一种基于自相关高阶谱特征的短波通联行为识别方法

1.本发明属于智能通信对抗领域，特别是一种基于自相关高阶谱特征的短波通联行为识别方法。


背景技术：

2.随着认知电子战的提出与发展，越来越要求“认知”在电子战领域的应用。通信对抗、雷达对抗向着智能化方向发展。短波、超短波电台、卫星链路、战术数据链等通信辐射源，在信息化战场上发挥着至关重要的作用，通信辐射源具有操作者，因而承载着承载着的行为意图，一定程度上反映了非协作方的动作、处境、状态等行为信息。通过对截获的通信辐射源信号进行行为级分析，可以逆向挖掘通信辐射源操作者的行为信息，在通信对抗中取得优势。
3.基于截获的物理层电磁信号的行为级认知研究刚刚起步，目前已经开展的研究较少，在复杂的电磁环境中，尤其是低信噪比环境，如何通过截获的物理层信号推理行为是亟待解决的问题。


技术实现要素：

4.本发明的目的在于提供一种基于自相关高阶谱特征的短波通联行为识别方法，实现从物理层出发逆向推理行为的目标。
5.实现本发明目的的技术解决方案为：一种基于自相关高阶谱特征的短波通联行为识别方法，步骤如下：
6.s1、求时域信号的自相关函数，得到自相关序列；
7.s2、对自相关序列做双谱变换，计算三阶累积量；
8.s3、将得到的三阶累积量矩阵做采样处理，并转换成类似图片的三通道格式，构建数据集；
9.s4、设计两路输入的卷积神经网络模型，并通过增加模型深度、引入batch normalization层、改进激活函数的方式进一步改进，得到最终的网络模型；
10.s5、将数据集输入最终的网络模型，完成训练与分类的任务。
11.本发明与现有技术相比，其显著优点为：
12.(1)结合信号处理和深度学习，通过信号处理提取不同行为物理层信号的指纹特征，再利用卷积神经网络对特征进行训练和分类，实现从物理层信号出发逆向推理行为的目的，为通信辐射源的行为研究提供了思路；
13.(2)适用于噪声较大的环境，在低信噪比条件具有较好的识别效果，而且模型训练较快，具有良好的实时性，可以实时进行分析；
14.(3)可以直接对侦收的得到物理层短波信号进行分析，无需对信号进行解调、解交织、解码等繁琐操作，就可以实现短波通联行为的目的。
附图说明
15.图1为本发明基于自相关高阶谱特征的短波通联行为识别方法的流程图。
16.图2为网络模型结构图。
17.图3为五种突发波形与通联行为的关系图。
18.图4a为短波突发波形bw0信号成型流程图。
19.图4b为短波突发波形bw1信号成型流程图。
20.图4c为短波突发波形bw2信号成型流程图。
21.图4d为短波突发波形bw3信号成型流程图。
22.图4e为短波突发波形bw4信号成型流程图。
23.图5为不同网络模型识别准确率结果图。
具体实施方式
24.本发明一种基于自相关高阶谱特征的短波通联行为识别方法，步骤如下：
25.s1、求时域信号的自相关函数，得到自相关序列；
26.s2、对自相关序列做双谱变换，计算三阶累积量；
27.s3、将得到的三阶累积量矩阵做采样处理，并转换成类似图片的三通道格式，构建数据集；
28.s4、设计两路输入的卷积神经网络模型，并通过增加模型深度、引入batch normalization层、改进激活函数的方式进一步改进，得到最终的网络模型；
29.s5、将数据集输入最终的网络模型，完成训练与分类的任务。
30.作为一种具体示例，所述s1的具体步骤为：
31.步骤s11、根据美军短波无线电规程mil-std-188-141b规定的五种突发波形bw0、bw1、bw2、bw3、bw4，使用matlab仿真生成五种突发波形的信号样本各1000个，信号为i、q信号，生成时间序列xk；
32.步骤s12、求xk的自相关函数，定义为：
[0033][0034]
对于接收端信号sk，考虑加性高斯白噪声nk，那么sk＝xk+nk；
[0035]
定义接收端信号sk的自相关函数r为：
[0036][0037]
其中为高斯白噪声的方差，r
xx
(m)是xk的自相关函数。
[0038]
