一种基于自适应降噪及纹理特征提取的调制类型识别方法

1.本发明涉及一种基于自适应降噪及纹理特征提取的调制类型识别方法，属于信号调制类型识别领域。


背景技术：

2.传统辐射源信号调制类型分选识别主要通过提取信号的时频图像，采用卷积神经网络进行分类，这种方法的识别效果取决于时频分析方法、时频分辨率以及卷积神经网络(cnn)的结构及层数，往往需要增加时频分析的快速傅里叶变换(fft)计算次数以及卷积神经网络的层数以达到低信噪比下的良好识别效果，但同时计算复杂度以及对硬件的要求也会增加。
3.在先技术[1](参见姚瑶,王战红.基于时频预处理下卷积网络的雷达信号识别[j].探测与控制学报,2018,40(06):99-105.)给出一种基于时频图像预处理下卷积神经网络(cnn)的信号分选识别方法，利用平滑伪wigner-ville分布的良好时频聚集特性对信号进行时频变换，采用主能量脊提取以及二值化等预处理方法，然后将处理后的时频图像输入到经过预训练的cnn中进行识别。该识别方法相比于人工提取特征的方法在低信噪比下识别准确率有所提升，证明了采用时频图像进行特征提取，搭配卷积神经网络进行分类在信号分选识别技术上的可行性。该方法在-10db信噪比下识别准确率达到90％左右。
[0004]
在先技术[2](参见liu y t,yan x p,hao x h,et al.automatic modulation recognition of radiation source signals based on data rearrangement and the 2d fft[j].remote sensing,2023,15(2).)给出一种基于数据重排与二维快速傅里叶变换(data rearrangement and the 2d fft,dr2d)的信号二维联合频率特征提取方法，所得频率特征具有两个时间尺度上的频率分辨率，且在能量上相比于一维fft频谱更具有聚集性，适用于特征提取与识别。


技术实现要素：

[0005]
本发明主要目的是提供一种基于自适应降噪及纹理特征提取的调制类型识别方法，计算辐射源信号的二维联合频率特征；根据噪声水平自适应地依次确定阈值滤波的处理阈值以及有用信号频带，并对二维联合频率特征进行阈值滤波和窄带滤波；进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像；计算图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；使用支持向量机进行分类，实现辐射源信号调制类型的分选识别。本发明能够在低信噪比下实现辐射源信号的分选识别，具有识别准确率高、计算复杂度小、易于硬件实现的优点。
[0006]
本发明的目的是通过以下技术方案实现的。
[0007]
本发明公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，包括如下步骤：
[0008]
步骤一：使用dr2d预处理方法计算辐射源信号的二维联合频率特征y(m,n)。
[0009]
将m
×
n点辐射源信号分割成n段m点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到m
×
n大小的二维数据重排矩阵x。
[0010]
对矩阵x作二维快速傅里叶变换得到的频谱矩阵为：
[0011][0012]
式中，(k,l)和(m,n)分别为原矩阵x和频谱矩阵y的索引，且有k,m＝0,1,
···
,m-1，l,n＝0,1,
···
,n-1。
[0013]
对频谱矩阵取模并归一化得到二维联合频率特征为：
[0014][0015]
步骤二：根据噪声水平自适应确定阈值滤波的处理阈值，并对二维联合频率特征进行阈值滤波。
[0016]
采用某一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：
[0017][0018]
频率特征占比表示为：
[0019][0020]
所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值。
[0021]
采用预定范围内某一定步进值下的一组阈值对应的阈值平面切割二维联合频率特征像，得到一组频率特征占比的值，根据频率特征占比的值以及频率特征占比的微分的值选取合适的对应阈值作为参考阈值thr0。
