基于核密度估计密度峰聚类的通信辐射源个体识别

发布时间：2021-11-06 21:09

　　通信辐射源个体识别是通过发射机反映在信号上的差异来判别信号与辐射源个体之间的关联。传统的通信辐射源个体识别方法以及新兴的利用神经网络进行辐射源个体识别的方法都依赖带类别信息的信号样本,然而在实际中带类别信息的信号样本获取难度很大。为了解决这个问题,引入了无监督学习中的密度峰值聚类算法,在无类别信息信号样本的前提下进行通信辐射源个体识别。由于密度峰值聚类算法的性能受人工输入参数dc的影响较大,文中利用核密度估计（KDE）及热扩散方程改进算法,在不需要人工输入参数的条件下实现对数据的分类。文中所提算法在实际电台信号数据集上进行了实验,具有较好的效果,验证了该算法的可靠性和有效性。 

【文章来源】：空军工程大学学报(自然科学版). 2020,21(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

决策图示例

为了验证本文提出识别方法的可行性，算法在实际超短波（USW）数据集进行了实验，数据采集场景见图2。课题组采集了5部超短波FM电台不同说话人的语音通信数据。超短波电台信号数据采集时，使用手机播放3个不同的人说话声音作为发射端的输入，然后接收机作为非协作方经过采集获得零中频I/Q信号。背负式超短波FM电台中心频率分别设置为35 MHz、55 MHz和85 MHz，工作模式为“小功率”，并设立了3个采集场景：接收机与电台之间无高大建筑遮挡且距离分别为100m和50m，以及接收机与电台中间存在高大建筑物遮挡且距离为50m，其余参数见表3。信号采集完之后，以2 048个点为单位进行分割，然后分别计算每段信号的直方图特征（特征的维度可以调整），最后将特征放入算法中进行计算并识别各段信号。3.2.2 特征维度对识别效果的影响

【参考文献】：
期刊论文
[1]通信辐射源个体识别的自编码器构造方法[J]. 黄健航,雷迎科.  火力与指挥控制. 2018(11)
[2]自适应局部半径的DBSCAN聚类算法[J]. 秦佳睿,徐蔚鸿,马红华,曾水玲.  小型微型计算机系统. 2018(10)
[3]Specific Emitter Identification Based on Visibility Graph Entropy[J]. 朱胜利,甘露.  Chinese Physics Letters. 2018(03)
[4]分层结构直方图及其应用[J]. 余旺盛,李卫华,侯志强.  电子学报. 2017(11)
[5]基于3D-Hibert能量谱和多尺度分形特征的通信辐射源个体识别[J]. 韩洁,张涛,王欢欢,任东方.  通信学报. 2017(04)
[6]一种基于网格与加权信息熵的OPTICS改进算法[J]. 安建瑞,张龙波,王雷,金超,怀浩,王晓丹.  计算机工程. 2017(02)
[7]基于最大相关熵的通信辐射源个体识别方法[J]. 唐哲,雷迎科.  通信学报. 2016(12)
[8]基于双谱二次特征的通信信号识别算法研究[J]. 刘莹,单洪,胡以华,王勇.  计算机应用研究. 2017(06)
[9]一种基于经验模态分解的通信辐射源个体识别方法[J]. 梁江海,黄知涛,袁英俊,黄光泉.  中国电子科学研究院学报. 2013(04)

博士论文
[1]通信辐射源非线性个体识别方法研究[D]. 唐智灵.西安电子科技大学 2013
[2]基于信号指纹的通信辐射源个体识别技术研究[D]. 徐书华.华中科技大学 2007



本文编号：3480529