作为一种具体示例，所述s2的具体步骤为：
[0039]
步骤s21、对生成的自相关序列，使用非参数法估计三阶谱；
[0040]
信号高阶谱s
kx
(ω1,
···
,ω
k-1
)的定义式如下：
[0041][0042]
其中c
kx
(τ1,
···
,τ
k-1
)为xk的k阶累积量；
[0043]
定义信号的k-1谱为信号的k阶谱，所以信号的双谱s
3x
(ω1,ω2)定义如下：
[0044][0045]c3x
(τ1,τ2)为xk的3阶累积量；
[0046]
步骤s22、根据双谱的定义式，求自相关序列r
ss
的双谱变换矩阵s；
[0047]
fft的长度设置为256，rao最优窗函数的长度设置为5，每个分段的长度为250，每个分段重迭长度为30，得到256
×
256的矩阵s：
[0048][0049]
其中，c
3r
(τ1,τ2)为上述自相关函数r的3阶累积量，s(ω1,ω2)为根据c
3r
(τ1,τ2)计算得到的双谱。
[0050]
作为一种具体示例，所述s3的具体步骤为：
[0051]
步骤s31、对双谱变换得到的矩阵s进行采样，原先的矩阵为256
×
256维，奇数行采样1、3、5
…
255点，偶数行采样2、4、6
…
256点，得到两个128
×
128的矩阵si、sq；
[0052]
步骤s32、采用极大极小归一化，对si、sq逐行做预处理，使取值在[0,1]范围之内，具体的更新过程如下：
[0053][0054][0055]
其中，为si的第i行，为sq的第j行，i,j∈[1,128]；得到预处理后更新的矩阵si和sq；
[0056]
步骤s33、将si和sq在第三个维度进行拼接，得到128
×
128
×
2的三维矩阵s；
[0057]
步骤s34、对5000个样本逐个进行上述操作，构建5000
×
128
×
128
×
2的四维矩阵y，制作成数据集。
[0058]
作为一种具体示例，所述s4的具体步骤为：
[0059]
步骤s41、根据经典卷积神经网络lenet-5和alexnet的结构，给网络模型构建两个支路，分别记为ⅰ路和ⅱ路；
[0060]
在两个支路中，激活函数使用包括relu和leakyrelu两种，relu激活函数的表达式为：
[0061]
f(x)＝max(0,x)
[0062]
leakyrelu激活函数的表达式为：
[0063]
f(x)＝max(0,x)+leak*min(0,x)
[0064]
其中，x为激活函数的输入，f(x)为激活函数的输出；leak是一个非常小的常数，以保留x负半轴的取值，通常取0.01左右；
[0065]
步骤s42、通过增加全连接层，增加ⅱ路的模型深度；两个支路的最后一个全连接层输出维度为256；
[0066]
步骤s43、将两个全连接层输出的256维向量进行叠加，再依次通过leakyrelu激活函数、batchnormalization层、dropout层，最终通过softmax分类器，输出分类结果。
[0067]
作为一种具体示例，所述s5的具体步骤为：
[0068]
步骤s51、根据数据集，制作5000个标签，通过网络进行有标签学习；预处理后的数据集y按照3:1:1的比例划分为训练集、验证集、测试集；
[0069]
将预训练集输入网络模型中，采用动量梯度下降算法即momentum算法更新权值，momentum算法参数更新过程如下：
[0070][0071][0072]w←
w-αν
dw
[0073]b←
b-αν
db
[0074]
其中x(i)为训练集采集m个样本{x
(1)
,x
(2)
,
···
,x
(m)
}的第i个数据，g为梯度，vk为第k次更新速度，θk为第k次迭代权值；ε为学习率，α为动量参数，初始化学习率ε设置为0.001，动量参数α设置为0.9；w、b为神经网络的权重值和偏移量，ν
dw
、ν
db
建立了相邻两步间梯度的联系，为损失函数在权重值和偏移量的梯度，α、β为算法中的动量参数，通常将β设定为0.9，也可以设置为其他值；
[0075]
