通信辐射源指纹识别技术
2．3 通信信号指纹识别分类器
在统计模式识别中，分类器即分类算法的基本任务是根据某一准则把一个给定的由特征向量表示的输入归入到一个适当的特征类别，即实现从特征空间到决策空间的转换，从而完成特征类的分类任务。
目前常用的分类器是基于统计决策理论的参数和非参数分类算法，如线性和广义线性决策函数，k-最近邻算法(K-NN)，二元分类树等。如果待识别特征的概率密度函数已知或可以通过样本得到精确估计，那么这些分类算法可以得到最佳识别性能，但是在通信信号指纹识别问题中，这些条件很难满足，传统分类器难以获得满意的个体识别性能。主要缺点是识别率低、稳健性差。
决策理论的发展克服了传统分类器的不足，提出了更先进的不确定性推理理论，在此基础上，分类器识别性能得到了显著提高。其中，神经网络分类器作为一种先进的自适应、非参数和非线性分类器。为进行信号模式识别开辟了一条新途径。神经网络是一种以自组织、自适应和大规模分布式并行计算为特征的非线性信号处理系统，具有强大的模式识别分类和泛函逼近能力，并具有良好的容错性。
组合分类器是近年来提出的一个新课题，指通过一个组合器对不同分类器的输出作第二次判决，由于融合了多个分类器的决策，所以可以得到更好的分类性能，而其中的每个分类器都不要求是最优的，为通信信号的识别提供了新途径。
3 一种基于证据理论的个体识别方案
文中对通信信号指纹的研究主要采用“机理研究-特征分析-特征提取-分类实验”的方法，其中由于实际通信信号信噪比变化范围大，容易导致识别率下降，直接影响分类器的分类性能。基于D-S证据组合原理进行分类器设计，可以由不同类别指纹特征参量集进行特征提取，下面给出一种基于证据理论组合分类器的辐射源个体识别的设计方法，其结构如图2所示。本文引用地址：http://www.eepw.com.cn/article/155187.htm
对于接收到的通信信号，首先通过通信信号预处理，再进行指纹特征提取，通过确立通信信号的载频、调制参数及杂散成分特性为稳态信号指纹，可以对上述特征运用时域、频域分析方法和现代时频域和高阶谱方法进行特征分析提取。在分类器设计方面，第一级分类器可以选用特征参数值域判别法、信号模本匹配识别法等方法实现第一级分类，第二级采用并行组合分类器，这样将高维特征空间的判分问题转化为针对不同低维空间进行划分的问题，再对第一级分类器的输出作第二次判决。这样，融合了多个分类器的决策，能够获得较好的分类性能。
D-S证据组合分类器对独立的信息才能进行融合，其关键在于基本概率分配函数(BPA)的确定。文献认为如果各分类器使用不同的特征集或训练集，则可认为不同分类器结果之间是独立的。因而，文中利用不同的辐射源个体特征训练不同的成员分类器，并进行D-S证据理论组合，可以根据需要选择合适的证据组合规则进行通信辐射源类别的判断。
4 结束语
随着通信技术的飞速发展，通信体制和调制样式更加复杂多样，通信电台的配置数量不断增加，常规电子侦察采用的信号特征，如载波频率、调制样式和调制参数等在复杂多变的信号环境下，已难以满足现代战场的需求。通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。分析了通信辐射源的指纹选择问题，对信号指纹进行通信辐射源的机理进行分析，对目前通信信号的指纹识别的常用方法进行了总结，并提出了一种基于证据理论的通信辐射源指纹识别方法。
评论