本发明公开了一种基于多特征分层处理的多类型非合作水声信号识别方法，包括获取水声通信信号数据序列；利用信号的功率谱线谱特征，对信号进行第一层信号识别；利用平方信号的功率谱线谱特征进行第二层信号识别；利用信号的自相关峰特征进行第三层信号识别。本发明不易受水声信道影响的稳健特征，通过分层处理架构，充分利用了不同特征对各调制类型的区分度，提高了识别准确度，能够满足实际应用需求。
1.一种基于多特征分层处理的多类型非合作水声信号识别方法，其特征在于，包括以下步骤：步骤S1、获取水声信号原始数据序列 ， 为接收的信号长度，水声信号原始数据序列中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一的水声信号，对水声信号原始数据序列 去除直流分量得到去除直流分量后的水声信号数据序列 ；
步骤S2、利用信号功率谱线谱特征，根据去除直流分量后的水声信号数据序列进行水声信号的第一层信号识别，其具体实现步骤如下：步骤S21、首先根据步骤S1中得到的去除直流分量后的水声信号数据序列 计算离散功率谱一 ：其中， ,l为离散频率索引，表示虚数单位，即 为 的离散傅里叶变换，关于 共轭对称，因此功率谱一 只需计算 的正频率部分；
步骤S22、对 进行中值滤波平滑运算，以去除 中的强线谱分量，得到去除强线谱分量的功率谱一 ，即：其中， 为工作频段 对应的离散频率序号， 为工作频段 对应的离散频率序号，， ， 为采样频率，round()表示四舍五入取整，medfilt表示中值滤波运算；
步骤S23、对 进一步进行平均平滑运算，得到功率谱平滑谱一，并将离散功率谱一 与功率谱平滑谱一相减，得到去除背景功率谱一 ，即：
步骤S24、计算去除背景功率谱一 中满足下式关系的点数：
其中， 表示求标准差运算， 为判决门限一，统计过判决门限一的点数为 ，每个过判决门限一的功率谱线判决为初步判决线谱；
步骤S25、对初步判决线谱进行规范化处理：将相邻过门限点合并为1根线谱，得到所求离散功率谱一 的线谱个数一 ；
步骤S26、若 ，则水声信号原始数据序列 含有2FSK信号，若 ，则含有4FSK信号，本次识别处理结束，否则进行下一层判断；
步骤S3、利用平方信号的功率谱线谱特征进行第二层信号识别，其具体实现步骤如下：步骤S31、对水声信号原始数据序列 进行平方运算得到平方水声信号数据序列，去除直流成分，计算其功率谱二 ，并根据功率谱二估计出 中包含的线谱个数二 ，若 ，则判断水声信号原始数据序列含有BPSK信号或DSSS-BPSK信号，否则判断 含有QPSK信号或OFDM信号；
步骤S4、利用信号的估计自相关峰特征进行第三层信号识别，其具体实现步骤如下：步骤S41、计算水声信号原始数据序列 的自相关估计幅度值 ， 的计算公式如下：
其中， 表示对 延时 点后取共轭，表示求共轭运算；
步骤S42、对 进行滑动平均，得到自相关平滑估计二，并将自相关估计幅度值 与自相关平滑估计二相减，得到去除背景的自相关估计值二 ，即：步骤S43、计算去除背景的自相关估计值二 中满足下式关系的点数：
其中， 为判决门限二，每个过判决门限二时刻点作为初步判决自相关峰所在点，过判决门限二的自相关峰的位置索引记为 , , , ；
步骤S44、对初步判决自相关峰进行规范化处理：将连续过门限点合并为1根自相关峰，即若：= = = =常数
则， , , , 索引对应的自相关峰根数合并为1根自相关峰，统计出自相关估计幅度值 中的自相关峰个数三 ；
步骤S45、若 ，则判断 含有BPSK信号，若 ，则判断含有DSSS-BPSK信号，若 ，则判断 含有QPSK信号，若 ，则判断 含有OFDM信号， 即：
2.根据权利要求1所述基于多特征分层处理的多类型非合作水声信号识别方法，其特征在于：步骤S1中对水声信号数据序列 去除直流分量：其中，为 的直流分量， 。
