一种电磁信号识别方法、系统、电子设备及介质

1.本发明属于电磁测量技术领域，具体涉及一种电磁信号识别方法、系统、电子设备及介质。


背景技术：

2.近年来，雷达通信技术发展极为迅速，对于现场信号的检测需求也急剧增加。在通信和雷达对抗中，传输系统是一个重要的组成部分。传输系统主要分为协作通信和非协作通信。其中，协作通信由于双方事先互通，具有一定的先验知识比如信号的调制解调方式等，所以在信号接收端的信号处理就相对容易。但是在非合作的环境中，非协作通信才是更加主要的方式，而在非协作通信之中，信号调制识别则是必不可少的过程，在这种先验知识不足甚至是完全没有先验知识的情况下，对侦察到的敌方信号进行有效地识别，以判断出敌方信号的调制类型等信息，对后续的信号处理起着决定性的影响。因此，如何进行有效的信号识别处理的研究就变得尤为重要。
3.电磁信号识别主要分为四个步骤，首先将接收到的电磁信号进行信号预处理，然后对预处理后的信号进行特征参数提取，然后根据提取的特征参数设计识别分类器，最后使用识别分类器进行分类判决以得到识别结果。
4.现有技术中，中国电子科技集团公司第三十六研究所的沈伟国、王巍和许小丰学者在公开号为cn105119862a的中国发明专利中，公开了一种信号调制类型识别方法和系统，其中的方法包括：对待识别信号进行预处理，提取出预定数量的特征参量，并使用预定数量的特征参量组成的特征向量表征待识别信号；利用最优投影矩阵对待识别信号进行特征提取，将待识别信号投影到低维特征子空间中；其中，最优投影矩阵通过局部保持投影算法得到；计算低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。
5.但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：
6.上述现有技术使用最近邻算法，仅通过一个最近邻点的调制类型来决定待测信号的调制类型，其算法鲁棒性较差。


技术实现要素：

7.本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种电磁信号识别方法、系统、电子设备及介质。
8.为了实现上述目的，本发明采用以下技术方案：
9.第一方面，本发明提供了一种电磁信号识别方法，包括：
10.从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集；
11.从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，
所述特征参数矩阵用于表征所述数据集；
12.将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；
13.采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点；
14.根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。
15.本发明提供了一种在复杂电磁环境下实时进行信号感知的方法,可以用于非协作通信中未知电磁信号的识别，具体地，本发明使用knn算法识别待测样本信号的信号标签，通过采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，再根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签，由此可使系统具有更好的鲁棒性，并且本发明基于fbst改进k近邻算法，可进一步减少计算量，利于提高电磁信号的识别效率，解决了大样本量情况下信号感知系统识别效率低的问题。
16.在一个可能的设计中，从所述数据集中提取的指定的特征参数包括：零中心归一化瞬时幅度谱密度最大值，零中心归一化瞬时幅度绝对值标准差，零中心归一化非弱信号段瞬时频率绝对值的标准差，以及零中心归一化非弱信号段瞬时相位非线性分量标准差；
17.所述特征参数矩阵的表达式为：
[0018][0019]
其中γ
(r)
表示第r个特征参数矩阵，r＝1，2，
…
，r，r为指定的特征参数的数量；表示第i种信号标签的第j个样本的第r个特征参数，i＝1，2，
…
，n，n为信号标签的个数，j＝1，2，
…
，m，m为每种信号标签的电磁信号的样本个数。
[0020]
在一个可能的设计中，所述训练样本信号集中的训练样本信号表示为：
[0021][0022]
w＝m
×
(i-1)+j；
