)定性和個(gè)體識(shí)別率,本文提出了基于成分分析的射頻干擾源個(gè)體識(shí)別方法,并和經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行了對比,實(shí)測數(shù)據(jù)實(shí)驗(yàn)證明了所提方法的有效性。該方法提取的次要成分特征穩(wěn)定性好,受信噪比影響較小,識(shí)別率較高。

1 理論和算法

1.1 基于經(jīng)驗(yàn)?zāi)B(tài)分解的干擾源個(gè)體識(shí)別

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)是Huang等人提出的一種信號(hào)分析方法[6-7],它可以根據(jù)信號(hào)自身的特點(diǎn)構(gòu)造基函數(shù),避免了傳統(tǒng)方法固定基的缺陷,在很多應(yīng)用領(lǐng)域取得了非常好的效果,備受研究者的青睞。信號(hào)通過經(jīng)驗(yàn)?zāi)B(tài)分解可以變成若干個(gè)本征模態(tài)函數(shù)(IMF)。經(jīng)驗(yàn)?zāi)B(tài)分解的算法流程如圖1所示,其中篩分過程停止的準(zhǔn)則通過規(guī)定標(biāo)準(zhǔn)差的大小來控制,標(biāo)準(zhǔn)差SD要滿足如式(1)的要求,ε通常取0.2～0.3范圍之間的數(shù)[8]。終止條件為殘余項(xiàng)rj(t)小于某一預(yù)定的值或者單調(diào)變化,此時(shí)的殘余項(xiàng)已經(jīng)不能再分解出新的本征模函數(shù)分量。

(1)

基于經(jīng)驗(yàn)?zāi)B(tài)分解的干擾源個(gè)體識(shí)別方法首先利用經(jīng)驗(yàn)?zāi)B(tài)分解算法把干擾源穩(wěn)態(tài)信號(hào)中的主要成分和雜散成分提取出來,然后把處理后的雜散成分作為干擾源個(gè)體特征輸入分類器進(jìn)行識(shí)別[9]。由穩(wěn)態(tài)信號(hào)個(gè)體特征的產(chǎn)生機(jī)理可知雜散成分是產(chǎn)生個(gè)體特征的一種重要來源,這種方法避免了主要成分的干擾。經(jīng)驗(yàn)?zāi)B(tài)分解產(chǎn)生的各本征模態(tài)函數(shù)分量按照頻率從高到低排列。實(shí)際干擾源個(gè)體穩(wěn)態(tài)信號(hào)中的雜散成分頻率和數(shù)目都不確定,只能結(jié)合數(shù)據(jù)進(jìn)行分析。經(jīng)對實(shí)測數(shù)據(jù)進(jìn)行分析,主要成分可能存在于信號(hào)的低頻分量,而雜散成分可能存在于信號(hào)的中高頻分量。這樣就可以選取經(jīng)驗(yàn)?zāi)B(tài)分解后的中高頻本征模分量作為雜散成分,對其進(jìn)行傅里葉變換得到頻域表示,把頻域的能量作為提取的干擾源個(gè)體特征進(jìn)行分類識(shí)別。

圖1 經(jīng)驗(yàn)?zāi)B(tài)分解的算法流程[8]

1.2 基于成分分析的干擾源個(gè)體識(shí)別

基于成分分析的干擾源個(gè)體識(shí)別方法認(rèn)為干擾源穩(wěn)態(tài)信號(hào)由3種成分組成,如式(2)所示,其中X表示穩(wěn)態(tài)信號(hào),C表示信號(hào)自身調(diào)制信息,I表示個(gè)體特征,N表示系統(tǒng)噪聲。

X=C+I=N

(2)

這3種成分在能量上具有如式(3)的大小關(guān)系,因此C稱作主要成分,I稱作次要成分。這兩種成分對于分類識(shí)別的貢獻(xiàn)和效果非常不同。

‖C‖>‖I‖>‖N‖

(3)

