[發(fā)明專利]差異性信噪比條件下的雷達輻射源個體識別方法

有效

• 申請?zhí)枺?/td>: 202010494523.1
• 申請日: 2020-06-03
• 公開（公告）號: CN111680737B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設計）人: 武斌;武佳玥;李鵬;王釗;殷雪鳳
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G01S7/02
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;黎漢華

本發(fā)明公開了一種差異性信噪比條件下的雷達輻射源個體識別方法，主要解決現(xiàn)有技術對差異性信噪比條件下雷達輻射源個體識別率較低的問題。其方案為：用商用軟件仿真生成雷達信號的數(shù)據(jù)集；將雷達數(shù)據(jù)集的信號先以序列的形式輸出，再將序列信號進行小波變換、雙譜估計和頻域小波分解，提取信號的指紋特征，合成八維特征矩陣輸出；從輸出的八維特征矩陣中分成訓練集和測試集，并計算八維特征中的優(yōu)化賦權的權重，得到優(yōu)化的數(shù)據(jù)集；用優(yōu)化的數(shù)據(jù)集訓練支持向量機分類器，將不同信噪比條件下的測試集送入到訓練后的支持向量機分類器，輸出識別結(jié)果。本發(fā)明能充分提取雷達信號特征，提高了信號的識別率，可用于電子偵察、電子支援和威脅告警系統(tǒng)中。

技術領域

本發(fā)明屬于信號處理技術領域，特別涉及一種雷達輻射源個體識別方法，可用于電子偵察、電子支援和威脅告警系統(tǒng)中。

背景技術

在當代電子戰(zhàn)中，電子對抗在電子情報偵察、電子支援和威脅告警系統(tǒng)中發(fā)揮著重要作用，隨著電磁環(huán)境的復雜化，雷達輻射源個體識別的難度越來越大，要求越來越高。

每一部雷達輻射源個體，由于電子設備等硬件系統(tǒng)的影響，使得接收到的信號之間，在同種類型的不同雷達個體上也存在細微差異，稱之為指紋特征。基于指紋特征來識別雷達輻射源個體，就稱為雷達輻射源指紋識別。很多研究人員對細微特征的提取，還有個體識別方法做了大量研究。

L.Wang等人在會議ICICS 2009中提出基于模糊度函數(shù)零切片的特征優(yōu)化算法，該算法保留了發(fā)射器的明顯特征；在會議ICEIEC 2016中，F(xiàn).Zhuo等人提出提取包絡線指紋特征的識別方法，利用線性系統(tǒng)擬合包絡線來構造指紋特征；N.Kang等人在會議Radar 2016中將雙譜理論與SURF特征結(jié)合，來進行識別雙譜中反映的指紋特征；在會議IAEAC 2017中，H.Wang等人提出基于分形和小波理論的特征提取算法，利用EMD和小波方法來提取特征。

上述這些方法，由于都是相對明確信號信噪比，然而實際的識別過程中，接收到信號的信噪比通常是不確定的，因而在實際的應用中存在局限性，導致識別率較低。所以考慮到這個問題，本發(fā)明針對差異性信噪比條件，提出改進的方法，可以有效解決在該條件下的雷達輻射源個體識別率低的問題，更加滿足實際應用的需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于是針對上述現(xiàn)有技術的不足，提出一種差異性信噪比條件下的雷達輻射源個體識別方法，以提高雷達輻射源個體識別率，更好的適應實際情況應用的需求。

本發(fā)明的技術思路是：在實際的識別的過程中，對雷達輻射源信號的不同特征進行特征提取得到多維特征集合，在多維特征集合上使用優(yōu)化賦權的SVM分類器進行訓練分類，以實現(xiàn)雷達輻射源個體識別，從而提高差異性信噪比條件下雷達輻射源個體識別率。

根據(jù)上述思路，本發(fā)明的實現(xiàn)方案包括如下：

1)用MATLAB軟件仿真生成雷達信號的數(shù)據(jù)集，該數(shù)據(jù)集信號包括不同脈沖寬度、不同帶寬、不同載波頻率、不同相噪系數(shù)、不同濾波器的采樣頻率和截止頻率的九種信號，其中每種信號從10dB到20dB每隔1dB信噪比生成1000個樣本；

2)對數(shù)據(jù)集信號進行特征提?。?/p>

2a)將1)產(chǎn)生數(shù)據(jù)集的各種信號先以序列的形式輸出，并對該信號序列做Morlet小波變換、雙譜估計、頻域小波變換，得到信號包絡、信號雙譜、信號頻譜，提取包絡的上升沿時間、脈寬、頂降、雙譜的波形熵、能量熵、奇異值熵、頻譜的高頻分量和低頻分量的能量分布熵，組成信號的八維特征向量集合；

2b)對2a)得到的八維特征向量集合標注信號所屬的類別，得到帶有類別的八維特征向量，從每類信號中隨機抽出700個樣本作為訓練樣本，300個樣本作為測試樣本；

3)對支持向量機算法進行權值賦重的優(yōu)化：