邊境無線電監測信號識別技術研究

馬家凱

（云南省德宏州無線電監測中心，云南 德宏 678400）

0 引言

我國地域遼闊、邊境線長，與很多國家都有接壤。自進入21世紀以來，中亞、東南亞、北亞等地的國家無線電技術發展迅速，無線電臺數量顯著增加，邊境無線電越界現象時有發生。我國西北地區、西南地區邊境經濟條件一般，獲取信息的途徑少，鄰國的信息就會影響我國居民的正常生活，進而引發一系列的邊境問題。為此，對于邊境無線電監管部門來講，其工作量可想而知，為此，尋求一種邊境無線電監測信號識別技術尤為關鍵。

1 無線電監測信號識別技術的研究現狀

當前，關于無線電監測信號識別的理論研究并不多。結合國內外學者的理論研究成果可知，無線電監測信號的識別技術主要分為兩種類型。一種是判決理論法，這種理論是以假設檢驗為基礎的，借助概率理論獲得合理的信號分類規則。另一種是統計模式識別法，此種方法主要包括特征提取與模式識別。國內學者王婷通過對監測信號的識別技術進行研究，得出可借助決策理論法對無線電監測信號進行分類的結論[1]。李琳指出，在對無線電監測信號識別過程中應用小波變換技術，具有一定優勢，這也是時頻法首次在信號識別中的應用[2]。此外，張巍巍提到，在應用神經網絡的基礎上，借助信號特征參數可對監測信號進行分類，且效果極佳[3]。

2 相關概念

2.1 邊境無線電監測

邊境無線電監測是人類借助相應的技術手段或者設備對邊境地區的被測信號進行監測與識別的活動。其監測內容包括邊境無線電臺電波質量、邊境無線電頻譜使用情況、不明無線電信號、通信保密情況等。

2.2 信號識別

信號識別，即在對邊境無線電監測信號進行提取時，所篩選的信號要包括多重信息，不僅要包括邊境不明無線電信號的相關信息，也要涵蓋通信保密信息，以此判斷邊境無線電信號是否符合通信要求，進而對無線電信號的使用者與接收者的身份進行判定[4]。圖1為無線電監測信號識別框架。

圖1 無線電監測信號識別框架

3 幾種常見的邊境無線電監測信號識別技術

3.1 邊境無線電監測信號時頻域特征參數的提取技術——解析法

在邊境無線電監測信號的識別過程中，因信號調制類型存在一定差異，不僅信號頻率及幅度存在差異，其相位也有很大區別[5]。而傳統解析法優勢明顯，監測可從各類調制信號中獲得邊境無線電信息。監測信號的識別精度取決于特征參數的精準度。結合時域中的情況來看，監測信號特征參數主要體現為三種，一是瞬時幅度，二是瞬時相位，三是瞬時頻率。同理，在信號頻率域也存在著信號頻譜。本課題將神經網絡的輸入確定為以上時頻域的信號特征量[6]。

在無線電監測信號的提取過程中，把信號劃分為不同段，信號強度標尺在1024db（db微伏，0db=1微伏），然后從不同段位的信號中提取信號的特征量信息，既要包括信號瞬時頻率與信號頻譜，也要涵蓋瞬時頻率與瞬時幅度等[7]。那么，如何提取信號的瞬時幅度呢？此時就要多次對信號幅度進行分析，并認真對比其局部極值以實現對信號瞬時幅度的確定。并且，本課題給出了無線電監測信號特征量的計算方法，具體步驟為：

（1）用FFT的算法計算實信號x（n）的頻譜X（ejω）；

（3）根據IFFT算法對z（n）進行計算，由此求得z（n）=IFFT{Z（ejω）}

用f（n）表示瞬時頻率，用θ（n）表示瞬時相位，故可知獲取f（n）的目的是為了區分θ（n），在此基礎上由傅里葉變換得到瞬時頻率的表達式：f（n）=IFFT{-j2πfθ（ejω）}。對于監測信號來講，其信號頻譜也可將信號的特征反映出來。另外，DFT具有一定的對稱性，被測的監測信號屬于實信號，為此，在對無線電監測信號頻譜X（ejω）分析的時候，所選區間可為[0,π]。

由此可見，所提取信號的特征參數維度偏大，故有必要將信號特征參數向量做相應的處理，即分類編碼。編碼所參考的依據主要有兩個，其中一個為信號所有特征參數的平均值，另一個是信號分布特點。在此基礎上，將無線電監測信號所對應的特征參數向量做適當的壓縮處理，由此確定為神經網絡的輸入。