[0023]
其中，sw表示第w个训练样本信号，w为训练样本信号的序号；
[0024]
所述待测样本信号集中的待测样本信号表示为：
[0025][0026]
其中，t
t
表示第t个待测样本信号，t为待测样本信号的序号。
[0027]
在一个可能的设计中，所述方法还包括：
[0028]
通过下式计算各特征参数的方差：
[0029][0030]
[0031][0032]
其中，表示第r个特征参数矩阵的第j列的平均值，n表示第r个特征参数矩阵的行的个数，表示第r个特征参数矩阵的第j列的方差，d(z
(r)
)表示第r个特征参数矩阵的方差，m表示第r个特征参数矩阵的列的个数；
[0033]
再对方差从大至小进行排序，按照方差的大小顺序修改训练样本信号sw与待测样本信号t
t
的坐标点的顺序，得到修改后的训练样本信号与修改后的待测样本信号；其中，修改后的训练样本信号表示为：
[0034][0035]
其中，表示方差大小排序中第r’个方差所表示的训练样本信号的特征参数；
[0036]
修改后的待测样本信号表示为：
[0037][0038]
其中，表示方差大小排序中第r’个方差所表示的待测样本信号的特征参数。
[0039]
在一个可能的设计中，利用所述训练样本信号集构建fbst，包括：
[0040]
选择所有训练样本信号sw的第一个特征参数作为fbst的当前划分层的当前划分域；
[0041]
选取当前划分域中的中位数，并将其所代表的训练样本信号作为当前结点；
[0042]
将小于中位数的值划分入左子树，将大于中位数的值划分入右子树；
[0043]
分别在左右子树中选取训练样本信号sw的下一个特征参数作为fbst的当前划分层的当前划分域；
[0044]
重新选取当前划分域中的中位数，直至所有训练样本信号sw全部被划分，得到最终的fbst。
[0045]
在一个可能的设计中，使用欧式距离选取所述待测样本信号的最近邻点，欧式距离的计算公式如下：
[0046][0047]
其中，dq为第q个训练样本信号与待测样本信号的欧式距离，r为指定的特征参数的数量，为待测样本信号的第r个特征参数，为第q个训练样本信号的第r个特征参数。
[0048]
在一个可能的设计中，将任一待测样本信号记为目标点；采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，包括：
[0049]
从根结点出发，对比目标点特征参数与所述fbst的当前层对应的切分点特征参数的大小，若目标点的特征参数小于切分点的特征参数，则去往左子树，反之，去往右子树，然后递归的向下寻找，直至叶子结点，该叶子结点记为当前结点；
[0050]
记目标点与当前结点的距离为最小距离d
min
，目标点与当前结点的兄弟结点的距离为db，目标点与当前结点的父结点的距离为df；其中，所述父结点为当前结点所属的上层
结点，所述兄弟结点为与当前结点同属一个上层结点的相邻结点；
[0051]
若d
min
》db，则更新兄弟结点为当前结点，且同步更新当前结点的兄弟结点与父结点，若d
min
《db，则比较d
min
与df；
[0052]
若d
min
》df，则更新父结点为当前结点，且同步更新当前结点的兄弟结点与父结点，若d
min
《df，则当前结点为最近邻点；
[0053]
标记最近邻点为d
pq
，并将其与目标点的距离更改为无穷大；
[0054]
重新从根节点出发，并重复k次，检索得到k个最近邻点。
[0055]
第二方面，本发明提供了一种电磁信号识别系统，用于实现如上述任一项所述的电磁信号识别方法；所述电磁信号识别系统包括：
[0056]
电磁信号采集模块，用于从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集；
[0057]
特征提取模块，与所述电磁信号采集模块通信连接，用于从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，所述特征参数矩阵用于表征所述数据集；
[0058]
fbst构建模块，与所述特征提取模块通信连接，用于将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；
[0059]
特征匹配模块，与所述fbst构建模块通信连接，用于采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点；
[0060]
