基于频谱形状的低复杂度雷达信号分类

doi:10.11959/j.issn.1000-0801.2022011

电信科学 ›› 2022, Vol. 38 ›› Issue (1): 25-35.doi: 10.11959/j.issn.1000-0801.2022011

基于频谱形状的低复杂度雷达信号分类

尹良¹, 林睿¹, 王晓雷², 姚宇亮¹, 周林¹, 何元¹

¹ 北京邮电大学信息与通信工程学院，北京 100876
² 军事科学院国防科技创新研究院，北京 100071

修回日期:2022-01-09 出版日期:2022-01-20 发布日期:2022-01-01
作者简介:尹良（1983- ），男，博士，北京邮电大学副教授、硕士生导师，主要研究方向为信号检测与估计、软件无线电、机器学习在信号识别中的应用、无线电频谱工程半实物仿真
林睿（1998- ），男，北京邮电大学信息与通信工程学院硕士生，主要研究方向为雷达信息处理、人工智能
王晓雷（1982- ），男，博士，军事科学院国防科技创新研究院副研究员、硕士生导师，主要研究方向为智能信号处理、认知电磁对抗、网络通信安全
姚宇亮（1997- ），男，北京邮电大学信息与通信工程学院硕士生，主要研究方向为电磁兼容测试、智能干扰分析、人工智能
周林（1998- ），男，北京邮电大学信息与通信工程学院硕士生，主要研究方向为雷达信息处理、人工智能
何元（1984- ），男，博士，北京邮电大学副教授、硕士生导师，主要研究方向为电子侦察对抗、雷达信息处理、人工智能
基金资助:
国家自然科学基金青年基金资助项目(61801034);国家重点研发计划项目(2018YFB1800802)

Low complexity radar signal classification based on spectrum shape

Liang YIN¹, Rui LIN¹, Xiaolei WANG², Yuliang YAO¹, Lin ZHOU¹, Yuan HE¹

¹ School of Communication and Information Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China
² National Innovation Institute of Defense Technology, Academy of Military Science, Beijing 100071, China

Revised:2022-01-09 Online:2022-01-20 Published:2022-01-01
Supported by:
The National Nature Science Foundation Youth Fund of China(61801034);The National Key Research and Development Program of China(2018YFB1800802)

摘要/Abstract

摘要：

摘要：为解决雷达信号调制识别中存在的计算复杂度高、低信噪比环境识别准确率低和仿真数据真实度低等问题，提出了基于频谱形状的低复杂度雷达信号分类算法。对信号频谱进行归一化，按频谱采样的方法提取特征参数，训练机器学习分类模型。雷达信号源生成数据的测试结果表明，本算法对Barker码、Frank码、LFM、BPSK、QPSK 调制和常规雷达信号的分类准确率大于 90%（SNR≥3 dB），计算复杂度低，能适应信号参数变化，具有很好的泛化性。

关键词: 频谱形状, 低复杂度, 特征提取, 频谱采样

Abstract:

In order to solve the problems of high computational complexity, low recognition accuracy of low signal to noise ratio (SNR) environment and low fidelity of simulation data in radar signal modulation recognition, a low complexity radar signal classification algorithm based on spectrum shape was proposed.Signal spectrum was normalized, feature parameters were extracted by spectrum sampling method, and then machine learning classification model was trained.The test results of the data generated by the radar signal source show that the classification accuracy of Barker code, Frank code, LFM code, BPSK, QPSK modulation and conventional radar signals is more than 90% (SNR≥3 dB).The algorithm has low computational complexity, can adapt to the change of signal parameters, and has good generalization.

Key words: spectrum shape, low complexity, feature extraction, spectrum sampling

中图分类号:

TN971.+1

尹良, 林睿, 王晓雷, 姚宇亮, 周林, 何元. 基于频谱形状的低复杂度雷达信号分类[J]. 电信科学, 2022, 38(1): 25-35.

Liang YIN, Rui LIN, Xiaolei WANG, Yuliang YAO, Lin ZHOU, Yuan HE. Low complexity radar signal classification based on spectrum shape[J]. Telecommunications Science, 2022, 38(1): 25-35.

图/表 13

表1

6种雷达信号的数学模型"

调制方式	φ (t)	相位说明
常规雷达信号	$ϕ (t) = 2 π f_{0} t$	常数
BPSK调制	$ϕ (t) = 2 π f_{0} t + π C_{d} (k) + ϕ_{0}$	C_d(k)取值二进制数0或1
QPSK调制	$ϕ (t) = 2 π f_{0} t + π C_{d} (k) + ϕ_{0}$	C_d(k)取值{1/4,3/4,5/4,7/4}或{0,1/2,1,3/2}
Barker码调制	$ϕ (t) = 2 π f_{0} t + θ_{n}$	θ_n为Barker码相位，取0或π
LFM调制	$ϕ (t) = 2 π [(f_{0} - \frac{B}{2}) t + \frac{k}{2} t^{2} + ϕ_{0}]$	常数
Frank码调制	$ϕ (t) = 2 π f_{0} t + ϕ_{p, q}$	$ϕ_{p, q} = \frac{2 π}{M} (p - 1) (q - 1), q = 1, \dots, M; p = 1, \dots, M$

