基于矩形积分双谱和核主分量分析的电台指纹识别

目的解决传统的积分双谱特征维数比较大而导致分类器的稳健性和电台的正确识别率下降的问题。方法首先选择矩形积分双谱作为识别的特征参数,然后采用了核主分量分析方法进行降维,最后采用基于核函数的支持向量机分类器(SVM)实现对电台指纹的识别。结果给出一种方法,实现了同种型号相同调制方式的3部不同电台的识别。结论该算法有效地降低了特征维数,较大地提高了电台的正确识别率。

矩形积分双谱和半监督鉴别分析下的通信辐射源识别

针对传统同类通信辐射源识别方法中存在的指纹特征难以提取,以及在先验标签信息较少时识别精度不高的问题,以指纹特征差异微小的同厂、同批、同型号的通信辐射源为对象,提出了一种基于矩形积分双谱和半监督鉴别分析的通信辐射源识别方法.该方法采用矩形积分双谱算法提取通信辐射源双谱特征,并将其作为指纹特征,以表征所属通信辐射源;同时,采用半监督鉴别分析算法,根据双谱特征数据的部分标签信息和非线性流形信息,将高维双谱特征数据映射到低维子空间后进行分类识别,来提升通信辐射源识别性能.为验证该方法的有效性,采用同厂、同批、同型号的FM电台作为同类通信辐射源的代表进行电台识别实验.实验结果表明,在FM电台训练样本中有先验标签信息的样本较少时,该方法对电台测试样本的识别率最高达87.6%,证明该方法在同类通信辐射源识别中指纹特征提取和识别精度方面具有优势.

基于高阶谱和时域分析的电台稳态特征提取算法

该文针对稳态条件下通信电台指纹特征的提取问题,提出一种基于高阶谱和时域分析的电台稳态特征提取算法。首先对电台的稳态工作状态进行数学建模,分析现有双谱特征提取算法的不足。进而充分利用矩形积分双谱的周期性,并结合时域分析提出一种改进的电台稳态特征提取算法,从理论上证明了该算法适用于任意阶的高阶谱特征提取。最后,通过实测数据验证了该算法的有效性和可靠性。与传统矩形双谱特征提取算法相比,该算法将识别正确率从90%提高到97%;在识别率相同的情况下,该算法的效率相比原算法有了很大提升。

结合时域分析和改进双谱的通信信号特征提取算法

传统的矩形积分双谱特征存在以下不足:第一是在以往的研究中没有讨论过积分路径个数对识别率的影响;第二是在矩形积分双谱算法中存在着部分积分路径对识别效果贡献不足、甚至带来负作用的缺点。为克服这些问题、解决辐射源信号个体识别问题,本文提出了一种基于改进双谱和时域分析相结合的通信信号个体识别方法,首先通过实验得到了积分路径和识别率的性能曲线,选定最佳积分路径个数;其后重新定义Bhattacharyya距离,剔除掉对识别效果贡献不足、具有负作用的积分路径,得到具有最大比重的双谱区间;最后结合信号的时域特征并利用支持向量机分类器进行个体识别。本文分别通过仿真信号和实际信号对所提出算法做出了验证,实验结果表明,该方法能够较好解决辐射源信号的个体识别问题,平均正确识别率高于95%。

基于双谱LLE降维的PUE攻击检测

针对认知无线电中的主用户仿冒攻击检测问题,给出了基于矩形积分双谱的局部线性嵌入降维算法,用于识别主用户(PU)和仿冒用户(SU)。选择矩形积分双谱作为识别特征参数,利用局部线性嵌入算法(LLE)进行特征数据约简,通过基于核函数的支持矢量机(SVM)进行个体识别。实验结果表明,该方法具有较高的识别率,并能够较好解决PUE攻击检测问题。

基于半监督矩形网络的通信电台个体识别

通信电台信号的小样本条件造成了电台个体识别准确性欠佳的问题,本文首次提出基于半监督矩形网络进行通信电台个体识别,克服小样本条件对电台个体识别效果的影响.首先提取电台信号的矩形积分双谱特征,人为注入噪声构成污染样本,在半监督矩形网络编码器中有监督训练,其训练结果通过网络径向连接传给解码器,解码器再无监督学习,重构未污染的原始样本,从网络顶层提取电台个体特征,输入softmax分类器实现分类识别.在实际采集的电台数据集上的实验结果说明,本算法在小样本条件下相比现有算法能更准确识别同型号的电台个体.