信号标签确定模块，与所述特征匹配模块通信连接，用于根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。
[0061]
第三方面，本发明提供了一种电子设备，包括：
[0062]
存储器，用于存储计算机程序指令；以及，
[0063]
处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的电磁信号识别方法的操作。
[0064]
第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的电磁信号识别方法的操作。
附图说明
[0065]
图1是本发明中电磁信号识别方法的流程图；
[0066]
图2是本发明中检索fbst的程序流程图；
[0067]
图3为本发明中使用的2ask(amplitude shift keying，ask)调制信号的基带信号图；
[0068]
图4为本发明中使用的2ask调制信号图；
[0069]
图5为本发明中使用的2psk(phase shift keying，psk)调制信号的基带信号图；
[0070]
图6为本发明中使用的2psk调制信号图；
[0071]
图7为本发明中使用的2fsk(frequency shift keying，fsk)调制信号的基带信号
图；
[0072]
图8为本发明中使用的2fsk调制信号图；
[0073]
图9为本发明中使用的4ask调制信号的基带信号图；
[0074]
图10为本发明中使用的4ask调制信号图；
[0075]
图11为本发明中使用的am(amplitude modulation，am)雷达信号图；
[0076]
图12为本发明中使用的lfm(linear frequency modulation，lfm)雷达信号图；
[0077]
图13为本发明中使用的cw(continuous waves，cw)雷达信号图；
[0078]
图14为按照本发明公开的方法对9个待测样本信号进行检测的检测结果与待测样本信号的真实调制类型的对比图；
[0079]
图15为按照本发明公开的方法对99个待测样本信号进行检测的检测结果与待测样本信号的真实调制类型的对比图；
[0080]
图16为本发明中电磁信号识别系统的模块框图。
具体实施方式
[0081]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
[0082]
实施例1：
[0083]
本实施例公开了一种电磁信号识别方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行。
[0084]
如图1所示，一种电磁信号识别方法，可以但不限于包括有如下步骤：
[0085]
s1.电磁信号采集：从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集。
[0086]
本实施例中，采用现场采集的方式采集电磁信号，具体地，从研究区域采集得到电磁信号时，首先基于研究区域的电磁传播环境构建信号传播模型，再在研究区域内辐射电磁信号，并从设置在研究区域内的接收机接收电磁信号，然后对电磁信号进行预处理，得到一组带有信号标签的数据集；此外，接收机接收电磁信号的方式包括但不限于远场测量、近场测量和紧缩场测量，其中近场测量方法包括但不限于平面近场测量、柱面近场测量和球面近场测量。作为示例，本实施例中，从研究区域采集得到电磁信号共162组，对其进行预处理后，将162组电磁信号标签，并构成数据集。
[0087]
本实施例中，所述信号标签包括但不仅限于信号调制类型和/或信号辐射源个体类型。
[0088]
s2.特征提取：从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，所述特征参数矩阵用于表征所述数据集。
[0089]
步骤s2中，从所述数据集中提取的指定的特征参数包括：零中心归一化瞬时幅度
谱密度最大值γ
max
，零中心归一化瞬时幅度绝对值标准差σ
aa
，零中心归一化非弱信号段瞬时频率绝对值的标准差σ
af
，其中，非弱信号为大于归一化瞬时幅度均值的信号，以及零中心归一化非弱信号段瞬时相位非线性分量标准差σ
dp
；
[0090]
具体地，本实施例中，零中心归一化瞬时幅度谱密度最大值γ
max
为：
[0091][0092]
其中，为傅里叶算子；
[0093]
零中心归一化瞬时幅度绝对值标准差σ
aa
为：
[0094][0095]
零中心归一化非弱信号段瞬时频率绝对值的标准差σ