[0022]
为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：
[0023][0024]
式中，α为收敛系数。
[0025]
使用处理阈值thrc对二维联合频率特征进行阈值滤波。
[0026]
步骤三：使用步骤二的处理阈值thrc确定有用信号频带并进行窄带滤波，得到降噪后的二维联合频率特征。
[0027]
使用步骤二得到的滤波阈值thrc对二维联合频率特征进行二值化处理，得到该阈值下的特征像切片sc；考虑到有用信号频率特征为纵向分布，记算二值分布图像的每一列数值之和与列长度的比值，构成信号的频率特征分布向量，记为：
[0028][0029]
当频率特征分布向量的元素值小于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带外噪声分布；当频率特征分布向量的元素值大于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带内有用信号分布；根据预设的频率特征分布向量阈值对频率特征分布向量fc进行二值化处理，并根据二维联合频率特征的大小进行复制并按列排布，进一步得到频率特征分布掩板；根据频率特征分布掩板对二维联合频率特征图像的带外噪声分量进行置零操作，实现窄带滤波，降噪后的二维联合频率特征；
[0030]
步骤四：对步骤三得到的降噪后的二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像，即获得辐射源信号的二维重排灰度图像。
[0031]
步骤五：求解步骤四得到的二维重排灰度图像的灰度共生矩阵，提取辐射源信号的纹理特征向量。
[0032]
计算二维重排灰度图像在θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
方向上的灰度共生矩阵。
[0033]
灰度共生矩阵在索引(a,b)处的元素值为p(a,b)，则二维重排灰度图像的对比度、相关性、能量、同质性和熵分别为：
[0034][0035][0036][0037][0038][0039]
其中，μa和μb分别为图像灰度在行和列方向上的均值，σa和σb分别为图像灰度在行和列方向上的标准差。
[0040]
二维重排灰度图像在θ方向上的统计特征向量为：
[0041]sθ
＝[contrast
θ
,correlation
θ
,energy
θ
,homogeneity
θ
,entropy
θ
]
ꢀꢀ
(12)
[0042]
将θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
四个方向上的统计特征向量进行拼接，得到辐射源信号的纹理特征向量：
[0043]
sf＝[s
θ＝0
°
,s
θ＝45
°
,s
θ＝90
°
,s
θ＝135
°
]
ꢀꢀ
(13)
[0044]
步骤六：根据步骤一至步骤五计算不同调制类型辐射源信号，训练样本的纹理特征向量，训练得到支持向量机分类模型。
[0045]
步骤七：使用步骤六得到的支持向量机分类模型对辐射源信号调制类型进行分选识别。
[0046]
根据步骤一至步骤五计算接收到的辐射源信号的纹理特征向量，使用步骤六得到
的支持向量机分类模型进行分类，得到的分类结果对应接收到的辐射源信号的调制类型，从而实现辐射源信号调制类型的分选识别。
[0047]
本发明在对辐射源信号进行降噪的同时，提取辐射源信号二维重排灰度图像的纹理特征进行调制类型的分选识别，且识别准确率较高。
[0048]
有益效果：
[0049]
1、本发明公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，计算辐射源信号的二维联合频率特征；根据噪声水平自适应地依次确定阈值滤波的处理阈值以及有用信号频带，并对二维联合频率特征进行阈值滤波和窄带滤波；进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像；计算图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；使用支持向量机进行分类，实现辐射源信号调制类型的分选识别。
[0050]
