基于成分分析的射頻干擾源個體識別*

魏迎軍,王 磊,黃麗剛,申 振

(1.黃淮學院機械與能源工程學院,河南 駐馬店 463000;2.河南工業大學理學院,鄭州 450001; 3.中國洛陽電子裝備試驗中心,河南 洛陽 471003)

項目來源:裝備預研共用技術基金項目(9140A33030413KG33001)

2017-05-02修改日期2017-06-26

基于成分分析的射頻干擾源個體識別*

魏迎軍1*,王 磊2,黃麗剛3,申 振3

(1.黃淮學院機械與能源工程學院,河南 駐馬店 463000;2.河南工業大學理學院,鄭州 450001; 3.中國洛陽電子裝備試驗中心,河南 洛陽 471003)

射頻干擾源個體識別在軍事領域有重要的應用價值,相關的研究成果較少。從分析射頻干擾源穩態信號的各種成分出發,提出了基于成分分析的射頻干擾源個體識別方法。該方法首先對干擾源穩態信號進行成分分離和恢復,然后選取最能反映個體差異的若干個次成分進行特征降維和識別。通過實測數據實驗證明了該方法的識別效果,并和現有的基于經驗模態分解的個體識別方法進行了比較。結果表明該方法要優于現有的方法,并且受信噪比影響較小,在5 dB～20 dB的信噪比范圍內識別率在80%以上。

電子對抗;個體識別;成分分析;射頻干擾源

特征提取是射頻干擾源個體識別的核心內容,涉及多個領域的方法和知識。特征提取質量的優劣對后續分類器設計的復雜度和識別率有著重要影響。目前射頻干擾源個體識別相關的研究成果非常少見,而電臺個體識別則已經有了一定的研究基礎,它們之間具備一定的相似性和關聯性。陳金等人通過分析瞬時頻率的概率分布函數,提出了改進相位擬合的方法,利用瞬時頻率估計值建立正態云,從而轉化為隸屬度進行識別,然而實際生產出來的同一型號同一批次電臺個體的頻率穩定度非常高,個體之間的差異非常微弱,識別效果不理想[1]。溫玉倉等人使用矩形雙譜和核主元分析的方法提取電臺的指紋特征,實現了電臺個體識別,該方法隨著電臺個體種類的增加分類性能會下降[2]。錢祖平等人針對雙譜特征提取算法的不足,提出了基于高階譜和時域分析的電臺穩態特征提取算法,實現了識別率的較大提高,但是該方法需要的數據量較大,過程復雜[3]。Bradford等人把類時頻分布特征應用于信號分類[4],該算法對于不同訓練樣本需要不同的最優核函數。趙國慶等人把小波和分形理論相結合,用于不同頻率穩定度電臺的個體識別,同樣在實際應用中性能不佳[5]。為進一步提高射頻干擾源穩態信號個體特征的穩定性和個體識別率,本文提出了基于成分分析的射頻干擾源個體識別方法,并和經驗模態分解方法進行了對比,實測數據實驗證明了所提方法的有效性。該方法提取的次要成分特征穩定性好,受信噪比影響較小,識別率較高。

1 理論和算法

1.1 基于經驗模態分解的干擾源個體識別

經驗模態分解(EMD)是Huang等人提出的一種信號分析方法[6-7],它可以根據信號自身的特點構造基函數,避免了傳統方法固定基的缺陷,在很多應用領域取得了非常好的效果,備受研究者的青睞。信號通過經驗模態分解可以變成若干個本征模態函數(IMF)。經驗模態分解的算法流程如圖1所示,其中篩分過程停止的準則通過規定標準差的大小來控制,標準差SD要滿足如式(1)的要求,ε通常取0.2～0.3范圍之間的數[8]。終止條件為殘余項rj(t)小于某一預定的值或者單調變化,此時的殘余項已經不能再分解出新的本征模函數分量。

(1)