af
为：
[0096][0097]
零中心归一化非弱信号段瞬时相位非线性分量标准差σ
dp
为：
[0098][0099]
上式中，ns为信号采样点数，u为所述数据集中采样点的序号，a(u)为信号瞬时幅度，ma为信号瞬时幅度均值，an(u)为信号归一化瞬时幅度，a
cn
(u)为信号零中心归一化瞬时幅度；为信号归一化瞬时幅度均值，c为在所有ns个取样点中非弱信号值采样点的个数，f(u)为采样信号的瞬时频率，为归一化采样信号瞬时频率，rs为信号码元速率；为信号瞬时相位，fs、fc分别为信号频率、载波频率，为信号非线性相位分量，具体如下：
[0100][0101][0102]acn
(u)＝an(u)-1
[0103]
[0104][0105]
所述特征参数矩阵的表达式为：
[0106][0107]
其中γ
(r)
表示第r个特征参数矩阵，r＝1，2，
…
，r，r为指定的特征参数的数量，作为示例，本实施例共取四个特征参数，即r＝4；表示第i种信号标签的第j个样本的第r个特征参数，i＝1，2，
…
，n，n为信号标签的个数，j＝1，2，
…
，m，m为每种信号标签的电磁信号的样本个数。
[0108]
步骤s2中，提取特征参数后，将特征参数构成特征向量，从而所述训练样本信号集中的训练样本信号表示为：
[0109][0110]
w＝m
×
(i-1)+j；
[0111]
其中，sw表示第w个训练样本信号，w为训练样本信号的序号；作为示例，本实施例中，w的取值范围为(1，63)。
[0112]
作为示例，本实施例中，指定的特征参数的数量r＝4，信号标签的个数n＝7，每种信号标签的电磁信号的样本个数m＝9，则训练样本信号表示为：
[0113][0114]
w＝9
×
(i-1)+j。
[0115]
所述待测样本信号集中的待测样本信号表示为：
[0116][0117]
其中，t
t
表示第t个待测样本信号，t为待测样本信号的序号；作为示例，本实施例中，t的取值范围为(1，99)。
[0118]
作为示例，本实施例中，待测样本信号表示为：
[0119][0120]
进一步地，本实施例的步骤s2中，所述方法还包括：
[0121]
通过下式计算各特征参数的方差：
[0122][0123][0124]
[0125]
其中，表示第r个特征参数矩阵的第j列的平均值，n表示第r个特征参数矩阵的行的个数，表示第r个特征参数矩阵的第j列的方差，d(z
(r)
)表示第r个特征参数矩阵的方差，m表示第r个特征参数矩阵的列的个数；
[0126]
作为示例，本实施例中，通过下式计算各特征参数的方差：
[0127][0128][0129][0130]
再对方差从大至小进行排序，按照方差的大小顺序修改训练样本信号sw与待测样本信号t
t
的坐标点的顺序，得到修改后的训练样本信号与修改后的待测样本信号，以便于按照方差从大至小的排序决定fbst从上至下逐层划分的特征参数；其中，修改后的训练样本信号表示为：
[0131][0132]
其中，表示方差大小排序中第r’个方差所表示的训练样本信号的特征参数；
[0133]
修改后的待测样本信号表示为：
[0134][0135]
其中，表示方差大小排序中第r’个方差所表示的待测样本信号的特征参数。
[0136]
作为示例，本实施例中，修改后的训练样本信号与修改后的待测样本信号分别表示为：
[0137][0138][0139]
s3.fbst(full binary search tree,满搜索二叉树)构建：将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；作为示例，本实施例中，将数据集分为包括99组电磁信号的待测样本信号数据集，以及包括63组电磁信号的训练样本信号集，构建的fbst的层数k＝6，训练样本信号集中每种调制类型的信号的个数为9，训练样本信号集中调制类型的个数为7。
[0140]
本实施例中，所述训练样本信号集中信号标签的个数、信号标签对应电磁信号的个数以及fbst的层数满足以下条件：
[0141]n×
m＝2
k-1；
[0142]
式中n为训练样本信号集中电磁信号的信号标签的个数，m为训练样本信号集中每种信号标签对应的电磁信号的个数，k为fbst的层数，且k为正整数。
[0143]
步骤s3中，利用所述训练样本信号集构建fbst，包括：
[0144]
s301.选择所有训练样本信号sw的第一个特征参数作为fbst的当前划分层的当前划分域；
[0145]
