短波电台个体特征识别

发布时间：2017-04-02 20:10

  本文关键词：短波电台个体特征识别，由笔耕文化传播整理发布。

【摘要】：通信电台个体识别是频谱管理、通信侦查与对抗领域的一个重要研究课题。通信电台个体识别在军用领域和民用领域都有广泛的应用:对于军用领域可以在复杂的电子战中掌握和监测敌方电台的活动方位,从而进行侦测、电子干扰和军事打击等;对于民用领域,民用无线电频谱管理可以用到通信电台个体识别技术,可以对频段进行安全性感知,检测信号干扰、频率冲突和其他非法干扰。本论文主要研究了短波通信电台的稳态特征,分析了稳态信号的杂散特征和高阶统计量特征,并利用实测数据对它们进行了提取。以此为基础,构建了一种基于主成分分析(PCA)特征降维的SVM单分类器算法,该算法适合于仿真实验。为了满足实际短波系统的需求,进一步提出了基于K近邻估计的SVM组合分类器算法,并在工程上编程开发实现了该算法,得到了很好的应用。本文的工作成果主要体现在以下几个方面:(1)、说明了短波通信信号细微特征的产生是由于生产工艺和元器件性能等随机因素引起,这些随机因素导致了晶体振荡器频率与标称值间的差异,从而产生载频偏差和调制参数的偏差等。(2)、对短波电台信号的杂散特征和高阶统计量特征进行了分析,提取了杂散特征中的高阶J特征和分形维数的信息维数、LZC、盒维数等;提取和分析了高阶统计量特征中的包络峰度特征和矩形积分双谱(SIB)特征。通过实验表明LZC、高阶J特征和包络峰度的聚类效果最好,其它的特征次之。同时SIB由于维数较多需要进行特征处理后应用。(3)、提出了一种基于PCA降维的SVM单分类器算法。该算法采用PCA降维对SIB进行处理,可将SIB的维数从60~80维降低到便于处理的3~8维;然后将降维后的SIB与其他的特征合并成一个特征集作为SVM分类器的输入。最后进行的识别实验说明了所处理后的特征都具有良好的分类性能,同时特征越多对于电台细微差异区分效果越好。(4)、根据当前短波通信系统对于短波通信电台个体特征识别技术的需求,提出了一种适合于该系统的基于K近邻估计和SVM分类器的组合分类识别算法。该算法采用模式识别领域先进组合分类器算法,识别效果达到了所需的识别要求。
【关键词】：个体识别 细微特征 PCA降维 SVM分类器 K近邻估计
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN924
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-18
• 1.1 概述11-12
• 1.2 国内外研究现状12-16
• 1.2.1 通信电台个体识别分类器设计现状12-13
• 1.2.2 通信电台个体特征提取的现状13-16
• 1.3 本文主要工作和安排16-18
• 第二章 短波电台信号特征构成因素18-28
• 2.1 引言18
• 2.2 短波通信18-20
• 2.2.1 概述18-19
• 2.2.2 短波信道19-20
• 2.3 短波电台信号特征产生的机理20-21
• 2.4 短波通信电台的暂态特征21-23
• 2.5 短波通信电台的稳态特征23-27
• 2.5.1 信号载频偏差23
• 2.5.2 调制参数的偏差23-24
• 2.5.3 电台的杂散特征24-26
• 2.5.4 信号的高阶统计特征26-27
• 2.6 本章小结27-28
• 第三章 短波电台信号特征分析28-43
• 3.1 引言28
• 3.2 短波电台信号的杂散特征分析28-38
• 3.2.1 信号的包络提取28-29
• 3.2.2 信号包络的高阶J特征29-33
• 3.2.3 分形理论提取信号特征33-38
• 3.3 短波电台信号的高阶统计特征分析38-42
• 3.3.1 信号包络的峰度38-39
• 3.3.2 积分双谱39-42
• 3.4 本章小结42-43
• 第四章 基于SVM的单个识别器设计43-55
• 4.1 引言43
• 4.2 主成分分析(PCA)43-45
• 4.2.1 简介43-44
• 4.2.2 基本原理44
• 4.2.3 主成分分析的计算步骤44-45
• 4.3 SVM分类器45-51
• 4.3.1 模式识别45-47
• 4.3.2 SVM分类器47-51
• 4.4 基于PCA特征降维的SVM分类器算法51-53
• 4.4.1 算法介绍51-52
• 4.4.2 实验结果和分析52-53
• 4.5 本章小结53-55
• 第五章 短波电台个体特征识别系统设计与实现55-65
• 5.1 引言55
• 5.2 基于K_n近邻估计和SVM分类器的组合识别算法55-59
• 5.2.1 K_n近邻估计法55-56
• 5.2.2 算法设计56-59
• 5.3 短波通信电台个体识别系统设计与实现59-64
• 5.3.1 系统的训练模块60-61
• 5.3.2 系统的识别模块61-62
• 5.3.3 识别结果62-64
• 5.4 本章小结64-65
• 总结与展望65-68
• 参考文献68-71
• 英文缩写检索表71-72
• 攻读硕士学位期间取得的研究成果72-73
• 致谢73-74
• 附件74

【参考文献】

中国期刊全文数据库 前1条

1 普运伟;金炜东;胡来招;;基于瞬时频率二次特征提取的辐射源信号分类[J];西南交通大学学报;2007年03期

中国博士学位论文全文数据库 前2条

1 蔡权伟;多分量信号的信号分量分离技术研究[D];电子科技大学;2006年

2 徐书华;基于信号指纹的通信辐射源个体识别技术研究[D];华中科技大学;2007年

  本文关键词：短波电台个体特征识别，，由笔耕文化传播整理发布。

本文编号：283082