一种适用于无人机通信系统的干扰信号分类识别方法

摘要

本发明公开了一种适用于无人机通信系统的干扰信号分类识别方法，属于数字通信信号处理技术领域。首先针对无人机通信系统建立干扰信号分类识别系统，然后分别提取改进的载波因子和白噪声因子两种特征参数，针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率，判断其是否大于0.8，如果是，则该样本数据的干扰信号分类正确；最后干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别，为下一步信号处理打下基础。本发明优于传统的阈值分类识别方法，建立了高区分度的特征参数表达，提高了分类识别的准确率。

权利要求

1.一种适用于无人机通信系统的干扰信号分类识别方法，其特征在于，具体步骤如下：步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；

信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；

特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；

SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类；

干扰信号种类统计模块对样本数据分别所属的类别进行统计；

步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；

提取改进的载波因子信号Cg，计算公式如下：

x(λ1)是对时域信号s(t)进行快速傅里叶变换后得到的幅值最大的离散信号；

对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，按照幅值大小顺序依次排序为x(λ1),x(λ2),...,x(λn)；定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数；

提取改进的白噪声因子信号A'，计算公式如下：

P1为时域信号s(t)的功率谱P(n)的普通均值；P2为大于P1的幅值再计算的均值；

步骤三、针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出；

具体对比过程如下：

将两个样本数据A和B中改进的载波因子作差，当样本数据A的载波因子大于样本数据B的载波因子，且差值大于20时，选择载波因子的值作为样本数据A的输出；

将两个样本数据A和B中改进的白噪声因子作差，当样本数据A的白噪声因子大于样本数据B的白噪声因子，且差值大于0.6时，选择白噪声因子的值作为样本数据A的输出；

当样本数据A的载波因子的值和白噪声因子的值均能作为该样本数据的输出时，分别计算载波因子和白噪声因子的相对区分程度g；并选择相对区分程度高的值作为样本数据A的输出；

相对区分程度g计算公式如下：

其中，当利用上述公式计算载波因子的相对区分程度g时，b为载波因子的特征参数差值，a为载波因子的阈值；当利用上述公式计算白噪声因子的相对区分程度g时，b为白噪声因子的特征参数差值，a为白噪声因子的阈值；

步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率；

首先，选取核函数和参数训练支持向量机SVM；

然后，将选取的样本数据复制N个，并选定其中某种干扰类型均设置标签1，其余的干扰类型均设置标签-1，结合样本数据的输出，作为训练集，放入训练好的支持向量机SVM进行分类，得到分类结果；

最后，对比分类结果与人工标签，得出分类准确率η；

计算公式如下：

步骤五、判断分类准确率η是否大于0.8，如果是，则该样本数据的干扰信号分类正确，否则，该样本数据的干扰信号分类错误，返回步骤二；

步骤六、针对某段时间，干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别。

说明书

一种适用于无人机通信系统的干扰信号分类识别方法

技术领域

[0001] 本发明属于数字通信信号处理技术领域，具体涉及一种适用于无人机通信系统的干扰信号分类识别方法。

背景技术

[0002] 近年来，利用无人机执行任务灵活便捷且成本低，使得执行各种通信任务已经成为无人机研究领域中的热点。由于无人机通信系统在军事和民用领域，时刻遭受着自然干扰和人为干扰，这些干扰会进一步影响无人机数据链功率控制技术等其他应用。因此，在无人机通信领域，对所获取的干扰信号进行分类识别必然有极高的研究意义。

[0003] 目前国内外针对干扰信号的分类识别方法主要有以下两种：

[0004] 一是基于阈值分类的识别方法。传统的阈值分类识别方法操作简单，主要根据不同信号特征参数之间的差异，建立鲁棒性的相似度函数，同时选取合适的阈值，将相似度与选取的阈值进行比较，并做出相应的判断。而阈值的选取依赖于具体的问题，在不同的通信系统或不同的干扰信号中可能会有不同的阈值，因此该类方法通常对于分类识别的适应性较差。