為了分析和對比不同成分對于個(gè)體識(shí)別的效果,需要采用一定的方法把各種成分給分離出來。受人臉識(shí)別中“特征臉”方法啟發(fā)[10-13],這里提出了“特征干擾源”方法來分離和恢復(fù)各個(gè)成分。

第七，進(jìn)一步強(qiáng)化水利國有資產(chǎn)管理。隨著水利投入的增加，水利資產(chǎn)的規(guī)模也將不斷擴(kuò)大，管好新增水利國有資產(chǎn)責(zé)任重大，任務(wù)艱巨。要按照分級(jí)、分類、授權(quán)管理的原則，全面落實(shí)水利國有資產(chǎn)管理責(zé)任制，抓緊完善水利國有資產(chǎn)管理體制機(jī)制，切實(shí)防止水利國有資產(chǎn)流失。要認(rèn)真做好產(chǎn)權(quán)登記和資產(chǎn)統(tǒng)計(jì)，完善分類監(jiān)管制度，對行政事業(yè)單位資產(chǎn)，要強(qiáng)化資產(chǎn)收益管理，確保水利國有資產(chǎn)保值增值。對水利經(jīng)營性資產(chǎn)，要推進(jìn)經(jīng)營性水管單位和企業(yè)的整合重組，建立和完善法人治理結(jié)構(gòu)，不斷提高經(jīng)營性資產(chǎn)使用效益。

“特征干擾源”方法分離各個(gè)成分的步驟如下:

①從穩(wěn)態(tài)信號(hào)中提取的單個(gè)樣本表示為xi=(xi1,xi2,…,xip),n個(gè)樣本組成采樣矩陣X=[x1,x2,…,xn]。

②求取采樣矩陣的協(xié)方差陣Σ。

(4)

③把協(xié)方差矩陣作特征值分解。

Σαi=λiαi,i=1,2,…,p

(5)

④特征值按降序排列λ1≥λ2≥…≥λp

⑤特征值對應(yīng)的特征向量稱作“特征干擾源”,第k個(gè)特征干擾源對應(yīng)的變換矩陣A=[αk]。

⑥樣本xi在第k個(gè)特征干擾源上的投影為

ξk=ATxi

(6)

⑦樣本xi的第k個(gè)成分為

(7)

2 實(shí)測數(shù)據(jù)實(shí)驗(yàn)

本文基于實(shí)測數(shù)據(jù)對射頻干擾源個(gè)體識(shí)別方法進(jìn)行研究,實(shí)驗(yàn)數(shù)據(jù)采集自同一型號(hào)同一批次的6部個(gè)體,實(shí)驗(yàn)條件是實(shí)驗(yàn)室環(huán)境,外界的干擾較少,實(shí)驗(yàn)儀器是某型信號(hào)采集設(shè)備,干擾源是某型通信干擾設(shè)備,調(diào)制樣式是調(diào)頻,中心頻率75 MHz,采樣率371 kHz,信噪比為20 dB。

首先研究基于經(jīng)驗(yàn)?zāi)B(tài)分解的干擾源個(gè)體識(shí)別方法,樣本長度設(shè)為N=1 024。從實(shí)測數(shù)據(jù)中選取一個(gè)樣本,對其進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到各本征模態(tài)分量,時(shí)域波形如圖2所示。從圖2的結(jié)果可以看出雜散成分可能位于IMF1和IMF2這兩個(gè)分量,因此把這兩個(gè)分量的頻域能量作為個(gè)體特征用于識(shí)別分類。

