基于成分分析的射频干扰源个体识别*

魏迎军,王 磊,黄丽刚,申 振

(1.黄淮学院机械与能源工程学院,河南 驻马店 463000;2.河南工业大学理学院,郑州 450001; 3.中国洛阳电子装备试验中心,河南 洛阳 471003)

项目来源:装备预研共用技术基金项目(9140A33030413KG33001)

2017-05-02修改日期2017-06-26

基于成分分析的射频干扰源个体识别*

魏迎军1*,王 磊2,黄丽刚3,申 振3

(1.黄淮学院机械与能源工程学院,河南 驻马店 463000;2.河南工业大学理学院,郑州 450001; 3.中国洛阳电子装备试验中心,河南 洛阳 471003)

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。

电子对抗;个体识别;成分分析;射频干扰源

特征提取是射频干扰源个体识别的核心内容,涉及多个领域的方法和知识。特征提取质量的优劣对后续分类器设计的复杂度和识别率有着重要影响。目前射频干扰源个体识别相关的研究成果非常少见,而电台个体识别则已经有了一定的研究基础,它们之间具备一定的相似性和关联性。陈金等人通过分析瞬时频率的概率分布函数,提出了改进相位拟合的方法,利用瞬时频率估计值建立正态云,从而转化为隶属度进行识别,然而实际生产出来的同一型号同一批次电台个体的频率稳定度非常高,个体之间的差异非常微弱,识别效果不理想[1]。温玉仓等人使用矩形双谱和核主元分析的方法提取电台的指纹特征,实现了电台个体识别,该方法随着电台个体种类的增加分类性能会下降[2]。钱祖平等人针对双谱特征提取算法的不足,提出了基于高阶谱和时域分析的电台稳态特征提取算法,实现了识别率的较大提高,但是该方法需要的数据量较大,过程复杂[3]。Bradford等人把类时频分布特征应用于信号分类[4],该算法对于不同训练样本需要不同的最优核函数。赵国庆等人把小波和分形理论相结合,用于不同频率稳定度电台的个体识别,同样在实际应用中性能不佳[5]。为进一步提高射频干扰源稳态信号个体特征的稳定性和个体识别率,本文提出了基于成分分析的射频干扰源个体识别方法,并和经验模态分解方法进行了对比,实测数据实验证明了所提方法的有效性。该方法提取的次要成分特征稳定性好,受信噪比影响较小,识别率较高。

1 理论和算法

1.1 基于经验模态分解的干扰源个体识别

经验模态分解(EMD)是Huang等人提出的一种信号分析方法[6-7],它可以根据信号自身的特点构造基函数,避免了传统方法固定基的缺陷,在很多应用领域取得了非常好的效果,备受研究者的青睐。信号通过经验模态分解可以变成若干个本征模态函数(IMF)。经验模态分解的算法流程如图1所示,其中筛分过程停止的准则通过规定标准差的大小来控制,标准差SD要满足如式(1)的要求,ε通常取0.2～0.3范围之间的数[8]。终止条件为残余项rj(t)小于某一预定的值或者单调变化,此时的残余项已经不能再分解出新的本征模函数分量。

(1)

基于经验模态分解的干扰源个体识别方法首先利用经验模态分解算法把干扰源稳态信号中的主要成分和杂散成分提取出来,然后把处理后的杂散成分作为干扰源个体特征输入分类器进行识别[9]。由稳态信号个体特征的产生机理可知杂散成分是产生个体特征的一种重要来源,这种方法避免了主要成分的干扰。经验模态分解产生的各本征模态函数分量按照频率从高到低排列。实际干扰源个体稳态信号中的杂散成分频率和数目都不确定,只能结合数据进行分析。经对实测数据进行分析,主要成分可能存在于信号的低频分量,而杂散成分可能存在于信号的中高频分量。这样就可以选取经验模态分解后的中高频本征模分量作为杂散成分,对其进行傅里叶变换得到频域表示,把频域的能量作为提取的干扰源个体特征进行分类识别。

图1 经验模态分解的算法流程[8]

1.2 基于成分分析的干扰源个体识别

基于成分分析的干扰源个体识别方法认为干扰源稳态信号由3种成分组成,如式(2)所示,其中X表示稳态信号,C表示信号自身调制信息,I表示个体特征,N表示系统噪声。

X=C+I=N

(2)

这3种成分在能量上具有如式(3)的大小关系,因此C称作主要成分,I称作次要成分。这两种成分对于分类识别的贡献和效果非常不同。

‖C‖>‖I‖>‖N‖

(3)

为了分析和对比不同成分对于个体识别的效果,需要采用一定的方法把各种成分给分离出来。受人脸识别中“特征脸”方法启发[10-13],这里提出了“特征干扰源”方法来分离和恢复各个成分。

第七，进一步强化水利国有资产管理。随着水利投入的增加，水利资产的规模也将不断扩大，管好新增水利国有资产责任重大，任务艰巨。要按照分级、分类、授权管理的原则，全面落实水利国有资产管理责任制，抓紧完善水利国有资产管理体制机制，切实防止水利国有资产流失。要认真做好产权登记和资产统计，完善分类监管制度，对行政事业单位资产，要强化资产收益管理，确保水利国有资产保值增值。对水利经营性资产，要推进经营性水管单位和企业的整合重组，建立和完善法人治理结构，不断提高经营性资产使用效益。

“特征干扰源”方法分离各个成分的步骤如下:

①从稳态信号中提取的单个样本表示为xi=(xi1,xi2,…,xip),n个样本组成采样矩阵X=[x1,x2,…,xn]。

②求取采样矩阵的协方差阵Σ。

(4)