2、本发明公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，对辐射源信号进行dr2d自适应降噪，相对于传统的降噪算法来说，在低信噪比下具有更好的降噪效果；对降噪后的辐射源信号二维重排灰度图像计算灰度共生矩阵并提取纹理特征向量用于训练支持向量机分类模型，能够实现辐射源信号调制类型的精确识别，且原理简单，计算复杂度小，易于硬件实现。
[0051]
3、本发明公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，dr2d方法所提取二维联合频率特征因其聚集性，有用信号频率分量往往更加集中于某一特定区域，而噪声频率分量则是分散于整个特征空间内，且噪声幅值要明显小于信号幅值，适用于阈值滤波进行降噪。降噪后的不同调制类型信号的时域排布具有明显的纹理特征，对其进行提取可用于辐射源信号调制类型的分选识别。
附图说明
[0052]
图1基于dr2d自适应降噪以及纹理特征提取的辐射源信号调制类型分选识别方法流程图；
[0053]
图2线性调频信号二维联合频率特征图；
[0054]
图3线性调频信号频率特征占比随设定阈值变化曲线图；
[0055]
图4线性调频信号频率特征分布掩板图；
[0056]
图5降噪后线性调频信号二维重排灰度图；
[0057]
图6降噪后线性调频信号二维重排灰度图像的灰度共生矩阵图；其中，图6a)为降噪后线性调频信号二维重排灰度图像在θ＝0
°
方向上的灰度共生矩阵，图6b)为降噪后线性调频信号二维重排灰度图像在θ＝45
°
方向上的灰度共生矩阵，图6c)为降噪后线性调频信号二维重排灰度图像在θ＝90
°
方向上的灰度共生矩阵，图6d)为降噪后线性调频信号二维重排灰度图像在θ＝135
°
方向上的灰度共生矩阵；
[0058]
图7线性调频信号在不同信噪比下的识别准确率折线图。
[0059]
图8伪随机码与线性调频复合调制信号二维联合频率特征图；
[0060]
图9伪随机码与线性调频复合调制信号频率特征占比随设定阈值变化曲线图；
[0061]
图10伪随机码与线性调频复合调制信号频率特征分布掩板图；
[0062]
图11降噪后伪随机码与线性调频复合调制信号二维重排灰度图；
[0063]
图12降噪后伪随机码与线性调频复合调制信号二维重排灰度图像的灰度共生矩阵图；其中，图12a)为降噪后伪随机码与线性调频复合调制信号二维重排灰度图像在θ＝0
°
方向上的灰度共生矩阵，图12b)为降噪后伪随机码与线性调频复合调制信号二维重排灰度图像在θ＝45
°
方向上的灰度共生矩阵，图12c)为降噪后伪随机码与线性调频复合调制信号二维重排灰度图像在θ＝90
°
方向上的灰度共生矩阵，图12d)为降噪后伪随机码与线性调频复合调制信号二维重排灰度图像在θ＝135
°
方向上的灰度共生矩阵；
[0064]
图13伪随机码与线性调频复合调制信号在不同信噪比下的识别准确率折线图。
具体实施方式
[0065]
为了更好的说明本发明的目的和优点，下面结合附图对发明内容做进一步说明。
[0066]
实施例1
[0067]
为了验证方法的可行性，选取载波频率为50mhz，调制频率为200khz，调制带宽为100mhz的线性调频信号，在-10db信噪比条件下，采用1ghz采样率得到的65536点数据。
[0068]
如图1所示，本实例公开一种基于自适应降噪及纹理特征提取的调制类型识别方法，具体实现步骤如下：
[0069]
步骤一：使用dr2d预处理方法计算线性调频信号的二维联合频率特征。
[0070]
将256
×
256点线性调频信号分割成256段256点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到256
×
256大小的线性调频信号二维数据重排矩阵x。
[0071]
对矩阵x作二维快速傅里叶变换得到的频谱矩阵为：
[0072][0073]
式中，(k,l)和(m,n)分别为原矩阵x和频谱矩阵y的索引，且有k,m＝0,1,
···
,255，l,n＝0,1,
···
,255。
[0074]
对频谱矩阵取模并归一化得到线性调频信号的二维联合频率特征为：
[0075][0076]
线性调频信号二维联合频率特征如图2所示。
[0077]
步骤二：根据噪声水平自适应确定阈值滤波的处理阈值，并对线性调频信号二维联合频率特征进行阈值滤波。
[0078]
采用任一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：