采用交叉熵损失函数，表示式如下：
[0076][0077]
其中m为类别的数量，yi为样本的真实标签，pi为该样本属于第i类的概率；
[0078]
一次训练选取的样本数batch size设置为64，样本训练次数epoch设置为500；
[0079]
步骤s52、完成模型训练后，保存模型权重，将预处理后的测试集输入训练好的模型进行测试，输出分类结果和识别准确率对通联行为的实时分类识别。
[0080]
作为一种具体示例，步骤s52之后还包括：
[0081]
步骤s53、设置不同信噪比条件，分别为0db、5db、8db、10db和15db；对s1生成的5000个样本分别添加相应的噪声并按照s2、s3的步骤制作数据集，重复实验，验证算法在噪声条件下的可靠性。
[0082]
下面结合附图和实施例对本发明的技术方案作进一步详细说明。
[0083]
实施例
[0084]
结合图1，本发明提出一种基于自相关高阶谱特征的短波通联行为识别方法，实现了物理层信号分类到行为识别的目的，步骤如下：
[0085]
s1、求时域信号的自相关函数，得到自相关序列；
[0086]
步骤s11:根据美军短波无线电规程mil-std-188-141b规定的五种突发波形bw0、bw1、bw2、bw3、bw4，使用matlab仿真生成五种突发波形的信号样本各1000个，信号为i、q信号，生成时间序列xk。
[0087]
步骤s1.2:求xk的自相关函数，定义为：
[0088][0089]
对于接收端信号sk，考虑加性高斯白噪声nk，那么sk＝xk+nk。
[0090]
定义接收端信号sk的自相关函数r为
[0091][0092]
其中为高斯白噪声的方差，r
xx
(m)是xk的自相关函数。可见自相关函数可有效消除噪声。r是xk的自相关函数序列。
[0093]
s2、对自相关序列做双谱变换，计算三阶累积量；
[0094]
步骤s21:对生成的自相关序列，使用非参数法估计其三阶谱。
[0095]
信号高阶谱s
kx
(ω1,
···
,ω
k-1
)的定义式如下：
[0096][0097]
其中c
kx
(τ1,
···
,τ
k-1
)为xk的k阶累积量；
[0098]
定义信号的k-1谱为信号的k阶谱，所以信号的双谱s
3x
(ω1,ω2)定义如下：
[0099][0100]
步骤s22:根据双谱的定义式，求自相关序列r
ss
的双谱变换矩阵s。
[0101]
fft的长度设置为256，rao最优窗函数的长度设置为5，每个分段的长度为250，每个分段重迭长度为30，得到256
×
256的矩阵s：
[0102][0103]
其中，c
3r
(τ1,τ2)为上述自相关函数r的3阶累积量，s(ω1,ω2)为根据c
3r
(τ1,τ2)计算得到的双谱。
[0104]
s3、将得到的三阶累积量矩阵做采样处理，并转换成类似图片的三通道格式，构建数据集；
[0105]
步骤s31:对双谱变换得到的矩阵s进行采样，原先的矩阵为256
×
256维，奇数行采样1、3、5
…
255点，偶数行采样2、4、6
…
256点，得到两个128
×
128的矩阵si、sq。
[0106]
步骤s32、采用极大极小归一化，对si、sq逐行做预处理，使取值在[0,1]范围之内，具体的更新过程如下：
[0107][0108][0109]
其中，为si的第i行，为sq的第j行，i,j∈[1,128]；得到预处理后更新的矩阵si和sq。
[0110]
步骤s33:将si和sq在第三个维度进行拼接，得到128
×
128
×
2的三维矩阵s。
[0111]
步骤s34:对5000个样本逐个进行上述操作，构建5000
×
128
×
128
×
2的四维矩阵y，制作成数据集。
[0112]
s4、设计两路输入的卷积神经网络模型，并通过增加模型深度、引入batchnormalization层、改进激活函数等方式进一步改进模型，如图2所示。
[0113]
步骤s41:根据经典卷积神经网络lenet-5和alexnet的结构，给网络模型构建两个支路，分别记为ⅰ路和ⅱ路。