③把协方差矩阵作特征值分解。

Σαi=λiαi,i=1,2,…,p

(5)

④特征值按降序排列λ1≥λ2≥…≥λp

⑤特征值对应的特征向量称作“特征干扰源”,第k个特征干扰源对应的变换矩阵A=[αk]。

⑥样本xi在第k个特征干扰源上的投影为

ξk=ATxi

(6)

⑦样本xi的第k个成分为

(7)

2 实测数据实验

本文基于实测数据对射频干扰源个体识别方法进行研究,实验数据采集自同一型号同一批次的6部个体,实验条件是实验室环境,外界的干扰较少,实验仪器是某型信号采集设备,干扰源是某型通信干扰设备,调制样式是调频,中心频率75 MHz,采样率371 kHz,信噪比为20 dB。

首先研究基于经验模态分解的干扰源个体识别方法,样本长度设为N=1 024。从实测数据中选取一个样本,对其进行经验模态分解得到各本征模态分量,时域波形如图2所示。从图2的结果可以看出杂散成分可能位于IMF1和IMF2这两个分量,因此把这两个分量的频域能量作为个体特征用于识别分类。

图2 各本征模分量的时域波形

其次研究基于成分分析的干扰源个体识别方法,参数设置为p=100,n=1 024。在特征值谱上,较大的特征值部分对应主要成分,中间的特征值部分对应次要成分,较小的特征值部分对应系统噪声。根据对实测数据特征值谱的观察和分析,在主要成分区间选取k=1,k=2,k=3等3个成分进行分离和恢复,在次要成分区间选取k=12,k=14,k=16等3个成分进行分离和恢复。6类干扰源个体在不同成分下的频域对比结果如图3所示,从图上可以得出两个结论:①主要成分的能量要大于次要成分的能量;②主要成分的频谱集中在低频附近,而次要成分的频谱较为分散,从低频到高频范围都有,两者的频谱混叠,不存在清晰的独立区间。

最后定量研究两种个体识别方法对实测数据的识别效果。对每类电台分别提取100个样本,每个样本长度为1 024,其中一半样本用作训练,一半样本用作测试。按照成分分析的方法分离和恢复出k=1,k=2,k=3等3个主成分和k=12,k=14,k=16等3个次成分,并对3个次成分按对应特征值大小进行加权求和得到组合次成分。分别使用这7种成分的特征进行分类识别实验,得到的识别率如表1所示。从表1的结果可以看到次成分区间的3个成分识别率要明显高于主成分区间的3个成分,而组合次成分的识别率最高。这是由于次成分反映的是个体特征,不同个体之间的差异最大,对于个体识别的贡献最大。通过一定的方法估计出实测数据的信噪比,根据需求加入不同的噪声,分别得到了15 dB、10 dB、5 dB条件下的数据,然后分别运用本文提出方法和经验模态分解方法进行分类,得到的识别结果如图4所示。由图4可以得出结论,基于成分分析的干扰源个体识别方法不仅优于基于经验模态分解的干扰源个体方法,而且受信噪比影响较小,在低信噪比条件下仍然具有较高的识别率。这是因为从图3得出的结论可知经验模态分解方法依据频率论的思想并不能准确反映干扰源个体之间的差异,而成分分析方法依据成分论思想可以很好的表达干扰源个体之间的差异。

图3 不同成分下相同干扰源个体之间的频域对比

图4 两种识别方法在不同信噪比条件下的效果对比

表1 7种成分特征的识别效果

3 结论

射频干扰源个体识别技术是电子对抗领域一项新兴技术,具有十分重要的应用前景。本文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。实测数据实验表明该方法不仅优于现有的基于经验模态分解的干扰源个体识别方法,而且对噪声不敏感,在较低信噪比下仍然具备较好的识别效果。

[1] 陈金,倪为民,钱祖平,等. 电台识别的云模型算法研究[J]. 信号处理,2012,28(11):1529-1534.

[2] 温玉仓,孙严冬,朱荣法. 基于指纹识别的通信电台识别仿真算法研究[J]. 计算机仿真,2012,29(3):198-201.

[3] 钱祖平,许渊,邵尉,等. 基于高阶谱和时域分析的电台稳态特征提取算法[J]. 电子与信息学报,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] 赵国庆,彭华,王彬,等. 一种基于小波和分形理论的电台个体识别方法[J]. 信息工程大学学报,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,徐莹,柯大观. 基于HHT变换的脑电信号在不同阅读模式下的识别与分类[J]. 传感技术学报,2016,29(10):1471-1477.

[8] 黄文君. 子带EMD分解算法[D]. 西安:西安电子科技大学,2011.

[9] 梁江海,黄知涛,袁英俊,等. 一种基于经验模态分解的通信辐射源个体识别方法[J]. 中国电子科学研究院学报,2013,8(4):393-397.

[10] 张学工. 模式识别[M]. 3版. 北京:清华大学出版社,2010.

[11] 王雨虹,付华,张洋. 基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型[J]. 传感技术学报,2015,28(2):271-277.

[12] 付华,李海霞,卢万杰,等. 一种改进的极限学习机煤与瓦斯突出预测模型[J]. 传感技术学报,2016,29(1):69-74.

[13] 闫馨,付华,屠乃威. 基于PCA和案例推理的煤与瓦斯突出动态预测[J]. 传感技术学报,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

魏迎军(1979-),男,汉族,河南省遂平县人,硕士,讲师,研究方向为光学。