s302.选取当前划分域中的中位数，并将其所代表的训练样本信号作为当前结点；
[0146]
s303.将小于中位数的值划分入左子树，将大于中位数的值划分入右子树；
[0147]
s304.分别在左右子树中选取训练样本信号sw的下一个特征参数作为fbst的当前划分层的当前划分域；
[0148]
s305.重新选取当前划分域中的中位数，即不断重复步骤s302-步骤s304，直至所有训练样本信号sw全部被划分，得到最终的fbst。
[0149]
s4.fbst特征匹配：如图2所示，采用knn(k-nearest neighbor,k近邻)算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，即k个与待测样本信号距离最近的训练样本信号，所述待测样本信号的最近邻点即为与所述待测样本信号距离最近的结点。
[0150]
本实施例中，使用欧式距离选取所述待测样本信号的最近邻点，欧式距离的计算公式如下：
[0151][0152]
其中，dq为第q个训练样本信号与待测样本信号的欧式距离，r为指定的特征参数的数量，为待测样本信号的第r个特征参数，为第q个训练样本信号的第r个特征参数。
[0153]
作为示例，本实施例中，欧氏距离的计算公式如下：
[0154][0155]
具体地，步骤s4中，将任一待测样本信号记为目标点，则采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，包括：
[0156]
s401.从根结点出发，对比目标点特征参数与所述fbst的当前层对应的切分点特征参数的大小，若目标点的特征参数小于切分点的特征参数，则去往左子树，反之，去往右子树，然后递归的向下寻找，直至叶子结点，该叶子结点记为当前结点；
[0157]
s402.记目标点与当前结点的距离为最小距离d
min
，目标点与当前结点的兄弟结点的距离为db，目标点与当前结点的父结点的距离为df；其中，所述父结点为当前结点所属的上层结点，所述兄弟结点为与当前结点同属一个上层结点的相邻结点；
[0158]
s403.若d
min
》db，则更新兄弟结点为当前结点，且同步更新当前结点的兄弟结点与父结点，重复步骤s403，若d
min
《db，则比较d
min
与df；
[0159]
s404.若d
min
》df，则更新父结点为当前结点，且同步更新当前结点的兄弟结点与父结点，重复步骤s403，若d
min
《df，则当前结点为最近邻点；
[0160]
s405.标记最近邻点为d
pq
，并将其与目标点的距离更改为无穷大；
[0161]
s406.重新从根节点出发，并重复k次，即重复步骤s401至步骤s405 k次，检索得到k个最近邻点，即k个与待测样本信号距离最近的训练样本信号。
[0162]
s5.确定待测样本信号的信号标签：根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。其中，所述待测样本信号的信号标签为在k个最近邻点中占比最大的
信号标签。
[0163]
具体地，本实施例中，采用投票法确定待测样本的信号标签，具体地，根据k个最近邻点的标签，确定所述待测样本信号的信号标签，包括：
[0164]
将在步骤s4中的k个最近邻点中进行投票表决，得到所述待测样本信号的信号标签。
[0165]
需要说明的是，投票表决的原则为：在k个最近邻点中，每存在一个某一信号标签的训练样本信号，则该信号标签的票数加一，最终输出票数最高的信号标签为待测样本信号的信号标签。
[0166]
本实施例提供了一种在复杂电磁环境下实时进行信号感知的方法,可以用于非协作通信中未知电磁信号的识别，具体地，本实施例使用knn算法识别待测样本信号的信号标签，通过采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，再根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签，由此可使系统具有更好的鲁棒性，并且本实施例基于fbst改进k近邻算法，可进一步减少计算量，利于提高电磁信号的识别效率，解决了大样本量情况下信号感知系统识别效率低的问题。
[0167]
