基于深度学习的跳频信号识别

发布时间：2021-08-20 18:03

　　针对跳频信号分选存在人工提取参数特征具有复杂性的问题,提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换,得到二维的时频矩阵;接着提取信号的轮廓特征,构造三维矩阵作等高线图,并对等高线图进行预处理;最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试,进而实现分类识别。仿真结果表明,在不需要复杂的人工提取参数特征的基础上,在分选率为100%时,所提方法经裁剪处理下的信噪比为-15 d B,比支持向量机和传统KMeans聚类算法都低10 d B。实测数据的算法验证表明,所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。 

【文章来源】：电讯技术. 2020,60(10)北大核心

【文章页数】：6 页

【部分图文】：

硬件采集环境图

本实验对在微波暗室内近距离采集的四种较纯净无人机飞控信号，采用Matlab环境进行数据分析，其经预处理后的等高线如图5所示。为了更直观地反映所提方法的有效性，在实测数据的基础上添加高斯白噪声，噪声范围为-20～10 d B;在每个信躁比下，每种无人机飞控信号构建100张图片，其中20张作为测试集，其中网络参数设置如表2所示。实测数据下不同算法的仿真性能对比如图6所示。

为了更直观地反映所提方法的有效性，在实测数据的基础上添加高斯白噪声，噪声范围为-20～10 d B;在每个信躁比下，每种无人机飞控信号构建100张图片，其中20张作为测试集，其中网络参数设置如表2所示。实测数据下不同算法的仿真性能对比如图6所示。从图6可看出，在实测数据基础下，当分类正确率为100%时，本文算法在经裁剪处理下的信噪比为-15 d B，比未经裁剪的本文算法要低5 d B，比SVM和传统的K-Means算法约低15 d B，表明基于CNN深度学习的跳频信号分类识别方法的性能要比其他两种算法性能好，且经裁剪处理的本文算法要比未经裁剪处理的分选性能要好，由此验证了算法的有效性。同时，同图3相比，不同算法的分选仿真性能大体趋势一致，但图6的分选性能要稍微差一点，主要是由于图6是在实测数据的基础上进行的仿真，实测数据里面包含了噪声。

【参考文献】：
期刊论文
[1]电台跳频通信技术分析[J]. 王文娟,李绪凯,孙慧贤,王欣.  计算机与网络. 2019(21)
[2]基于图像深度学习的无线电信号识别[J]. 周鑫,何晓新,郑昌文.  通信学报. 2019(07)
[3]基于模糊KHM聚类的跳频网台分选方法[J]. 钟兆根,杨芸丞,张立民.  电讯技术. 2019(06)
[4]基于时频预处理下卷积网络的雷达信号识别[J]. 姚瑶,王战红.  探测与控制学报. 2018(06)
[5]半监督条件下的CRC跳频电台指纹特征识别[J]. 眭萍,郭英,张坤峰,李红光.  系统工程与电子技术. 2019(01)
[6]基于深度学习的复合神经网络机场信号检测框架[J]. 侯进,吕志良,徐茂,吴佩军,刘雨灵,张笑语,陈曾.  西南交通大学学报. 2019(04)
[7]稀疏贝叶斯模型在跳频信号电台分选中的应用[J]. 郭海召,张顺生.  信号处理. 2016(06)
[8]雷达信号WVD主脊线符号熵特征提取[J]. 刘志鹏,田桢熔,毛重,张国毅.  长春工业大学学报. 2015(06)
[9]基于频域瞬时特征的跳频电台个体识别方法[J]. 顾晨辉,王伦文.  计算机工程与应用. 2013(22)
[10]基于KHM聚类算法的跳频信号分选[J]. 齐昶,王斌,丁海军.  声学技术. 2011(06)

硕士论文
[1]无人机信号的侦收与识别方法研究[D]. 杨亚南.电子科技大学 2018
[2]基于跳频信号的指纹识别研究[D]. 梁颖.北京邮电大学 2014
[3]跳频通信网台分选方法的研究与仿真实现[D]. 岳峰巍.电子科技大学 2010



本文编号：3353973