圖2 各本征模分量的時(shí)域波形

其次研究基于成分分析的干擾源個(gè)體識(shí)別方法,參數(shù)設(shè)置為p=100,n=1 024。在特征值譜上,較大的特征值部分對應(yīng)主要成分,中間的特征值部分對應(yīng)次要成分,較小的特征值部分對應(yīng)系統(tǒng)噪聲。根據(jù)對實(shí)測數(shù)據(jù)特征值譜的觀察和分析,在主要成分區(qū)間選取k=1,k=2,k=3等3個(gè)成分進(jìn)行分離和恢復(fù),在次要成分區(qū)間選取k=12,k=14,k=16等3個(gè)成分進(jìn)行分離和恢復(fù)。6類干擾源個(gè)體在不同成分下的頻域?qū)Ρ冉Y(jié)果如圖3所示,從圖上可以得出兩個(gè)結(jié)論:①主要成分的能量要大于次要成分的能量;②主要成分的頻譜集中在低頻附近,而次要成分的頻譜較為分散,從低頻到高頻范圍都有,兩者的頻譜混疊,不存在清晰的獨(dú)立區(qū)間。

最后定量研究兩種個(gè)體識(shí)別方法對實(shí)測數(shù)據(jù)的識(shí)別效果。對每類電臺(tái)分別提取100個(gè)樣本,每個(gè)樣本長度為1 024,其中一半樣本用作訓(xùn)練,一半樣本用作測試。按照成分分析的方法分離和恢復(fù)出k=1,k=2,k=3等3個(gè)主成分和k=12,k=14,k=16等3個(gè)次成分,并對3個(gè)次成分按對應(yīng)特征值大小進(jìn)行加權(quán)求和得到組合次成分。分別使用這7種成分的特征進(jìn)行分類識(shí)別實(shí)驗(yàn),得到的識(shí)別率如表1所示。從表1的結(jié)果可以看到次成分區(qū)間的3個(gè)成分識(shí)別率要明顯高于主成分區(qū)間的3個(gè)成分,而組合次成分的識(shí)別率最高。這是由于次成分反映的是個(gè)體特征,不同個(gè)體之間的差異最大,對于個(gè)體識(shí)別的貢獻(xiàn)最大。通過一定的方法估計(jì)出實(shí)測數(shù)據(jù)的信噪比,根據(jù)需求加入不同的噪聲,分別得到了15 dB、10 dB、5 dB條件下的數(shù)據(jù),然后分別運(yùn)用本文提出方法和經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行分類,得到的識(shí)別結(jié)果如圖4所示。由圖4可以得出結(jié)論,基于成分分析的干擾源個(gè)體識(shí)別方法不僅優(yōu)于基于經(jīng)驗(yàn)?zāi)B(tài)分解的干擾源個(gè)體方法,而且受信噪比影響較小,在低信噪比條件下仍然具有較高的識(shí)別率。這是因?yàn)閺膱D3得出的結(jié)論可知經(jīng)驗(yàn)?zāi)B(tài)分解方法依據(jù)頻率論的思想并不能準(zhǔn)確反映干擾源個(gè)體之間的差異,而成分分析方法依據(jù)成分論思想可以很好的表達(dá)干擾源個(gè)體之間的差異。

圖3 不同成分下相同干擾源個(gè)體之間的頻域?qū)Ρ?/p>

圖4 兩種識(shí)別方法在不同信噪比條件下的效果對比

表1 7種成分特征的識(shí)別效果

3 結(jié)論

射頻干擾源個(gè)體識(shí)別技術(shù)是電子對抗領(lǐng)域一項(xiàng)新興技術(shù),具有十分重要的應(yīng)用前景。本文提出了基于成分分析的射頻干擾源個(gè)體識(shí)別方法,該方法首先對干擾源穩(wěn)態(tài)信號(hào)進(jìn)行成分分離和恢復(fù),然后選取最能反映個(gè)體差異的若干個(gè)次成分進(jìn)行特征降維和識(shí)別。實(shí)測數(shù)據(jù)實(shí)驗(yàn)表明該方法不僅優(yōu)于現(xiàn)有的基于經(jīng)驗(yàn)?zāi)B(tài)分解的干擾源個(gè)體識(shí)別方法,而且對噪聲不敏感,在較低信噪比下仍然具備較好的識(shí)別效果。

[1] 陳金,倪為民,錢祖平,等. 電臺(tái)識(shí)別的云模型算法研究[J]. 信號(hào)處理,2012,28(11):1529-1534.