需要说明的是，本实施例采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，knn算法是指每个待测样本信号都可以用k个与其距离最近的训练样本信号来表示，knn算法的核心思想即为在k个与待测样本信号距离最近的训练样本信号中，将比重最大的信号标签认为是待测样本信号的信号标签，具有更好的鲁棒性。由于knn算法存在当训练样本多时，其运算量大、处理时间长的缺点，为解决该问题，本实施例进一步采用fbst实现方法，由此可以有效的减少运算量，缩短运行时间。
[0168]
本发明的效果可结合以下仿真结果作进一步说明：
[0169]
1、实验条件和内容：
[0170]
实验条件：
[0171]
硬件：intel(r)core(tm)i7-10750h cpu@2.60ghz，nvidia geforce gtx 1650。
[0172]
软件：windows 10，matlab r2020a。
[0173]
实验内容：
[0174]
(1)首先在研究区域内辐射并采集包括2ask、2psk、4ask、2fsk、am、lfm和cw共七种调制类型的电磁信号，并且每种调制类型的信号采集9个样本，以上63组信号标记标签后构成训练样本信号集，然后再任意采集99组待测信号并标记标签构成待测样本信号集。
[0175]
(2)按照本实施例的步骤s2分别对训练样本信号集以及待测样本信号集求零中心归一化瞬时幅度谱密度最大值γ
max
，零中心归一化瞬时幅度绝对值标准差σ
aa
，零中心归一化非弱信号段瞬时频率绝对值的标准差σ
af
，零中心归一化非弱信号段瞬时相位非线性分量标准差σ
dp
，共四个特征参数。然后生成特征参数矩阵，将特征参数矩阵按照本实施例的步骤s3转换为fbst结构。随后按照本实施例的步骤s4的fbst特征匹配算法在fbst中依次检索出待测样本信号的k个近邻结点。最后通过投票法判断出待测信号的调制类型。
[0176]
2、实验结果分析：
[0177]
参照图3和图4，为实验采集的2ask基带信号和调制信号的5个码元的信息展示图，横坐标表示时间范围是[0,0.05]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0178]
参照图5和图6，为实验采集的2psk基带信号和调制信号的2个码元的信息展示图，
横坐标表示时间范围是[0,0.02]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0179]
参照图7和图8，为实验采集的2fsk基带信号和调制信号的5个码元的信息展示图，横坐标表示时间范围是[0,0.05]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0180]
参照图9和图10，为实验采集的4ask基带信号和调制信号的10个码元的信息展示图，横坐标表示时间范围是[0,0.1]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0181]
参照图11，为实验采集的am雷达信号及其包络图，横坐标表示时间，范围为[0,8]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0182]
参照图12，为实验采集的lfm雷达信号，横坐标表示时间，范围为[0,2.5]，单位为微秒(μs)，纵坐标表示幅度，单位为伏特(v)。
[0183]
参照图13，为实验采集的cw雷达信号及其包络图，横坐标表示时间，范围为[0,8]，单位为纳秒(ns)，纵坐标表示幅度，单位为伏特(v)。
[0184]
3、实验结果总结：
[0185]
图14为对99条待测样本信号进行判定得出的结果与待测样本信号真实调制类型的对比图。图14中的横坐标表示待测样本信号的序号，范围为[1,99]，纵坐标表示待测样本信号的调制类型，分别为2ask、2psk、4ask、2fsk、am、lfm和cw。图14中以黑色圆点表示待测样本信号的真实调制类型，图14以黑色方框表示本实施例的fbst算法判定的待测样本信号的调制类型。参照图14，可以看出本实施例的使用fbst优化的knn算法对信号调制类型进行判定，其准确率可以达到86.87％，且通过系统内部时钟读取算法执行单样本检测时间，参照图15，可以看出在10次任意单样本的检测中，其响应时间均为毫秒级，平均单样本检测响应时间为2.37974ms。
[0186]
本实施例的基于fbst优化knn的算法对待测样本信号进行判定的成功率较高，且检测实时性好，能够准确且高效的实现对复杂电磁环境中信号的调制类型的判定。
[0187]
实施例2：
[0188]
