本发明属于信息处理
技术领域：
，特别涉及一种通信辐射源个体识别方法及系统。
背景技术：
：由于通信辐射源个体设备的差异，在信号的表现形式上存在着不影响信息传递的可检测、可重现的细微特征，能表现这些差异的细微特征称为辐射源细微特征。在信息通信侦察中，通过截获辐射源信号、提取细微特征、建立辐射源细微特征库，实现辐射源的个体识别，判断其个体性质属性、通信网组成、威胁等级等，为干扰对方具有重要意义。针对通信辐射源个体识别问题，早期主要利用小波分析、分形等理论对辐射源的“turn-on”暂态信号特征进行研究，对不同型号的通信电台个体取得了较好的识别效果。近年来大部分研究主要通过稳态信号特征实现通信辐射源个体的识别，典型方法包括基于杂散特性的方法、基于调制参数的方法、基于信号瞬时特征的方法和基于高阶统计量的方法等。纵观国内外通信辐射源个体识别技术的研究现状与发展趋势，可以发现存在以下几个重要问题未得到有效解决：(1)基于暂态信号特征的通信辐射源个体识别方法由于存在暂态特征难提取、并且无法用于识别同厂家同型号的通信辐射源个体等问题，所以实际应用中此类方法的识别效果并不理想；(2)在现实工程应用中，有限的观测时间和附加的噪声对通信信号参数测量的精确度均有一定程度的影响，而且现代通信辐射源一般都采用稳定度极高、杂散抑制能力很强的数字式器件，因此，仅从常规时域、频域或时频域的角度分析辐射源信号的载频、码速率和杂散特征差异等实现通信辐射源个体识别是远远不够的；(3)在实际应用中，对于每个通信辐射源而言，人们很难获取充裕的已知类别的通信辐射源观测样本数据，即我们常常面临的是小样本条件下通信辐射源个体识别问题。如果直接采用现有的方法，其性能必将受到严重影响。技术实现要素：本发明的目的是：提供一种通信辐射源个体识别方法及系统，解决通信辐射源个体识别过程中的小样本问题，并且降低了算法的时间复杂度，避免了现有的基于时域、频域或时频域的方法在处理非平稳或非高斯信号时存在相位和幅度信息失真问题。本发明的技术方案是：一种通信辐射源个体识别方法，包括以下步骤：步骤一：通过侦察天线接收各种通信辐射源信号，并将所接收到的通信辐射源信号进行频率选择、功率放大、混频后，获得中频信号；步骤二：对获得的中频信号滤波、放大、A/D变化、正交解调，获得I/Q两路数字零中频信号；步骤三：将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集和测试样本集，训练样本集X构成了矩形积分双谱特征字典；步骤四：对矩形积分双谱特征字典进行非线性变换，构造出协作投影矩阵；步骤五：将测试样本集中的每个测试样本分别映射到协作投影矩阵上，获得每个测试样本的表示系数向量；步骤六：根据表示系数向量得到不同类别的训练样本子集对测试样本的表示残差；步骤七：计算每类训练样本子集所对应的表示系数向量的范数，构造出分类器；步骤八：由分类器得到每类训练样本子集对测试样本的分类残差；步骤九：将最小的分类残差所对应的类别作为通信辐射源个体的类别。更进一步地，所述步骤三中，将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集X＝[x1,x2,...,xn]∈RD×n和测试样本集Y＝[y1,y2,...,ym]∈RD×m，n表示训练样本数目，m表示测试样本数目，D表示每个矩形积分双谱特征向量的维数，训练样本集X构成了矩形积分双谱特征字典。更进一步地，所述步骤四中，利用式(1)构造协作投影矩阵P。P＝(XTX+λI)-1XT(1)λ是正则化常量，I是n×n的单位矩阵。更进一步地，所述步骤五中，利用式(2)将测试样本y∈Y映射到协作投影矩阵P上，得到表示系数向量α^=Ry---(2)]]>更进一步地，所述步骤六中，利用式(3)计算利用第k类训练样本子集表示测试样本y的表示残差rk。rk=||y-Xkα^k||2,k=1,2,...,c---(3)]]>c表示训练样本的类别数；表示由第k类训练样本子集构成的矩形积分双谱特征子字典，nk是第k类训练样本的数目，并且有X＝[X1,X2,...,Xc]和表示第k类训练样本子集对应的协作表示子向量。更进一步地，所述步骤七中，利用式(4)计算第k类训练样本子集对应的表示系数子向量的l2范数Αk。