基于模糊聚类的常规通信信号自动分选方法*

吴 麒

(中国西南电子技术研究所，成都610036)



基于模糊聚类的常规通信信号自动分选方法*

吴 麒**

(中国西南电子技术研究所，成都610036)

为解决从干扰环境中自动分选出常规通信信号的问题，提出了一种基于模糊聚类的常规通信信号分选方法。该方法首先利用区分度函数确定最优的相关度阈值参数，然后利用模糊聚类算法对利用频域检测和测向得到的测量集进行信号分选，并对分选后的通信信号进行特征参数估计。实验结果表明，该算法能够在不做任何假定的条件下对常规通信信号进行正确分选，并对窄带信号的特征参数进行准确估计。

常规通信信号；信号分选;参数估计；模糊聚类；相关度阈值

1 引 言

随着近年来通信技术的日益发展，宽带无线电频谱接收机从密集的电磁环境中所侦收的数据中包含多种样式的信号，例如猝发信号、固定频率的常规通信信号以及其他各种信号。在通信信号处理中，上述侦收的宽带数据无法直接用于频谱数据分析，例如进行准确的调制方式识别与解调等。因此，在进行信号分析之前，必须先对接收的宽带数据进行分选，正确确定辐射源数量，并估计通信信号参数。

本文的工作主要是研究如何准确地自动确定信号数目，并从宽带数据中分选出载频固定的常规通信信号的方法。目前国外对于常规信号分选的研究相对较多，其研究成果主要体现在民用无线电频谱监测系统中，例如:美国安捷伦公司的E3238无线电频谱监测系统[1]以载波频率和带宽作为信号分选因子实现常规通信的分选，德国Medav公司的ARS8000系统[2]依据干涉仪测向结果实现常规通信信号分选。然而，这些公司产品所应用的技术并没有向社会公开，目前仅有很少的文献对通信信号分选技术进行了介绍[3-4]，且没有给出从宽带数据中分选常规通信信号的有效方法。国内在常规信号分选方面的研究工作较少，仅有贾可新等人[5-6]提出了基于测量集分割的层次聚类算法，该算法对频域和测向得到的测量集进行识别，并从中获取该测向集有贡献的窄带信号的特征参数。尽管该算法在常规通信信号分选中取得了较好的测试效果，但需满足正态性检验的条件较苛刻且其正态性检验方法要求样本容量在4～2 000之间的限制导致其难以在实际应用过程中被有效使用。因此，无样本容量限制且无需进行正态分布假设的模糊聚类算法更适用于常规通信信号分选问题。

本文以模糊聚类算法[7]为基础，且提出了能够自动选取最优相关度阈值的区分度计算函数，实现对常规通信信号的分选和参数估计，并通过仿真实验验证了该算法的有效性。本文提出的算法能够在无样本容量限制且不进行正态分布假设的条件下对常规通信信号进行正确的分选和参数估计。

2 问题描述

(1)

(2)

在处理之后，可以从中分选出常规通信信号，并对其特征参数进行估计。

图1 信道化测向系统

要对常规通信信号进行准确分选，首先需要对测量集合进行分割，也就是从第p次测量集合中选择不同频段对应的测量集：

(3)

3 基于模糊聚类的信号分选

Step 2 计算参考向量vi与其他比较向量vj之间的相关度得分，计算公式如下：

(4)

式中：i=1,2,…,TP,j=1,2,…,TP，‖vi-vj‖2代表向量vi与vj之间的欧几里得距离，σ为高斯函数的径向宽度。

Step3 利用公式(2)修改参考向量vi与其他比较向量vj之间的相关度得分：

(5)

式中：rth代表相关度阈值。

(6)

Step6 由以上步骤可知，聚类过程中具备相近特征的向量将逐渐汇聚在同一聚类中心。因此，将聚类类别数目作为通信信号个数，并将具备相同汇聚中心的原始采样数据归为同一信号类别。

从公式(4)和(5)可以看出，如果比较向量vj与参考向量vi的距离越近，那么其相关得分rij就会越高。相关度得分rij随着比较向量vj与参考向量vi距离的增加呈指数级下降，且低于预设阈值的相关度得分将被设置为0。

根据以上算法描述得知，只有相关度得分大于阈值的向量才会逐渐汇聚到一个中心。如果相关度阈值设定过高，那么可能会造成部分分类数据的丢失；如果相关度阈值设定过低，那么可能会造成部分不太相关的数据被汇聚到同一类别。综上所述，相关度阈值的准确设定至关重要。因此，最佳相关度阈值既要保证同类信号的相关度较高，同时也要保证不同类信号的相关度较低。基于此，本文设计了区分度函数来对相关度阈值进行最佳选择。

