本文關(guān)鍵詞：短波電臺個體特征識別，由筆耕文化傳播整理發(fā)布。

【摘要】：通信電臺個體識別是頻譜管理、通信偵查與對抗領(lǐng)域的一個重要研究課題。通信電臺個體識別在軍用領(lǐng)域和民用領(lǐng)域都有廣泛的應(yīng)用:對于軍用領(lǐng)域可以在復雜的電子戰(zhàn)中掌握和監(jiān)測敵方電臺的活動方位,從而進行偵測、電子干擾和軍事打擊等;對于民用領(lǐng)域,民用無線電頻譜管理可以用到通信電臺個體識別技術(shù),可以對頻段進行安全性感知,檢測信號干擾、頻率沖突和其他非法干擾。本論文主要研究了短波通信電臺的穩(wěn)態(tài)特征,分析了穩(wěn)態(tài)信號的雜散特征和高階統(tǒng)計量特征,并利用實測數(shù)據(jù)對它們進行了提取。以此為基礎(chǔ),構(gòu)建了一種基于主成分分析(PCA)特征降維的SVM單分類器算法,該算法適合于仿真實驗。為了滿足實際短波系統(tǒng)的需求,進一步提出了基于K近鄰估計的SVM組合分類器算法,并在工程上編程開發(fā)實現(xiàn)了該算法,得到了很好的應(yīng)用。本文的工作成果主要體現(xiàn)在以下幾個方面:(1)、說明了短波通信信號細微特征的產(chǎn)生是由于生產(chǎn)工藝和元器件性能等隨機因素引起,這些隨機因素導致了晶體振蕩器頻率與標稱值間的差異,從而產(chǎn)生載頻偏差和調(diào)制參數(shù)的偏差等。(2)、對短波電臺信號的雜散特征和高階統(tǒng)計量特征進行了分析,提取了雜散特征中的高階J特征和分形維數(shù)的信息維數(shù)、LZC、盒維數(shù)等;提取和分析了高階統(tǒng)計量特征中的包絡(luò)峰度特征和矩形積分雙譜(SIB)特征。通過實驗表明LZC、高階J特征和包絡(luò)峰度的聚類效果最好,其它的特征次之。同時SIB由于維數(shù)較多需要進行特征處理后應(yīng)用。(3)、提出了一種基于PCA降維的SVM單分類器算法。該算法采用PCA降維對SIB進行處理,可將SIB的維數(shù)從60~80維降低到便于處理的3~8維;然后將降維后的SIB與其他的特征合并成一個特征集作為SVM分類器的輸入。最后進行的識別實驗說明了所處理后的特征都具有良好的分類性能,同時特征越多對于電臺細微差異區(qū)分效果越好。(4)、根據(jù)當前短波通信系統(tǒng)對于短波通信電臺個體特征識別技術(shù)的需求,提出了一種適合于該系統(tǒng)的基于K近鄰估計和SVM分類器的組合分類識別算法。該算法采用模式識別領(lǐng)域先進組合分類器算法,識別效果達到了所需的識別要求。
【關(guān)鍵詞】：個體識別 細微特征 PCA降維 SVM分類器 K近鄰估計
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN924
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 概述11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 通信電臺個體識別分類器設(shè)計現(xiàn)狀12-13
• 1.2.2 通信電臺個體特征提取的現(xiàn)狀13-16
• 1.3 本文主要工作和安排16-18
• 第二章 短波電臺信號特征構(gòu)成因素18-28
• 2.1 引言18
• 2.2 短波通信18-20
• 2.2.1 概述18-19
• 2.2.2 短波信道19-20
• 2.3 短波電臺信號特征產(chǎn)生的機理20-21
• 2.4 短波通信電臺的暫態(tài)特征21-23
• 2.5 短波通信電臺的穩(wěn)態(tài)特征23-27
• 2.5.1 信號載頻偏差23
• 2.5.2 調(diào)制參數(shù)的偏差23-24
• 2.5.3 電臺的雜散特征24-26
• 2.5.4 信號的高階統(tǒng)計特征26-27
• 2.6 本章小結(jié)27-28
• 第三章 短波電臺信號特征分析28-43
• 3.1 引言28
• 3.2 短波電臺信號的雜散特征分析28-38
• 3.2.1 信號的包絡(luò)提取28-29
• 3.2.2 信號包絡(luò)的高階J特征29-33
• 3.2.3 分形理論提取信號特征33-38
• 3.3 短波電臺信號的高階統(tǒng)計特征分析38-42
• 3.3.1 信號包絡(luò)的峰度38-39
• 3.3.2 積分雙譜39-42
• 3.4 本章小結(jié)42-43
• 第四章 基于SVM的單個識別器設(shè)計43-55
• 4.1 引言43
• 4.2 主成分分析(PCA)43-45
• 4.2.1 簡介43-44
• 4.2.2 基本原理44
• 4.2.3 主成分分析的計算步驟44-45
• 4.3 SVM分類器45-51
• 4.3.1 模式識別45-47
• 4.3.2 SVM分類器47-51
• 4.4 基于PCA特征降維的SVM分類器算法51-53
• 4.4.1 算法介紹51-52
• 4.4.2 實驗結(jié)果和分析52-53
• 4.5 本章小結(jié)53-55
• 第五章 短波電臺個體特征識別系統(tǒng)設(shè)計與實現(xiàn)55-65
• 5.1 引言55
• 5.2 基于K_n近鄰估計和SVM分類器的組合識別算法55-59
• 5.2.1 K_n近鄰估計法55-56
• 5.2.2 算法設(shè)計56-59
• 5.3 短波通信電臺個體識別系統(tǒng)設(shè)計與實現(xiàn)59-64
• 5.3.1 系統(tǒng)的訓練模塊60-61
• 5.3.2 系統(tǒng)的識別模塊61-62
• 5.3.3 識別結(jié)果62-64
• 5.4 本章小結(jié)64-65
• 總結(jié)與展望65-68
• 參考文獻68-71
• 英文縮寫檢索表71-72
• 攻讀碩士學位期間取得的研究成果72-73
• 致謝73-74
• 附件74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 普運偉;金煒東;胡來招;;基于瞬時頻率二次特征提取的輻射源信號分類[J];西南交通大學學報;2007年03期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 蔡權(quán)偉;多分量信號的信號分量分離技術(shù)研究[D];電子科技大學;2006年

2 徐書華;基于信號指紋的通信輻射源個體識別技術(shù)研究[D];華中科技大學;2007年

  本文關(guān)鍵詞：短波電臺個體特征識別，，由筆耕文化傳播整理發(fā)布。

本文編號：283082