基于雙譜特征融合的通信輻射源識別算法

桂云川，楊俊安，萬 俊

(1.解放軍電子工程學院，安徽 合肥 230037;2.安徽省電子制約技術重點實驗室，安徽 合肥 230037)

?

基于雙譜特征融合的通信輻射源識別算法

桂云川1,2，楊俊安1,2，萬 俊1

(1.解放軍電子工程學院，安徽 合肥 230037;2.安徽省電子制約技術重點實驗室，安徽 合肥 230037)

針對當前通信輻射源個體識別方法存在識別效率不高，內在細微特征難以提取等問題，提出了基于雙譜特征融合的通信輻射源特征提取算法。該算法通過融合對角積分雙譜與雙譜對角切片特征組成特征向量，并對對角切片特征提取方法進行了改進，將原信號先進行經驗模態分解(EMD)，在得到的本征模函數(IMF)基礎上提取對角切片特征，最后使用支持向量機(SVM)得到分類結果。分類實驗結果表明，基于雙譜特征融合的算法較積分雙譜的算法在識別效果上有一定程度的提升。

通信輻射源；特征提??；對角積分雙譜；雙譜切片

0 引言

在通信對抗領域中，通信輻射源個體識別既是一個研究熱點也是一個研究難點，識別出通信目標具體是什么對于通信偵查和通信對抗具有重大意義。通信輻射源識別本質上是一個模式識別的問題，它包括信號的預處理、特征提取、特征選擇及分類決策四個模塊[1]，特征提取通過對原始數據進行變換得到最能反映類間本質的特征，特征提取的好壞也直接影響了分類的效果。由于電臺信號的技術參數差異較小，必須要提取細微的參數才能作為指紋特征對電臺進行有效的識別。

實際通信信號經過編碼與調制后都呈現出非平穩、非線性與非高斯特性，傳統的功率譜與低階特性分析已經難以揭示信號本質。高階譜分析廣泛地用于信號處理[2]、語音處理[3]及醫學診斷[4]等方面，它可以在理論上完全抑制任何高斯噪聲和對稱分布的非高斯噪聲，能夠保留信號的幅度和相位信息并且與時間無關，因此高階譜分析也就成為了目前主流的特征提取方法。三階譜被稱為雙譜，是最簡單的高階譜，由于處理方法較為簡便，理論方法較為成熟，得到了廣泛的應用。

由于直接運用雙譜要求計算復雜的二維模板，運算效率不高，導致分類器難以進行有效識別。對此研究人員設法通過積分雙譜的算法將二維函數轉化成一維函數來解決這一問題。積分雙譜的方法按照不同的積分路線選擇可以分為徑向積分雙譜(RIB)、軸向積分雙譜(AIB)、圓周積分雙譜(CIB)和矩形積分雙譜(SIB)[5]四種。文獻[6]根據雙譜的對稱空間，針對雙譜的有效運算項提出了沿著平行于雙譜主次對角線的路徑進行積分的對角積分雙譜，降低了無意義運算項對于分類的影響，并驗證了算法在低信噪比條件下仍具有較好的效果。雙譜的對角切片又稱為1.5階譜，切片內包含了信號的重要特征，并且對角切片的計算簡單，可以作為區分輻射源的特征之一。文獻[7]通過計算雙譜對角切片值，將頻域信息拓展到復頻域以得到更多的特征信息，但文章采用Chirp-z變換的參數選擇對于特征提取好壞有較大影響，并且所提特征含有大量的冗余信息，不利于分類器分類。本文針對上述問題，提出了基于雙譜特征融合的通信輻射源識別算法。

1 雙譜的基本理論

1.1 雙譜的定義

當序列x(t)為零均值復平穩隨機過程時，三階累積量可以定義為：

(1)

式(1)中，x*(t)表示共軛，τ1和τ2代表延遲。雙譜又稱為三階累積量譜，是三階累積量的傅里葉變換，序列x(t)的傅里葉變換為X(ω)，則雙譜定義為：

(2)

由定義可以看出，雙譜是一個雙周期函數，周期大小為2π，即：

B(ω1,ω2)=B(ω1+2π,ω2+2π)

(3)

雙譜具有對稱性，根據雙譜的對稱性可以將雙譜分為12個扇區，每個扇區包含相同的信息[8]，其對稱區間如圖1所示。

從圖1可以看出，雙譜信號是嚴格按照ω1=ω2對稱，ω1=-ω2共軛分布的，并且對角線的兩端屬于信息無意義項。綜合考慮雙譜的對稱性與周期性，圖1的陰影區域包含了雙譜所有的有效信息，故在采用積分雙譜計算過程中只需要對陰影部分的雙譜積分即可，這減少了數據運算量，提高了積分運算的效率。

