吳俊

四川大學(xué)電子信息學(xué)院 四川 成都 610065

引言

特定輻射源識(shí)別根據(jù)其獨(dú)特特征將單個(gè)發(fā)射器與其他發(fā)射器區(qū)分開，從而識(shí)別出不同的發(fā)射器[1]。特定輻射源識(shí)別技術(shù)主要用于軍事通信中。隨著新技術(shù)的出現(xiàn)，例如自組織網(wǎng)絡(luò)和認(rèn)知無線電，它變得越來越重要。

基于發(fā)射器的工作方式，特定輻射源識(shí)別可以利用瞬態(tài)或穩(wěn)態(tài)信號(hào)[2]進(jìn)行發(fā)射器識(shí)別。瞬態(tài)信號(hào)也稱為開/關(guān)信號(hào)，它提供了適合于發(fā)射器識(shí)別的獨(dú)特特性。 要提取瞬態(tài)信號(hào)的特征，主要方法是通過檢測(cè)噪聲的起點(diǎn)和終點(diǎn)來提取瞬態(tài)信號(hào)。但是，瞬態(tài)信號(hào)的持續(xù)時(shí)間短且難以捕獲。它容易受到復(fù)雜信道的干擾，并影響發(fā)射器的識(shí)別效果。穩(wěn)態(tài)信號(hào)在整個(gè)信號(hào)的瞬態(tài)開始和結(jié)束之間傳輸。與瞬態(tài)信號(hào)相比，穩(wěn)態(tài)信號(hào)的檢測(cè)和采集更加簡(jiǎn)單。然而，由于穩(wěn)態(tài)特征容易被破壞，使得穩(wěn)態(tài)特征的提取變得困難。對(duì)于穩(wěn)態(tài)信號(hào)，最常用的方法是基于時(shí)頻分析算法[3]。

目前，提出基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）來處理信號(hào)。接著，變分模態(tài)分解（Variational Mode Decomposition，VMD）[4]也應(yīng)用于特定輻射源識(shí)別。眾所周知，EMD算法對(duì)采樣和噪聲極其敏感，VMD算法有更好的魯棒性。然而，VMD算法的輸入?yún)?shù)是人為輸入，而本文所考慮的主要問題是如何解決參數(shù)自適應(yīng)，故提出一種基于AVMD的識(shí)別算法，與基于VMD和EMD的算法相比，該方法具有更好地識(shí)別性能。

1 系統(tǒng)模型

在輻射源信號(hào)生成過程中，功率放大器是主要影響因素，功放固有的非線性和記憶效應(yīng)會(huì)使得信號(hào)非線性失真。這里我們采用非線性記憶多項(xiàng)式模型[1]來表示這種信號(hào)：

2 AVMD分解

與許多典型的分割方法類似，VMD需要預(yù)先知道它的輸入?yún)?shù)。在VMD分解中，懲罰因子與分解層數(shù)是主要影響分解結(jié)果的因素。其中，懲罰因子影響分解精度。相比于分解模態(tài)數(shù)，只會(huì)影響到分解結(jié)果的精確程度，而值則直接影響分解結(jié)果是否正確，所以在此對(duì)K值進(jìn)行深入研究。

針對(duì)以上問題，提出一種利用峭度來確定K值得方法。依次選取的整數(shù)，對(duì)原始信號(hào)序列進(jìn)行VMD，經(jīng)過VMD過后得到多個(gè)固有模態(tài)函數(shù)(intrinsic mode function，IMF)。選取相關(guān)系數(shù)最大的IMF作為最優(yōu)模態(tài)。接著，計(jì)算最優(yōu)分量的峭度，選取峭度最大時(shí)的值作為最優(yōu)分解模態(tài)數(shù)。計(jì)算出時(shí)相關(guān)系數(shù)最大分量的峭度，并繪制峭度變化曲線，若在該曲線上沒有峰值且單調(diào)遞增，則繼續(xù)計(jì)算當(dāng)K為是的相關(guān)系數(shù)最大分量的峭度值，重復(fù)以上步驟。以峭度最大為優(yōu)化標(biāo)準(zhǔn)，當(dāng)峭度最大時(shí)，K為最佳選擇。我們將AVMD的算法流程表示為