假定目前存在K个已识别的信号类别表示为s={s1,s2,…,sk}，而c={c1,c2,…,cK}为K个信号测量方位角的中心值，{x1,x2,…,xn}是K个已识别信号的方位角观测数据集合，那么xij表示测量方位角xi所对应的信号属于已识别信号sj，且sj的聚类中心为cj。rcij表示类别ci和cj之间的相关度得分，rxkij表示隶属于某个信号类别ck中的方位角xi和xj之间的相关度得分，rcij与rxkij可以通过公式(4)和(5)计算得知。本文综合利用不同类别间的相关度与同类别内的相关度比值来定义区分度，从而实现对相关度阈值进行准确设定。具体区分度计算公式如下：

(7)

式中：m为区分度平滑因子。引入区分度平滑因子主要是为了避免区分度函数分母为零，同时也为了避免其较大取值给区分度计算造成较大影响，因此暂取0.01。从以上公式可以看出，区分度要取得较高值，必须保证不同类间距离相对较大，同时保证同一类类别中的距离相对较小。因此，可以按照一定步进对相关度阈值进行设定，通过选取区分度最高值对应的相关度阈值完成对该参数的最优设置。在实际应用过程中，可以根据目标信号位置分布情况、方位角测量精度等参数生成初始样本数据，从而实现相关阈值的较优选取，待识别实际信号后，再根据实际信号分选情况更新最佳相关度阈值参数。

4 参数估计

根据前述的聚类算法对测量集合进行处理之后，假设sp为K个已识别的信号类别s={s1,s2,…sk}中的第p个信号，该信号的方位角集合为Xp={xp1,xp2,…,xpm}，对应的频率集合为Fp={fp1,fp2,…,fpm}，其中m为测量第p个信号测量集中方位角数量。通过如下步骤对该信号的方位角、载波频率和带宽进行估计：

(8)

Step 3 对Fp中的所有频率值进行整理，并通过计算其均值作为载波频率的估计值，且以Fp中最大频率与最小频率的差值作为对带宽的估计值；通过计算Fp中所有频率所对应的方位角的均值作为该信号方位角的估计。

5 仿真实验

本仿真实验的参数为采样频率5.12 MHz，FFT点数为1 024;功率谱估计的积累次数L为5，时间分辨率为1 ms;功率谱估计次数为M为100，那么总样本数为512 000，整个观察时间长度为100 ms；噪声为零均值的加性高斯白噪声，信噪比为5 dB。

常规通信信号为3个BPSK信号，其参数如表1所示。

表1 期望信号参数Tab.1 The signal parameters

整个电磁环境中模拟存在一个猝发干扰信号(信号4)。该猝发干扰信号为线性调频信号，其开始频率为2.25 MHz，终止频率为2.4 MHz，方位角参数为40°。

图2给出了上述4个信号经过频域检测后的时频图和频谱图。仅仅从时频图和频谱图上进行分析，图中仅包含两个常规定频通信信号，其原因是信号1和信号2的频率出现混合，从而被误认为一个通信信号。

(a)时频图

在实际使用过程中，可以根据拟侦收常规通信信号的先验知识，实现对不同信号间的区分度进行准确计算，从而根据区分度排序结果完成对相关度阈值的最佳设定。为了简化实验，本文利用上述3个常规通信以及猝发干扰信号的部分采样数据作为样本参数，从而完成对相关度阈值的设定。相关度阈值与区分度得分的关系如图3所示。

图3 区分度得分与相关度阈值的关系

从图中可以看出，在[0，0.85)区间内，区分度得分随着相关度阈值的增大呈阶梯状上升趋势，并在相关度阈值位于[0.85，0.95]区间内时，区分度得分处于最高值，其值为4.045；随后，区分度得分随着相关度阈值的增大呈下降趋势。当相关度阈值小于0.85时，少量隶属于不同类信号的角度测量值将被误判为相关，从而导致区分度得分大幅度降低；而当相关度阈值大于0.95时，隶属于同一类信号的角度测量值将被误判为不相关，从而导致区分度得分呈现缓慢下降的趋势。理论上讲，在[0.85，0.95]区间内选取任意相关度阈值，其信号分选效果是相似的。然而在实际应用过程中，目前测向算法[8-9]对于信号具备较高的测向精度，因此同类信号角度测量值的相关度较高，同时也为了更准确地判定不同类信号的角度测量值，故选取最大值0.95作为本次仿真实验相关度阈值的最优参数。

利用基于模糊聚类的常规通信信号自动分选方法对上述常规通信信号及扫频干扰信号进行处理，最终分选结果如表2所示。表中的前3行数据为利用该算法分选出的3个常规BPSK通信信号参数，从表中可以看出其能够正确对各信号的特征参数进行准确估计；表中的第4行为分选出的猝发干扰信号，可以从带宽参数上很明显的看出该信号与前3行信号不同。

