网站首页 文章专栏 辐射源识别方法综述
辐射源识别方法综述
创建于:2021-07-04 08:25:26 更新于:2021-10-16 03:37:45 羽瀚尘 78
信号与信息处理 辐射源,特征识别,论文综述

目前共51篇论文,9篇符合脉内无意调制(辐射源个体特征)识别,7篇实测数据。

评价:
- 国内的近几年内容不多
- 未提及国外近几年进展

国内外发展

根据辐射源的工作状态,可将辐射源识别方法分为暂态特征分析方法和稳态特征分析方法,暂态信号是指辐射源在非稳定工作状态下的信号,典型代表是开关机信号;稳态信号是指电台进入稳定工作状态后的信号。辐射源信号识别的研究主要涉及两方面,包括特征参数的选择和识别算法的研究。依据特征参数划分,辐射源识别技术可分为基于常规参数的信号识别和基于脉内特征的信号识别。脉内特征是雷达进入稳定工作状态后的稳态特征。脉内特征又分为有意调制特征和无意调制特征。脉内特征一般与常规参数结合使用,先经过常规参数的信号预处理,然后进行脉内特征识别。而直接使用脉内特征识别是当前辐射源信号识别发展的一种新途径,如SEI技术,直接使用脉内无意调制特征识别辐射源。但是国内SEI技术目前还处于初级探讨阶段。

国内

雷达辐射源信号识别的研究开始于上世纪 70 年代,我国从上世纪 80 年代初开始研究雷达辐射源识别技术,经过 30 多年的发展,取得了很大进步,其整个发展历程来看划分为以下三个阶段。

第一阶段,上世纪七、八十年代提出采用特征参数模板匹配法进行辐射源信号识别。特征参数匹配法直接将得到的一个或多个信号特征参数构成模式矢量,通过数据库中的相应特征参数进行匹配而识别出雷达辐射源的属性。这种方法主要适用于常规雷达辐射源信号的识别。这种方法的缺点有以下几方面。
- (1)它所采用的参数是外部特征参数,没有考虑信号的脉内调制特性,所以对采用了频率调制、频率捷变、脉冲压缩等技术的雷达不适用。
- (2)常规参数的测量有的在基带上进行,容易丢失信号的相位信息;有的是测量其平均值,这样就无法利用到信号的二阶或二阶以上的统计特征。
- (3)参数匹配的容差难以有效确定。由于噪声等因素的影响,总存在一定的误差,所以参数匹配的容差成了这种方法难以解决的问题。而且,容差范围的不确定会造成错误的识别。

第二阶段,常规参数与人工智能相结合。从 1985 年开始,英国海军研究部开始研究人工神经网络(ANN)在辐射源信号识别中的应用,并开始探索新的人工智能技术。随着人工智能技术的迅速发展,ANN、模糊逻辑(FL)、专家系统(ES)和进化计算陆续被引入进行辐射源信号识别,这些方法融入了人的智能因素,将专家经信号个体特征的检测和识别技术研究经验知识与基本的辐射源信号参数相结合,取得了很好的结果。但是,人工智能识别系统仍然采用辐射源信号的几个外部特征参数作为输入,而不是根据雷达信号本身的特点进行特征提取和分类识别,而且这些方法主要还是用来识别常规雷达辐射源信号,依然没有解决复杂体制雷达信号的识别问题。

第三阶段,脉内特征分析阶段。传统的雷达特征参数(载频、重频和脉宽等)己经无法适应当前需求,国内外研究者都在寻求新的更有效的雷达辐射源特征。自上世纪 80 年代末期到 90 年代初,人们开始探索雷达辐射源信号的脉内细微特征。脉内调制特征分析技术针对快速发展的新型雷达,虽然是一种新型的方法,但是发展迅速。不过由于涉及军事应用及技术保密,公开发表的文献并不是很多。