[0114]
在两个支路中，激活函数使用包括relu和leakyrelu两种，relu激活函数的表达式为：
[0115]
f(x)＝max(0,x)
[0116]
leakyrelu激活函数的表达式为：
[0117]
f(x)＝max(0,x)+leak*min(0,x)
[0118]
其中，x为激活函数的输入，f(x)为激活函数的输出；leak是一个非常小的常数，以保留x负半轴的取值，通常取0.01左右。
[0119]
步骤s42:通过增加全连接层，增加ⅱ路的模型深度。两个支路的最后一个全连接层输出维度为256。
[0120]
步骤s43:将两个全连接层输出的256维向量进行叠加，再依次通过leakyrelu激活函数、batchnormalization层、dropout层，最终通过softmax分类器，输出分类结果。
[0121]
s5、将数据集输入网络模型，完成训练与分类的任务。
[0122]
步骤s51:根据数据集，制作5000个标签，通过网络进行有标签学习。预处理后的数据集y按照3:1:1的比例划分为训练集、验证集、测试集。将预训练集输入网络模型中，采用动量梯度下降算法(momentum)更新权值。momentum算法具体如下：
[0123][0124][0125]w←
w-αν
dw
[0126]b←
b-αν
db
[0127]
其中x(i)为训练集采集m个样本{x
(1)
,x
(2)
,
···
,x
(m)
}的第i个数据，g为梯度，vk为第k次更新速度，θk为第k次迭代权值；ε为学习率，α为动量参数，初始化学习率ε设置为0.001，动量参数α设置为0.9；w、b为神经网络的权重值和偏移量，ν
dw
、ν
db
建立了相邻两步间梯度的联系，为损失函数在权重值和偏移量的梯度，α、β为算法中的动量参数，通常将β设定为0.9，也可以设置为其他值；
[0128]
采用交叉熵损失函数，其表示式如下：
[0129][0130]
其中m为类别的数量，yi为样本的真实标签，pi为该样本属于第i类的概率。
[0131]
在本实验中，batch size设置为64，epoch设置为500。
[0132]
步骤s52:完成模型训练后，保存模型权重，将预处理后的测试集输入训练好的模型进行测试，输出分类结果和识别准确率对通联行为的实时分类识别。
[0133]
步骤s53:设置不同信噪比条件，分别为0db、5db、8db、10db和15db。对s1生成的5000个样本分别添加相应的噪声并按照s2、s3的步骤制作数据集，重复实验，验证算法在噪声条件下的可靠性。
[0134]
下面通过实验1～实验3，证明本发明的优越性。
[0135]
本实验matlab仿真物理层突发波形，并提取特征制作数据集。深度学习环境为：windows 10操作系统，11th gen intel(r)core(tm)i5-11260h cpu,nvidia geforce rtx3050显卡,python 3.7,tensorflow 2.5.0,和keras 2.8.0。
[0136]
实验1：不同信噪比条件下的对比实验
[0137]
本发明设计的自相关高阶谱特征提取方法，可以有效减少噪声带来的邮箱，为了验证方法的有效性，本实验在不同信噪比条件下，对五种通联行为对应的突发波形进行了识别，测试结果如表1所示。图3为五种突发波形与通联行为的关系图，图4a～图4e为短波突发波形bw0、bw1、bw2、bw3、bw4的信号成型流程图
[0138]
表1不同信噪比条件的识别结果
[0139][0140]
实验结果表明，该方法识别效果较好，在信噪比为0db时，除了流量管理行为(bw1)以外其他通联行为的识别率在80％以上，bw0、bw3、bw4的识别率在90％以上。本发明提出的特征提取方法可以有效减低噪声的干扰，提高了低信噪比条件下的识别准确率。
[0141]
实验2：不同算法的对比实验
[0142]
表2不同算法的识别结果
[0143][0144]
