[發明專利]基于MFCC特征和Transformer集成分類器的LFM信號分類方法

在審

• 申請號: 202211554133.4
• 申請日: 2022-12-06
• 公開（公告）號: CN115828138A
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 張宇;常家樂;米思婭
• 申請（專利權）人: 東南大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06N3/0455;G06N3/08;G01S7/02;G01S7/52
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 葉倩

本發明公開了一種基于MFCC特征和Transformer集成分類器的LFM信號分類方法，對采集到的線性調頻信號進行信號預處理，得到有效脈沖信號，再進行包括預加重、分幀、加窗、快速傅里葉變化、Mel濾波器組、對數運算、離散余弦變換以及動態差分參數提取的MFCC特征提取過程，得到靜態基礎特征、一階差分動態特征和二階差分動態特征；將三組特征分別輸入三個Transformer分類器進行差異性訓練，得到預分類特征；再將三組預分類特征進行合并后輸入進集成模塊，分別進行歸一化和三層線性層操作，最后通過一層全連接層，輸出得到最終的分類結果。本發明將MFCC特征和Transformer相結合，提出了適用于線性調頻信號的Transformer集成分類方法，有效地解決了配置相同的信號源區分困難的問題。

技術領域

本發明屬于信息安全技術領域，主要涉及了一種基于MFCC特征和Transformer集成分類器的LFM信號分類方法。

背景技術

擴展頻譜通信、光纖通信和衛星通被稱為是信息時代的三大通信傳輸方式。其中發展時間最長的是擴展頻譜通信，其中的頻帶擴展一般通過偽隨機碼完成，以達到抗干擾和可進行多址通信的目的。而線性調頻則是一種不需要偽隨機編碼序列的擴展頻譜調制技術，線性調頻信號比相同帶寬的信號持續時間更長從而被廣泛應用在雷達、聲納等場景中，通過從雷達、聲納等裝置發射的線性調頻信號進行識別，從而判斷出信號的具體發射機有著十分重要的意義。因此，工業界需要一種高效、高準確率的LFM信號信號源識別方法。

傳統的識別方法大多基于脈沖描述字技術，通過提取脈沖信號的頻率、到達時間等淺層特征進行識別。但隨著電磁環境的日益復雜以及電子技術的不斷完善，當線性調頻信號的信號源擁有相同的配置和參數設置時，識別工作往往難以開展。由于提取出的特征極其相似，分類器往往不能很好的工作，射頻指紋技術能很好地解決這一問題。每個信號源發射器在制造時都會存在一些硬件差異，這些由硬件缺陷引起的差異便是該發射器的固有硬件特性，這些特性往往獨一無已，如同人的指紋一般，因此將這些特性稱為“射頻指紋”。通過研究的深入，射頻指紋被認為是無線設備最理想的特征，即使發射機的頻率、調制方式均相同，射頻指紋特征也可以很好的發揮作用。射頻指紋特征可以大致分為頻率偏移、時域包絡、調制域特征、頻譜特征等，其中最常用的便是通過梅爾頻譜倒譜系數(Mel-frequencyCepstral Coefficients，MFCC)提取出的頻譜特征。因此，MFCC是一種潛在可行的用于解決LFM信號識別困難的方法。

然而，想要高效的識別信號源，光有特征遠遠不夠，一個好的分類器同樣起著十分關鍵的作用。Transformer自提出以來便成為NLP領域最熱門的模型，但該模型的優勢不僅在于其優秀的分類能力，更重要的是它可以適用于很多領域，具有較強的通用性，如用于CV領域中的Vision Transformer模型。因此將MFCC與Transformer相結合是一種可行的方案。

發明內容

本發明正是針對現有技術中相同配置的線性調頻信號發射機識別困難的問題，提供一種基于MFCC特征和Transformer集成分類器的LFM信號分類方法，對采集到的線性調頻信號進行信號預處理，得到有效脈沖信號，再針對每個有效脈沖信號，進行包括預加重、分幀、加窗、快速傅里葉變化、Mel濾波器組、對數運算、離散余弦變換以及動態差分參數提取的MFCC特征提取過程，得到靜態基礎特征、一階差分動態特征和二階差分動態特征；將三組特征分別輸入三個Transformer分類器中進行差異性訓練，得到預分類特征；再將三個Transformer分類器得到的三組預分類特征進行合并后輸入進集成模塊，分別進行歸一化和三層線性層操作，最后通過一層全連接層，輸出得到最終的分類結果。本發明將MFCC特征和Transformer相結合，提出了適用于線性調頻信號的Transformer集成分類方法，有效地解決了配置相同的信號源區分困難的問題。

為了實現上述目的，本發明采取的技術方案是：基于MFCC特征和Transformer集成分類器的LFM信號分類方法，包括以下步驟：