李慶

基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別方法

李慶

（安徽商貿(mào)職業(yè)技術(shù)學(xué)院，安徽 蕪湖 241000）

為了提高電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)檢測(cè)識(shí)別能力，需要進(jìn)行信號(hào)分類，提出基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別方法。利用多維傳感器采集電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)，結(jié)合功能傳輸控制構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)模型，通過多維參數(shù)識(shí)別和陣列信號(hào)定位方法實(shí)現(xiàn)信號(hào)特征檢測(cè)，分析電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的自相關(guān)約束參數(shù)；通過空間譜密度分析方法，構(gòu)建通信網(wǎng)絡(luò)信號(hào)融合聚類模型，結(jié)合頻譜參數(shù)分析和信號(hào)融合聚類方法，在物聯(lián)網(wǎng)環(huán)境下實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的自動(dòng)化分類識(shí)別。仿真結(jié)果表明，采用該方法進(jìn)行電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類識(shí)別的聚類性較好，誤分率較低，能夠有效提高電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的檢測(cè)準(zhǔn)確性。

物聯(lián)網(wǎng)；電子對(duì)抗；通信網(wǎng)絡(luò)；信號(hào)分類；信號(hào)識(shí)別

隨著電子對(duì)抗和通信技術(shù)的發(fā)展，采用電子對(duì)抗通信技術(shù)實(shí)現(xiàn)對(duì)信號(hào)的傳輸和控制，提高數(shù)據(jù)及信號(hào)傳輸?shù)臏?zhǔn)確性。在電子對(duì)抗通信網(wǎng)絡(luò)中，受到信號(hào)傳輸?shù)沫h(huán)境干擾等因素的影響，導(dǎo)致電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類識(shí)別能力不好，網(wǎng)絡(luò)信道傳輸?shù)木庑圆缓肹1]。需要構(gòu)建優(yōu)化的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別模型，通過空間信道均衡設(shè)計(jì)和控制方法，進(jìn)行電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別，提高電子對(duì)抗通信網(wǎng)絡(luò)的輸出穩(wěn)定性，研究相關(guān)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別方法，在網(wǎng)絡(luò)通信和信號(hào)檢測(cè)識(shí)別中具有重要意義[2]。

為了提高電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)傳輸速度和檢測(cè)識(shí)別能力，有很多學(xué)者對(duì)其進(jìn)行研究。目前，常用的方法有基于模糊C-均值增量更新的目標(biāo)信號(hào)識(shí)別[3]和基于時(shí)域解析估計(jì)的多重信號(hào)分類方法[4]。其中，文獻(xiàn)[3]利用信號(hào)特征進(jìn)行目標(biāo)信號(hào)的分類識(shí)別，并盡可能地避免信噪比帶來的影響，通過改進(jìn)的增量更新方法自適應(yīng)調(diào)整信號(hào)分類，從而提高識(shí)別率。但是這種方法的聚類性較差。文獻(xiàn)[4]構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別的信息融合聚類分析模型，通過關(guān)聯(lián)信息融合和特征聚類，實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別。但是這種方法進(jìn)行電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別的精度不高。

針對(duì)傳統(tǒng)方法存在的不足，本文提出基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別方法。該方法采用稀疏性的相位譜檢測(cè)方法構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的時(shí)域模型，通過多維參數(shù)識(shí)別和陣列信號(hào)定位方法實(shí)現(xiàn)對(duì)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的特征檢測(cè)，分析電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的自相關(guān)約束參數(shù)。然后通過空間譜密度分析方法，構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的物聯(lián)網(wǎng)組網(wǎng)結(jié)構(gòu)模型，結(jié)合頻譜參數(shù)分析和信號(hào)融合聚類方法，對(duì)提取的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)譜特征量進(jìn)行自適應(yīng)融合和分類識(shí)別。在物聯(lián)網(wǎng)環(huán)境下實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的自動(dòng)化分類識(shí)別。最后在仿真測(cè)試中將其與兩種傳統(tǒng)方法展開對(duì)比，從而展示了本文方法在提高電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別能力方面的優(yōu)越性能。

1 信號(hào)模型及特征分析

1.1 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)模型

為了實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別，采用多維傳感器實(shí)現(xiàn)對(duì)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)采集，對(duì)采集的電子對(duì)抗通信網(wǎng)絡(luò)信進(jìn)行總線調(diào)度[5-6]。在物聯(lián)網(wǎng)組網(wǎng)協(xié)議中，通過數(shù)據(jù)總線結(jié)構(gòu)分析，進(jìn)行電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)檢測(cè)和軟件結(jié)構(gòu)設(shè)計(jì)，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)識(shí)別的總體結(jié)構(gòu)如圖1所示。

圖1 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)識(shí)別的總體結(jié)構(gòu)

