高级搜索

基于Hilbert信号空间的未知干扰自适应识别方法

黄国策 王桂胜 任清华 董淑福 高维廷 魏帅

引用本文: 黄国策, 王桂胜, 任清华, 董淑福, 高维廷, 魏帅. 基于Hilbert信号空间的未知干扰自适应识别方法[J]. 电子与信息学报, 2019, 41(8): 1916-1923. doi: 10.11999/JEIT180891 shu
Citation:  Guoce HUANG, Guisheng WANG, Qinghua REN, Shufu DONG, Weiting GAO, Shuai WEI. Adaptive Recognition Method for Unknown Interference Based on Hilbert Signal Space[J]. Journal of Electronics and Information Technology, 2019, 41(8): 1916-1923. doi: 10.11999/JEIT180891 shu

基于Hilbert信号空间的未知干扰自适应识别方法

    作者简介: 黄国策: 男,1962年生,博士,教授,研究方向为军事航空通信、短波组网;
    王桂胜: 男,1992年生,博士生,研究方向为军事航空通信、通信抗干扰、认知无线网络;
    任清华: 男,1967年生,教授,研究方向为军事航空通信、变换域通信;
    董淑福: 男,1971年生,教授,研究方向为军事航空通信、短波组网;
    高维廷: 男,1984年生,博士,研究方向为电磁频谱管理;
    魏帅: 女,1993年生,硕士,研究方向为多目标跟踪识别
    通讯作者: 王桂胜,wgsfuyun@163.com
  • 基金项目: 国家自然科学基金(61701521),中国博士后科学基金(2016M603044),陕西省自然科学基金(2018JQ6074)

摘要: 针对大样本下未知干扰类型的分类识别问题,该文提出一种基于信号特征空间的未知干扰自适应识别方法。首先,基于Hilbert信号空间理论对干扰信号进行处理,建立干扰信号特征空间,进而利用投影定理对未知干扰进行最佳逼近,提出基于信号特征空间的概率神经网络(PNN)分类算法,并设计了未知干扰分类识别器的处理流程。仿真结果表明,与两种传统方法相比,该方法在已知干扰的分类精度方面分别提高了12.2%和2.8%;满足条件的未知干扰最佳逼近效果随功率强度呈线性变化,设计的分类识别器在满足最佳逼近的各类干扰中总体识别率达到91.27%,处理干扰识别的速度明显改善;在信噪比达到4 dB时,对未知干扰识别准确率达到92%以上。

English

    1. [1]

      POISEL R A. Modern Communications Jamming Principles and Techniques[M]. Boston: Artech House, 2011: 279–288.

    2. [2]

      HU Su, BI Guoan, GUAN Yongliang, et al. TDCS-based cognitive radio networks with multiuser interference avoidance[J]. IEEE Transactions on Communications, 2013, 61(12): 4828–4835. doi: 10.1109/TCOMM.2013.111313.130261

    3. [3]

      ERHAN D, SZEGEDY C, TOSHEV A, et al. Scalable object detection using deep neural networks[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 2155–2162. doi: 10.1109/CVPR.2014.276.

    4. [4]

      OQUAB M, BOTTOU L, LAPTEV I, et al. Learning and transferring mid-level image representations using convolutional neural networks[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 1717–1724. doi: 10.1109/CVPR.2014.222.

    5. [5]

      WATT N and DU PLESSIS M C. Dropout algorithms for recurrent neural networks[C]. The Annual Conference of the South African Institute of Computer Scientists and Information Technologists, Port Elizabeth, South Africa, 2018: 72–78. doi: 10.1145/3278681.3278691.

    6. [6]

      WANG Shangxing, LIU Hanpeng, GOMES P H, et al. Deep reinforcement learning for dynamic multichannel access in wireless networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2018, 4(2): 257–265. doi: 10.1109/TCCN.2018.2809722

    7. [7]

      张彪, 闫晓鹏, 栗苹, 等. 基于支持向量机的无线电引信抗扫频式干扰研究[J]. 兵工学报, 2016, 37(4): 635–640. doi: 10.3969/j.issn.1000-1093.2016.04.009
      ZHANG Biao, YAN Xiaopeng, LI Ping, et al. Research on anti-frequency sweeping jamming of radio fuze based on support vector machine[J]. Acta Armamentarii, 2016, 37(4): 635–640. doi: 10.3969/j.issn.1000-1093.2016.04.009

    8. [8]

      王国宏, 白杰, 张翔宇, 等. 基于FRFT域特征差异的压制干扰检测与分类算法[J]. 北京航空航天大学学报, 2018, 44(6): 1124–1132. doi: 10.13700/j.bh.1001-5965.2017.0423
      WANG Guohong, BAI Jie, ZHANG Xiangyu, et al. Detection and classification algorithm of suppression interference based on characteristic differences of FRFT domain[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(6): 1124–1132. doi: 10.13700/j.bh.1001-5965.2017.0423

    9. [9]