实验结果表明，本发明提出的通过自相关法去噪，有效克服了低信噪比条件下识别准确率低的问题。当信噪比为15db时，本发明的算法较双谱幅度相位算法识别率低，这是因为在自相关法去噪时，去除的不只是噪声，还包括一些有用的特征信息，由于噪声偏小，因此去除的特征信息相对较多，保留的特征相对减少，去除噪声带来的改善无法匹配特征的丢失。因此，本发明更加适用于具有一定噪声的环境。
[0145]
实验3：不同网络模型的对比实验
[0146]
本发明设计了一种双输入卷积神经网络模型，该模型通过两个支路分别提取特征，并通过全连接层输出后进行叠加，再进一步处理。为了验证本模型对识别率的改善，本实验选取四种网络模型进行比较，结果如表3、图5所示。
[0147]
表3不同网络模型的识别结果
[0148][0149]
表3、图5的实验结果证明了本发明使用的双输入网络模型可以进一步提取特征，提高识别率。
[0150]
综上所述，本发明在特征提取方法和神经网络模型方面均做了进行了优化，在低信噪比条件下可以进一步提高识别效果，具有实用性。

技术特征：
1.一种基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，步骤如下：s1、求时域信号的自相关函数，得到自相关序列；s2、对自相关序列做双谱变换，计算三阶累积量；s3、将得到的三阶累积量矩阵做采样处理，并转换成类似图片的三通道格式，构建数据集；s4、设计两路输入的卷积神经网络模型，并通过增加模型深度、引入batch normalization层、改进激活函数的方式进一步改进，得到最终的网络模型；s5、将数据集输入最终的网络模型，完成训练与分类的任务。2.根据权利要求1所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，所述s1的具体步骤为：步骤s11、根据美军短波无线电规程mil-std-188-141b规定的五种突发波形bw0、bw1、bw2、bw3、bw4，使用matlab仿真生成五种突发波形的信号样本各1000个，信号为i、q信号，生成时间序列x
k
；步骤s12、求x
k
的自相关函数，定义为：对于接收端信号s
k
，考虑加性高斯白噪声n
k
，那么s
k
＝x
k
+n
k
；定义接收端信号s
k
的自相关函数r为：其中为高斯白噪声的方差，r
xx
(m)是x
k
的自相关函数。3.根据权利要求2所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，所述s2的具体步骤为：步骤s21、对生成的自相关序列，使用非参数法估计三阶谱；信号高阶谱s
kx
(ω1,
···
,ω
k-1
)的定义式如下：其中c
kx
(τ1,
···
,τ
k-1
)为x
k
的k阶累积量；定义信号的k-1谱为信号的k阶谱，所以信号的双谱s
3x
(ω1,ω2)定义如下：c
3x
(τ1,τ2)为x
k
的3阶累积量；步骤s22、根据双谱的定义式，求自相关序列r
ss
的双谱变换矩阵s；fft的长度设置为256，rao最优窗函数的长度设置为5，每个分段的长度为250，每个分段重迭长度为30，得到256
×
256的矩阵s：
其中，c
3r
(τ1,τ2)为上述自相关函数r的3阶累积量，s(ω1,ω2)为根据c
3r
(τ1,τ2)计算得到的双谱。4.根据权利要求3所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，所述s3的具体步骤为：步骤s31、对双谱变换得到的矩阵s进行采样，原先的矩阵为256
×
256维，奇数行采样1、3、5
…
255点，偶数行采样2、4、6
…
256点，得到两个128
×
128的矩阵s
i
、s
q
；步骤s32、采用极大极小归一化，对s
i
、s
q
逐行做预处理，使取值在[0,1]范围之内，具体的更新过程如下：的更新过程如下：其中，为s
i
的第i行，为s
q
的第j行，i,j∈[1,128]；得到预处理后更新的矩阵s
