高级搜索

基于多尺度信息熵的雷达辐射源信号识别

黄颖坤 金炜东 葛鹏 李冰

引用本文: 黄颖坤, 金炜东, 葛鹏, 李冰. 基于多尺度信息熵的雷达辐射源信号识别[J]. 电子与信息学报, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535 shu
Citation:  Yingkun HUANG, Weidong JIN, Peng GE, Bing LI. Radar Emitter Signal Identification Based on Multi-scale Information Entropy[J]. Journal of Electronics and Information Technology, 2019, 41(5): 1084-1091. doi: 10.11999/JEIT180535 shu

基于多尺度信息熵的雷达辐射源信号识别

    作者简介: 黄颖坤: 男,1989年生,博士生,研究方向为雷达信号处理,机器学习;
    金炜东: 男,1959年生,教授,博士生导师,研究方向为智能信息处理、系统仿真与优化方法;
    葛鹏: 男,1986年生,讲师,研究方向为雷达信号处理,电子对抗;
    李冰: 女,1988年生,讲师,研究方向为电磁场与电磁波,微波成像
    通讯作者: 金炜东,wdjin@home.swjtu.edu.cn
  • 基金项目: 国家重点研发计划项目(2016YFB1200401-102F),中央高校基本科研业务费专项资金(2682017CX046)

摘要: 随着雷达信号的日益复杂,从实数序列中提取特征变得越来越困难,但当它们表示成符号序列时,通常能更容易地挖掘出有效的特征参数。因此,该文提出一种基于多尺度信息熵(MSIE)的雷达信号识别方法。首先通过符号聚合近似(SAX)算法在不同字符集尺度下将雷达信号转换为符号化序列;然后联合各符号序列的信息熵值,组成MSIE特征向量;最后,使用k邻近算法(k-NN)作为分类器实现雷达信号的分类识别。通过仿真6种典型的雷达信号进行验证,结果表明该方法在信噪比(SNR)为5 dB时,不同雷达信号的识别正确率大于90%,并且优于传统的基于复杂度特征(盒维数和稀疏性)的识别方法。

English

    1. [1]

      WILEY R G. ELINT: The Interception and Analysis of Radar Signals[M]. Norwood, USA: Artech House, 2006: 1–15.

    2. [2]

      韩俊, 何明浩, 朱振波, 等. 基于复杂度特征的未知雷达辐射源信号分选[J]. 电子与信息学报, 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.

    3. [3]

      曲志昱, 毛校洁, 侯长波. 基于奇异值熵和分形维数的雷达信号识别[J]. 系统工程与电子技术, 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

    4. [4]

      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.

    5. [5]

      GUO Yuanyuan and ZHANG Xudong. Radar signal classification based on cascade of STFT, PCA and naïve Bayes[C]. Proceedings of the 7th International Conference on Intelligent Systems, Modelling and Simulation, Bangkok, Thailand, 2016: 191–196.

    6. [6]

      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

    7. [7]

      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

    8. [8]

      KONOPKO K, GRISHIN Y P, and JAŃCZAK D. Radar signal recognition based on time-frequency representations and multidimensional probability density function estimator[C]. Proceedings of 2015 Signal Processing Symposium, Dębe, Poland, 2015: 1–6.

    9. [9]

      陈韬伟, 金炜东. 雷达辐射源信号符号化脉内特征提取方法[J]. 数据采集与处理, 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

    10. [10]

      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.

    11. [11]

      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.

    12. [12]

      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

    13. [13]

      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

    14. [14]

      向馗, 蒋静坪. 时间序列的符号化方法研究[J]. 模式识别与人工智能, 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

    15. [15]

      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

    16. [16]

      余志斌. 基于脉内特征的雷达辐射源信号识别研究[D]. [博士论文], 西南交通大学, 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.

    17. [17]

      VAN DER MAATEN A and HINTON G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008(9): 2579–2605.

    1. [1]

      秦宁宁, 金磊, 许健, 徐帆, 杨乐. 邻近信息约束下的随机异构无线传感器网络节点调度算法. 电子与信息学报, 2019, 41(0): 1-8.

    2. [2]

      郭晨, 简涛, 徐从安, 何友, 孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报, 2019, 41(6): 1302-1309.

    3. [3]

      黄果, 许黎, 陈庆利, 蒲亦非. 非局部多尺度分数阶微分图像增强算法研究. 电子与信息学报, 2019, 41(0): 1-8.

    4. [4]

      张玉, 李天琪, 张进, 唐波. 基于集成固有时间尺度分解的IFF辐射源个体识别算法. 电子与信息学报, 2019, 41(0): 1-8.

    5. [5]

      谭小慧, 李昭伟, 樊亚春. 基于多尺度细节增强的面部表情识别方法. 电子与信息学报, 2019, 41(0): 1-8.

    6. [6]

      杨若男, 张伟涛, 楼顺天. 基于平行因子分析的SIMO-OFDM系统盲信道与符号联合估计算法. 电子与信息学报, 2019, 41(3): 551-555.