Ak=||α^k||2,k=1,2,...,c---(4)]]>更进一步地，所述步骤八中，利用式(5)所构造的协作表示分类器得到第k类训练样本子集的分类残差Ck。Ck=rkAk,k=1,2,...,c---(5)]]>更进一步地，所述步骤九中，利用式(6)得到最小的分类残差所对应的类别class(y)，并作为测试样本y的类别。class(y)=argminkCk---(6)]]>一种通信辐射源个体识别系统，包括：信号接收与预处理模块、协作表示模块、分类识别模块；所述信号接收与预处理模块包括：信号接收与预处理单元、射频预选放大单元、混频单元、中频滤波放大单元、A/D处理单元、数字正交解调单元、矩形积分双谱变换单元；所述信号接收与预处理单元用于通过天线接收通信辐射源；所述射频预选放大单元用于对各种通信辐射源信号进行频率选择和功率放大处理，获得预选信号；所述混频单元对预选信号进行混频处理，获得中频信号；所述中频滤波放大单元对中频信号进行滤波放大处理；所述A/D处理单元用于对放大后的中频信号进行A/D变换，获得中频数字信号；所述数字正交解调单元对中频数字信号进行正交解调，获得I/Q两路数字零中频信号；所述矩形积分双谱变换单元对所述I/Q两路数字零中频信号进行矩形积分双谱变换，获得通信辐射源信号的矩形积分双谱特征向量；所述协作表示模块用于将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集和测试样本集；由训练样本集构成矩形积分双谱特征字典；然后对矩形积分双谱特征字典进行非线性变换，构造出协作投影矩阵；将测试样本集中的每个测试样本分别映射到协作投影矩阵上，获得每个测试的表示系数向量；所属分类识别模块根据表示系数向量得到不同类别的训练样本子集对测试样本的表示残差，并计算每类训练样本子集所对应的表示系数向量的范数，从而构造出分类器；由分类器得到每类训练样本子集对测试样本的分类残差，将最小的分类残差所对应的类别作为通信辐射源个体的类别。与已有技术相比，本发明的有益效果体现在：(1)本发明在矩形积分双谱特征空间中，利用基于协作表示的通信辐射源个体识别方法有效提取通信辐射源个体的本质特征，快速准确地实现同厂家同型号的通信辐射源个体识别，解决了现有方法面临的通信辐射源本质特征提取困难的问题，克服了通信辐射源个体识别过程中常见的小样本问题，并且降低了算法的时间复杂度。(2)本发明采用数字正交解调和矩形积分双谱分析，获得通信辐射源发射信号特征参数的完备集合，有效避免了现有的基于时域、频域或时频域的方法在处理非平稳或非高斯信号时存在相位和幅度信息失真问题。(3)本发明在矩形积分双谱特征空间中，有效挖掘样本之间的相似性结构，利用所有的训练样本协作表示测试样本，从而克服了通信辐射源个体识别中常见的小样本问题，并且降低了算法的时间复杂度。(4)本发明根据“双重校验”原则构造协作表示分类器，实现了对通信辐射源个体的鲁棒识别。附图说明图1为本发明方法流程图；图2为本发明系统组成框图。具体实施方式实施例1：参加图1，一种通信辐射源个别识别方法，包括以下步骤：步骤一：通过侦察天线接收各种通信辐射源信号，并将所接收到的通信辐射源信号进行频率选择、功率放大、混频后，获得中频信号；步骤二：对获得的中频信号滤波、放大、A/D变化、正交解调，获得I/Q两路数字零中频信号；步骤三：将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集和测试样本集，训练样本集X构成了矩形积分双谱特征字典，将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集X＝[x7,x4,x5,x3,x9,x14,x11,x15,x10,x13,x24,x27,x21,x26,x19]∈R256×15和测试样本集Y＝[y8,y1,y6,y2,y16,y18,y12,y17,y23,y25,y22,y20]∈R256×12，训练样本集X构成了矩形积分双谱特征字典。步骤四：对矩形积分双谱特征字典进行非线性变换，构造出协作投影矩阵，利用式(1)构造协作投影矩阵P∈R15×256：P＝(XTX+λI)-1XT(1)正则化常量λ设为0.01，I是15×15的单位矩阵。