表1

图1

表2

图2

图3

图4

表3

各调制分类器算法复杂度"

	特征提取算法	算法复杂度	抗噪性
文献[12]	伪Wigner-Ville分布（PWD）、Choi-Williams分布（CWD）	$\frac{N}{2} lb N + 2 N$	3 dB
文献[13]	短时傅里叶变换（STFT）	$\frac{N H}{2} lb H + N H$	0 dB
文献[14]	Wigner-Ville分布	$\frac{N}{2} lb N + 2 N$	0 dB
文献[15]	Morlet小波	$\frac{N^{3} H}{2} lb H + 2 N H$	2 dB
文献[8]	瞬时特征/FFT	NlbN	7 dB
本文	FFT	NlbN	3 dB

表3

表4

图5

表5

表6

图6

图7

参考文献 16

[1]	HU H , WANG Y J , SONG J D . Signal classification based on spectral correlation analysis and SVM in cognitive radio[C]// Proceedings of 22nd International Conference on Advanced Information Networking and Applications (AINA 2008). Piscataway:IEEE Press, 2008: 883-887.
[2]	王渝冲 . 雷达信号调制类型识别与参数估计方法研究[D]. 长沙:国防科学技术大学, 2012.
	WANG Y C . Research on the modulation recognition algorithms and parameter estimation algorithms of radar signal[D]. Changsha:National University of Defense Technology, 2012.
[3]	冯祥, 李建东 . 调制识别算法及性能分析[J]. 电波科学学报, 2005,20(6): 737-740.
	FENG X , LI J D . Modulation classification algorithms and performance analysis[J]. Chinese Journal of Radio Science, 2005,20(6): 737-740.
[4]	黄知涛, 周一宇, 姜文利 . 基于相对无模糊相位重构的自动脉内调制特性分析[J]. 通信学报, 2003,24(4): 153-160.
	HUANG Z T , ZHOU Y Y , JIANG W L . The automatic analysis of intrapulse modulation characte- ristics based on the relatively non-ambiguity phase restoral[J]. Journal of China Institute of Communications, 2003,24(4): 153-160.
[5]	王丰华, 黄知涛, 姜文利 . 一种有效的脉内调制信号识别方法[J]. 信号处理, 2007,23(5): 686-689.
	WANG F H , HUANG Z T , JIANG W L . An effectual approach of intra-pulse modulated signal recognition[J]. Signal Processing, 2007,23(5): 686-689.
[6]	刘鲁涛, 戴亮军, 陈涛 . 基于频谱复杂度的雷达信号调制方式识别[J]. 哈尔滨工程大学学报, 2018,39(6): 1081-1086.
	LIU L T , DAI L J , CHEN T . Radar signal modulation recognition based on spectrum complexity[J]. Journal of Harbin Engineering University, 2018,39(6): 1081-1086.
[7]	QU Z Y , HOU C F , HOU C B ,et al. Radar signal intra-pulse modulation recognition based on convolutional neural network and deep Q-learning network[J]. IEEE Access, 2020(8): 49125-49136.
[8]	IGLESIAS V , GRAJAL J , ROYER P ,et al. Real-time low-complexity automatic modulation classifier for pulsed radar signals[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015,51(1): 108-126.
[9]	VALIEVA I , BJ?RKMAN M , ?KERBERG J ,et al. Multiple machine learning algorithms comparison for modulation type classification for efficient cognitive radio[C]// Proceedings of MILCOM 2019 - 2019 IEEE Military Communications Conference. Piscataway:IEEE Press, 2019: 318-323.
[10]	LIN C , YAN W J , ZHANG L M ,et al. A real-time modulation recognition system based on software-defined radio and multi-skip residual neural network[J]. IEEE Access, 2020(8): 221235-221245.
[11]	KALEEM Z , ALI M , AHMAD I ,et al. Artificial intelligence-driven real-time automatic modulation classification scheme for next-generation cellular networks[J]. IEEE Access, 2021(9): 155584-155597.
[12]	LUNDEN J , KOIVUNEN V . Automatic radar waveform recognition[J]. IEEE Journal of Selected Topics in Signal Processing, 2007,1(1): 124-136.
[13]	董志杰, 王晓峰, 田润澜 . 雷达信号脉内调制识别新方法[J]. 航天电子对抗, 2018,34(2): 33-37.
	DONG Z J , WANG X F , TIAN R L . A new method of radar signal intrapulse modulation recognition[J]. Aerospace Electronic Warfare, 2018,34(2): 33-37.
[14]	孟凡杰, 唐宏, 王义哲 . 基于多特征融合的雷达辐射源信号识别[J]. 计算机仿真, 2016,33(3): 18-22.
	MENG F J , TANG H , WANG Y Z . Radar emitter signal recognition based on fusion of features[J]. Computer Simulation, 2016,33(3): 18-22.
[15]	王渝冲, 宿绍莹, 陈曾平 . 基于小波变换的雷达信号调制类型识别方法[J]. 计算机工程, 2012,38(23): 166-168,172.
	WANG Y C , SU S Y , CHEN Z P . Method of radar signal modulation type recognition based on wavelet transform[J]. Computer Engineering, 2012,38(23): 166-168,172.
[16]	胡杨林 . 跳频信号盲检测与参数盲估计算法研究及实现[D]. 成都:电子科技大学, 2016.
	HUYANG L . Frequency hopping signal detection and parameter estimation algorithm and implementation[D]. Chengdu:University of Electronic Science and Technology of China, 2016.

