[发明专利]一种适用于无人机通信系统的干扰信号分类识别方法

说明书

本发明公开了一种适用于无人机通信系统的干扰信号分类识别方法，属于数字通信信号处理技术领域。首先针对无人机通信系统建立干扰信号分类识别系统，然后分别提取改进的载波因子和白噪声因子两种特征参数，针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率，判断其是否大于0.8，如果是，则该样本数据的干扰信号分类正确；最后干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别，为下一步信号处理打下基础。本发明优于传统的阈值分类识别方法，建立了高区分度的特征参数表达，提高了分类识别的准确率。

技术领域

本发明属于数字通信信号处理技术领域，具体涉及一种适用于无人机通信系统的干扰信号分类识别方法。

背景技术

近年来，利用无人机执行任务灵活便捷且成本低，使得执行各种通信任务已经成为无人机研究领域中的热点。由于无人机通信系统在军事和民用领域，时刻遭受着自然干扰和人为干扰，这些干扰会进一步影响无人机数据链功率控制技术等其他应用。因此，在无人机通信领域，对所获取的干扰信号进行分类识别必然有极高的研究意义。

目前国内外针对干扰信号的分类识别方法主要有以下两种：

一是基于阈值分类的识别方法。传统的阈值分类识别方法操作简单，主要根据不同信号特征参数之间的差异，建立鲁棒性的相似度函数，同时选取合适的阈值，将相似度与选取的阈值进行比较，并做出相应的判断。而阈值的选取依赖于具体的问题，在不同的通信系统或不同的干扰信号中可能会有不同的阈值，因此该类方法通常对于分类识别的适应性较差。

二是基于机器学习的分类识别方法。现有的机器学习识别方法包含反向传播(BP)神经网络、支持向量机、决策树理论等统计学习方法，该类方法有较优异的自学习和自适应能力，能够较好的解决非线性以及高维问题，结构简单且速度快。然而该类方法的分类识别性能在很大程度上取决于输入特征参数的表征能力，因此研究应集中在如何建立有效的特征参数。

由上述分析可知，当前针对无人机通信系统的干扰信号分类识别主要面临的问题如下：由于无人机通信系统执行任务时干扰的复杂多变，特征参数可能对信号的区分程度不足，导致无法顺利分类；同时，传统的阈值分类方法适应性差，往往导致较低的识别准确率。

发明内容

本发明为解决上述问题，提出了一种适用于无人机通信系统的干扰信号分类识别方法，以干扰信号作为研究对象，研究干扰信号的分类识别问题。

所述的适用于无人机通信系统的干扰信号分类识别方法对信号进行处理过程如下：

步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；

信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；

特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；

SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类。

干扰信号种类统计模块对样本数据分别所属的类别进行统计。

步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；

提取改进的载波因子信号C_g，计算公式如下：

x(λ₁)是对时域信号s(t)进行快速傅里叶变换后得到的幅值最大的离散信号；