[0079][0080]
频率特征占比表示为：
[0081]
[0082]
所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值；
[0083]
设置阈值范围为[0,1]，步进0.01，求得不同阈值下的频率特征占比，其变化曲线如图3所示。曲线斜率前后具有明显变化，代表阈值平面是否在噪声分量的幅值范围内。选取频率特征占比小于0.02频率特征占比的微分大于-0.002的位置对应的阈值作为滤波的参考阈值thr0。
[0084]
为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：
[0085][0086]
式中，α为收敛系数，取值范围为[1,2]。
[0087]
取α＝1.5，线性调频信号的滤波阈值thrc＝0.07。
[0088]
使用处理阈值thrc对线性调频信号二维联合频率特征进行阈值滤波。
[0089]
步骤三：使使用步骤二的处理阈值thrc确定有用信号频带并进行窄带滤波，得到降噪后的线性调频信号二维联合频率特征。
[0090]
使用步骤二得到的滤波阈值thrc对线性调频信号二维联合频率特征进行二值化处理，得到该阈值下的特征像切片sc；考虑到有用信号频率特征为纵向分布，记算二值分布图像的每一列数值之和与列长度的比值，构成信号的频率特征分布向量，记为：
[0091][0092]
当频率特征分布向量的元素值小于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带外噪声分布；当频率特征分布向量的元素值大于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带内有用信号分布；根据预设的频率特征分布向量阈值对频率特征分布向量fc进行二值化处理，并根据二维联合频率特征的大小进行复制并按列排布，进一步得到频率特征分布掩板。设置频率特征分布向量的阈值为频率特征分布向量最大值的0.1倍，得到频率特征分布掩板如图4所示。
[0093]
根据频率特征分布掩板对二维联合频率特征图像的带外噪声分量进行置零操作，实现窄带滤波，得到降噪后的线性调频信号二维联合频率特征。
[0094]
步骤四：获得线性调频信号的二维重排灰度图像。
[0095]
对进行阈值滤波和窄带滤波后的线性调频信号二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的线性调频信号二维重排矩阵，进一步归一化得到二维重排灰度图像如图5所示。
[0096]
步骤五：求解步骤四得到的二维重排灰度图像的灰度共生矩阵，提取线性调频信号的纹理特征向量。
[0097]
计算步骤四得到的二维重排灰度图像在θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
方向上的灰度共生矩阵，分别如图6a)，6b)，6c)和6d)所示。
[0098]
灰度共生矩阵在索引(a,b)处的元素值为p(a,b)，则二维重排灰度图像的对比度、相关性、能量、同质性和熵分别为：
[0099][0100][0101][0102][0103][0104]
其中，μa和μb分别为图像灰度在行和列方向上的均值，σa和σb分别为图像灰度在行和列方向上的标准差。
[0105]
二维重排灰度图像在θ方向上的统计特征向量为：
[0106]sθ
＝[contrast
θ
,correlation
θ
,energy
θ
,homogeneity
θ
,entropy
θ
]
ꢀꢀ
(25)
[0107]
将θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
四个方向上的统计特征向量进行拼接，得到线性调频信号的纹理特征向量：
[0108]
sf＝[s
θ＝0
°
,s
θ＝45
°
,s
θ＝90
°
,s
θ＝135
°
]
ꢀꢀ
(26)
[0109]
步骤六：训练支持向量机分类模型。
[0110]
根据步骤一至步骤五计算线性调频信号训练样本的纹理特征向量，训练得到支持向量机分类模型。
[0111]
步骤七：使用步骤六得到的支持向量机分类模型对线性调频信号进行分选识别。
[0112]
根据步骤一至步骤五计算接收到的线性调频信号的纹理特征向量，使用步骤六得到的支持向量机分类模型进行分类，得到的分类结果对应接收到的线性调频信号的调制类型，从而实现线性调频信号的分选识别。