      刘明骞, 李兵兵, 曹超凤, 等. 认知无线电中非高斯噪声下数字调制信号识别方法[J]. 通信学报, 2014, 35(1): 82–88. doi: 10.3969/j.issn.1000-436x.2014.01.010
      LIU Mingqian, LI Bingbing, CAO Chaofeng, et al. Recognition method of digital modulation signals over non-Gaussian noise in cognitive radio[J]. Journal on Communications, 2014, 35(1): 82–88. doi: 10.3969/j.issn.1000-436x.2014.01.010

    10. [10]

      YANG Zeyi, TAO Ran, WANG Yue, et al. A novel multi-carrier order division multi-access communication system based on TDCS with fractional Fourier transform scheme[J]. Wireless Personal Communications, 2014, 79(2): 1301–1320. doi: 10.1007/s11277-014-1931-8

    11. [11]

      KUZOVNIKOV A V. Study of the methods for developing jamming-immune communications systems with the use of wavelet-modulated signals[J]. Journal of Communications Technology and Electronics, 2014, 59(1): 61–70. doi: 10.1134/S1064226914010069

    12. [12]

      王桂胜, 任清华, 姜志刚, 等. 基于信号特征空间的TDCS干扰分类识别[J]. 系统工程与电子技术, 2017, 39(9): 1950–1958. doi: 10.3969/j.issn.1001-506X.2017.09.06
      WANG Guisheng, REN Qinghua, JIANG Zhigang, et al. Jamming classification and recognition in transform domain communication system based on signal feature space[J]. Systems Engineering and Electronics, 2017, 39(9): 1950–1958. doi: 10.3969/j.issn.1001-506X.2017.09.06

    13. [13]

      TAO Chao, PAN Hongbo, LI Yansheng, et al. Unsupervised spectral-spatial feature learning with stacked sparse autoencoder for hyperspectral imagery classification[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(12): 2438–2442. doi: 10.1109/LGRS.2015.2482520

    14. [14]

      郭立民, 寇韵涵, 陈涛, 等. 基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]. 电子与信息学报, 2018, 40(4): 875–881. doi: 10.11999/JEIT170588
      GUO Limin, KOU Yunhan, CHEN Tao, et al. Low probability of intercept radar signal recognition based on stacked sparse auto-encoder[J]. Journal of Electronics &Information Technology, 2018, 40(4): 875–881. doi: 10.11999/JEIT170588

    15. [15]

      DONOHO D L, TSAIG Y, DRORI I, et al. Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2012, 58(2): 1094–1121. doi: 10.1109/TIT.2011.2173241

    16. [16]

      王磊, 周乐囡, 姬红兵, 等. 一种面向信号分类的匹配追踪新方法[J]. 电子与信息学报, 2014, 36(6): 1299–1306. doi: 10.3724/SP.J.1146.2013.00942
      WANG Lei, ZHOU Lenan, JI Hongbing, et al. A new matching pursuit algorithm for signal classification[J]. Journal of Electronics &Information Technology, 2014, 36(6): 1299–1306. doi: 10.3724/SP.J.1146.2013.00942

    17. [17]

      GONZÁLEZ-CAMACHO J M, CROSSA J, PÉREZ-RODRÍGUEZ P, et al. Genome-enabled prediction using probabilistic neural network classifiers[J]. BMC Genomics, 2016, 17: 208. doi: 10.1186/s12864-016-2553-1

    18. [18]

      张国亮, 杨春玲, 王暕来. 基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别[J]. 电子与信息学报, 2014, 36(4): 896–902. doi: 10.3724/SP.J.1146.2013.00623
      ZHANG Guoliang, YANG Chunling, and WANG Jianlai. Discrimination of exo-atmospheric targets based on optimization of probabilistic neural network and IR multispectral fusion[J]. Journal of Electronics &Information Technology, 2014, 36(4): 896–902. doi: 10.3724/SP.J.1146.2013.00623

    19. [19]

      GIRYES R and NEEDELL D. Near oracle performance and block analysis of signal space greedy methods[J]. Journal of Approximation Theory, 2015, 194: 157–174. doi: 10.1016/j.jat.2015.02.007

    20. [20]

      GIRYES R and NEEDELL D. Greedy signal space methods for incoherence and beyond[J]. Applied and Computational Harmonic Analysis, 2015, 39(1): 1–20. doi: 10.1016/j.acha.2014.07.004

    21. [21]

      胡广书. 数字信号处理—理论、算法与实现[M]. 第3版, 北京: 清华大学出版社, 2012: 169–175.
      HU Guangshu. Digital Signal Processing—Theory, Algorithm and Implementation[M]. 3rd ed, Beijing: Tsinghua University Press, 2012: 169–175.

    1. [1]

      达新宇, 张宏伟, 胡航, 潘钰, 井锦玲. 认知无人机网络中次级链路吞吐量优化研究. 电子与信息学报, 2020, 42(0): 1-8.

    2. [2]

      宋晨, 周良将, 吴一戎, 丁赤飚. 基于时频集中度指标的多旋翼无人机微动特征参数估计方法. 电子与信息学报, 2020, 42(0): 1-8.

    3. [3]

      卢丹, 白天霖. 利用信号重构的全球导航卫星系统欺骗干扰抑制方法. 电子与信息学报, 2020, 42(5): 1268-1273.

