基于深度学习的通信辐射源指纹特征提取算法
2018-08-20黄健航雷迎科
信号处理 2018年1期
黄健航 雷迎科
(电子工程学院,安徽合肥 230037)
1 引言
由于通信辐射源个体的差异,在信号的表现形式上不可避免地存在着不影响信息传递的细微特征差异,这些可检测、可重现差异的细微特征称为信号细微特征或通信辐射源指纹特征(Communication Transmitter Fingerprint,CTF)[1]。在军事应用上,由于当前战场电磁环境中充斥各类电磁信号,使得电磁环境纷繁多变,而识别敌方通信辐射源个体对于我方掌握战场制信息权至关重要。因此通过准确提取CTF特征,快速有效地识别不同通信辐射源个体,可以为指挥员判定辐射源的基本性质、分析通信网络结构、确定敌威胁等级和电子干扰对象提供重要的决策依据[2]。在民用领域中,CTF特征可以用于准确判别通信电台对电磁频谱的使用情况,及时发现非法通信电台等。
近年来,国内外对CTF特征的研究越发深入,主要分为两类:信号暂态特征提取方法和信号稳态特征提取方法。前一种方法主要是早期研究成果,其对瞬态特征的完整性要求很高,而由于瞬态特征与噪声相似,又在信号截获、特征提取的过程中增加了出错概率,因此目前已很少采用。后一种方法对信号的稳态特征进行变换、提取,可以达到准确提取信号指纹特征的目的,应用范围广泛。文献[3]提出了一种基于双谱特征融合的CTF特征识别方法,可以实现快速准确的CTF特征提取并分类识别,但对训练样本数量要求较高。文献[4]基于信号频率跳变时刻的瞬时包络特征计算分形维数,提取的CTF特征的多分类性能只限于3部电台。……
登录APP查看全文