[0113]
线性调频信号在不同信噪比下的识别准确率如图7所示。可见，在-12db的信噪比条件下线性调频信号识别准确率可达到96％，在大于-12db的信噪比条件下线性调频信号识别准确率均大于96％且接近100％。
[0114]
实施例2
[0115]
为了验证方法的可行性，选取信噪比条件为-10db，选取载波频率为50mhz，调制频率200为khz，调制带宽为100mhz，伪码级数为4，码元宽度为50ns的伪随机码与线性调频复合调制信号，采用1ghz采样率得到的65536点数据。
[0116]
如图1所示，本实例公开一种基于自适应降噪及纹理特征提取的调制类型识别方法，具体实现步骤如下：
[0117]
步骤一：使用dr2d预处理方法计算伪随机码与线性调频复合调制信号的二维联合频率特征。
[0118]
将256
×
256点辐射源信号分割成256段256点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到256
×
256大小的伪随机码与线性调频复合调制信号的二维数据重排矩阵x。
[0119]
对矩阵x作二维快速傅里叶变换得到的频谱矩阵为：
[0120][0121]
式中，(k,l)和(m,n)分别为原矩阵x和频谱矩阵y的索引，且有k,m＝0,1,
···
,255，l,n＝0,1,
···
,255。
[0122]
对频谱矩阵取模并归一化得到伪随机码与线性调频复合调制信号的二维联合频率特征为：
[0123][0124]
伪随机码与线性调频复合调制信号二维联合频率特征如图8所示。
[0125]
步骤二：根据噪声水平自适应确定阈值滤波的处理阈值，并对伪随机码与线性调频复合调制信号二维联合频率特征进行阈值滤波。
[0126]
采用任一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：
[0127][0128]
频率特征占比表示为：
[0129][0130]
所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值；
[0131]
设置阈值范围为[0,1]，步进0.01，求得不同阈值下的频率特征占比，其变化曲线如图9所示。曲线斜率前后具有明显变化，代表阈值平面是否在噪声分量的幅值范围内。选取频率特征占比小于0.02频率特征占比的微分大于-0.002的位置对应的阈值作为滤波的参考阈值thr0。
[0132]
为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：
[0133][0134]
式中，α为收敛系数，取值范围为[1,2]。
[0135]
取α＝1.5，得到-10db信噪比条件下伪随机码与线性调频复合调制信号的滤波阈值thrc＝0.24。
[0136]
使用处理阈值thrc对伪随机码与线性调频复合调制信号二维联合频率特征进行阈值滤波。
[0137]
步骤三：使使用步骤二的处理阈值thrc确定有用信号频带并进行窄带滤波，得到降噪后的伪随机码与线性调频复合调制信号二维联合频率特征。
[0138]
使用步骤二得到的滤波阈值thrc对伪随机码与线性调频复合调制信号二维联合
频率特征进行二值化处理，得到该阈值下的特征像切片sc；考虑到有用信号频率特征为纵向分布，记算二值分布图像的每一列数值之和与列长度的比值，构成信号的频率特征分布向量，记为：
[0139][0140]
当频率特征分布向量的元素值小于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带外噪声分布；当频率特征分布向量的元素值大于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带内有用信号分布；根据预设的频率特征分布向量阈值对频率特征分布向量fc进行二值化处理，并根据二维联合频率特征的大小进行复制并按列排布，进一步得到频率特征分布掩板。设置频率特征分布向量的阈值为频率特征分布向量最大值的0.1倍，得到频率特征分布掩板如图10所示。
[0141]
根据频率特征分布掩板对二维联合频率特征图像的带外噪声分量进行置零操作，实现窄带滤波，得到降噪后的伪随机码与线性调频复合调制信号二维联合频率特征。
[0142]