国外

无意调制特征具有识别辐射源个体的应用前景,美国海军研究局自上世纪 90 年代便开始对其进行研究,通常称之为辐射源个体识别(SEI)。波兰等在上世纪 80 年代末也展开了类似的研究。可查资料显示,国外对脉内无意调制特征的研究主要集中在包络、频率偏移和非线性效应等方面。其中,通常研究的包络参数有上升/下降时间、脉宽、上升/下降角度等。当前,SEI技术研究主要集中于脉内无意调制特征与智能识别算法相结合、多参数联合、知识库专家系统、融合技术等几个方面。

研究现状与方法

2007年,徐书华提出个体特征应满足的几个条件:
- (1)特征的可检测性。反映电台个体的技术特征应能够从截获信号中通过有限次的观测检测出来;
- (2)特征的稳定性。电台指纹特征不因时间推移或者环境条件的变化而发生显著的变化,否则检测到的特征就失去可信度;
- (3)特征的完备性。反映某设备个体的指纹特征应该有多个,能够充分体现电台的个体特征,即通信设备的个体属性应当由多个指纹特征的集合来描述;
- (4)特征的唯一性。对指纹特征集合中的任意一个特征,任意两部设备所提取的特征值应该是不相等的,即使这两部通信设备同型号,且以同样模式发射同样的信息。

具有以上特点的信号特征称为信号指纹特征,这一类特征是信号源外部对信号个体进行有效识别的重要依据[1]

徐书华分别研究了提取指纹特征的三种方法:
- (1)研究了基于载频和码速率的信号指纹提取技术。给出了一种改进的相位拟合载频估计方法;并给出了一种基于 STFT 时频能量分布和小波变换的码速率估计方法,解决了非协作通信条件下调制信号的码速率估计精度问题。实验表明:载频和码速率估计结果可以作为信号指纹特征之一,并配合其它特征对电台个体进行识别。
- (2)研究了基于辐射源个体杂散输出成分的信号指纹提取技术。首先提出了一种基于正交分量重构的包络提取算法,并利用分形维数和 Lempel-Ziv 等复杂度特征提取个体信号的包络寄生调制特征;然后给出了利用个体信号 Hilbert 边缘谱对称性I特征和 HHT 时频分布灰度图像抽取特征的细微差异进行辐射源识别的方法。实验表明:较低信噪比下信号个体的包络寄生调制特征和时频分布灰度图像抽取特征作为信号指纹参量对电台个体具有较好的聚类性能,而受载频估计精度影响,谱对称性特征对电台个体的可分离性不高。
- (3)研究了基于高阶谱的信号指纹提取方法。提出了一种矩形积分双谱(SIB)信号指纹特征分析方法,并利用局部线性嵌入(LLE)流形约简方法对高维 SIB 特征进行降维分析。实验表明: SIB 较其它局部双谱特征用于个体信号的指纹分析具有一定的优越性,而且 SIB 约简特征具有较好的聚类性能和抗噪能力。

研究结果表明:利用稳定工作状态下提取的信号指纹特征集进行电台个体识别可以获得良好的识别效果。

2009年,刘婷在辐射源的个体特征提取中,根据辐射源脉内指纹特性分析,提取了循环谱、循环双谱特征。实验结果表明,基于循环平稳域的信号特征更能全面有效的描述雷达辐射源的内在特性,从而为特定辐射源的个体识别提供了稳定可靠的分类特征[2]

在辐射源的融合识别中,研究了基于典型相关分析(CCA)和鉴别典型相关分(DCCA)的特征级融合方法,将两组特征之间的相关性作为判别信息,提取有效的组合特征。此外还研究了基于距离准则进行特征排序和选择的特征级融合方法,主要针对特征维数相差过大的不同特征集的融合问题。实验结果表明,特征级融合既达到了信息融合的目的,又有效的消除了冗余信息,在实现信息压缩的同时也提高了整个分类系统的正确识别率[2]

