[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

摘要

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。

主权项

1.一种适用于无人机通信系统的干扰信号分类识别方法，其特征在于，具体步骤如下：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；对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，按照幅值大小顺序依次排序为x(λ₁),x(λ₂),...,x(λ_n)；定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数；提取改进的白噪声因子信号A'，计算公式如下：P₁为时域信号s(t)的功率谱P(n)的普通均值；P₂为大于P₁的幅值再计算的均值；步骤三、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；具体对比过程如下：将两个样本数据A和B中改进的载波因子作差，当样本数据A的载波因子大于样本数据B的载波因子，且差值大于20时，选择载波因子的值作为样本数据A的输出；将两个样本数据A和B中改进的白噪声因子作差，当样本数据A的白噪声因子大于样本数据B的白噪声因子，且差值大于0.6时，选择白噪声因子的值作为样本数据A的输出；当样本数据A的载波因子的值和白噪声因子的值均能作为该样本数据的输出时，分别计算载波因子和白噪声因子的相对区分程度g；并选择相对区分程度高的值作为样本数据A的输出；相对区分程度g计算公式如下：其中，当利用上述公式计算载波因子的相对区分程度g时，b为载波因子的特征参数差值，a为载波因子的阈值；当利用上述公式计算白噪声因子的相对区分程度g时，b为白噪声因子的特征参数差值，a为白噪声因子的阈值；步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，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；首先，选取核函数和参数训练支持向量机SVM；然后，将选取的样本数据复制N个，并选定其中某种干扰类型均设置标签1，其余的干扰类型均设置标签‑1，结合样本数据的输出，作为训练集，放入训练好的支持向量机SVM进行分类，得到分类结果；最后，对比分类结果与人工标签，得出分类准确率η；计算公式如下：步骤五、判断分类准确率η是否大于0.8，如果是，则该样本数据的干扰信号分类正确，否则，该样本数据的干扰信号分类错误，返回步骤二；步骤六、针对某段时间，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。