步骤四：获得伪随机码与线性调频复合调制信号的二维重排灰度图像。
[0143]
对进行阈值滤波和窄带滤波后的伪随机码与线性调频复合调制信号二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的伪随机码与线性调频复合调制信号二维重排矩阵，进一步归一化得到二维重排灰度图像如图11所示。
[0144]
步骤五：求解步骤四得到的伪随机码与线性调频复合调制信号二维重排灰度图像的灰度共生矩阵，提取伪随机码与线性调频复合调制信号的纹理特征向量。
[0145]
计算步骤四得到的二维重排灰度图像在θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
方向上的灰度共生矩阵，分别如图12a)，12b)，12c)和12d)所示。
[0146]
假设灰度共生矩阵在索引(a,b)处的元素值为p(a,b)，则二维重排灰度图像的对比度、相关性、能量、同质性和熵分别为：
[0147][0148][0149][0150][0151][0152]
其中，μa和μb分别为图像灰度在行和列方向上的均值，σa和σb分别为图像灰度在行和列方向上的标准差。
[0153]
二维重排灰度图像在θ方向上的统计特征向量为：
[0154]sθ
＝[contrast
θ
,correlation
θ
,energy
θ
,homogeneity
θ
,entropy
θ
]
ꢀꢀ
(38)
[0155]
将θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
四个方向上的统计特征向量进行拼接，得到伪随机码与线性调频复合调制信号的纹理特征向量：
[0156]
sf＝[s
θ＝0
°
,s
θ＝45
°
,s
θ＝90
°
,s
θ＝135
°
]
ꢀꢀ
(39)
[0157]
步骤六：训练支持向量机分类模型。
[0158]
根据步骤一至步骤五计算伪随机码与线性调频复合调制信号训练样本的纹理特征向量，训练得到支持向量机分类模型。
[0159]
步骤七：使用步骤六得到的支持向量机分类模型对伪随机码与线性调频复合调制信号进行分选识别。
[0160]
根据步骤一至步骤五计算接收到的伪随机码与线性调频复合调制信号的纹理特征向量，使用步骤六得到的支持向量机分类模型进行分类，得到伪随机码与线性调频复合调制信号在不同信噪比下的识别准确率如图13所示。可见，在-20db～0db的信噪比条件下伪随机码与线性调频复合调制信号识别准确率均达到98％以上，即对复合调制类型的辐射源信号也具有很好的识别性能。
[0161]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：包括如下步骤，步骤一：使用dr2d预处理方法计算辐射源信号的二维联合频率特征y(m,n)；步骤二：根据噪声水平自适应确定阈值滤波的处理阈值thr
c
，并对二维联合频率特征进行阈值滤波；步骤三：使用步骤二的处理阈值thr
c
确定有用信号频带并进行窄带滤波，得到降噪后的二维联合频率特征；步骤四：对步骤三得到的降噪后的二维联合频率特征进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像，即获得辐射源信号的二维重排灰度图像；步骤五：求解步骤四得到的二维重排灰度图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；步骤六：根据步骤一至步骤五计算不同调制类型辐射源信号，训练样本的纹理特征向量，训练得到支持向量机分类模型；步骤七：使用步骤六得到的支持向量机分类模型对辐射源信号调制类型进行分选识别。2.如权利要求1所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤一实现方法为，将m
×
n点辐射源信号分割成n段m点子信号段，将每个子信号段作为二维矩阵的行，按顺序进行列堆叠，得到m
×
n大小的二维数据重排矩阵x；对矩阵x作二维快速傅里叶变换得到的频谱矩阵为：式中，(k,l)和(m,n)分别为原矩阵x和频谱矩阵y的索引，且有k,m＝0,1,
···
,m-1，l,n＝0,1,
···