本实施例公开了一种电磁信号识别系统，用于实现实施例1中电磁信号识别方法；如图16所示，所述电磁信号识别系统包括：
[0189]
电磁信号采集模块，用于从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集；
[0190]
特征提取模块，与所述电磁信号采集模块通信连接，用于从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，所述特征参数矩阵用于表征所述数据集；
[0191]
fbst构建模块，与所述特征提取模块通信连接，用于将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；
[0192]
特征匹配模块，与所述fbst构建模块通信连接，用于采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点；
[0193]
信号标签确定模块，与所述特征匹配模块通信连接，用于根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。
[0194]
实施例3：
[0195]
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，电子设备包括：
[0196]
存储器，用于存储计算机程序指令；以及，
[0197]
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的电磁信号识别方法的操作。
[0198]
实施例4：
[0199]
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的电磁信号识别方法的操作。
[0200]
最后应说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种电磁信号识别方法，其特征在于：包括：从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集；从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，所述特征参数矩阵用于表征所述数据集；将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点；根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。2.根据权利要求1所述的一种电磁信号识别方法，其特征在于：从所述数据集中提取的指定的特征参数包括：零中心归一化瞬时幅度谱密度最大值，零中心归一化瞬时幅度绝对值标准差，零中心归一化非弱信号段瞬时频率绝对值的标准差，以及零中心归一化非弱信号段瞬时相位非线性分量标准差；所述特征参数矩阵的表达式为：其中γ
(r)
表示第r个特征参数矩阵，r＝1，2，
…
，r，r为指定的特征参数的数量；表示第i种信号标签的第j个样本的第r个特征参数，i＝1，2，
…
，n，n为信号标签的个数，j＝1，2，
…
，m，m为每种信号标签的电磁信号的样本个数。3.根据权利要求2所述的一种电磁信号识别方法，其特征在于：所述训练样本信号集中的训练样本信号表示为：s
w
:w＝m
×
(i-1)+j；其中，s
w
表示第w个训练样本信号，w为训练样本信号的序号；所述待测样本信号集中的待测样本信号表示为：t
t
:其中，t
t
表示第t个待测样本信号，t为待测样本信号的序号。4.根据权利要求3所述的一种电磁信号识别方法，其特征在于：所述方法还包括：通过下式计算各特征参数的方差：通过下式计算各特征参数的方差：
其中，表示第r个特征参数矩阵的第j列的平均值，n表示第r个特征参数矩阵的行的个数，表示第r个特征参数矩阵的第j列的方差，d(z
(r)
)表示第r个特征参数矩阵的方差，m表示第r个特征参数矩阵的列的个数；再对方差从大至小进行排序，按照方差的大小顺序修改训练样本信号s
w
与待测样本信号t
t
的坐标点的顺序，得到修改后的训练样本信号与修改后的待测样本信号；其中，修改后的训练样本信号表示为：s
w
:其中，表示方差大小排序中第r’个方差所表示的训练样本信号的特征参数；修改后的待测样本信号表示为：t
t
:其中，z
tr
'表示方差大小排序中第r’个方差所表示的待测样本信号的特征参数。5.根据权利要求1所述的一种电磁信号识别方法，其特征在于：利用所述训练样本信号集构建fbst，包括：选择所有训练样本信号s