基于SIB/PCA的通信辐射源个体识别

提出了一种新的同类通信辐射源个体识别方法.该方法选择矩形积分双谱(SIB)作为个体识别的主体特征参数,然后采用主元分析(PCA)方法从大量训练样本特征参数集中挑选低维、低复杂度的特征矢量,并在识别特征矢量中融合对分类具有显著贡献的辐射源调制特征参量,最后采用基于核函数的支撑矢量机(SVM)实现对辐射源个体识别.实验表明该方法在较低信噪比条件下具有较高的正确识别率(90%),并能够较好地解决同型号、同批次通信辐射源的个体识别问题.

多类型的雷达有源干扰感知新方法

针对雷达有源干扰可识别的类型有限且识别效果欠佳的问题,提出了一种多类型雷达有源干扰识别新方法。该方法首先利用变分模态分解对雷达有源干扰信号进行分解,得到具有不同中心频率带宽有限的固有模态分量,然后分别计算每个固有模态分量相应的矩形积分双谱,并计算其Renyi熵以组成特征参量,最后采用随机森林分类器将多个随机决策树的结果取众数,从而实现了雷达有源干扰类型的识别。仿真结果表明,所提方法不但能够有效地识别多种不同类型的雷达有源干扰,而且具有良好的抗噪声性能和稳健性。与基于熵理论的识别方法和基于时频特征的识别方法相比,当信噪比为5 dB时,压制式干扰识别率分别提高了0.33%和1.75%;与基于时频图的识别方法和基于时频分布的识别方法相比,当信噪比为0 dB时,拖引欺骗干扰识别率分别提高了3.89%和5.06%。

基于协作表示的通信辐射源个体识别方法

为了充分利用样本之间的相关性结构,提出了一种基于协作表示的通信辐射源个体识别方法。首先,为表征通信辐射源个体差异,提取矩形积分双谱特征作为细微特征;其次利用协作表示理论挖掘特征样本之间的相关性结构,克服识别过程中的"小样本"问题;最后利用系数包含的判别性信息构造分类器,实现通信辐射源的个体识别。在实际采集的同厂家同型号FM电台数据集上的实验结果验证了该方法的可行性与有效性。

一种基于射频指纹的电网无线设备入侵检测算法

随着泛在电力物联网的广泛建设,泛在电力物联网需要管理的无线终端设备日益增多,新的业务模式和复杂应用场景对电网无线设备入侵检测提出了更高的要求。射频(Radio Frequency,RF)指纹使用了终端设备射频上固有的硬件差异进行识别,且该特征无法用任何其他设备进行复制。为了解决在实际环境中遇到的设备入侵识别准确率低等问题,将射频指纹技术应用于电网无线设备入侵检测,改进了传统的基于信号双谱的特征提取方法,提出了一种提取射频信号矩形积分双谱(Square Integral Bispectra,SIB)和选择双谱的融合特征作为射频指纹特征的新方法,使用支持向量机(Support Vector Machine,SVM)作为分类器,对无线设备终端进行入侵检测。实验结果验证了将SIB和选择双谱的融合特征作为射频指纹特征来实现电网无线设备入侵检测方法的有效性和准确性。

基于密度峰值算法的通信电台个体识别

由于通信电台信号的样本小,电台指纹特征弱,导致通信电台的个体识别准确度不高,本文首次提出了基于密度峰值算法进行通信电台个体识别,在不需要训练样本的条件下就能对通信电台进行个体识别。首先对信号进行矩形积分双谱变换,提取信号1×L维矩形双谱特征,计算各个信号间的欧式距离,然后根据密度峰值算法的定义计算各个信号的密度ρ和δ,以ρ、δ为横坐标与纵坐标画二维图,找到聚类中心,对各个信号进行分类识别。与传统的通信电台分类识别方法相比,此方法运用的是机器学习中聚类的方法,是无监督的方法,不需要带标签的通信电台信号样本,在实际运用中会发挥更大的作用。

多径信道下的OFDM信号带宽盲估计

针对传统的正交频分复用(OFDM)信号的带宽估计方法在低信噪比多径信道下,估计精度低且计算量大的问题,提出一种OFDM信号带宽盲估计方法.本方法首先根据接收到的观测信号建立自回归(AR)模型,通过AR模型计算信号的功率谱;然后将其功率谱等效成矩形谱,并将矩形谱的带宽作为OFDM信号的估计带宽;最后通过多次循环求统计平均得到信号的精确带宽估计.仿真结果表明:本方法在GSNR=0dB的多径信道下,带宽估计仅为1.68%.可见在低信噪比多径信道下该方法的带宽估计精度更高,计算复杂度更低.