3.根据权利要求2所述基于多特征分层处理的多类型非合作水声信号识别方法，其特征在于：步骤S22中的中值滤波运算方法是以 为中心，用 共点序列中的排序中值作为 的值， 为中值滤波窗口长度。
4.根据权利要求3所述基于多特征分层处理的多类型非合作水声信号识别方法，其特征在于：判决门限一 设置为2-4之间。
5.根据权利要求4所述基于多特征分层处理的多类型非合作水声信号识别方法，其特征在于：判决门限二 设置为2-4之间。
基于多特征分层处理的多类型非合作水声信号识别方法
技术领域
[0001] 本发明涉及一种基于多特征分层处理的多类型水声通信信号识别方法，属于音频分析技术领域。
背景技术
[0002] 通信信号调制类型识别是进一步获取截获信号参数信息的基础，是非合作通信信号截获处理的关键环节。目前调制类型识别方法可分为两大类：基于最大似然假设检验的判决理论方法和基于特征提取的统计模式识别方法。
[0003] 基于最大似然假设检验的方法是通过计算接收信号的似然函数，将似然函数与门限阈值相比较，从而识别出信号的类型。最大似然的方法是贝叶斯意义上的最优分类算法，但在实际应用时存在两个问题：一是需要已知较多的信号参数，不适用于非合作处理；二是未知参数的存在导致似然比函数计算表达式非常复杂，无法计算，而简化处理又会导致分类信息的丢失，降低识别性能。
[0004] 基于特征提取的统计模式识别方法是通过特定的方式提取信号的时域特征或者变换域特征，通过特征的特性差异实现信号识别，相比最大似然比识别方法性能不一定最优，但对已知信息依赖性小，更具实用性。
[0005] 统计模式识别性能依赖于所提特征对各类信号的差异性，差异性越大，分类识别性能越好。
[0006] 在水声通信信号非合作截获处理领域，由于接收通信信号种类多、参数范围宽，一种特征、一种方法难以适应多种水声通信信号类型的有效识别。另外，由于水声信道的时变空变特性，影响了基于信号幅度或相位特征的常规通信信号识别方法的性能。
发明内容
[0007] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于多特征分层处理的多类型非合作水声信号识别方法，采用功率谱线谱、相关峰等不易受水声信道影响的稳健特征，设计分层处理架构，逐层提取相应特征并进行辨识，实现2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 共6种水声通信信号的类型识别，满足实际应用需求。
[0008] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0009] 一种基于多特征分层处理的多类型非合作水声信号识别方法，采用多特征分层处理架构，实现2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 共六种水声通信信号的类型识别。其多特征分别是原始接收信号功率谱线谱特征、平方信号功率谱线谱特征，以及信号自相关峰特征；多特征分层处理架构是逐级采用不同的特征，识别出该特征区分度较高的水声通信信号类型，剩余类型留到下一层识别，直到识别完毕，分层处理方式如下：
[0010] 第一层采用信号功率谱线谱特征实现2FSK、4FSK与其他类型通信信号的识别，若识别为2FSK或4FSK则识别结束，否则进入下一层识别。
[0011] 第二层采用平方信号功率谱线谱特征实现BPSK或DSSS-BPSK类与QPSK或OFDM类的识别。
[0012] 第三层采用信号自相关峰特征实现BPSK与DSSS-BPSK的分类识别，或QPSK与OFDM的分类识别。
[0013] 具体包括以下步骤：
