一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

高級搜索

留言板

尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復(fù)。謝謝您的支持!

姓名
郵箱
手機(jī)號碼
標(biāo)題
留言內(nèi)容
驗證碼

基于多尺度信息熵的雷達(dá)輻射源信號識別

黃穎坤 金煒東 葛鵬 李冰

黃穎坤, 金煒東, 葛鵬, 李冰. 基于多尺度信息熵的雷達(dá)輻射源信號識別[J]. 電子與信息學(xué)報, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535
引用本文: 黃穎坤, 金煒東, 葛鵬, 李冰. 基于多尺度信息熵的雷達(dá)輻射源信號識別[J]. 電子與信息學(xué)報, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535
Yingkun HUANG, Weidong JIN, Peng GE, Bing LI. Radar Emitter Signal Identification Based on Multi-scale Information Entropy[J]. Journal of Electronics & Information Technology, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535
Citation: Yingkun HUANG, Weidong JIN, Peng GE, Bing LI. Radar Emitter Signal Identification Based on Multi-scale Information Entropy[J]. Journal of Electronics & Information Technology, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535

基于多尺度信息熵的雷達(dá)輻射源信號識別

doi: 10.11999/JEIT180535
基金項目: 國家重點研發(fā)計劃項目(2016YFB1200401-102F),中央高?;究蒲袠I(yè)務(wù)費(fèi)專項資金(2682017CX046)
詳細(xì)信息
    作者簡介:

    黃穎坤:男,1989年生,博士生,研究方向為雷達(dá)信號處理,機(jī)器學(xué)習(xí)

    金煒東:男,1959年生,教授,博士生導(dǎo)師,研究方向為智能信息處理、系統(tǒng)仿真與優(yōu)化方法

    葛鵬:男,1986年生,講師,研究方向為雷達(dá)信號處理,電子對抗

    李冰:女,1988年生,講師,研究方向為電磁場與電磁波,微波成像

    通訊作者:

    金煒東 wdjin@home.swjtu.edu.cn

  • 中圖分類號: TN95

Radar Emitter Signal Identification Based on Multi-scale Information Entropy

Funds: The National Key Research and Development Program (2016YFB1200401-102F), The Fundamental Research Funds for the Central Universities (2682017CX046)
  • 摘要:

    隨著雷達(dá)信號的日益復(fù)雜,從實數(shù)序列中提取特征變得越來越困難,但當(dāng)它們表示成符號序列時,通常能更容易地挖掘出有效的特征參數(shù)。因此,該文提出一種基于多尺度信息熵(MSIE)的雷達(dá)信號識別方法。首先通過符號聚合近似(SAX)算法在不同字符集尺度下將雷達(dá)信號轉(zhuǎn)換為符號化序列;然后聯(lián)合各符號序列的信息熵值,組成MSIE特征向量;最后,使用k鄰近算法(k-NN)作為分類器實現(xiàn)雷達(dá)信號的分類識別。通過仿真6種典型的雷達(dá)信號進(jìn)行驗證,結(jié)果表明該方法在信噪比(SNR)為5 dB時,不同雷達(dá)信號的識別正確率大于90%,并且優(yōu)于傳統(tǒng)的基于復(fù)雜度特征(盒維數(shù)和稀疏性)的識別方法。

  • 圖  1  6類雷達(dá)信號的SAX符號化序列

    圖  2  修正的信息熵與SNR的關(guān)系圖

    圖  3  基于多尺度信息熵的雷達(dá)信號識別方法

    圖  4  信噪比從5~20 dB時基于信息熵的數(shù)據(jù)分布圖

    圖  5  基于多尺度信息熵識別結(jié)果的混淆矩陣

    圖  6  基于小波脊頻級聯(lián)特征識別結(jié)果的混淆矩陣

    圖  7  信噪比從5~20 dB時基于復(fù)雜度的數(shù)據(jù)分布圖

    表  1  參數(shù)a從3~8的等概率斷點查詢表[12]

    斷點(${\beta _i}$)字符集大小(a)
    345678
    ${\beta _{{1}}}$0.430.670.840.971.071.15
    ${\beta _{{2}}}$0.4300.250.430.570.67
    ${\beta _{{3}}}$0.670.2500.180.32
    ${\beta _{{4}}}$0.840.430.180
    ${\beta _{{5}}}$0.970.570.32
    ${\beta _{{6}}}$1.070.67
    ${\beta _{{7}}}$1.15
    下載: 導(dǎo)出CSV

    表  2  不同SNR下6種雷達(dá)信號的識別率

    雷達(dá)信號 信噪比SNR (dB)
    20 15 10 5
    LFM 1.000 1.000 1.000 0.985
    CP 1.000 1.000 1.000 1.000
    BPSK 0.975 0.990 0.990 1.000
    BFSK 0.930 0.910 0.800 0.700
    NLFM 1.000 1.000 1.000 1.000
    COSTAS 1.000 1.000 1.000 1.000
    下載: 導(dǎo)出CSV

    表  3  提取兩種特征耗費(fèi)的時間對比

    特征向量 耗費(fèi)時間(s)
    WRFCCF 135.102
    MSIE 1.704
    下載: 導(dǎo)出CSV

    表  4  兩種方法的總體識別正確率比較(%)

    識別方法 總體識別率
    WRFCCF+k-NN 92.13
    MSIE+k-NN 95.63
    下載: 導(dǎo)出CSV

    表  5  3種方法的總體識別正確率比較(%)

    識別方法信噪比SNR(dB)
    2015105
    MSIE+k-NN98.4297.2594.2591.25
    CC+k-NN80.2573.0854.33<50
    SIE+k-NN81.4279.0871.2562.92
    下載: 導(dǎo)出CSV
  • WILEY R G. ELINT: The Interception and Analysis of Radar Signals[M]. Norwood, USA: Artech House, 2006: 1–15.
    韓俊, 何明浩, 朱振波, 等. 基于復(fù)雜度特征的未知雷達(dá)輻射源信號分選[J]. 電子與信息學(xué)報, 2009, 31(11): 2552–2556.

