短波电台个体特征识别.docxVIP

短波电台个体特征识别 通信电台个体识别是频谱管理、 通信侦查与对抗领域的一个重要研究课题。通信电台个体识别在军用领域和民用领域都有广泛的应用 : 对于军用领域可以在复杂的电子战中掌握和监测敌方电台的活动方 , 从而进行侦测、电子干扰和军事打击等 ; 对于民用领域 , 民用无线电频谱管理可以用到通信电台个体识别技术 , 可以对频段进行安全性感知 , 检测信号干扰、频率冲突和其他非法干扰。本论文主要研究了短波通信电台的稳态特征 , 分析了稳态信号的杂散特征和高阶统计量特征 , 并利用实测数据对它们进行了提取。 以此为基础 , 构建了一种基于主成分分析 (PCA)特征降维的 SVM单分类器算法 , 该算法适合于仿真实验。为了满足实际短波系统的需求 , 进一步提出了基于 K 近邻估计的 SVM组合分类器算法 , 并在工程上编程开发实现了该算法 , 得到了很好的应用。 本文的工作成果主要体现在以下几个方面 :(1) 、说明了短波通信信号细微特征的产生是由于生产工艺和元器件性能等随 机因素引起 , 这些随机因素导致了晶体振荡器频率与标称值间的差异, 从而产生载频偏差和调制参数的偏差等。 (2) 、对短波电台信号的杂散特征和高阶统计量特征进行了分析 , 提取了杂散特征中的高阶 J 特征和分形维数的信息维数、 LZC、盒维数等 ; 提取和分析了高阶统计量 特征中的包络峰度特征和矩形积分双谱 (SIB) 特征。通过实验表明 LZC、 高阶 J 特征和包络峰度的聚类效果最好 , 其它的特征次之。同时 SIB 由于维数较多需要进行特征处理后应用。 (3) 、提出了一种基于 PCA 降维的 SVM单分类器算法。该算法采用 PCA降维对 SIB 进行处理 , 可 将 SIB 的维数从 60~80 维降低到便于处理的 3~8 维; 然后将降维后的 SIB 与其他的特征合并成一个特征集作为 SVM分类器的输入。最后进行的识别实验说明了所处理后的特征都具有良好的分类性能 , 同时特 征越多对于电台细微差异区分效果越好。 (4) 、根据当前短波通信系 统对于短波通信电台个体特征识别技术的需求 , 提出了一种适合于该 系统的基于 K 近邻估计和 SVM分类器的组合分类识别算法。 该算法采 用模式识别领域先进组合分类器算法 , 识别效果达到了所需的识别要 求。