[0014] 步骤S1、获取水声信号原始数据序列 ， 为接收的信号长度，水声信号原始数据序列中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一的水声信号，对水声信号原始数据序列 去除直流分量得到去除直流分量后的水声信号数据序列 。
[0015] 步骤S2、利用信号功率谱线谱特征，根据去除直流分量后的水声信号数据序列进行水声信号的第一层信号识别，其具体实现步骤如下：
[0016] 步骤S21、首先根据步骤S1中得到的去除直流分量后的水声信号数据序列计算离散功率谱一 ：
[0017]
[0018]
[0019] 其中， ,l为离散频率索引，表示虚数单位，即 为 的离散傅里叶变换，关于 共轭对称，因此功率谱一 只需计算 的正
频率部分。
[0020] 步骤S22、对 进行中值滤波平滑运算，以去除 中的强线谱分量，得到去除强线谱分量的功率谱一 ，即：
[0021]
[0022] 其中， 为工作频段 对应的离散频率序号， 为工作频段 对应的离散频率序号， ， ， 为采样频率，round()表示四舍五入取整，medfilt表示中值滤波运算。
[0023] 步骤S23、对 进一步进行平均平滑运算，得到功率谱平滑谱一，并将离散功率谱一 与功率谱平滑谱一
相减，得到去除背景功率谱一 ，即：
[0024]
[0025] 这里| |表示取绝对值运算。
[0026] 步骤S24、计算去除背景功率谱一 中满足下式关系的点数：
[0027]
[0028] 其中， 表示求标准差运算， 为判决门限一，统计过判决门限一的点数为，每个过判决门限一的功率谱线判决为初步判决线谱。
[0029] 步骤S25、对初步判决线谱进行规范化处理：将相邻过门限点合并为1根线谱，得到所求离散功率谱一 的线谱个数一 。
[0030] 步骤S26、若 ，则水声信号原始数据序列 含有2FSK信号，若 ，则含有4FSK信号，本次识别处理结束，否则进行下一层判断。
[0031] 步骤S3、利用平方信号的功率谱线谱特征进行第二层信号识别，其具体实现步骤如下：
[0032] 步骤S31、对水声信号原始数据序列 进行平方运算得到平方水声信号数据序列 ，去除直流成分，计算其功率谱二 ，并根据功率谱二估计出 中包含的线谱个数二 ，若 ，则判断水声信号原始数据序列
含有BPSK信号或DSSS-BPSK信号，否则判断 含有QPSK信号或OFDM信号。
[0033] 步骤S4、利用信号的估计自相关峰特征进行第三层信号识别，其具体实现步骤如下：
[0034] 步骤S41、计算水声信号原始数据序列 的自相关估计幅度值 ，的计算公式如下：
[0035]
[0036] 其中， 表示对 延时 点后取共轭，表示求共轭运算，| |表示取绝对值运算。
[0037] 步 骤 S 4 2 、对 进 行 滑 动 平 均 ，得 到 自 相 关 平 滑 估 计 二，并将自相关估计幅度值 与自相关平滑估计二相减，得到去除背景的自相关估计值二 ，即：
[0038]
[0039] 步骤S43、计算去除背景的自相关估计值二 中满足下式关系的点数：
[0040]
[0041] 其中， 为判决门限二，每个过判决门限二时刻点作为初步判决自相关峰所在点，过判决门限二的自相关峰的位置索引记为 , , , 。
[0042] 步骤S44、对初步判决自相关峰进行规范化处理：将连续过门限点合并为1根自相关峰，即若：
[0043] = = = =常数
[0044] 则， , , , 索引对应的自相关峰根数合并为1根自相关峰，统计出自相关估计幅度值 中的自相关峰个数三 。
[0045] 步骤S45、若 ，则判断 含有BPSK信号，若 ，则判断含有DSSS-BPSK信号，若 ，则判断 含有QPSK信号，若
，则判断 含有OFDM信号，即：
[0046]
[0047] 步骤S5、信号识别过程结束。
[0048] 优选的：步骤S1中对水声信号数据序列 去除直流分量：
[0049]
[0050] 其中，为 的直流分量， 。