根據(jù)圖1所示的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)識(shí)別的總體結(jié)構(gòu)，在接收端采用跟蹤載波信息方法[7]，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的時(shí)域離散信息表達(dá)式為

1.2 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)特征分析

采用稀疏性的相位譜檢測(cè)方法構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的時(shí)域模型，通過多維參數(shù)識(shí)別和陣列信號(hào)定位方法實(shí)現(xiàn)對(duì)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的特征檢測(cè)[9]，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的下調(diào)頻載波幅度為

電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的時(shí)間展寬特征函數(shù)表達(dá)式為

基于VAR的我國預(yù)期通貨膨脹率的估計(jì)問題研究..................................................................................................余 湄 李志勇 周榮喜 高 茜（79）

基于隨機(jī)功率譜密度檢測(cè)，構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的動(dòng)態(tài)壓縮模型，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)特征的脈沖波峰跨度為

2 基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類識(shí)別

2.1 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)融合聚類

假定非平穩(wěn)信號(hào)在窗函數(shù)中進(jìn)行分析，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)調(diào)制信息相關(guān)項(xiàng)與噪聲聚類輸出為

由此構(gòu)建基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)融合聚類模型，如圖2所示。

圖2 通信網(wǎng)絡(luò)信號(hào)融合聚類模型

2.2 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)特征分類識(shí)別

基于上述融合聚類結(jié)果，采用空間譜密度分析方法，構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的物聯(lián)網(wǎng)組網(wǎng)結(jié)構(gòu)模型，結(jié)合頻譜參數(shù)分析，得到在物聯(lián)網(wǎng)終端接收到的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)為一段連續(xù)信號(hào)，采用自相關(guān)波束形成得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的特征分量組合形式為

在波束中心方向，將信號(hào)輸出看著某種能量分布特征函數(shù)的傅立葉變換[10]，得到檢測(cè)到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的輸出譜為

根據(jù)物聯(lián)網(wǎng)應(yīng)用層中輸入的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)譜密度，得到電子對(duì)抗通信網(wǎng)絡(luò)的回波為

在電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)頻率分布范圍內(nèi)，采用信號(hào)的頻域分解技術(shù)，計(jì)算電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的時(shí)間寬度：

根據(jù)信號(hào)的時(shí)頻伸縮性，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)各頻率分量為

電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的盲分離輸出為

輸出的電子對(duì)抗網(wǎng)絡(luò)信號(hào)的諧波分類輸出表示為

式中，為電子對(duì)抗網(wǎng)絡(luò)信號(hào)的波束域參數(shù)，為信號(hào)輸出的截止頻率。

結(jié)合特征分解的方法，構(gòu)建電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)動(dòng)態(tài)參數(shù)識(shí)別模型，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)特征分類識(shí)別函數(shù)：

式中，，表示電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)檢測(cè)輸出的頻域特征量?；诖?，完成通信網(wǎng)絡(luò)信號(hào)的分類檢測(cè)識(shí)別設(shè)計(jì)，實(shí)現(xiàn)結(jié)構(gòu)流程如圖3所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類檢測(cè)識(shí)別中的應(yīng)用性能，進(jìn)行仿真測(cè)試，設(shè)定電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的檢測(cè)頻率設(shè)定為15.4kHz，信號(hào)采集的長(zhǎng)度為1024，信號(hào)測(cè)試集長(zhǎng)度為25，時(shí)間和頻率點(diǎn)分別為（2.3, 3.4），（2.49, 2.15），兩個(gè)時(shí)間點(diǎn)之間的局部最優(yōu)檢測(cè)頻率為12.8kHz，根據(jù)上述參數(shù)設(shè)定，得到電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)時(shí)域分布如圖4所示。

以上述電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)為對(duì)象驗(yàn)證本文方法的應(yīng)用性能。為避免實(shí)驗(yàn)結(jié)果的單一性，將文獻(xiàn)[3]方法和文獻(xiàn)[4]方法作為對(duì)比，與本文方法共同完成性能對(duì)比驗(yàn)證。記錄不同方法對(duì)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的融合聚類性，得到對(duì)比結(jié)果如圖5所示。

圖4 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)時(shí)域分布

圖5 電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的融合聚類性結(jié)果

分析圖5得知，隨著檢測(cè)數(shù)量的增加，不同方法的融合聚類性也在不斷變化。相比于兩種傳統(tǒng)方法，本文方法的融合聚類性更高，始終保持在0.8以上。上述結(jié)果說明本文方法能有效實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類識(shí)別，信號(hào)特征的聚類性較好。

測(cè)試不同方法進(jìn)行電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)識(shí)別的精度，得到誤分率對(duì)比結(jié)果如圖6所示。