    4. [4]

      孙闽红, 丁辰伟, 张树奇, 鲁加战, 邵鹏飞. 基于统计相关差异的多基地雷达拖引欺骗干扰识别. 电子与信息学报, 2020, 42(0): 1-7.

    5. [5]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    6. [6]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报, 2020, 41(0): 1-6.

    7. [7]

      归伟夏, 陆倩, 苏美力. 关于系统级故障诊断的烟花-反向传播神经网络算法. 电子与信息学报, 2020, 42(5): 1102-1109.

    8. [8]

      申铉京, 沈哲, 黄永平, 王玉. 基于非局部操作的深度卷积神经网络车位占用检测算法. 电子与信息学报, 2020, 41(0): 1-8.

    9. [9]

      徐少平, 林珍玉, 崔燕, 刘蕊蕊, 杨晓辉. 采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型. 电子与信息学报, 2020, 41(0): 1-8.

    10. [10]

      柳长源, 王琪, 毕晓君. 基于多通道多尺度卷积神经网络的单幅图像去雨方法. 电子与信息学报, 2020, 42(0): 1-8.

    11. [11]

      邵凯, 李述栋, 王光宇, 付天飞. 基于迟滞噪声混沌神经网络的导频分配. 电子与信息学报, 2020, 41(0): 1-8.

    12. [12]

      申滨, 吴和彪, 赵书锋, 崔太平. 基于稀疏感知有序干扰消除的大规模机器类通信系统多用户检测. 电子与信息学报, 2020, 41(0): 1-9.

    13. [13]

      刘小燕, 李照明, 段嘉旭, 项天远. 基于卷积神经网络的印刷电路板板色环电阻检测与定位方法. 电子与信息学报, 2020, 41(0): 1-10.

    14. [14]

      张天骐, 胡延平, 冯嘉欣, 张晓艳. 基于零空间矩阵匹配的极化码参数盲识别算法. 电子与信息学报, 2020, 41(0): 1-7.

    15. [15]

      高云龙, 王志豪, 潘金艳, 罗斯哲, 王德鑫. 基于自适应松弛的鲁棒模糊C均值聚类算法. 电子与信息学报, 2020, 42(7): 1774-1781.

    16. [16]

      郭全民, 柴改霞, 李翰山. 夜视抗晕光融合图像自适应分区质量评价. 电子与信息学报, 2020, 42(7): 1750-1757.

    17. [17]

      张普宁, 亢旭源, 刘宇哲, 李学芳, 吴大鹏, 王汝言. 相似度自适应估计的物联网实体高效搜索方法. 电子与信息学报, 2020, 42(7): 1702-1709.

    18. [18]

      付晓薇, 杨雪飞, 陈芳, 李曦. 一种基于深度学习的自适应医学超声图像去斑方法. 电子与信息学报, 2020, 42(7): 1782-1789.

    19. [19]

      蒲磊, 冯新喜, 侯志强, 余旺盛. 基于自适应背景选择和多检测区域的相关滤波算法. 电子与信息学报, 2020, 41(0): 1-7.

    20. [20]

      孙小君, 周晗, 闫广明. 基于新息的自适应增量Kalman滤波器. 电子与信息学报, 2020, 41(0): 1-8.

  • 图 1  基于信号特征空间的概率神经网络结构图

    图 2  干扰分类处理流程图

    图 3  不同干扰功率下最佳逼近均方根误差图

    图 4  不同信噪比下本文多分类算法识别率

    表 1  干扰信号参数

    干扰类型干扰参数数值
    单音干扰干扰频点(MHz)150
    多音干扰干扰频点(MHz)50, 100, ···, 250
    部分频带干扰覆盖带宽(MHz)250~400
    脉冲干扰占空比(%)10
    线性调频干扰
    (单分量)
    初始频率(MHz)150
    调频率500
    梳状谱干扰分量数目3
    带宽(MHz)800
    下载: 导出CSV

    表 2  干扰分类算法识别率比较

    信号空间数据集识别率(%)
    单音干扰多音干扰部分频带线性调频脉冲干扰梳状谱总体识别率
    传统SVM分类器85.098.710082.59081.286.3
    文献[12]10098.710098.710098.795.7
    本文算法10010010091.010010098.5
    下载: 导出CSV

    表 3  多分类算法性能比较(%)

    干扰空间数据集分类识别率训练识别率测试识别率
    本文算法传统算法本文算法传统算法本文算法传统算法
    单音干扰92.4147.5592.5950.8591.2746.24
    多音干扰98.7345.37
    部分频带81.0145.99
    线性调频10045.37
    脉冲干扰74.3645.86
    梳状谱98.7246.94
    未知干扰93.5946.62
    下载: 导出CSV
  • 加载中
图(4)表(3)
计量
  • PDF下载量:  42
  • 文章访问数:  872
  • HTML全文浏览量:  442
文章相关
  • 通讯作者:  王桂胜, wgsfuyun@163.com
  • 收稿日期:  2018-09-18
  • 录用日期:  2019-03-26
  • 网络出版日期:  2019-04-23
  • 刊出日期:  2019-08-01
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