[0051] 优 选的 ：步 骤 S 2 2中 的 中 值 滤 波 运算 方 法 是以 为 中 心 ，用共 点序列中的排序中值作为 的值， 为中值滤波窗口长度。
[0052] 优选的：判决门限一 设置为2-4之间。
[0053] 优选的：判决门限二 设置为2-4之间。
[0054] 本发明相比现有技术，具有以下有益效果：
[0055] 本发明针对现有技术对水声通信信号类型识别的不足，采用分层处理模式，充分利用不同特征对各调制类型的区分度，逐级识别出各类调制类型，提高识别准确度。在识别特征的选取上，针对水声通信信号经过水下信道传播后存在的瞬时幅度、相位畸变，优选稳健性较高的功率谱线谱与自相关峰两类特征，降低了瞬时畸变的影响，能够满足实际应用需求。并且，本发明方法运算量较小，且不需要任何先验参数信息，能够满足工程上对常用水声通信信号进行快速稳健识别要求。
附图说明
[0056] 图1为本发明的方法的具体识别流程图；
[0057] 图2为根据本发明方法在不同信噪比下的识别性能；
[0058] 图3为根据本发明方法在不同数据长度下的识别性能。
具体实施方式
[0059] 下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0060] 一种基于多特征分层处理的多类型非合作水声通信信号识别方法，如图1所示，包括以下步骤：
[0061] 步骤S1、获取水声信号原始数据序列 ， 为接收的信号长度，该数据中含有2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM 6种类型之一的水声通信信号，首先去除 的直流分量得到去除直流分量后的水声信号数据序列 ，即：
[0062] （1）
[0063] 其中，为 的直流分量， 。
[0064] 步骤S2、利用信号功率谱线谱特征，进行第一层信号识别，其具体实现步骤如下：
[0065] 步骤S21、首先根据步骤S1中得到的去除直流分量后的水声信号数据序列计算离散功率谱一 ，计算过程如下。
[0066] （2）
[0067] （3）
[0068] 其中， 为离散频率索引，表示虚数单位，即 为 的离散傅里叶变换，关于 共轭对称，因此功率谱一 只需计算 的正
频率部分。
[0069] 步骤S22、对 进行中值滤波平滑运算，以去除 中的强线谱分量，得到去除强线谱分量的功率谱一 ，即：
[0070] （4）
[0071] 其中， 为工作频段 对应的离散频率序号， 为工作频段 对应的离散频率序号， ， ， 为采样频率，round()表示四舍五入取整 ，medfi lt表示中值滤波运算 ，其计算方法是以 为中心 ，用
共 点序列中的排序中值作为 的值， 为
中值滤波窗口长度，通常取奇数。
[0072] 步骤S23、对 进一步进行平均平滑运算，得到功率谱平滑谱一，并将离散功率谱一 与功率谱平滑谱一
相减，得到去除背景功率谱一 ，即：
[0073] （5）
[0074] 这里| |表示取绝对值运算。
[0075] 步骤S24、计算去除背景功率谱一 中满足下式关系的点数：
[0076] （6）
[0077] 其中， 表示求标准差运算， 为判决门限一，统计过判决门限一的点数为，每个过判决门限一的功率谱线判决为初步判决线谱。
[0078] 步骤S25、对初步判决线谱进行规范化处理：将相邻过门限点合并为1根线谱，得到所求功率谱一 的线谱个数一 。
[0079] 步骤S26、若 ，则 含有2FSK信号，若 ，则 含有4FSK信号，本次识别处理结束，否则进行下一层判断。
[0080] 步骤S3、利用平方信号功率谱的线谱特征，对信号进行第二层信号识别，其具体实现步骤如下：
[0081] 步骤S31、对水声信号原始数据序列 进行平方运算得到平方水声信号数据序列 ，去除直流成分，计算其功率谱二 ，并根据功率谱二估计出 中包含的线谱个数二 ，若 ，则判断水声信号原始数据序列