圖6 信號(hào)識(shí)別的誤分率測(cè)試

分析圖6結(jié)果得知，隨著迭代次數(shù)的增加，不同方法的誤分率也隨之增加。相比于兩種傳統(tǒng)方法，本文方法的誤分率更低，其誤分率最大值僅為0.63%。說明本文方法提高了電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的檢測(cè)準(zhǔn)確性。由此可見，本文方法下的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別效果最優(yōu)。

4 結(jié)束語

以實(shí)現(xiàn)電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的有效為目的，本研究設(shè)計(jì)了基于物聯(lián)網(wǎng)的電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類與識(shí)別方法。該方法在采集電子對(duì)抗通信網(wǎng)絡(luò)信號(hào)的基礎(chǔ)上檢測(cè)信號(hào)特征，然后利用空間譜密度分析法構(gòu)建信號(hào)融合聚類模型，結(jié)合頻譜參數(shù)分析，在物聯(lián)網(wǎng)環(huán)境下對(duì)信號(hào)進(jìn)行自動(dòng)化分類、識(shí)別。經(jīng)實(shí)驗(yàn)驗(yàn)證可知，該方法對(duì)抗通信網(wǎng)絡(luò)信號(hào)分類識(shí)別結(jié)果的聚類性較好。

[1] 張剛，徐聯(lián)冰，張?zhí)祢U. 基于頻分復(fù)用的無信號(hào)內(nèi)干擾多用戶相關(guān)延遲鍵控通信系統(tǒng)[J]. 上海交通大學(xué)學(xué)報(bào)，2019, 53(05): 575-583.

[2] 孫志國，徐天宇，鄧昌青，等. 16-QAM信號(hào)的最佳干擾分析[J]. 哈爾濱工程大學(xué)學(xué)報(bào)，2018, 39(07): 1245-1250.

[3] 代健，晏祺，閆曉鵬，等. 基于模糊c-均值增量更新的脈沖多普勒引信干擾與目標(biāo)信號(hào)識(shí)別[J]. 兵工學(xué)報(bào)，2018, 39(09): 1711-1718.

[4] 李冰，汪永明，黃海寧. 基于時(shí)域解析估計(jì)的多重信號(hào)分類波束形成方法[J]. 上海交通大學(xué)學(xué)報(bào)，2019, 53(08): 928-935.

[5] 鄭飛洋，張鐵軍. 基于神經(jīng)網(wǎng)絡(luò)的水下通信信號(hào)的檢測(cè)與分類[J]. 網(wǎng)絡(luò)新媒體技術(shù)，2019, 8(02): 46-52.

[6] 李麗. 基于深度神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信網(wǎng)絡(luò)優(yōu)化研究[J]. 現(xiàn)代電子技術(shù)，2020, 43(10): 83-85.

[7] 劉濤，孟青，韓建寧. 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)通信系統(tǒng)干擾信號(hào)分離[J]. 吉林大學(xué)學(xué)報(bào)：理學(xué)版，2017, 55(06): 1545-1551.

[8] 姜楠，王彬. 基于稀疏自動(dòng)編碼網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別[J]. 信號(hào)處理，2019, 35(01): 103-114.

[9] 茍澤中，許華，鄭萬澤，等. 基于半監(jiān)督聯(lián)合神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法[J]. 信號(hào)處理，2020, 36(02): 168-176.

[10] 方潔. 光通信網(wǎng)絡(luò)系統(tǒng)信號(hào)調(diào)制方式的自動(dòng)識(shí)別方法[J]. 激光雜志，2019, 40(05): 149-153.

Signal classification and recognition method of electronic countermeasure communication network based on Internet of Things

LI Qing

(Anhui Business College of Vocational Technology, Anhui Wuhu 241000, China)

In order to improve the signal detection and recognition ability of electronic countermeasure communication network, signal classification is needed, and a signal classification and recognition method of electronic countermeasure communication network based on the Internet of Things is proposed. Use multi-dimensional sensors to collect electronic countermeasure communication network signals, combine functional transmission control to build an electronic countermeasure communication network signal model, realize signal feature detection through multi-dimensional parameter recognition and array signal positioning methods, analyze the autocorrelation constraint parameters of electronic countermeasure communication network signals, and pass space spectral density analysis method, construction of communication network signal fusion clustering model, combined with spectrum parameter analysis and signal fusion clustering method, realize the automatic classification and recognition of electronic countermeasure communication network signals in the Internet of Things environment. The simulation results show that the classification and recognition of electronic countermeasure communication network signals with this method has better clustering performance and lower misclassification rate, which can effectively improve the detection accuracy of electronic countermeasure communication network signals.

Internet of Things；electronic countermeasures；communication network；classification of signals；signal recognition

2021-03-29

李慶（1979-），男，安徽碭山人，講師，本科，主要從事電子信息工程、單片機(jī)智能控制、物聯(lián)網(wǎng)應(yīng)用研究，lq19792021@163.com。

TN919

A

1007-984X(2021)05-0016-05