i
和s
q
；步骤s33、将s
i
和s
q
在第三个维度进行拼接，得到128
×
128
×
2的三维矩阵s；步骤s34、对5000个样本逐个进行上述操作，构建5000
×
128
×
128
×
2的四维矩阵y，制作成数据集。5.根据权利要求4所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，所述s4的具体步骤为：步骤s41、根据经典卷积神经网络lenet-5和alexnet的结构，给网络模型构建两个支路，分别记为ⅰ路和ⅱ路；在两个支路中，激活函数使用包括relu和leakyrelu两种，relu激活函数的表达式为：f(x)＝max(0,x)leakyrelu激活函数的表达式为：f(x)＝max(0,x)+leak*min(0,x)其中，x为激活函数的输入，f(x)为激活函数的输出；leak是常数；步骤s42、通过增加全连接层，增加ⅱ路的模型深度；两个支路的最后一个全连接层输出维度为256；步骤s43、将两个全连接层输出的256维向量进行叠加，再依次通过leakyrelu激活函数、batchnormalization层、dropout层，最终通过softmax分类器，输出分类结果。6.根据权利要求5所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，所述s5的具体步骤为：步骤s51、根据数据集，制作5000个标签，通过网络进行有标签学习；预处理后的数据集
y按照3:1:1的比例划分为训练集、验证集、测试集；将预训练集输入网络模型中，采用动量梯度下降算法即momentum算法更新权值，momentum算法参数更新过程如下：momentum算法参数更新过程如下：w
←
w-αν
dw
b
←
b-αν
db
其中x(
i
)为训练集采集m个样本{x
(1)
,x
(2)
,
···
,x
(m)
}的第i个数据，g为梯度，v
k
为第k次更新速度，θ
k
为第k次迭代权值；ε为学习率，α为动量参数，初始化学习率ε设置为0.001，动量参数α设置为0.9；w、b为神经网络的权重值和偏移量，ν
dw
、ν
db
建立了相邻两步间梯度的联系，为损失函数在权重值和偏移量的梯度，α、β为算法中的动量参数；采用交叉熵损失函数，表示式如下：其中m为类别的数量，y
i
为样本的真实标签，p
i
为该样本属于第i类的概率；一次训练选取的样本数batch size设置为64，样本训练次数epoch设置为500；步骤s52、完成模型训练后，保存模型权重，将预处理后的测试集输入训练好的模型进行测试，输出分类结果和识别准确率对通联行为的实时分类识别。7.根据权利要求6所述的基于自相关高阶谱特征的短波通联行为识别方法，其特征在于，步骤s52之后还包括：步骤s53、设置不同信噪比条件，分别为0db、5db、8db、10db和15db；对s1生成的5000个样本分别添加相应的噪声并按照s2、s3的步骤制作数据集，重复实验，验证算法在噪声条件下的可靠性。

技术总结
本发明公开了一种基于自相关高阶谱特征的短波通联行为识别方法，该方法为：求时域信号的自相关函数，得到自相关序列；对自相关序列做双谱变换，计算三阶累积量；将得到的三阶累积量矩阵做采样处理，并转换成类似图片的三通道格式，构建数据集；设计两路输入的卷积神经网络模型，并通过增加模型深度、引入Batch Normalization层、改进激活函数的方式进一步改进，得到最终的网络模型；将数据集输入最终的网络模型，完成训练与分类的任务。本发明能够避免对信号进行解调、解交织、解码等一系列操作，可以直接通过对物理层信号的识别来判断通联行为，在低信噪比环境下，也具有良好的识别效果。别效果。别效果。


技术研发人员：雷迎科 李海涛 金虎 冯辉 潘必胜 陈翔 王津 钱锋 滕飞 李扬
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.07.22
技术公布日：2022/11/1