步骤五：将测试样本集中的每个测试样本分别映射到协作投影矩阵上，获得每个样本测试的表示系数向量，利用式(2)将测试样本y∈Y映射到协作投影矩阵P上，得到表示系数向量α^=Py---(2)]]>每个测试样本的表示系数向量以列向量形式表示，则测试样本集Y中的12个测试样本所对应表示系数向量集合可以描述成如下矩阵形式：0.05420.05210.40980.0810-0.01430.15990.07350.0228-0.0484-0.1071-0.0470-0.05560.26940.24270.33360.2942-0.07650.0601-0.25870.12530.02884-0.16560.06760.16900.28600.1693-0.13660.2648-0.0201-0.1916-0.0265-0.10190.10380.15870.09220.0136-0.11080.80120.23040.5678-0.03030.0636-0.0062-0.0355-0.0520-0.0421-0.0508-0.06600.5269-0.08200.21150.41630.0624-0.26920.1243-0.01430.06030.15600.02180.07790.05060.12210.17780.12360.08780.15940.00000.17200.01910.00390.07540.03440.13150.0165-0.1391-0.00770.2348-0.04860.6409-0.11040.11370.30660.1032-0.1392-0.12880.1805-0.00460.0332-0.04380.03860.0623-0.0172-0.0580-0.0232-0.09340.1023-0.0059-0.2135-0.1230-0.5556-0.07830.1940-0.00130.1628-0.0999-0.1602-0.06220.11080.1565-0.04120.17470.07610.01160.1207-0.39550.22640.16060.01720.2858-0.0084-0.1604-0.3394-0.4592-0.48850.14060.00960.3361-0.02610.27840.30550.1140-0.3028-0.03460.23470.28420.34380.35620.19650.14370.30310.20160.25870.27150.10540.0095-0.1157-0.1699-0.17540.00270.05400.1001-0.0733-0.03030.03910-0.09300.4199-0.0500-0.2575-0.0736-0.26720.22940.26790.34390.01020.27350.23750.1668-0.33750.00000.17940.29520.28540.15730.2380-0.09600.35920.0093-0.00800.09450.7554]]>步骤六：根据表示系数向量得到不同类别的训练样本子集对测试样本的表示残差，利用式(3)计算利用第k类训练样本子集表示测试样本y的表示残差rk：rk=||y-Xkα^k||2,k=1,2,3---(3)]]>c＝3表示训练样本的类别数；Xk∈R256×5表示由第k类训练样本子集构成的矩形积分双谱特征子字典，nk＝5是第k类训练样本的数目，并且有X＝[X1,X2,X3]和表示第k类训练样本子集对应的协作表示子向量。