w
的第一个特征参数作为fbst的当前划分层的当前划分域；选取当前划分域中的中位数，并将其所代表的训练样本信号作为当前结点；将小于中位数的值划分入左子树，将大于中位数的值划分入右子树；分别在左右子树中选取训练样本信号s
w
的下一个特征参数作为fbst的当前划分层的当前划分域；重新选取当前划分域中的中位数，直至所有训练样本信号s
w
全部被划分，得到最终的fbst。6.根据权利要求1所述的一种电磁信号识别方法，其特征在于：使用欧式距离选取所述待测样本信号的最近邻点，欧式距离的计算公式如下：其中，d
q
为第q个训练样本信号与待测样本信号的欧式距离，r为指定的特征参数的数量，为待测样本信号的第r个特征参数，为第q个训练样本信号的第r个特征参数。7.根据权利要求1或6所述的一种电磁信号识别方法，其特征在于：将任一待测样本信号记为目标点；采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点，包括：从根结点出发，对比目标点特征参数与所述fbst的当前层对应的切分点特征参数的大小，若目标点的特征参数小于切分点的特征参数，则去往左子树，反之，去往右子树，然后递归的向下寻找，直至叶子结点，该叶子结点记为当前结点；记目标点与当前结点的距离为最小距离d
min
，目标点与当前结点的兄弟结点的距离为d
b
，目标点与当前结点的父结点的距离为d
f
；其中，所述父结点为当前结点所属的上层结点，
所述兄弟结点为与当前结点同属一个上层结点的相邻结点；若d
min
>d
b
，则更新兄弟结点为当前结点，且同步更新当前结点的兄弟结点与父结点，若d
min
<d
b
，则比较d
min
与d
f
；若d
min
>d
f
，则更新父结点为当前结点，且同步更新当前结点的兄弟结点与父结点，若d
min
<d
f
，则当前结点为最近邻点；标记最近邻点为d
pq
，并将其与目标点的距离更改为无穷大；重新从根节点出发，并重复k次，检索得到k个最近邻点。8.一种电磁信号识别系统，其特征在于：用于实现如权利要求1至7中任一项所述的电磁信号识别方法；所述电磁信号识别系统包括：电磁信号采集模块，用于从研究区域采集得到电磁信号，并对所述电磁信号进行预处理，得到一组带有信号标签的数据集；特征提取模块，与所述电磁信号采集模块通信连接，用于从所述数据集中提取指定的特征参数，并得到由所述特征参数构成的特征向量，以及由所有特征向量构成的特征参数矩阵；其中，所述特征向量用于表征相应的电磁信号，所述特征参数矩阵用于表征所述数据集；fbst构建模块，与所述特征提取模块通信连接，用于将所述数据集划分为待测样本信号集和训练样本信号集，并利用所述训练样本信号集构建fbst；其中，所述待测样本信号集中的电磁信号为待测样本信号，所述训练样本信号集中的电磁信号为训练样本信号；特征匹配模块，与所述fbst构建模块通信连接，用于采用knn算法在构建的fbst中检索出k个所述待测样本信号的最近邻点；信号标签确定模块，与所述特征匹配模块通信连接，用于根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签。9.一种电子设备，其特征在于：包括：存储器，用于存储计算机程序指令；以及，处理器，用于执行所述计算机程序指令从而完成如权利要求1至7中任一项所述的电磁信号识别方法的操作。10.一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，其特征在于：所述计算机程序指令被配置为运行时执行如权利要求1至7中任一项所述的电磁信号识别方法的操作。

技术总结
本发明属于电磁测量技术领域，其目的在于提供一种电磁信号识别方法、系统、电子设备及介质。本发明提供了一种在复杂电磁环境下实时进行信号感知的方法,可以用于非协作通信中未知电磁信号的识别，具体地，本发明使用KNN算法识别待测样本信号的信号标签，通过采用KNN算法在构建的FBST中检索出k个所述待测样本信号的最近邻点，再根据k个最近邻点的信号标签，得到所述待测样本信号的信号标签，由此可使系统具有更好的鲁棒性，并且本发明基于FBST改进k近邻算法，可进一步减少计算量，利于提高电磁信号的识别效率，解决了大样本量情况下信号感知系统识别效率低的问题。知系统识别效率低的问题。知系统识别效率低的问题。


技术研发人员：李保珠 马鲁 姜文 洪涛 魏帅
受保护的技术使用者：西安电子科技大学
技术研发日：2023.03.23
技术公布日：2023/7/20