[0005] 二是基于机器学习的分类识别方法。现有的机器学习识别方法包含反向传播(BP)神经网络、支持向量机、决策树理论等统计学习方法，该类方法有较优异的自学习和自适应能力，能够较好的解决非线性以及高维问题，结构简单且速度快。然而该类方法的分类识别性能在很大程度上取决于输入特征参数的表征能力，因此研究应集中在如何建立有效的特征参数。

[0006] 由上述分析可知，当前针对无人机通信系统的干扰信号分类识别主要面临的问题如下：由于无人机通信系统执行任务时干扰的复杂多变，特征参数可能对信号的区分程度不足，导致无法顺利分类；同时，传统的阈值分类方法适应性差，往往导致较低的识别准确率。

发明内容

[0007] 本发明为解决上述问题，提出了一种适用于无人机通信系统的干扰信号分类识别方法，以干扰信号作为研究对象，研究干扰信号的分类识别问题。

[0008] 所述的适用于无人机通信系统的干扰信号分类识别方法对信号进行处理过程如下：

[0009] 步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；

[0010] 信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号，将此结果作为样本数据；

[0011] 特征提取模块将信号生成模块生成的样本数据中的信号进行特征提取；

[0012] SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类。

[0013] 干扰信号种类统计模块对样本数据分别所属的类别进行统计。

[0014] 步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；

[0015] 提取改进的载波因子信号Cg，计算公式如下：

[0016] x(λ1)是对时域信号s(t)进行快速傅里叶变换后得到的幅值最大的离散信号；

[0017] 对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，按照幅值大小顺序依次排序为x(λ1),x(λ2),...,x(λn)；定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数。

[0018] 提取改进的白噪声因子信号A，计算公式如下：

[0019] P1为时域信号s(t)的功率谱P(n)的普通均值；P2为大于P1的幅值再计算的均值。

[0020] 步骤三、针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出；

[0021] 具体对比过程如下：

[0022] 将两个样本数据A和B中改进的载波因子作差，当样本数据A的载波因子大于样本数据B的载波因子，且差值大于20时，选择载波因子的值作为样本数据A的输出；

[0023] 将两个样本数据A和B中改进的白噪声因子作差，当样本数据A的白噪声因子大于样本数据B的白噪声因子，且差值大于0.6时，选择白噪声因子的值作为样本数据A的输出；

[0024] 当样本数据A的载波因子的值和白噪声因子的值均能作为该样本数据的输出时，分别计算载波因子和白噪声因子的相对区分程度g；并选择相对区分程度高的值作为样本数据A的输出；

[0025] 相对区分程度g计算公式如下：

[0026]

[0027] 其中，当利用上述公式计算载波因子的相对区分程度g时，b为载波因子的特征参数差值，a为载波因子的阈值。当利用上述公式计算白噪声因子的相对区分程度g时，b为白噪声因子的特征参数差值，a为白噪声因子的阈值。

[0028] 步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率。

[0029] 首先，选取核函数和参数训练支持向量机SVM；

[0030] 然后，将选取的样本数据复制N个，并选定其中某种干扰类型均设置标签1，其余的干扰类型均设置标签-1，结合样本数据的输出，作为训练集，放入训练好的支持向量机SVM进行分类，得到分类结果；

[0031] 最后，对比分类结果与人工标签，得出分类准确率η；

[0032] 计算公式如下：

[0033]

