一种跳频调制方式识别方法与流程

本发明涉及跳频通信，尤其涉及一种跳频调制方式识别方法。

背景技术：

1、跳频(frequency hopping，fh)通信由于其保密性能好、多址能力优、截获概率低等优点，已成为当今各军事强国抗干扰和反侦察无线通信的主导技术，fh信号调制方式作为对敌fh通信侦察的重要内容，能够为敌我识别，情报截获，干扰压制等任务提供有力支撑。

2、在现有技术中：

3、y.k.yadav,g.jajoo和s.k.yadav在2017年国际计算机、通信和电子会议(comptelix)中发表了《modulation scheme detection of blind signal usingconstellation graphical representation[c]》，该方案首先估计信号载波频率、码元速率和相位偏移等参数，再提取星座图特征，利用线性回归和圆拟合分析方法实现ask、psk和qam调制识别，该方法在低信噪比(signal-to-noise ratio,snr)条件下参数估计误差较大，识别正确率下降明显(y.k.yadav,g.jajoo and s.k.yadav.modulation schemedetection of blind signal using constellation graphical representation[c].2017international conference on computer,communications and electronics(comptelix),2017,pp:231-235)。

4、另外一种方式是：黄赛、林春生、周凯等人发表的《一种使用多模块融合神经网络的自动调制分类方法》，该方法首先提取信号的星座图，然后对星座图数据矩阵进行像素着色处理，增强星座图特征表征能力，通过设计的9层神经网络对大量特征样本进行训练学习，可实现多种调制方式识别，算法识别率高，但所需训练样本数量和计算量相对较大(huang sai,lin chunsheng,zhou kai,et al.identifying physical-layer attacksfor iot security:an automatic modulation classification approach using multi-module fusion neural network[j].physical communication,2020,43(4):101180)。

5、因此，丞需设计出一种在低信噪比条件下，识别正确率高、鲁棒性强、并且降低了算法计算复杂度的跳频调制方式识别。

技术实现思路

1、因此，针对上述的问题，本发明提出一种跳频调制方式识别方法，实现最优特征集的选择和多类型fh调制方式识别，在低信噪比条件下，识别正确率高、鲁棒性强、并且降低了算法计算复杂度。

2、为实现上述目的，本发明采用了以下技术方案：

3、一种跳频调制方式识别方法，包括以下步骤：

4、步骤一、接收fh信号，并对fh信号进行数据预处理，包括：

5、利用spwvd时频变换算法提取fh信号时频能量图；采用自适应维纳滤波和形态学滤波算法去除时频能量图噪声；再将频能量图转化成时频能量灰度图；

6、步骤二、特征提取，包括：

7、提取时频能量灰度图的几何不变矩、伪zernike矩和瑞丽熵三类特征的调制识别特征参数作为fh调制识别的特征集；

8、步骤三、特征选择识别，包括：

9、通过强化学习特征选择算法和支持向量机分类器实现最优特征集的选择和多类型fh调制方式识别。

10、进一步的，所述步骤一中，采用spwvd时频变换算法分别在fh信号的时域和频域采用窗函数进行平滑滤波处理，形成时频矩阵f；

11、f(x,y)表示时频矩阵f第x行y列的能量值，时频矩阵f大小为m×n，定义域为df，则(x,y)∈df，0≤x＜m，0≤y＜n，取时频点f(x,y)的邻域其大小为m×n，则邻域的期望μ和方差σ2为：

12、

13、

14、则时频点f(x,y)经过维纳滤波后可得f′(x,y)：

15、

16、υ2取时频矩阵f所有邻域方差的均值；

17、用形态学滤波对时频矩阵f进行开运算处理，包括对f′(x,y)先腐蚀再膨胀处理：

18、

19、其中，h(x,y)表示形态学滤波之后的时频矩阵能量值，b(τ,ν)表示结构元素，(τ,ν)∈db，db表示结构元素b(τ,ν)的定义域，运算符θ和分别表示腐蚀和膨胀运算：

20、

21、

22、经过滤波处理之后，采用连通域检测算法提取fh信号单跳时频矩阵，为了提高提取特征的稳定性，对单跳时频矩阵进行灰度化处理形成时频能量灰度图：

23、

24、其中，g(x,y)表示时频灰度矩阵g第x行y列灰度值，表示向下取整运算，i表示灰度级。

25、进一步的，所述几何不变矩特征定义式为：

26、

27、

28、其中，ηc,d表示(c+d)阶归一化中心距，χc,d表示(c+d)阶中心距，c+d＝2,3,…，c＝0,1,2,…，d＝0,1,2,…，矩心(x0,y0)为：

29、

30、

31、利用二阶和三阶归一化中心距计算出7个几何不变矩作为调制识别特征参数为：

32、

33、进一步的，所述伪zernike矩特征定义式为：

34、将时频能量灰度图g(x,y)映射到新坐标系i(δcosθ,δsinθ)的单位圆上，圆心和坐标原点均为矩心(x0,y0)，单位圆半径设为则极坐标(δ,θ)表示为：