圖1 雙譜的對稱區間Fig.1 Symmetric interval of double spectrum

1.2 雙譜切片

雙譜是一個三維立體函數，含有大量的信號內在信息，不利于信號特征的提取，采用復雜的二維模板應用會導致計算量偏大，需要將雙譜變成二維函數來分析與提取有用的特征。雙譜的譜峰上往往包含有大量的內在特征，雙譜的對角切片包含了B(ω1,ω2)內的重要信號特征，通過對雙譜的對角切片進行運算，不僅可以有效地提取雙譜特征，還可以大量降低算法的復雜度。

對式(2)，令ω=ω1=ω2，得到雙譜的主對角切片為：

B(ω,ω)=X(ω)X(ω)X*(2ω)

(4)

圖2分別是雙譜的截面圖、雙譜的立體圖、以及雙譜的對角切片圖。

圖2 雙譜的截面圖、立體圖及對角切片圖Fig.2 The section of the double spectrum, the stereo graph and the diagonal slice

從圖2可以看出，雙譜的切片圖就是沿雙譜的立體圖按照平面f1=f2所得到的截面，其中f1與f2的長度取決于快速傅里葉變換長度nfft，算法中nfft取128。

2 基于雙譜特征融合的特征提取算法

2.1 對角積分雙譜

雙譜是一個二維數據，通常采用圍線積分的方法來避免大量的數據運算。文獻[9]和文獻[10]分別采用了選擇雙譜、矩形積分雙譜等方法對雙譜信息進行了計算，并取得了較好的效果。然而從雙譜對稱區間分析可以看出，圖1中的陰影部分包括了全部雙譜信息，并且存在兩塊相互對稱的無意義項，采用矩形積分的方法將會導致信息點取樣冗余，不利于特征提取的結果。

相比矩形積分雙譜會產生取樣冗余問題，對角積分雙譜的積分路徑沿著平行于主副對角線，針對包含全部雙譜信息的區間進行積分計算，避免了對稱區間與無意義項的計算，提高了運算效率，其積分表達式為：

圖3表示了對角積分雙譜的積分路徑，從圖上可以看出，對角積分雙譜近針對陰影區域的雙譜信息進行積分，在保證有效提取了雙譜信息的同時大大減小了特征冗余的存在。

圖3 對角積分雙譜的積分路線Fig.3 Integral line of diagonal integral double spectrum

2.2 改進的雙譜對角切片特征提取算法

2.2.1 經驗模態分解算法

1998年，Norden E. Huang等人提出了經驗模態分解(EMD)算法[11]，該算法能夠自適應地將一個復雜信號分解成一組穩態和線性的本征模函數(IMF)，通過分解將具有不同時間尺度的信號分配到不同階層的模態中。分解的結果表示為：

其中，ci(t)表示第i階的分解結果，表示了第i階IMF分量，rN(t)為最后的剩余信號。IMF反映了原始信號在某種特定意義頻段范圍內的時域信息，分解后得到的分量更容易反映出信號的細微變換。

2.2.2 雙譜切片特征

采用積分雙譜的目的是為了解決將二維函數轉化成為一維函數的問題，采用雙譜的切片同樣可以解決這一問題。從圖4可以看出，雙譜的切片實際上是一條幅頻特性曲線，并且由于雙譜的對稱關系，切片的圖形也是嚴格的對稱圖形。為了提取切片的幅頻特征，反映出譜偏離對稱情況，定義一個切片譜對稱系數β，令

上式中，切片譜對稱系數是對雙譜信號的譜偏離對稱情況的度量。使用雙譜切片的偏離對稱系數作為雙譜切片的內在特征。此外分形特征也是一種深度刻畫信號幅頻特性的特征參數，常用的分形特征包括盒維數、信息維數與Lemple-Ziv復雜度。其中盒維數反映了分形集的幾何尺度情況；信息維數反映了信號在區域內分布的疏密情況；Lempel-ziv復雜度通過復制和添加兩種操作來描述信號序列的特性，并將所需添加的操作次數作為序列的復雜性度量，這些特征在之前的研究中已經被證實是進行個體識別的有效特征。

本文改進的雙譜切片特征是建立在EMD分解模型上的特征提取算法，首先將原始信號進行EMD分解，對分解得到的IMF求得雙譜切片，并在雙譜切片上提取譜對稱系數特征及包括盒維數、信息維數與Lemple-Ziv復雜度在內的分形特征。圖4是兩部電臺信號經過EMD分解后各階IMF雙譜切片的示意圖(為減少篇幅，只給出了前3階IMF的雙譜切片)。

從圖4可以看出，兩部電臺的雙譜切片在結構上存在較大的差異，通過提取IMF雙譜切片的細微特征具有可行性。

圖4 兩部電臺前3階IMF對角切片示意圖Fig.4 Schematic diagram of the main diagonal slice of the former 3 stage IMFs

3 實驗分析

本文的實驗數據是6部同型號、同批次的通信電臺數據，其實驗數據采集背景條件如表1所示。

表1 外場實驗數據采集環境

在外場實驗數據的實際采集過程中，為方便實驗使用，每部電臺信號采集兩段，兩段信號采集間隔內電臺經過關機重開，每段信號采集時間大約10 s，其中一段用于訓練，另一段用于測試。