基于經驗模態分解的干擾源個體識別方法首先利用經驗模態分解算法把干擾源穩態信號中的主要成分和雜散成分提取出來,然后把處理后的雜散成分作為干擾源個體特征輸入分類器進行識別[9]。由穩態信號個體特征的產生機理可知雜散成分是產生個體特征的一種重要來源,這種方法避免了主要成分的干擾。經驗模態分解產生的各本征模態函數分量按照頻率從高到低排列。實際干擾源個體穩態信號中的雜散成分頻率和數目都不確定,只能結合數據進行分析。經對實測數據進行分析,主要成分可能存在于信號的低頻分量,而雜散成分可能存在于信號的中高頻分量。這樣就可以選取經驗模態分解后的中高頻本征模分量作為雜散成分,對其進行傅里葉變換得到頻域表示,把頻域的能量作為提取的干擾源個體特征進行分類識別。

圖1 經驗模態分解的算法流程[8]

1.2 基于成分分析的干擾源個體識別

基于成分分析的干擾源個體識別方法認為干擾源穩態信號由3種成分組成,如式(2)所示,其中X表示穩態信號,C表示信號自身調制信息,I表示個體特征,N表示系統噪聲。

X=C+I=N

(2)

這3種成分在能量上具有如式(3)的大小關系,因此C稱作主要成分,I稱作次要成分。這兩種成分對于分類識別的貢獻和效果非常不同。

‖C‖>‖I‖>‖N‖

(3)

為了分析和對比不同成分對于個體識別的效果,需要采用一定的方法把各種成分給分離出來。受人臉識別中“特征臉”方法啟發[10-13],這里提出了“特征干擾源”方法來分離和恢復各個成分。

第七，進一步強化水利國有資產管理。隨著水利投入的增加，水利資產的規模也將不斷擴大，管好新增水利國有資產責任重大，任務艱巨。要按照分級、分類、授權管理的原則，全面落實水利國有資產管理責任制，抓緊完善水利國有資產管理體制機制，切實防止水利國有資產流失。要認真做好產權登記和資產統計，完善分類監管制度，對行政事業單位資產，要強化資產收益管理，確保水利國有資產保值增值。對水利經營性資產，要推進經營性水管單位和企業的整合重組，建立和完善法人治理結構，不斷提高經營性資產使用效益。

“特征干擾源”方法分離各個成分的步驟如下:

①從穩態信號中提取的單個樣本表示為xi=(xi1,xi2,…,xip),n個樣本組成采樣矩陣X=[x1,x2,…,xn]。

②求取采樣矩陣的協方差陣Σ。

(4)

③把協方差矩陣作特征值分解。

Σαi=λiαi,i=1,2,…,p

(5)

④特征值按降序排列λ1≥λ2≥…≥λp

⑤特征值對應的特征向量稱作“特征干擾源”,第k個特征干擾源對應的變換矩陣A=[αk]。

⑥樣本xi在第k個特征干擾源上的投影為

ξk=ATxi

(6)

⑦樣本xi的第k個成分為

(7)

2 實測數據實驗

本文基于實測數據對射頻干擾源個體識別方法進行研究,實驗數據采集自同一型號同一批次的6部個體,實驗條件是實驗室環境,外界的干擾較少,實驗儀器是某型信號采集設備,干擾源是某型通信干擾設備,調制樣式是調頻,中心頻率75 MHz,采樣率371 kHz,信噪比為20 dB。

首先研究基于經驗模態分解的干擾源個體識別方法,樣本長度設為N=1 024。從實測數據中選取一個樣本,對其進行經驗模態分解得到各本征模態分量,時域波形如圖2所示。從圖2的結果可以看出雜散成分可能位于IMF1和IMF2這兩個分量,因此把這兩個分量的頻域能量作為個體特征用于識別分類。

圖2 各本征模分量的時域波形

其次研究基于成分分析的干擾源個體識別方法,參數設置為p=100,n=1 024。在特征值譜上,較大的特征值部分對應主要成分,中間的特征值部分對應次要成分,較小的特征值部分對應系統噪聲。根據對實測數據特征值譜的觀察和分析,在主要成分區間選取k=1,k=2,k=3等3個成分進行分離和恢復,在次要成分區間選取k=12,k=14,k=16等3個成分進行分離和恢復。6類干擾源個體在不同成分下的頻域對比結果如圖3所示,從圖上可以得出兩個結論:①主要成分的能量要大于次要成分的能量;②主要成分的頻譜集中在低頻附近,而次要成分的頻譜較為分散,從低頻到高頻范圍都有,兩者的頻譜混疊,不存在清晰的獨立區間。