    7. [7]

      潘一苇, 彭华, 李天昀, 王文雅. 一种新的时分多址信号射频特征及其在特定辐射源识别中的应用. 电子与信息学报, 2019, 41(0): 1-8.

    8. [8]

      陈鸿昶, 谢天, 高超, 李邵梅, 黄瑞阳. 候选标记信息感知的偏标记学习算法. 电子与信息学报, 2019, 41(0): 1-9.

    9. [9]

      梁春燕, 袁文浩, 李艳玲, 夏斌, 孙文珠. 基于判别邻域嵌入算法的说话人识别. 电子与信息学报, 2019, 41(7): 1774-1778.

    10. [10]

      杨善超, 田康生, 刘仁争, 郑玉军. 基于价值优化的相控阵雷达任务调度算法. 电子与信息学报, 2019, 41(0): 1-7.

    11. [11]

      罗洪艳, 朱子岩, 林睿, 林臻, 廖彦剑. 基于掩盖效应和梯度信息的无参考噪声图像质量评价改进算法. 电子与信息学报, 2019, 41(1): 210-218.

    12. [12]

      余东平, 郭艳, 李宁, 刘杰, 杨思星. 基于多维测量信息的压缩感知多目标无源被动定位算法. 电子与信息学报, 2019, 41(2): 440-446.

    13. [13]

      赵凤, 张咪咪, 刘汉强. 区域信息驱动的多目标进化半监督模糊聚类图像分割算法. 电子与信息学报, 2019, 41(5): 1106-1113.

    14. [14]

      周智恒, 刘楷怡, 黄俊楚, 陈增群. 一种基于等距度量学习策略的行人重识别改进算法. 电子与信息学报, 2019, 41(2): 477-483.

    15. [15]

      王旭东, 仲倩, 闫贺, 张迪. 一种二维信号波达方向估计的改进多重信号分类算法. 电子与信息学报, 2019, 41(9): 2137-2142.

    16. [16]

      张玉磊, 刘祥震, 郎晓丽, 张永洁, 陈文娟, 王彩芬. 云存储环境下多服务器的密钥聚合可搜索加密方案. 电子与信息学报, 2019, 41(3): 674-679.

    17. [17]

      王汝言, 梁颖杰, 崔亚平. 车辆网络多平台卸载智能资源分配算法. 电子与信息学报, 2019, 41(0): 1-8.

    18. [18]

      耿友林, 解成博, 尹川, 郭兰图, 王先义. 基于卡尔曼滤波的接收信号强度指示差值定位算法. 电子与信息学报, 2019, 41(2): 455-461.

    19. [19]

      陈路昭, 朱万华, 吴佩霖, 费春娇, 方广有. 地磁背景环境中基于分形特征的磁异常信号检测算法. 电子与信息学报, 2019, 41(2): 332-340.

    20. [20]

      陈光武, 刘孝博, 王迪, 刘射德. 基于改进小波变换的MEMS陀螺信号去噪算法. 电子与信息学报, 2019, 41(5): 1025-1031.

  • 图 1  6类雷达信号的SAX符号化序列

    图 2  修正的信息熵与SNR的关系图

    图 3  基于多尺度信息熵的雷达信号识别方法

    图 4  信噪比从5~20 dB时基于信息熵的数据分布图

    图 5  基于多尺度信息熵识别结果的混淆矩阵

    图 6  基于小波脊频级联特征识别结果的混淆矩阵

    图 7  信噪比从5~20 dB时基于复杂度的数据分布图

    表 1  参数a从3~8的等概率断点查询表[12]

    断点(${\beta _i}$)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
    下载: 导出CSV

    表 2  不同SNR下6种雷达信号的识别率

    雷达信号 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
    下载: 导出CSV

    表 3  提取两种特征耗费的时间对比

    特征向量 耗费时间(s)
    WRFCCF 135.102
    MSIE 1.704
    下载: 导出CSV

    表 4  两种方法的总体识别正确率比较(%)

    识别方法 总体识别率
    WRFCCF+k-NN 92.13
    MSIE+k-NN 95.63
    下载: 导出CSV

    表 5  3种方法的总体识别正确率比较(%)

    识别方法信噪比SNR(dB)
    2015105
    MSIE+k-NN98.4297.2594.2591.25
    CC+k-NN80.2573.0854.33<50
    SIE+k-NN81.4279.0871.2562.92
    下载: 导出CSV
  • 加载中
图(7)表(5)
计量
  • PDF下载量:  33
  • 文章访问数:  256
  • HTML全文浏览量:  149
文章相关
  • 通讯作者:  金炜东, wdjin@home.swjtu.edu.cn
  • 收稿日期:  2018-05-30
  • 录用日期:  2019-02-25
  • 网络出版日期:  2019-03-04
  • 刊出日期:  2019-05-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章