[0034] 步骤五、判断分类准确率η是否大于0.8，如果是，则该样本数据的干扰信号分类正确，否则，该样本数据的干扰信号分类错误，返回步骤二。

[0035] 步骤六、针对某段时间，干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别。

[0036] 本发明具有以下优点：

[0037] 1)一种适用于无人机通信系统的干扰信号分类识别方法，改进原有特征提取的参数，建立高区分度的特征参数表达，提高分类识别的准确率；

[0038] 2)一种适用于无人机通信系统的干扰信号分类识别方法，采用支持向量机交叉验证的方式，在分类识别准确率上优于传统的阈值分类识别方法；

[0039] 3)一种适用于无人机通信系统的干扰信号分类识别方法，建立一段时间内干扰信号种类的统计模型，为下一步信号处理打下基础。

附图说明

[0040] 图1为本发明适用于无人机通信系统的干扰信号分类识别方法原理图；

[0041] 图2为本发明适用于无人机通信系统的干扰信号分类识别方法流程图；

[0042] 图3为本发明建立的干扰信号分类识别系统框图；

[0043] 图4为本发明适用于无人机通信系统的干扰信号分类识别方法中提取特征参数流程图；

[0044] 图5a为本发明改进的载波因子系数与原载波因子系数对于信号区分度的对比图；

[0045] 图5b是本发明实施例中使用支持向量机进行干扰信号分类识别的分类结果；

[0046] 图6为本发明的GUI交互界面示例图。

具体实施方式

[0047] 下面结合附图，对本发明的具体实施方法进行详细说明。

[0048] 本发明一种适用于无人机通信系统的干扰信号分类识别方法，如图1所示，首先通过对输入信号提取特征，也就是对输入的样本信号提取两个特征因子：改进的载波因子与白噪声因子，对信号的固有特性进行分析，并且依照特征参数选取标准选择区分度高的特征参数，作为SVM分类识别干扰的输入。其中输入信号代表产生样本数据阶段，其中信号生成模块生成直扩信号，并加入单音干扰，多音干扰，部分频带干扰，扫频干扰这四种类型的信号干扰。

[0049] 其次，通过已建立的特征参数对干扰信号进行特征提取，采用支持向量机SVM的方法对干扰信号进行分类识别，输出对不同干扰信号的识别准确率；SVM分类识别干扰使用已经训练好的分类器，对输入的样本信号进行分类，将识别准确率输入到统计干扰类型，经过判别识别准确率，统计各种类型干扰信号的数量。

[0050] 通过对识别准确率设置门限进行比较，确定干扰信号种类，进而一段时间内干扰信号种类的统计，建立干扰信号种类数量的统计模型；最后，在特征提取与识别的基础上，建立干扰信号分类识别系统，最终构建一个基于矩阵实验室(MATLAB)的干扰识别用户交互系统。

[0051] 如图2所示，具体步骤如下：

[0052] 步骤一、针对无人机通信系统，建立包括信号生成模块、特征提取模块、SVM分类模块和干扰信号种类统计模块的干扰信号分类识别系统；

[0053] 该系统的主要功能有：对信号进行特征参数的提取，通过支持向量机对干扰信号进行分类并得到识别准确率，在识别准确率的基础上建立一段时间内的干扰信号种类统计模型。

[0054] 如图3所示，信号生成模块首先产生直扩信号，其次用户选择产生干扰类型加入直扩信号，生成通信信号，通过高斯白噪声信道，瑞利信道或者莱斯信道，得到输出输入特征提取模块；

[0055] 干扰类型包括单音干扰，多音干扰，部分频带干扰，扫频干扰数据这四种类型的干扰信号；

[0056] 特征提取模块将信号生成模块生成的样本数据中的信号进行特征选择与提取，得到特征参数；具体是：利用改进的特征因子进行特征提取，将提取到的载波因子和白噪声因子特征输入到SVM分类模块。

[0057] SVM分类模块对特征提取模块提取到的特征输入到支持向量机进行分类。首先生成训练集对分类器训练，再进行干扰信号的分类，输出干扰识别准确率；

[0058] 干扰信号种类统计模块将干扰识别准确率进行判别是否大于阈值0.8，大于阈值时，分别统计一段时间内得到各种干扰类型的个数，将其统计结果输出；否则重新返回特征提取模块进行特征提取。

[0059] 以上模块构成了一个适用于无人机通信系统的干扰信号分类识别系统，可以分类识别干扰类型并且统计一段时间内干扰信号种类，为下一步信号处理打下基础。

[0060] 步骤二、利用特征提取模块从信号生成模块生成的每个样本数据中，分别提取改进的载波因子和白噪声因子两种特征参数；

[0061] 样本数据具有许多冗余信息且数量庞大、维数高，若直接用于分类识别算法，不仅运算复杂、耗时大，且容易导致分类识别算法的不收敛，影响系统识别性能。为解决以上存在的问题，需将低样本低维度的特征参数作为分类识别算法的输入。