在特征提取實驗中，將訓練信號與測試信號各分為600份。對每份信號進行兩方面操作：一方面提取信號的對角積分雙譜；另一方面對信號進行EMD分解，求出前5層IMF對應的雙譜對角切片，提取切片的譜偏離對稱系數、盒維數與Lempel-Ziv復雜度作為切片特征，融合對角積分雙譜與對角切片特征組成特征向量。在分類實驗中以訓練信號中的600份信號作為訓練集，隨機從測試信號中抽取100份作為測試集，使用基于多項式的SVM分類器進行分類，得到分類結果如表2所示。

為證明本文算法的優勢，使用本文提出的基于雙譜特征融合的算法對比文獻[6]中基于對角積分雙譜的算法與本文所提的基于EMD雙譜切片特征算法。在分類識別中同樣使用基于多項式的SVM分類器進行分類。以識別率作為衡量指標，選擇不同信號訓練集數量的情況下比較兩種算法的識別效果，其結果如圖5所示。

表2 6部電臺分類識別結果

圖5 本文算法與參考算法的識別效果對比Fig.5 Comparison of the recognition results of the algorithm and the reference algorithm in this paper

從電臺分類實驗的結果來看，隨著訓練樣本的提升，各算法在識別效率上都有一定程度的提升，本文提出的基于雙譜融合的特征提取算法相較于其他方法有較大程度的提升。

4 結論

本文提出了基于雙譜特征融合的特征提取算法。該算法對雙譜切片特征提取算法進行了改進，將EMD分解引進了雙譜切片特征提取中，通過對分解細化后的IMF提取切片的譜對稱系數與分形特征，反映出通信輻射源內部的細微特征，并融合了對角積分雙譜特征。實驗分析表明：該算法較傳統的積分雙譜算法能夠更加充分地利用雙譜內在信息，并且在最終的識別效率上有較大程度的提升。

[1]孫娜. 通信電臺細微特征研究[D]. 北京：北京郵電大學, 2010.

[2]Lukin V, Totsky A, Fevralev D, et al. Adaptive combined bispectrum-filtering signal processing in radar systems with low SNR[J]. Proceedings-IEEE International Symposium on Circuits and Systems, 2006.

[3]Lin ChinTeng, Lin JiannYow, Wu GinDer.A robust algorithm for word boundary detection in the presence of noise[C]//Speech and Audio Processing, IEEE Transactions on intelligent Transportation Systems， 2002.

[4]Orosco E, Diez P, Laciar E, et al. On the use of high-order cumulant and bispectrum for muscular-activity detection[J]. Biomedical Signal Processing & Control, 2015, 18:325-333.

[5]徐書華, 黃本雄, 徐麗娜. 基于SIB/PCA的通信輻射源個體識別[J]. 華中科技大學學報(自然科學版), 2008, 36(7):14-17.

[6]肖樂群，張玉靈，趙擁軍.基于對角積分雙譜的雷達輻射源信號識別[J].信息工程大學學報，2012,13(1):95-99.

[7]Tang L, Jiang T. Target identification based on diagonal slice of the complex bispectrum[C]// Communication Problem-Solving (ICCP), 2014 IEEE International Conference. IEEE, 2014:303-306.

[8]吳文，王金明，潘克修，等.基于六邊形主域積分雙譜的通信輻射源識別方法[J].軍事通信技術，2012，33(2)：26-30.

[9]蔡忠偉,李建東 .基于雙譜的通信輻射源個體識別[J] .通信學報,2007(2):75-79.

[10]馬君國，肖懷鐵，李保國，等.基于局部圍線積分雙譜的空間目標識別算法[J].系統工程與電子技術，2005,27(8):1490-1494.

[11]Huang Norden，Shen Zheng，Long Steven R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[C]//Proceedings of the Royal Society. London：1998,454:903-995.

A Transmitter Recognition Algorithm Based on Dual Spectrum Feature Fusion

GUI Yunchuan1,2, YANG Jun’an1,2，Wanjun1

(1.Electronic Engineering Institute of PLA ,Hefei 230037,China; 2.Key Laboratory of Electronic Restriction of Anhui Province , Hefei 230037,China)

In view of the problem that the identification method is not high and the intrinsic feature is difficult to be extracted, a feature extraction algorithm based on the bispectrum feature fusion was proposed .The feature vector was formed by the combination of diagonal integral bispectrum and the feature of bispectrum slice, and the original signal was decomposed by empirical mode decomposition; then the feature of the bispectrum slice was extracted from the instrinsic mode functions; finally the support vector machine was used to obtain the classification results. Six station classification experimental results showed that the proposed algorithm based on the bispectrum feature fusion integration was better.

communication transmitter; feature extraction; diagonal integral double spectrum; bispectrum slice

2016-03-15

桂云川(1991—)，男，江西鷹潭人，碩士研究生，研究方向：通信輻射源特征提取。E-mail:15209837812@163.com。

TN911.7

A

1008-1194(2016)05-0091-05