針對跳頻信號分選存在人工提取參數(shù)特征具有復雜性的問題,提出了一種基于深度學習的識別方法。首先對跳頻信號進行短時傅里葉變換,得到二維的時頻矩陣;接著提取信號的輪廓特征,構(gòu)造三維矩陣作等高線圖,并對等高線圖進行預處理;最后把預處理后的等高線圖輸入到卷積神經(jīng)網(wǎng)絡中進行訓練、測試,進而實現(xiàn)分類識別。仿真結(jié)果表明,在不需要復雜的人工提取參數(shù)特征的基礎上,在分選率為100%時,所提方法經(jīng)裁剪處理下的信噪比為-15 d B,比支持向量機和傳統(tǒng)KMeans聚類算法都低10 d B。實測數(shù)據(jù)的算法驗證表明,所提方法能夠?qū)⒋蠼`4Pro、hm無人機、司馬航模X8HW以及大疆悟2這四類無人機正確分類。 

【文章來源】：電訊技術. 2020,60(10)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

硬件采集環(huán)境圖

本實驗對在微波暗室內(nèi)近距離采集的四種較純凈無人機飛控信號，采用Matlab環(huán)境進行數(shù)據(jù)分析，其經(jīng)預處理后的等高線如圖5所示。為了更直觀地反映所提方法的有效性，在實測數(shù)據(jù)的基礎上添加高斯白噪聲，噪聲范圍為-20～10 d B;在每個信躁比下，每種無人機飛控信號構(gòu)建100張圖片，其中20張作為測試集，其中網(wǎng)絡參數(shù)設置如表2所示。實測數(shù)據(jù)下不同算法的仿真性能對比如圖6所示。

為了更直觀地反映所提方法的有效性，在實測數(shù)據(jù)的基礎上添加高斯白噪聲，噪聲范圍為-20～10 d B;在每個信躁比下，每種無人機飛控信號構(gòu)建100張圖片，其中20張作為測試集，其中網(wǎng)絡參數(shù)設置如表2所示。實測數(shù)據(jù)下不同算法的仿真性能對比如圖6所示。從圖6可看出，在實測數(shù)據(jù)基礎下，當分類正確率為100%時，本文算法在經(jīng)裁剪處理下的信噪比為-15 d B，比未經(jīng)裁剪的本文算法要低5 d B，比SVM和傳統(tǒng)的K-Means算法約低15 d B，表明基于CNN深度學習的跳頻信號分類識別方法的性能要比其他兩種算法性能好，且經(jīng)裁剪處理的本文算法要比未經(jīng)裁剪處理的分選性能要好，由此驗證了算法的有效性。同時，同圖3相比，不同算法的分選仿真性能大體趨勢一致，但圖6的分選性能要稍微差一點，主要是由于圖6是在實測數(shù)據(jù)的基礎上進行的仿真，實測數(shù)據(jù)里面包含了噪聲。

【參考文獻】：
期刊論文
[1]電臺跳頻通信技術分析[J]. 王文娟,李緒凱,孫慧賢,王欣.  計算機與網(wǎng)絡. 2019(21)
[2]基于圖像深度學習的無線電信號識別[J]. 周鑫,何曉新,鄭昌文.  通信學報. 2019(07)
[3]基于模糊KHM聚類的跳頻網(wǎng)臺分選方法[J]. 鐘兆根,楊蕓丞,張立民.  電訊技術. 2019(06)
[4]基于時頻預處理下卷積網(wǎng)絡的雷達信號識別[J]. 姚瑤,王戰(zhàn)紅.  探測與控制學報. 2018(06)
[5]半監(jiān)督條件下的CRC跳頻電臺指紋特征識別[J]. 眭萍,郭英,張坤峰,李紅光.  系統(tǒng)工程與電子技術. 2019(01)
[6]基于深度學習的復合神經(jīng)網(wǎng)絡機場信號檢測框架[J]. 侯進,呂志良,徐茂,吳佩軍,劉雨靈,張笑語,陳曾.  西南交通大學學報. 2019(04)
[7]稀疏貝葉斯模型在跳頻信號電臺分選中的應用[J]. 郭海召,張順生.  信號處理. 2016(06)
[8]雷達信號WVD主脊線符號熵特征提取[J]. 劉志鵬,田楨熔,毛重,張國毅.  長春工業(yè)大學學報. 2015(06)
[9]基于頻域瞬時特征的跳頻電臺個體識別方法[J]. 顧晨輝,王倫文.  計算機工程與應用. 2013(22)
[10]基于KHM聚類算法的跳頻信號分選[J]. 齊昶,王斌,丁海軍.  聲學技術. 2011(06)

碩士論文
[1]無人機信號的偵收與識別方法研究[D]. 楊亞南.電子科技大學 2018
[2]基于跳頻信號的指紋識別研究[D]. 梁穎.北京郵電大學 2014
[3]跳頻通信網(wǎng)臺分選方法的研究與仿真實現(xiàn)[D]. 岳峰巍.電子科技大學 2010



本文編號：3353973