35、

36、其中，δ表示时频能量灰度图像素点g(x,y)到矩心(x0,y0)的向量长度，θ表示逆时针旋转到该向量的角度，需要根据像素点所在极坐标具体象限进行角度转换；

37、根据新坐标系i(δcosθ,δsinθ)，时频能量灰度图的伪zernike矩zg,h可表示为:

38、

39、wg,h(δcosθ,δsinθ)＝xg,h(δ)exp(jhθ)；

40、其中，g可取零或正整数，h取正整数且h≤g，wg,h(δcosθ,δsinθ)为zg,h的基函数，*表示取复数共轭，xg,h(δ)为基函数wg,h(δcosθ,δsinθ)的径向多项式；

41、

42、选择z2,0、z2,1、z3,0、z3,1、z3,2、z3,3、z4,0和z4,18个伪zernike矩参数作为调制识别特征参数。

43、进一步的，所述瑞丽熵特征的离散定义式为：

44、

45、其中，表示瑞丽熵ξ的阶数，

46、选择为3、5、7、9和11的5个整数阶瑞丽熵参数作为调制识别特征参数。

47、进一步的，所述步骤三中强化学习特征选择算法，包括以下子步骤：

48、3.1、马尔科夫决策过程：

49、采用马尔科夫决策过程建模，由五元组{s,a,p,r,γ}描述；

50、s表示特征集状态空间；su表示智能体在第u时刻的特征集子集状态，su∈s，u≥1；a表示保留或删除特征的动作状态空间；au表示智能体在第u时刻做出的动作，au∈a；su+1表示智能体在当前特征集子集状态su下执行动作au后的状态；p表示特征集的状态转移概率矩阵；pu表示智能体在当前特征集在状态su下执行动作au后转移到su+1状态的概率，pu∈p；r表示奖励值，即特征集的调制识别正确率，ru(su,au)表示智能体在当前特征集子集状态su下执行动作au后的识别正确率；γ表示折扣系数，0≤γ≤1，用来衡量将来的状态奖励对当前智能体动作选择的重要程度；

51、通过执行动作选择策略ψ最大化累计奖励期望v来寻求最优特征集子集；

52、

53、采用q值函数表示智能体在特征集状态s下执行动作a的累计奖励期望值；

54、

55、根据贝尔曼准则，可得：

56、qψ(s,a)＝e[ru(su,au)+γq(su,au)|su＝s,au＝a]；

57、3.2、q学习算法：

58、采用基于时间差分的q学习算法，智能体利用训练数据集，通过采取合适的动作选择策略，执行删除或保留特征动作，并对q(s,a)值进行更新记录，经过对特征集的不断探索，强化智能体对特征集的认知，最终根据q(s,a)值记录表，寻找每个特征集子集状态下最大q(s,a)值的动作选择，即为最佳动作选择策略，从而得到最优特征集。其q(s,a)值更新表达式为：

59、

60、其中，表示学习速率，表示智能体在特征集子集状态su下使qu+1(su,au)值最大化的动作选择；

61、q学习算法采用ε-greedy动作选择策略，以ε概率随机选择删除或保留特征动作，以1-ε概率选择q(s,a)值最大的动作，可表示为：

62、

63、其中，rand表示随机数，0＜rand＜1，ψ(s)表示智能体在特征集子集状态s下的动作选择；

64、采用一种动态阈值ε-greedy策略，其中ε可表示为：

65、

66、其中，表示前u次训练的平均识别正确率，

67、在前期训练过程中，由于训练次数u较少，智能体获取的信息相对匮乏，相对较小，导致阈值ε(u)值变大，可以促进智能体探索更多信息，随着训练次数u逐渐增加，平均识别正确率不断提高，导致阈值ε(u)值变小，可以促进智能体着重利用历史信息，加快训练收敛，以获取值最高的最优动作选择策略；

68、3.3、基于强化学习的特征选择算法，包括以下子步骤：

69、3.3.1：计算并归一化数据集，初始化特征集子集s1为空集、q(s,a)值表为0、svm分类器相关参数，设置折扣系数γ，学习速率最大训练次数umax；

70、3.3.2：智能体随机选择一个特征的数据集进行训练；

71、3.3.3：根据反馈的识别正确率ru(su,au)，计算ε-greedy阈值ε(u)，更新qu(su,au)值表；

72、3.3.4：更新特征集子集su和训练数据集；

73、3.3.5：利用svm对新数据集进行训练识别，训练次数加1；

74、3.3.6：如果训练次数等于umax，则学习结束，根据q(s,a)值表，得到最优特征集，否则转至子步骤3.3.3，开始新一轮训练。

75、通过采用前述技术方案，本发明的有益效果是：

76、本跳频调制方式识别方法，首先提取跳频信号时频能量图并采用自适应维纳滤波算法去除噪声；然后提取时频能量图几何不变矩、伪zernike矩和瑞丽熵三类特征的20维特征向量作为特征集，通过建立马尔科夫强化学习特征选择模型，采用改进的q学习算法对特征集进行探索和学习，实现最优特征集的选择和多类型fh调制方式识别，在低信噪比条件下，识别正确率高、鲁棒性强、并且降低了算法计算复杂度。仿真实验表明，本基于强化学习特征选择的跳频调制识别算法在信噪比5db条件下，对10种跳频信号调制识别率可达95％。