[2] 溫玉倉,孫嚴(yán)冬,朱榮法. 基于指紋識(shí)別的通信電臺(tái)識(shí)別仿真算法研究[J]. 計(jì)算機(jī)仿真,2012,29(3):198-201.

[3] 錢祖平,許淵,邵尉,等. 基于高階譜和時(shí)域分析的電臺(tái)穩(wěn)態(tài)特征提取算法[J]. 電子與信息學(xué)報(bào),2013,35(7):1599-1605.

[4] Gillespie B W,Atlas L E. Optimizing Time-Frequency Kernels for Classification[J]. IEEE Transactions on Signal Processing,2001,49(3):485-496.

[5] 趙國慶,彭華,王彬,等. 一種基于小波和分形理論的電臺(tái)個(gè)體識(shí)別方法[J]. 信息工程大學(xué)學(xué)報(bào),2012,13(1):76-81.

[6] Huang N E,Shen Z,Long S R,et al. The Empirical Mode Decomposition and Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis[J]. Proc Roy Soc London A,1998,454:903-995.

[7] 梅婉欣,徐瑩,柯大觀. 基于HHT變換的腦電信號(hào)在不同閱讀模式下的識(shí)別與分類[J]. 傳感技術(shù)學(xué)報(bào),2016,29(10):1471-1477.

[8] 黃文君. 子帶EMD分解算法[D]. 西安:西安電子科技大學(xué),2011.

[9] 梁江海,黃知濤,袁英俊,等. 一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的通信輻射源個(gè)體識(shí)別方法[J]. 中國電子科學(xué)研究院學(xué)報(bào),2013,8(4):393-397.

[10] 張學(xué)工. 模式識(shí)別[M]. 3版. 北京:清華大學(xué)出版社,2010.

[11] 王雨虹,付華,張洋. 基于KPCA和CIPSO-PNN的煤與瓦斯突出強(qiáng)度辨識(shí)模型[J]. 傳感技術(shù)學(xué)報(bào),2015,28(2):271-277.

[12] 付華,李海霞,盧萬杰,等. 一種改進(jìn)的極限學(xué)習(xí)機(jī)煤與瓦斯突出預(yù)測模型[J]. 傳感技術(shù)學(xué)報(bào),2016,29(1):69-74.

[13] 閆馨,付華,屠乃威. 基于PCA和案例推理的煤與瓦斯突出動(dòng)態(tài)預(yù)測[J]. 傳感技術(shù)學(xué)報(bào),2015,28(7):1028-1034.

IndividualIdentificationoftheRadioFrequencyInterferenceSourcesBasedonComponentAnalysis*

WEIYingjun1,WANGLei2,HUANGLigang3,SHENZhen3

(1.Huanghuai University,Zhumadian He’nan 463000,China;2.Henan University of Technology,Zhengzhou 450001,China; 3.Luoyang Electronic Equipment Test Center of China,Luoyang He’nan 471003,China)

The individual identification of radio frequency interference sources has important application value in the military field,but the related research is few. Individual identification method of the radio frequency interference sources based on component analysis is proposed through analyzing the various components of the stable signal of radio frequency interference emitter in this paper. Firstly,the various components of the stable signal of interference sources are separated and recovered,then the subordinate components that can make the individual differences obvious are selected for feature dimension reduction and identification in the proposed method. The real data experiment has shown the identification result of the proposed method comparing with the existing method based on empirical mode decomposition. The result has shown that the proposed method is superior to the existing method,and is not sensitive to the signal-to-noise ratio(SNR)with the recognition rate over 80% in the SNR range of 5 dB～20 dB.

electronic countermeasures;individual identification;component analysis;radio frequency interference sources

TN975

A

1004-1699(2017)10-1531-05

10.3969/j.issn.1004-1699.2017.10.013

魏迎軍(1979-),男,漢族,河南省遂平縣人,碩士,講師,研究方向?yàn)楣鈱W(xué)。