基于自適應變分模態分解的輻射源識別算法分析

吳俊

四川大學電子信息學院 四川 成都 610065

引言

特定輻射源識別根據其獨特特征將單個發射器與其他發射器區分開，從而識別出不同的發射器[1]。特定輻射源識別技術主要用于軍事通信中。隨著新技術的出現，例如自組織網絡和認知無線電，它變得越來越重要。

基于發射器的工作方式，特定輻射源識別可以利用瞬態或穩態信號[2]進行發射器識別。瞬態信號也稱為開/關信號，它提供了適合于發射器識別的獨特特性。 要提取瞬態信號的特征，主要方法是通過檢測噪聲的起點和終點來提取瞬態信號。但是，瞬態信號的持續時間短且難以捕獲。它容易受到復雜信道的干擾，并影響發射器的識別效果。穩態信號在整個信號的瞬態開始和結束之間傳輸。與瞬態信號相比，穩態信號的檢測和采集更加簡單。然而，由于穩態特征容易被破壞，使得穩態特征的提取變得困難。對于穩態信號，最常用的方法是基于時頻分析算法[3]。

目前，提出基于經驗模態分解（Empirical Mode Decomposition，EMD）來處理信號。接著，變分模態分解（Variational Mode Decomposition，VMD）[4]也應用于特定輻射源識別。眾所周知，EMD算法對采樣和噪聲極其敏感，VMD算法有更好的魯棒性。然而，VMD算法的輸入參數是人為輸入，而本文所考慮的主要問題是如何解決參數自適應，故提出一種基于AVMD的識別算法，與基于VMD和EMD的算法相比，該方法具有更好地識別性能。

1 系統模型

在輻射源信號生成過程中，功率放大器是主要影響因素，功放固有的非線性和記憶效應會使得信號非線性失真。這里我們采用非線性記憶多項式模型[1]來表示這種信號：

2 AVMD分解

與許多典型的分割方法類似，VMD需要預先知道它的輸入參數。在VMD分解中，懲罰因子與分解層數是主要影響分解結果的因素。其中，懲罰因子影響分解精度。相比于分解模態數，只會影響到分解結果的精確程度，而值則直接影響分解結果是否正確，所以在此對K值進行深入研究。

針對以上問題，提出一種利用峭度來確定K值得方法。依次選取的整數，對原始信號序列進行VMD，經過VMD過后得到多個固有模態函數(intrinsic mode function，IMF)。選取相關系數最大的IMF作為最優模態。接著，計算最優分量的峭度，選取峭度最大時的值作為最優分解模態數。計算出時相關系數最大分量的峭度，并繪制峭度變化曲線，若在該曲線上沒有峰值且單調遞增，則繼續計算當K為是的相關系數最大分量的峭度值，重復以上步驟。以峭度最大為優化標準，當峭度最大時，K為最佳選擇。我們將AVMD的算法流程表示為

3 分類算法

本文提出的算法通過測量希爾伯特譜的偏度(Hilbert Spectrum skewness，HS)來提取特征。首先，對進行希爾伯特變換；接著，提取希爾伯特譜的偏度作為識別特征；最后，送入KNN分類器。偏度可以統計數據分布非對稱程度，表示如下：

訓練階段：輻射源類數P，每類數量

（1）原始信號經過AVMD，得到K個IMF分量；

（2）對各個IMF進行希爾伯特變換，求得希爾伯特譜；

（6）測試序列并沒有標簽，利用訓練階段的KNN分類器對測試序列進行識別。

4 實驗分析

在本小節中，我們通過各種數值實驗對所提出的算法進行性能評估，以正確識別率作為性能度量標準。輻射源信號的調制格式為4QAM，采樣頻率10GHz，載波頻率2GHz，每個時間序列為500個采樣點，序列時間為50，系統模型的記憶效應偏移為，多項式階數，所采用的非線性系數分別為：，。

圖1 算法對比圖

將本文所提算法與文獻[4]算法進行比較。VMD-SF算法設置。我們將AVMD-HS算法、VMD-SF算法EMD-EM算法進行對比。實驗結果如圖1(a)所示，AVMD-HS算法的平均識別率比VMD-SF和EMD-EM分別高出6%、10%，當AVMD-HS算法在信噪比高于0dB時，識別率就會達到80%，而VMD-SF算法和EMD-EM算法則需要信噪比分別高于3dB和7dB。低信噪比時，EMD-EM識別效果下降更為明顯。接著，加重記憶效應，以此來增加識別難度，將記憶效應的時間偏移增加為0.3。實驗結果如圖1(b)，我們可以看出，當記憶效應加重的情況下，VMD-SF算法和EMD-EM算法識別率下降嚴重，平均下降了7.3%和6.6%，而AVMD-HS平均識別率只下降了5.4%，并且在3dB時，識別率超過了80%，達到了有效識別的程度。

綜合對比來看，AWMD-HS算法無論是在識別效果，還是抗記憶效應的效果，都要優于VMD-SF算法和EMD-EM算法，具有更強的魯棒性。

5 結束語

本文提出了一種基于AVMD的特定輻射源識別算法。我們對不同識別算法對識別效果的影響進行了仿真分析。本文的核心思想是利用自適應變分模態分解得到最佳的分解效果，從而提升識別效果。所提方法的優勢在于能有效解決變分模態分解不能自適應求得分解模態的問題。在低信噪比下，也有不錯的效果。