3 分類算法

本文提出的算法通過測(cè)量希爾伯特譜的偏度(Hilbert Spectrum skewness，HS)來提取特征。首先，對(duì)進(jìn)行希爾伯特變換；接著，提取希爾伯特譜的偏度作為識(shí)別特征；最后，送入KNN分類器。偏度可以統(tǒng)計(jì)數(shù)據(jù)分布非對(duì)稱程度，表示如下：

訓(xùn)練階段：輻射源類數(shù)P，每類數(shù)量

（1）原始信號(hào)經(jīng)過AVMD，得到K個(gè)IMF分量；

（2）對(duì)各個(gè)IMF進(jìn)行希爾伯特變換，求得希爾伯特譜；

（6）測(cè)試序列并沒有標(biāo)簽，利用訓(xùn)練階段的KNN分類器對(duì)測(cè)試序列進(jìn)行識(shí)別。

4 實(shí)驗(yàn)分析

在本小節(jié)中，我們通過各種數(shù)值實(shí)驗(yàn)對(duì)所提出的算法進(jìn)行性能評(píng)估，以正確識(shí)別率作為性能度量標(biāo)準(zhǔn)。輻射源信號(hào)的調(diào)制格式為4QAM，采樣頻率10GHz，載波頻率2GHz，每個(gè)時(shí)間序列為500個(gè)采樣點(diǎn)，序列時(shí)間為50，系統(tǒng)模型的記憶效應(yīng)偏移為，多項(xiàng)式階數(shù)，所采用的非線性系數(shù)分別為：，。

圖1 算法對(duì)比圖

將本文所提算法與文獻(xiàn)[4]算法進(jìn)行比較。VMD-SF算法設(shè)置。我們將AVMD-HS算法、VMD-SF算法EMD-EM算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如圖1(a)所示，AVMD-HS算法的平均識(shí)別率比VMD-SF和EMD-EM分別高出6%、10%，當(dāng)AVMD-HS算法在信噪比高于0dB時(shí)，識(shí)別率就會(huì)達(dá)到80%，而VMD-SF算法和EMD-EM算法則需要信噪比分別高于3dB和7dB。低信噪比時(shí)，EMD-EM識(shí)別效果下降更為明顯。接著，加重記憶效應(yīng)，以此來增加識(shí)別難度，將記憶效應(yīng)的時(shí)間偏移增加為0.3。實(shí)驗(yàn)結(jié)果如圖1(b)，我們可以看出，當(dāng)記憶效應(yīng)加重的情況下，VMD-SF算法和EMD-EM算法識(shí)別率下降嚴(yán)重，平均下降了7.3%和6.6%，而AVMD-HS平均識(shí)別率只下降了5.4%，并且在3dB時(shí)，識(shí)別率超過了80%，達(dá)到了有效識(shí)別的程度。

綜合對(duì)比來看，AWMD-HS算法無論是在識(shí)別效果，還是抗記憶效應(yīng)的效果，都要優(yōu)于VMD-SF算法和EMD-EM算法，具有更強(qiáng)的魯棒性。

5 結(jié)束語

本文提出了一種基于AVMD的特定輻射源識(shí)別算法。我們對(duì)不同識(shí)別算法對(duì)識(shí)別效果的影響進(jìn)行了仿真分析。本文的核心思想是利用自適應(yīng)變分模態(tài)分解得到最佳的分解效果，從而提升識(shí)別效果。所提方法的優(yōu)勢(shì)在于能有效解決變分模態(tài)分解不能自適應(yīng)求得分解模態(tài)的問題。在低信噪比下，也有不錯(cuò)的效果。