3.2 邊境無線電監測信號分類技術——RBF網絡技術

神經網絡作為模式識別技術的核心，其常見的特點主要有三個，首先是信息分布式存貯，其次是高度容錯性，最后是大規模自適應[8]。本課題之所以選擇RBF網絡技術來對邊境無線電監測信號進行分類，其原因在于這項技術有兩點技術優勢，一是神經網絡可實現輸入向量的降維，二是其自動化程度高。

3.2.1 RBF 網絡結構介紹

在表達式中，Yj是相對于輸出層第i個節點而言的，代表的是其輸出，V(i，j)依然表示一種權系數，這種權系數將輸出層和隱含層聯系在一起，U表示的是基于隱含層的輸出向量，N1表示隱含層的節點數量，N2代表輸出層的節點數量。兩層之間存在著一種連接關系，即加權線性連接，這樣，網絡整體上就成功進行了非線性變換，即由轉換為。

3.2.2 基于RBF網絡的學習算法的應用

以RBF網絡為基礎的學習算法涵蓋兩種基本的學習方式，一種是隱含層的學習，另一種是輸出層的學習。第一種學習方式體現為自主學習，第二種學習方式則需要導師來引導學習。具體的算法為：

（1）用Wj表示初始化聚類中心，此時j為正整數，其取值范圍為[1，N1]；

（2）循環開始；

（5）之后，將聚類中心進行對比，觀察有無變化，然后重復步驟（2）的操作；如果依然沒有任何變化，那么就結束此操作。

據此可知，輸出層的學習是能夠借助LMS算法來實現的，可把j最小的情況作為其終止條件：

結合上面的式子可以看出，μk的期望輸出為dk，不同節點所對應的輸出為Yk，遺忘因子用λ表示，此時λ=0.99，以上就是RBF網絡學習技術的流程。

3.3 邊境無線電監測信號瞬時相位及頻率的提取技術——小波分析法

在邊境無線電監測信號識別技術中，有一種較為常見的技術手段，即小波分析法。從本質上看，小波變換的根本源于時頻窗的變換，其含義是分析頻率改變后，信號大小及形狀均會發生不同程度地改變。假設g(a,b)（t）為單一連續小波函數，對于小波函數而言，其時頻分辨率的變化的實質是兩種因素的變化，一種是尺度因子a的變化，另一種是時移因子b的改變。具體的計算式如下：

從小波變化角度看，正是因為其有著“變焦距”的優勢，所以可用此法來檢測信號突變點，由此讓無線電監測信號的瞬時相位及頻率的提取成為可能。就小波函數而言，在尺度因子不同的情況下，在頻域中，這些小波函數就如同形式各異的濾波器，他們不僅帶寬不同，還擁有不同的中心頻率。為此，g(a,b)（t）就形似于一組濾波器的脈沖響應，其帶寬與中心頻率均存在一定差異。當b改變后，此組濾波器沿著時間軸發生位置變化，由此對監測信號的所有頻帶的全覆蓋。如果無線電監測信號所對應的頻率與中心頻率數值相同，那么在此頻率附近就會形成相應的極大值，且此數值與小波變換的模值相對應，在此情況下，a和b兩者之間的對應關系就成為一種脊線。就脊線來講，其上面的瞬時頻率也是通過一定的算法來進行提取的，提取的步驟如下：

（1）就小波變換而言，首先應將其時移因子b的值進行固定；

（2）借助迭代算法對尺度因子a進行計算；

（3）確定尺度變量，即a值，由此通過小波變換來處理監測信號；

（4）選擇處理過的a值，且此數值恰好對應小波系數模值最大的情況，由此獲得本課題迭代結果。

（5）對時移因子b的取值進行調整，然后重復上述步驟（2）～（4）。

把符合條件的所有a值依次連接，由此得到完整曲線，此曲線也就是小波變換脊線；之后，借助上述提取監測信號瞬時相位的技術對脊線中的相位進行提取，然后對其進行求導，由此獲得監測信號所對應的瞬時頻率。因脊線算法有一定的局限性，故在監測信號的度量中用到了尺度二進制分法，圖2則為應用小波分析法提取監測信號瞬時相位及頻率的流程。

圖2 應用小波分析法提取無線電監測信號瞬時相位及頻率的流程圖

4 結語

綜上所述，邊境無線電監測信號識別是一項綜合性工程，識別過程涉及信號特征參數的解析、提取、分類與仿真模擬。在對邊境無線電監測信號識別的過程中，本研究采用了RBF神經網絡技術對監測信號進行篩選與分類，所用到的特征量主要有兩個，一個是監測信號時域，另一個是監測信號的頻率域。如果信噪比處于高水平的時候，那么信號分類效果相對理想；假如信噪比處于較低水平，那么信號特征量畸變較大，對信號分類與識別是不利的。本文從無線電監測與信號識別的相關概念出發，對無線電監測信號識別技術進行了深入分析，以此為我國邊境無線電監測信號的識別水平的提升提供相應的理論支持。