[0062] 提取低样本低维度的特征参数包括提取改进的载波因子和白噪声因子两种特征参数；

[0063] ①进载波因子

[0064] 原有的载波因子系数C首先对时域信号s(t)进行快速傅里叶变换得到离散信号x(n),n＝1,2,...,N，然后按照幅值大小顺序依次排序x(λ1),x(λ2),...,x(λn)，最后计算信号谱最大值与相邻值的比；

[0065] 原有的载波因子系数描述了信号谱线的突出程度，其表示如下：

[0066]

[0067] λ1,λ2,...,λn表示幅值大小顺序排序后，离散信号x(n)的离散频点序列。

[0068] 本发明样本数据因为序列长于1000个频点，并且经过扩频后，序列原有的统计规律变化不明显，故对此因子进行改进。

[0069] 定义改进的载波因子序列Cg为：

[0070]

[0071] 其中定义l＝0.95×n+N(n＞100)，n为未经扩频的原序列长度，N为序列扩频点数。

[0072] ②改进白噪声因子

[0073] 对于加性高斯白干扰信号，其频谱的包络是平坦的；而对于其他普通信号，其包络的分布往往会有不同程度的起伏变化。因此可通过下面几个步骤求出高斯白干扰信号因子，进而来区分不同种类的信号：

[0074] 提取改进的白噪声因子信号A，计算公式如下：

[0075] P1为时域信号s(t)的功率谱P(n)的普通均值；P2为大于P1的幅值再计算的均值。

[0076] 步骤三、针对每个样本数据，分别对比两种特征参数，选择区分程度高的特征参数作为该样本数据的输出；

[0077] 在建立了以上两种特征参数之后，对于输入的通信信号，首先对改进了载波因子与白噪声因子的信号进行特征参数提取；其次对信号提取的两种特征参数进行对比，选取合适的特征因子区分这两种信号，对比方法如下：

[0078] 因为特征因子是为了区分两种及其以上数量的信号，故以两种信号为例说明特征参数对信号间的区分程度。

[0079] 如图4所示，具体对比过程如下：

[0080] 将两个样本数据A和B中改进的载波因子作差，当样本数据A的载波因子g1大于样本数据B的载波因子g2，且差值大于20时，选择载波因子g1的值作为样本数据A的输出；

[0081] 将两个样本数据A和B中改进的白噪声因子作差，当样本数据A的白噪声因子g1大于样本数据B的白噪声因子g2，且差值大于0.6时，选择白噪声因子g2的值作为样本数据A的输出；

[0082] 当样本数据A的载波因子g1的值和白噪声因子g2的值均能作为该样本数据的输出时，分别计算载波因子和白噪声因子的相对区分程度g；并选择相对区分程度高的值作为样本数据A的输出；

[0083] 相对区分程度g计算公式如下：

[0084]

[0085] 其中，当利用上述公式计算载波因子的相对区分程度g时，b为载波因子的特征参数差值，a为载波因子的阈值；本发明选取改进的载波因子a＝20。当利用上述公式计算白噪声因子的相对区分程度g时，b为白噪声因子的特征参数差值，a为白噪声因子的阈值，本发明选取改进的白噪声因子a＝0.6。

[0086] 步骤四、针对某个样本数据，SVM分类模块根据该样本数据的输出，利用支持向量机SVM对该样本数据的干扰信号进行分类，并计算干扰信号的分类准确率。

[0087] 通过支持向量机SVM对提取的区分度高的干扰信号进行分类，并输出对干扰信号的识别准确率。

[0088] 具体分为两个部分：1)对支持向量机SVM进行核函数和参数的选取；

[0089] SVM的分类决策规则如下：

[0090]