含有BPSK信号或DSSS-BPSK信号，否则判断 含有QPSK信号或OFDM信号。
[0082] 步骤S4、利用信号的自相关特征进行第三层信号识别，其具体实现步骤如下：
[0083] 步骤S41、计水声信号原始数据序列算 的自相关估计幅度值 ，的计算公式如下
[0084] （7）
[0085] 其中， 表示对 延时 点后取共轭，表示求共轭运算，| |表示取绝对值运算。
[0086] 步 骤 S 4 2 、对 进 行 滑 动 平 均 ，得 到 自 相 关 平 滑 估 计 二，并将自相关估计幅度值 与自相关平滑估计二相减，得到去除背景的自相关估计值二 ，即：
[0087] （8）
[0088] 步骤S43、计算自相关估计值二 中满足下式关系的点数：
[0089] （9）
[0090] 其中， 为判决门限二，一般取3，每个过判决门限二时刻点作为初步判决自相关峰所在点，过判决门限二的自相关峰的位置索引记为 , , , 。
[0091] 步骤S44、对初步判决自相关峰进行规范化处理：将连续过门限点合并为1根自相关峰，得到所求自相关估计幅度值 中的自相关峰个数三，记为 。
[0092] 步骤S45、若 ，则判断 含有BPSK信号，若 ，则判断含有DSSS-BPSK信号，若 ，则判断 含有QPSK信号，若
，则判断 含有OFDM信号。
[0093] 步骤S5、信号识别过程结束。
[0094] 根据以上详细描述的基于多特征分层处理的多类型非合作水声通信信号自动识别方法，下面以一个仿真实验来验证本发明的效果。
[0095] 仿真信号参数设置为：信号的采样频率为 ，BPSK、QPSK信号的载波频率为 ，符号频率为 ，2FSK、4FSK信号的载波中心频率为 ，载波最小频率间隔为200Hz，则2FSK信号的两个载波频率分别为 与 ，4FSK信号的四个载波频率分别为 、 、 与 ，符号频率均为 。OFDM信号的中心载波频率与符号速率设置与BPSK信号相同，且OFDM信号的子载波个数为32个，子载波的调制样式为QPSK，OFDM信号的循环前缀长度为四分之一有效OFDM符号长度。DSSS信号为DSSS-BPSK信号，其载波频率与符号速率设置与BPSK信号相同，且伪码阶数为3阶，每个码片时间内的载波个数为2，伪码序列为m序列。噪声类型为加性高斯白噪声。处理频带范围为
500Hz 4.5kHz，中值滤波窗口长度为5，平滑处理窗口长度为5，处理门限Th1=3。采用蒙特卡~
洛方法测试性能，仿真实验次数为500次。
[0096] 图2所示为本发明所提方法在不同信噪比下对各调制类型的识别率，信号处理长度N为4096。从图中可以看出，当信噪比大于0dB时，该分类器对信号的识别率均在60%以上，当信噪比大于5dB时，该分类器对信号的识别率均在80%以上，而当信噪比低于0dB时分类器对2FSK/4FSK有良好的识别效果。图3所示为0dB信噪比时，数据长度对该识别器的识别性能影响图，从该图中可以看出，随着点数的增加，本发明识别性能有所提高，这是由于积分时间的增加提高了傅里叶变换处理增益，线谱信噪比提升，特征稳定性提高。实际应用时，并不是选择的长度越大越好，而是需要从通信信号帧长度、处理器性能两个方面综合考虑，选择合适的处理长度。
[0097] 从实施例的结果可以看出，本发明估计方法在无先验信号参数的情况下，能够有效识别出水声通信常用的2FSK、4FSK、BPSK、DSSS-BPSK、QPSK、OFDM六类水声通信信号类型，适用于快速稳健识别要求。本发明不易受水声信道影响的稳健特征，通过分层处理架构，充分利用了不同特征对各调制类型的区分度，提高了识别准确度，能够满足实际应用需求。
[0098] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