最后定量研究兩種個體識別方法對實測數據的識別效果。對每類電臺分別提取100個樣本,每個樣本長度為1 024,其中一半樣本用作訓練,一半樣本用作測試。按照成分分析的方法分離和恢復出k=1,k=2,k=3等3個主成分和k=12,k=14,k=16等3個次成分,并對3個次成分按對應特征值大小進行加權求和得到組合次成分。分別使用這7種成分的特征進行分類識別實驗,得到的識別率如表1所示。從表1的結果可以看到次成分區間的3個成分識別率要明顯高于主成分區間的3個成分,而組合次成分的識別率最高。這是由于次成分反映的是個體特征,不同個體之間的差異最大,對于個體識別的貢獻最大。通過一定的方法估計出實測數據的信噪比,根據需求加入不同的噪聲,分別得到了15 dB、10 dB、5 dB條件下的數據,然后分別運用本文提出方法和經驗模態分解方法進行分類,得到的識別結果如圖4所示。由圖4可以得出結論,基于成分分析的干擾源個體識別方法不僅優于基于經驗模態分解的干擾源個體方法,而且受信噪比影響較小,在低信噪比條件下仍然具有較高的識別率。這是因為從圖3得出的結論可知經驗模態分解方法依據頻率論的思想并不能準確反映干擾源個體之間的差異,而成分分析方法依據成分論思想可以很好的表達干擾源個體之間的差異。

圖3 不同成分下相同干擾源個體之間的頻域對比

圖4 兩種識別方法在不同信噪比條件下的效果對比

表1 7種成分特征的識別效果

3 結論

射頻干擾源個體識別技術是電子對抗領域一項新興技術,具有十分重要的應用前景。本文提出了基于成分分析的射頻干擾源個體識別方法,該方法首先對干擾源穩態信號進行成分分離和恢復,然后選取最能反映個體差異的若干個次成分進行特征降維和識別。實測數據實驗表明該方法不僅優于現有的基于經驗模態分解的干擾源個體識別方法,而且對噪聲不敏感,在較低信噪比下仍然具備較好的識別效果。

[1] 陳金,倪為民,錢祖平,等. 電臺識別的云模型算法研究[J]. 信號處理,2012,28(11):1529-1534.

[2] 溫玉倉,孫嚴冬,朱榮法. 基于指紋識別的通信電臺識別仿真算法研究[J]. 計算機仿真,2012,29(3):198-201.

[3] 錢祖平,許淵,邵尉,等. 基于高階譜和時域分析的電臺穩態特征提取算法[J]. 電子與信息學報,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] 趙國慶,彭華,王彬,等. 一種基于小波和分形理論的電臺個體識別方法[J]. 信息工程大學學報,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,徐瑩,柯大觀. 基于HHT變換的腦電信號在不同閱讀模式下的識別與分類[J]. 傳感技術學報,2016,29(10):1471-1477.

[8] 黃文君. 子帶EMD分解算法[D]. 西安:西安電子科技大學,2011.

[9] 梁江海,黃知濤,袁英俊,等. 一種基于經驗模態分解的通信輻射源個體識別方法[J]. 中國電子科學研究院學報,2013,8(4):393-397.

[10] 張學工. 模式識別[M]. 3版. 北京:清華大學出版社,2010.

[11] 王雨虹,付華,張洋. 基于KPCA和CIPSO-PNN的煤與瓦斯突出強度辨識模型[J]. 傳感技術學報,2015,28(2):271-277.

[12] 付華,李海霞,盧萬杰,等. 一種改進的極限學習機煤與瓦斯突出預測模型[J]. 傳感技術學報,2016,29(1):69-74.

[13] 閆馨,付華,屠乃威. 基于PCA和案例推理的煤與瓦斯突出動態預測[J]. 傳感技術學報,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

魏迎軍(1979-),男,漢族,河南省遂平縣人,碩士,講師,研究方向為光學。