表2 信号分选算法的处理结果列表Tab.2 The result of signal sorting

相对于基于测量集分割的层次聚类算法而言，该算法不仅需要进行类容量大小的主观设定，而且其采用的Shapiro-Wilk正态性检验方法存在要求样本容量在4～2 000之间的限制[10]，从而导致其在面对大量采样数据时难以发挥作用。然而，本文提出的算法在利用样本数据进行相关度阈值设定后，就能够实现对常规通信信号进行准确分选，且没有样本容量限制。综上所述，本文提出算法更适于处理常规通信信号自动分选问题。

6 结束语

本文提出了一种基于模糊聚类算法的常规通信信号自动分选算法，首先利用区分度函数估算出模糊聚类算法最佳参数，然后再利用模糊聚类算法对常规通信算法进行正确分选。仿真结果表明该算法能够在不用正态性假设以及无样本数量限制的条件下能够有效地对常规通信信号进行正确分选。不过，本文提出的算法的分选正确率严重依赖于测向算法的性能，因此后续将考虑采用空间谱测向算法提供更加准确的方位角参数，并结合频率等其他特征参数进行聚类以降低对测向精度的依赖。

[1] Agilent. Agilent E3238S/35688E signal intercept and collection system production overview[EB/OL].[2016-09-17]. http://cp.literature.agilent.com/litweb/pdf/5989-1505EN.pdf.

[2] MEDAV. ARS8000 automatic reconnaissance systems[EB/OL].[2016-09-17]. http://www.medav.de.

[3] FRANK R,KUNO K,HANS Z C. Feature extraction for HF band emitter location[C]//Proceedings of 2002 MILCOM. Anaheim,CA,USA:IEEE,2002:131-135.

[4] FRANK R,KUNO K,HANS Z C. HF-band emitter detection and segmentation based on image processing[C]//Proceedings of 2001 MILCOM.Anaheim,CA,USA: IEEE,2001:428-431.

[5] 贾可新，蒋林鸿，何子述.基于聚类分析的常规通信信号自动分选方法[J].计算机应用研究，2011，28(2)：661-664. JIA Kexin,JIANG Linhong,HE Zishu. Automatic sorting method of conventional communication signals based on clustering analysis[J].Application Research of Computers,2011，28(2)：661-664.(in Chinese)

[6] 贾可新，辛玉霞.一种基于聚类分析的跳频信号自动分选方法[J].航天电子对抗，2015，31(3)：52-55. JIA Kexin,XIN Yuxia. An automatic sorting method of frequency hopping signal based on clustering analysis[J].Aerospace Electronic Warfare,2015,31(3)：52-55.(in Chinese)

[7] WANG C C,CHEN C C.A hybrid clustering and gradient descent approach for fuzzy modeling[J].IEEE Transactions on Systems,Man,and Cybernetics-Part B: Cybernetics，1999，29(6)：686-693.

[8] 果然.基于中小孔径阵列的超分辨测向算法[D].哈尔滨：哈尔滨工业大学，2015. GUO Ran. The super-resolution DOA estimating algorithm based on arrays of small and medium aperture[D].Harbin: Harbin Institute of Technology，2015.(in Chinese)

[9] 俞春华.空间谱估计及其在短波测向定位中的应用研究[D].南京：南京大学，2015. YU Chunhua.Spatial spectrum estimation and its application to shortwave direction finding and location[D].Nanjing: Nanjing University，2015.(in Chinese)

[10] ROYSTON P. Approximating the Shapiro-Wilk W-test for non-normality[J].Statistics and Computing,1992(2):117-119.

Automatic Sorting of Conventional Communication SignalsBased on Fuzzy Clustering

WU Qi

(Southwest China Institute of Electronic Technology,Chengdu 610036,China)

To automatically sort conventional communication signals in interference environment,an automatic sorting method based on fuzzy clustering algorithm is proposed. Firstly,a differentiating function is used to calculate the optimal value of relevance threshold. Secondly,the fuzzy clustering algorithm is used to classify the signals included in measurement set derived from the result of frequency detection and direction finding. Finally,the basic characteristic parameters of each signal are estimated. Simulation results show that the algorithm can sort the conventional communication signals accurately in interference surroundings accurately without any assumption,and can estimate the characteristic parameters of narrow band signals correctly.

conventional communication signal；signal sorting；parameter estimation；fuzzy clustering；relevance threshold

10.3969/j.issn.1001-893x.2017.06.007

吴麒.基于模糊聚类的常规通信信号自动分选方法[J].电讯技术，2017,57(6):656-660.[WU Qi.Automatic sorting of conventional communication signals based on fuzzy clustering[J].Telecommunication Engineering,2017,57(6):656-660.]

2017-02-16；

2017-04-10 Received date:2017-02-16；Revised date：2017-04-10

TN971

A

1001-893X(2017)06-0656-05

吴 麒(1985—)，男，四川眉山人，2012年于四川大学获博士学位，现为工程师，主要研究方向为数据挖掘、通信侦察、信号分选。

Email:acuteleopard@163.com

**通信作者：acuteleopard@163.com Corresponding author：acuteleopard@163.com