数据	脉冲宽度/μs	脉冲周期/μs	占空比	载频/GHz	采样率/MHz
第一组	1	10.3	9.7%	2	50
第二组	2	10.3	19.4%	2	50

实验组数	特征向量	分类器	训练集	样本数量
1	峰度、偏度、人工采样点	浅层神经网络	第一组	每种调制1 000个，共6 000个样本
2	下采样的频谱数据	浅层神经网络	第一组	每种调制1 000个，共6 000个样本
3	下采样的频谱数据	浅层神经网络	第一组及第二组	每种调制1 000个，共6 000个样本

基于频谱形状的低复杂度雷达信号分类

Low complexity radar signal classification based on spectrum shape

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 16

相关文章 15

Metrics

推荐阅读 0

	Pulse	QPSK	BPSK	Frank	Barker	LFM
Pulse	98	3	3	0	0	0
QPSK	1	61	33	0	0	0
BPSK	1	36	64	2	0	0
Frank	0	0	0	98	0	0
Barker	0	0	0	0	100	0
LFM	0	0	0	0	0	100

[1]	葛海江, 贾宁, 池凯凯, 陈云志. 非线性能量收集认知无线电网络的次用户吞吐量最大化方案[J]. 电信科学, 2023, 39(2): 103-117.
[2]	李晗阳, 翁玮文, 李男, 张龙, 程锦霞. 5G NR RedCap关键技术研究[J]. 电信科学, 2022, 38(3): 93-101.
[3]	张沛昌, 安万年, 钟世达, 黄磊, 庄春生, 张伟. 一种新型低复杂度双层分组天线选择算法[J]. 电信科学, 2021, 37(7): 67-76.
[4]	叶学义, 钱丁炜, 应娜, 王涛. 基于吸引模式的局部二阶梯度轮廓人脸识别算法[J]. 电信科学, 2021, 37(7): 96-106.
[5]	邱佳锋. 宽带毫米波大规模MIMO系统中低复杂度波束域信道估计[J]. 电信科学, 2020, 36(8): 122-129.
[6]	邱佳锋. 基于矩阵完备的低复杂度毫米波大规模MIMO信道估计[J]. 电信科学, 2020, 36(4): 99-106.
[7]	蔡鑫. 基于Bert模型的互联网不良信息检测[J]. 电信科学, 2020, 36(11): 121-126.
[8]	董园园, 张钰婕, 李华, 王春雷, 刘晓菲, 戴晓明. 面向5G的非正交多址接入技术[J]. 电信科学, 2019, 35(7): 27-36.
[9]	朱琳,赵娟,王伊婷,冯俊兰,邓超. 移动通信网络投诉热点问题智能预警方法[J]. 电信科学, 2019, 35(5): 17-24.
[10]	周冬,曹海燕,许方敏,方昕,王秀敏. 大规模MIMO系统中基于权重高斯赛德低复杂度ZF预编码方案[J]. 电信科学, 2019, 35(3): 69-75.
[11]	曹海燕,周冬,许方敏,方昕,王秀敏. 大规模MIMO系统中基于权重二对角迭代的低复杂度预编码[J]. 电信科学, 2018, 34(9): 63-69.
[12]	王琼,叶伟,吉明明. 基于消息传递的大规模多用户MIMO低复杂度的检测算法[J]. 电信科学, 2017, 33(9): 1-9.
[13]	王潇,张荣,郭立君. 顽健合成图像篡改检测及定位[J]. 电信科学, 2017, 33(8): 120-129.
[14]	向建伟,于秀兰,景小荣. 毫米波大规模MIMO系统中低复杂度混合预编码方法[J]. 电信科学, 2016, 32(9): 10-15.
[15]	陆寄远,黄承慧,侯昉,李斌. 基于Hadoop云计算平台的图像分类与标注[J]. 电信科学, 2014, 30(2): 65-69.