2011年,史亚分别介绍了基于循环谱零点切片和基于模糊函数切片串联的特征提取方法。在实测雷达辐射源数据上的实验结果充分验证了这两种特征提取方法的有效性,从而为辐射源的个体识别提供了稳定可靠的分类特征[5]

2011年,王磊提出了基于模糊函数零点切片和代表性切片的个体特征提取方法,进一步的研究证明相位噪声是辐射源无意调制特征产生的根源,随即提出了一种解决模糊函数代表性切片位置不确定性问题的工程次最优方法,即模糊函数实零多普勒切片法,取得了优于模零切片的稳定性能[7]

2011年,李春艳针对雷达辐射源信号脉内细微特征提取问题,分别从时域、频域以及变换域出发,研究了几种雷达辐射源信号个体特征提取算法,并对基于小波包能量和 EMD时频重构特征提取算法加入对数变换操作。通过实验给出以下结论:
- 时域包络特征并不稳定。时域特征往往对信号的信噪比要求较高,必须经过严格的预处理过程。因此在实际环境中,除非截获数据信噪比普遍较高(25dB 以上),否则不建议将脉冲包络作为个体特征进行分类识别。
- 虽然频谱与 welch 功率谱都属于频域特征,但是相比于频谱,welch 功率谱降低了谱分辨率,在一定程度上丢失了细微分类信息,因此其识别结果普遍低于频谱。
- EMD 时频重构特征则适用于信号形式较为复杂的特征提取,基于小波包变换的方法一方面需要确定最优分解层数,另一方面当层数较多时耗时严重,不推荐工程上使用这两种方法。
- 模糊函数切片和频谱在两个数据集上的识别结果都表现良好,因此建议在实际工程应用中首选这两种方法来提取辐射源个体特征[7]

2012年,姚文杨提出了基于双谱分析的方法,并给出了信号双谱的计算方法及其相应的物理意义[4]。应用围线积分法对双谱估计结果进行优化处理和特征提取,并对提取出的特征进行量化和一定数量的积累。针对积累的特征量,分别应用质心距离法和模糊 C-均值(FCM)聚类法建立相应的雷达信号源个体识别模板。

2013年,陈慧玲从脉内有意调制特征和脉内无意调制特征两个角度出发分析稳态特征。文章简要介绍了FFT方法、谱线相位法等常规方法,又利用时频分析、小波分析、双谱分析等方法研究信号包络的参数及其高阶矩特征、信号频率稳定度和调制特性,但要注意其实验基于仿真数据[9]

2015年,张姣用双谱正反对角切片联合特征分析方法进行无意调制特征提取,用主成分分析方法对得到的双谱切片特征进行了降维处理以提高识别效率[8]。但要注意其实验基于仿真数据,具体仿真方法是在理想信号源上加入频率漂移和相位噪声。

2018年,张向前分析辐射源信号的特点,通过变换域方法来完成对辐射源信号的“指纹”特征提取,具体包括基于高阶累积量的双谱“指纹”特征提取和基于重构相空间的“指纹”特征提取[3]。在分类器的构建中,先后使用了决策树、随机森林、决策树集成模型GBDT,将识别正确率提高到97%以上。

可能的应用方向

  • 传统特征提取 + 分类器
    使用模糊函数切片 + 双谱 提取信号的特征,形成特征向量后送入分类器。
  • 端到端
    使用诸如lstm fcn、attention latm、cnn等深度网络自动提取特征,再送入分类器。

[1]基于信号指纹的通信辐射源个体识别技术研究
[2]基于循环平稳分析的雷达辐射源特征提取与融合识别
[3]机器学习在辐射源信号指纹识别中的应用研究
[4]雷达信号脉内分析与识别
[5]雷达辐射源个体识别中的分类器设计与子空间学习
[6]雷达辐射源个体识别的方法研究
[7]雷达辐射源信号检测与脉内细微特征提取方法研究
[8]雷达辐射源脉内无意调制特征提取及识别
[9]信号个体特征的检测和识别技术研究