分别利用第1，2，3类训练样本子集表示每个测试样本的表示残差r1,r2,r3以列向量形式表示，则利用第1，2，3类训练样本子集表示测试样本集Y中的12个测试样本所对应的表示残差可以描述成如下矩阵形式：0.11040.34790.29890.67751.07391.17671.11880.99690.88610.96630.88880.89950.81990.96190.97041.32150.17010.33480.68360.58290.85770.85310.68960.92781.20091.18241.02451.18260.79520.56830.40270.43730.27150.23720.43080.3024]]>步骤七：计算每类训练样本子集所对应的表示系数向量的范数，构造出分类器，利用式(4)计算第k类训练样本子集对应的表示系数子向量的l2范数Αk：Ak=||α^k||2,k=1,2,...,c---(4)]]>在本实施例中，第1，2，3类训练样本子集对应的表示系数子向量的l2范数Α1,Α2,Α3以列向量形式表示，则对于测试样本集Y中的12个测试样本，第1，2，3类训练样本子集对应的表示系数子向量的l2范数可以描述成如下矩阵形式：0.44720.73890.39560.65890.01130.14240.08850.02810.02030.09020.01830.04220.06100.09500.09670.33090.22400.17010.57110.11980.05240.12050.11060.04340.02950.28210.41310.54050.07100.08140.27110.22710.19400.21820.13210.9637]]>步骤八：由分类器得到每类训练样本子集对测试样本的分类残差，利用式(5)所构造的协作表示分类器得到第k类训练样本子集的分类残差Ck：Ck=rkAk,k=1,2,...,3---(5)]]>利用式(5)所构造的协作表示分类器得到第1，2，3类训练样本子集的分类残差C1,C2,C3以列向量形式表示，则测试样本集Y中的12个测试样本所对应的第1，2，3类训练样本子集的分类残差可以描述成如下矩阵形式：0.02720.16380.22590.6965102.22949.722414.142835.399438.683110.355743.088119.149411.02359.73429.74305.27720.12910.65910.81832.836214.03366.03764.299319.837348.87024.95532.54042.58768.90303.96590.59820.84210.38020.25781.40500.0949]]>步骤九：将最小的分类残差所对应的类别作为通信辐射源个体的类别，利用式(6)得到最小的分类残差所对应的类别class(y)，并作为测试样本y的类别：class(y)=argminkCk---(6)]]>对于测试样本集Y中的12个测试样本所对应的类别可以描述成如下向量形式：[111122333333]实施例2：参加图2，一种通信辐射源个体识别系统，包括：信号接收与预处理模块1、协作表示模块2、分类识别模块3；所述信号接收与预处理模块1包括：信号接收与预处理单元1.1、射频预选放大单元1.2、混频单元1.3、中频滤波放大单元1.4、A/D处理单元1.5、数字正交解调单元1.6、矩形积分双谱变换单元1.7；所述信号接收与预处理单元1.1用于通过天线接收通信辐射源；所述射频预选放大单元1.2用于对各种通信辐射源信号进行频率选择和功率放大处理，获得预选信号；所述混频单元1.3对预选信号进行混频处理，获得中频信号；所述中频滤波放大单元1.4对中频信号进行滤波放大处理；所述A/D处理单元1.5用于对放大后的中频信号进行A/D变换，获得中频数字信号；所述数字正交解调单元1.6对中频数字信号进行正交解调，获得I/Q两路数字零中频信号；所述矩形积分双谱变换单元1.7对所述I/Q两路数字零中频信号进行矩形积分双谱变换，获得通信辐射源信号的矩形积分双谱特征向量。所述协作表示模块2用于将所有通信辐射源信号的矩形积分双谱特征向量划分为训练样本集和测试样本集；由训练样本集构成矩形积分双谱特征字典；然后对矩形积分双谱特征字典进行非线性变换，构造出协作投影矩阵；将测试样本集中的每个测试样本分别映射到协作投影矩阵上，获得每个测试的表示系数向量。所属分类识别模块3根据表示系数向量得到不同类别的训练样本子集对测试样本的表示残差，并计算每类训练样本子集所对应的表示系数向量的范数，从而构造出分类器；由分类器得到每类训练样本子集对测试样本的分类残差，将最小的分类残差所对应的类别作为通信辐射源个体的类别。当前第1页1 2 3