[0091] 其中，xi,yi为训练样本；φ(xj)，φ(xi)是从输入空间到某个特征空间的映射；αi为分类系数，设置为1。<φ(xi),φ(xj)>表示对φ(xi),φ(xj)进行内积。在本发明中，训练样本即为四种干扰提取两种特征因子后组成的训练集合。

[0092] 根据上述决策规则，定义核函数k(x,y)＝<φ(xi),φ(yi)>；

[0093] 通过核函数，将低维非线性特征映射为高维线性特征，使得超平面的选取变得容易，本发明的径向核函数：

[0094]

[0095] 其中，x,y为训练样本；σ为函数的宽度参数,控制了函数的径向作用范围。

[0096] 2)利用支持向量机进行分类识别。

[0097] 具体分类过程如下：

[0098] 将选取的样本数据，复制得到100个相同的样本数据，产生100个单音干扰数据，100个多音干扰数据，100个部分频带干扰数据，100个扫频干扰数据，对于这些数据，提取上述样本数据选定的特征参数。将100个选定的需要分类的某种干扰类型标签为1，其余300个数据打上标签-1，作为训练集输入支持向量机SVM中进行训练，得到分类结果；对测试集进行如公式(4)的分类；最后，对比分类结果与人工标签，得出分类准确率，定义分类准确率η为：

[0099]

[0100] 步骤五、判断分类准确率η是否大于门限0.8，如果是，则该样本数据的干扰信号分类正确，否则，该样本数据的干扰信号分类错误，返回步骤二。

[0101] 通过对识别准确率设置门限进行比较，确定干扰信号种类，若通过支持向量机进行分类的识别准确率大于0.8，则认为分类正确。统计一段时间内分类正确的干扰类型数量，对一段时间内噪声种类的统计学分析，建立噪声种类数量的统计模型，有助于获取一段时间内噪声种类数量的变化规律，找出信号传播中存在的主要噪声，为后续信号处理打下坚实的基础。

[0102] 当识别准确率大于80％即可确定干扰噪声类型，统计一段时间的噪声类型，即可发现主要噪声类型存在的规律，继而将结果输入无人机数据链功率控制模块，使用识别出来的噪声类型来进行通信信道的选择与功率控制。

[0103] 步骤六、针对某段时间，干扰信号种类统计模块统计该时间段内所有样本数据的干扰信号所属的类别。

[0104] 本发明通过建立的干扰信号分类识别系统，可以对信号进行特征参数的提取，并通过支持向量机对干扰信号进行分类识别，最后建立一段时间内的干扰信号种类统计模型。

[0105] 通过以上通信系统的设置，可以得到在此种通信环境干扰识别的准确率，从而对真实环境中的通信信号进行估计。

[0106] 下面主要以两组序列说明本发明的有效性：

[0107] 改进的载波因子系数Cg与原载波因子系数C对于信号区分度的对比图，如图5a所示，可以看出改进后的载波因子对于信号区分度较高；使用支持向量机进行干扰信号分类识别的结果，如图5b所示，可知随着信噪比的增加，分类的准确率越来越高。

[0108] 与此同时，本发明建立了一个Matlab GUI用户交互界面，如图6所示，可以通过GUI界面来选择需要生成的干扰类型，通过的信道类型，提取的特征参数与生成的SVM训练集。GUI界面由五个模块组成，分别为干扰类型，信道类型，训练集生成，干扰信号种类统计与输出分类准确率模块。首先将自己设定的干噪比(JRN)的值输入界面，选择所分类干扰类型与其相应的特征参数；其次，选择信道类型与其相应的训练集生成类型；最后，点击识别准确率按钮，可输出分类准确率。干扰信号种类统计模块是用来统计一段时间内系统识别的各种干扰信号种类数量，将其统计结果显示右侧文本框中。

[0109] 本发明中的干扰信号分类识别方法更能满足无人机对于通信质量的需求，在分类识别干扰的同时，选择多个信道丰富仿真环境，使用支持向量机的方法研究信噪比的增加与干扰识别准确率的关系，并且做出了干扰分类系统的用户图形界面。实验表明，本发明对于无人机通信质量的提高与干扰的分类具有一定的有效性。