,n-1；对频谱矩阵取模并归一化得到二维联合频率特征为：3.如权利要求2所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤二实现方法为，采用某一阈值平面切割步骤一得到的二维联合频率特征像，得到该阈值thr下的特征像切片，若该阈值所在平面有特征像被切割，则特征像切片在相应位置的像素值记为1，否则为0，则特征像切片表示为：频率特征占比表示为：
所述频率特征占比是任一阈值下的特征像切片的像素值之和与二维联合频率特征图像的像素数目的比值；采用预定范围内某一定步进值下的一组阈值对应的阈值平面切割二维联合频率特征像，得到一组频率特征占比的值，根据频率特征占比的值以及频率特征占比的微分的值选取合适的对应阈值作为参考阈值thr0；为防止有用信号损失过多，对参考阈值进行收缩，得到处理阈值为：式中，α为收敛系数；使用处理阈值thr
c
对二维联合频率特征进行阈值滤波。4.如权利要求3所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤三实现方法为，使用步骤二得到的滤波阈值thr
c
对二维联合频率特征进行二值化处理，得到该阈值下的特征像切片s
c
；考虑到有用信号频率特征为纵向分布，记算二值分布图像的每一列数值之和与列长度的比值，构成信号的频率特征分布向量，记为：当频率特征分布向量的元素值小于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带外噪声分布；当频率特征分布向量的元素值大于预设的频率特征分布向量的阈值时，所述元素值的索引范围为带内有用信号分布；根据预设的频率特征分布向量阈值对频率特征分布向量f
c
进行二值化处理，并根据二维联合频率特征的大小进行复制并按列排布，进一步得到频率特征分布掩板；根据频率特征分布掩板对二维联合频率特征图像的带外噪声分量进行置零操作，实现窄带滤波，降噪后的二维联合频率特征。5.如权利要求4所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤五实现方法为，计算二维重排灰度图像在θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
方向上的灰度共生矩阵；灰度共生矩阵在索引(a,b)处的元素值为p(a,b)，则二维重排灰度图像的对比度、相关性、能量、同质性和熵分别为：性、能量、同质性和熵分别为：性、能量、同质性和熵分别为：
其中，μ
a
和μ
b
分别为图像灰度在行和列方向上的均值，σ
a
和σ
b
分别为图像灰度在行和列方向上的标准差；二维重排灰度图像在θ方向上的统计特征向量为：s
θ
＝[contrast
θ
,correlation
θ
,energy
θ
,homogeneity
θ
,entropy
θ
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)将θ＝0
°
，θ＝45
°
，θ＝90
°
和θ＝135
°
四个方向上的统计特征向量进行拼接，得到辐射源信号的纹理特征向量：s
f
＝[s
θ＝0
°
,s
θ＝45
°
,s
θ＝90
°
,s
θ＝135
°
]
ꢀꢀꢀꢀꢀꢀꢀ
(13)6.如权利要求5所述的一种基于自适应降噪及纹理特征提取的调制类型识别方法，其特征在于：步骤七实现方法为，根据步骤一至步骤五计算接收到的辐射源信号的纹理特征向量，使用步骤六得到的支持向量机分类模型进行分类，得到的分类结果对应接收到的辐射源信号的调制类型，从而实现辐射源信号调制类型的分选识别。

技术总结
本发明公开的一种基于自适应降噪及纹理特征提取的调制类型识别方法，属于信号调制类型识别领域。本发明实现方法如下：使用DR2D预处理方法计算辐射源信号的二维联合频率特征；根据噪声水平自适应地依次确定阈值滤波的处理阈值以及有用信号频带，并对二维联合频率特征进行阈值滤波和窄带滤波；进行二维快速傅里叶反变换，得到降噪后的辐射源信号二维重排矩阵，进一步归一化得到二维重排灰度图像；计算图像的灰度共生矩阵，提取辐射源信号的纹理特征向量；使用支持向量机进行分类，实现辐射源信号调制类型的分选识别。本发明能够在低信噪比下实现辐射源信号的分选识别，具有识别准确率高、计算复杂度小、易于硬件实现的优点。易于硬件实现的优点。易于硬件实现的优点。


技术研发人员：闫晓鹏 刘洋天 代健 郝新红 伊光华 刘宇 周鑫 陈秀梅
受保护的技术使用者：北京理工大学
技术研发日：2023.06.21
技术公布日：2023/9/12