[发明专利]基于时频分析的自适应辐射源调制识别方法

权利要求书

1.一种基于时频分析的自适应辐射源调制识别方法，包括如下步骤：

步骤一，对接收的辐射源信号使用时频分布进行时频分析，将辐射源信号从时域信号转换为时间-频率二维图像；

步骤二，使用图像处理技术降低计算复杂度和特征维数，经过归一化、二值化、图像细化图像预处理操作，增强信号特征信息在图像中的比重；

步骤三，联合二阶四阶矩估计方法，利用自适应主成分分析算法，对预处理后的图像进行图像形状特征提取；

步骤四，使用LIBSVM分类器识别辐射源信号的调制方式；

其特征是：

步骤一具体包括：

选用Choi-Williams分布对辐射源信号s(t)进行时频分析，对信号瞬时相关函数R(t,τ)的时间变量t做傅立叶逆变换，信号s(t)的模糊函数χ_s(τ,ξ)的定义为式(1)，

式中，τ为时移，ξ为频移；

选取为时频分布的核函数，式中，τ为时移，ξ为频移，σ为常数；将模糊函数χ_s(τ,ξ)和核函数φ(τ,ξ)代入Cohen类时频分布统一表示形式：

得Choi-Williams分布，即

式中，t是时间，ω是频率，τ是时移，μ是积分σ变量；

辐射源信号经过CWD分布时频变换后得到时频图像；

步骤二具体包括：

对时频图像灰度值进行归一化，设和σ²分别是所有像素点灰度值的均值和方差，

归一化后像素点的灰度值为：

采用最大方差比的阈值确定方法，提高图像二值化的准确度，

使用Hilditch经典细化算法对二值图像进行细化，若目标像素同时满足以下条件即删除像素：

i.P₀+P₂+P₄+P₆≤3；

ii.N_C＝1；

iii.P_K,0≤k≤7中至少有一个目标像素为1；

iv.P₂＝1或N_C2＝1，N_C2为假定P₂＝0时P的联结数；

v.P₄＝1或N_C4＝1，N_C4为假定P₄＝0时P的联结数；

该细化算法每次扫描删除图像上目标的轮廓像素，直到图像上不存在可删除的轮廓像素为止，最终得到辐射源信号的时频骨架图像；

步骤三具体包括：

运用二阶四阶矩估计法对接收到的辐射源信号x(n)＝s(n)+w(n)进行信噪比估计，其中s(n)＝Ae^jφ(n)为辐射源信号，w(n)是均值为0，方差为σ²的复高斯白噪声，雷达信号和高斯白噪声之间相互独立；

用接收信号序列的时间平均来近似二阶量和四阶量，其中辐射源信号x(n)的二阶矩和四阶矩近似表达式如下：

联立由上两式，解得A²、σ²的估计值为：

定义辐射源信号信噪比估计值为联立由上两式解得：

辐射源信号经过步骤1得到的时频图像，经过步骤2的预处理后得到辐射源信号的时频骨架图像，将该图像作为原始样本构成一个数据矩阵为：

其协方差矩阵为R＝XX^T，对该协方差矩阵作特征值分解：

R_M×M＝U∧U^T (12)

其中，T表示转置，∧为协方差矩阵的特征值对角阵，U为相应的特征矩阵，对时频图像作如下变换：

P_M×N＝U^TX＝[p₁,p₂,…,p_M]^T (13)

其中，P为时频图像二值矩阵的主成分，p₁是第一主成分，p_j为第j主成分，选取前k个主成分，构成时频图像的骨架特征矩阵；

依据步骤3解得辐射源信号信噪比估计值实现在不同信噪比下选取不同的主成分分量的自适应主成分分析算法；

步骤四具体包括：

选取支持向量机分类器的核函数，并根据训练样本的形态特征确定核函数的参数，以训练支持向量机分类器，其中，支持向量机分类器的核函数为高斯核函数，即公式(14)：

k(x₁,x₂)＝exp(-γ*|x₁-x₂|²) (14)

具体而言，选择上述的高斯核函数作为核函数，核函数参数的选择采用交叉验证的方法，其中，惩罚因子C从2^-5～2⁵成倍增加，核函数参数γ从2^-5～2⁵成倍增加，对于某个(C,γ)，选择5折交叉验证，即将训练样本分成5份，挑选1份作为测试样本，剩下4份作为训练样本，重复5次，计算平均正确率，以此衡量当前(C,γ)的性能，选择性能相对最好的(C,γ)作为最终的参数；

最后，将在不同信噪比条件下，自适应得到的时频图像特征向量输入训练好的支持向量机，得到输入的辐射源信号脉内调制方式。