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]

      黄永红, 毛士艺. 星载合成孔径雷达(SAR)成像处理快速近似算法. 电子与信息学报, 1993, 15(6): 561-566.

    2. [2]

      余建军, 吴春明. 支持接入控制的虚拟网映射近似算法. 电子与信息学报, 2014, 36(5): 1235-1241.

    3. [3]

      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(10): 2310-2317.

    4. [4]

      杨志, 毛士艺, 陈炜. 基于多分辨率局部结构化信息熵的鲁棒多模图像融合算法. 电子与信息学报, 2006, 28(5): 883-889.

    5. [5]

      赵文静, 刘畅, 刘文龙, 金明录. K分布海杂波背景下基于最大特征值的雷达信号检测算法. 电子与信息学报, 2018, 40(9): 2235-2241.

    6. [6]

      沈阳, 陈永光, 李修和. 雷达辐射源识别的多元信息融合算法研究. 电子与信息学报, 2007, 29(10): 2329-2332.

    7. [7]

      杨旗, 薛定宇. 基于双尺度动态贝叶斯网络及多信息融合的步态识别. 电子与信息学报, 2012, 34(5): 1148-1153.

    8. [8]

      李勇明, 陈勃翰, 王品. 采用基于密度加权和偏好信息的K均值聚类的胸阻抗信号自动检测算法. 电子与信息学报, 2015, 37(4): 824-829.

    9. [9]

      于志明, 郭黎利, 孙志国. 多径信道下多载波调制信号盲识别算法. 电子与信息学报, 2010, 32(7): 1756-1759.

    10. [10]

      赵志远, 孟相如, 苏玉泽, 李振涛. 基于节点邻近感知与路径综合评估的虚拟网络映射算法. 电子与信息学报, 2017, 39(8): 1979-1985.

    11. [11]

      刘红亮, 但晓东, 周生华, 刘宏伟. 一种基于跟踪信息的多基雷达系统航迹起始算法. 电子与信息学报, 2015, 37(10): 2536-2540.

    12. [12]

      王静, 刘向阳, 王新梅. k冗余多播网络中网络编码算法设计与分析. 电子与信息学报, 2009, 31(10): 2411-2415.

    13. [13]

      程汉文, 朱雷, 吴乐南. 基于累计量的干扰信号调制识别算法. 电子与信息学报, 2009, 31(7): 1741-1745.

    14. [14]

      王彬, 葛临东. 基于盲均衡的高阶QAM信号调制识别算法. 电子与信息学报, 2007, 29(8): 1882-1886.

    15. [15]

      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.

    16. [16]

      文成林, 周福娜, 文传博. 多源观测逆问题的多尺度分布式分层求解算法. 电子与信息学报, 2006, 28(1): 66-71.

    17. [17]

      王世强, 张登福, 毕笃彦, 雍霄驹. 基于快速支持向量聚类和相似熵的多参雷达信号分选方法. 电子与信息学报, 2011, 33(11): 2735-2741.

    18. [18]

      张天骐, 杨强, 宋玉龙, 熊梅. 一种K-means改进算法的软扩频信号伪码序列盲估计. 电子与信息学报, 2018, 40(1): 226-234.

    19. [19]

      黄磊, 吴顺君, 张林. 最小Rayleigh熵恒模信号分离算法. 电子与信息学报, 2005, 27(10): 1531-1534.

    20. [20]

      刘城霞. 适于复杂信息融合系统的近似联合概率数据关联算法. 电子与信息学报, 2003, 25(10): 1355-1360.

  • 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:  42
  • 文章访问数:  348
  • HTML全文浏览量:  173
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