    HAN Jun, HE Minghao, ZHU Zhenbo, et al. Sorting unknown radar emitter signal based on the complexity characteristics[J]. Journal of Electronics &Information Technology, 2009, 31(11): 2552–2556.
    曲志昱, 毛校潔, 侯長波. 基于奇異值熵和分形維數(shù)的雷達(dá)信號識別[J]. 系統(tǒng)工程與電子技術(shù), 2018, 40(2): 303–307. doi: 10.3969/j.issn.1001-506X.2018.02.10

    QU Zhiyu, MAO Xiaojie, and HOU Changbo. Radar signal recognition based on singular value entropy and fractal dimension[J]. Systems Engineering and Electronics, 2018, 40(2): 303–307. doi: 10.3969/j.issn.1001-506X.2018.02.10
    LI Jingchao and YING Yulong. Radar signal recognition algorithm based on entropy theory[C]. Proceedings of the 2nd International Conference on Systems and Informatics, Shanghai, China, 2014: 718–723.
    GUO Yuanyuan and ZHANG Xudong. Radar signal classification based on cascade of STFT, PCA and na?ve Bayes[C]. Proceedings of the 7th International Conference on Intelligent Systems, Modelling and Simulation, Bangkok, Thailand, 2016: 191–196.
    DUDCZYK J. A method of feature selection in the aspect of specific identification of radar signals[J]. Bulletin of the Polish Academy of Sciences Technical Sciences, 2017, 65(1): 113–119. doi: 10.1515/bpasts-2017-0014
    GUO Qiang, NAN Polong, and WAN Jian. Signal classification method based on data mining for multi-mode radar[J]. Journal of Systems Engineering and Electronics, 2016, 27(5): 1010–1017. doi: 10.21629/JSEE.2016.05.09
    KONOPKO K, GRISHIN Y P, and JA?CZAK D. Radar signal recognition based on time-frequency representations and multidimensional probability density function estimator[C]. Proceedings of 2015 Signal Processing Symposium, D?be, Poland, 2015: 1–6.
    陳韜偉, 金煒東. 雷達(dá)輻射源信號符號化脈內(nèi)特征提取方法[J]. 數(shù)據(jù)采集與處理, 2008, 23(5): 521–526. doi: 10.3969/j.issn.1004-9037.2008.05.004

    CHEN Taowei and JIN Weidong. Intra-pulse feature extraction of radar emitter signals based on symbolization method[J]. Journal of Data Acquisition &Processing, 2008, 23(5): 521–526. doi: 10.3969/j.issn.1004-9037.2008.05.004
    CHEN Taowei and JIN Weidong. Feature extraction of radar emitter signals based on symbolic time series analysis[C]. Proceedings of 2007 International Conference on Wavelet Analysis and Pattern Recognition, Beijing, China, 2007: 1277–1282.
    CHEN Taowei, LIU Zugen, LI Jie, et al. Symbolic time series analysis for measuring complexity in radar emitter signals[C]. Proceedings of the 7th International Congress on Image and Signal Processing, Dalian, China, 2014: 918–922.
    LIN J, KEOGH E, WEI Li, et al. Experiencing SAX: A novel symbolic representation of time series[J]. Data Mining and Knowledge Discovery, 2007, 15(2): 107–144. doi: 10.1007/s10618-007-0064-z
    SONG Wei, WANG Zhiguang, ZHANG Fan, et al. Empirical study of symbolic aggregate approximation for time series classification[J]. Intelligent Data Analysis, 2017, 21(1): 135–150. doi: 10.3233/IDA-150351
    向馗, 蔣靜坪. 時間序列的符號化方法研究[J]. 模式識別與人工智能, 2007, 20(2): 154–161. doi: 10.3969/j.issn.1003-6059.2007.02.003

    XIANG Kui and JIANG Jingping. Study on symbolization analysis of time series[J]. Pattern Recognition and Artificial Intelligence, 2007, 20(2): 154–161. doi: 10.3969/j.issn.1003-6059.2007.02.003
    KEOGH E, CHAKRABARTI K, PAZZANI M, et al. Dimensionality reduction for fast similarity search in large time series databases[J]. Knowledge and Information Systems, 2001, 3(3): 263–286. doi: 10.1007/PL00011669
    余志斌. 基于脈內(nèi)特征的雷達(dá)輻射源信號識別研究[D]. [博士論文], 西南交通大學(xué), 2010: 1–56.

    YU Zhibin. Study on radar emitter signal identification based on intra-pulse features[D]. [Ph.D. dissertation], Southwest Jiaotong University, 2010: 1–56.
    VAN DER MAATEN A and HINTON G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008(9): 2579–2605.
  • 加載中
圖(7) / 表(5)
計量
  • 文章訪問數(shù):  3073
  • HTML全文瀏覽量:  944
  • PDF下載量:  109
  • 被引次數(shù): 0
出版歷程
  • 收稿日期:  2018-05-30
  • 修回日期:  2019-02-25
  • 網(wǎng)絡(luò)出版日期:  2019-03-04
  • 刊出日期:  2019-05-01

目錄

    /

    返回文章
    返回