导读:本文包含了电台个体识别论文开题报告文献综述及选题提纲参考文献，主要关键词:跳频电台识别,时频能量谱,差分盒维数,多重分形维数
电台个体识别论文文献综述
杨鑫,郭英,李红光,眭萍,王少波[1]（2019）在《基于时频能量谱特征的跳频电台个体识别》一文中研究指出针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数叁种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。(本文来源于《信号处理》期刊2019年10期）
李昕,雷迎科[2]（2019）在《基于密度峰值算法的通信电台个体识别》一文中研究指出由于通信电台信号的样本小,电台指纹特征弱,导致通信电台的个体识别准确度不高,本文首次提出了基于密度峰值算法进行通信电台个体识别,在不需要训练样本的条件下就能对通信电台进行个体识别。首先对信号进行矩形积分双谱变换,提取信号1×L维矩形双谱特征,计算各个信号间的欧式距离,然后根据密度峰值算法的定义计算各个信号的密度ρ和δ,以ρ、δ为横坐标与纵坐标画二维图,找到聚类中心,对各个信号进行分类识别。与传统的通信电台分类识别方法相比,此方法运用的是机器学习中聚类的方法,是无监督的方法,不需要带标签的通信电台信号样本,在实际运用中会发挥更大的作用。(本文来源于《信号处理》期刊2019年07期）
黄健航,雷迎科[3]（2019）在《基于半监督矩形网络的通信电台个体识别》一文中研究指出通信电台信号的小样本条件造成了电台个体识别准确性欠佳的问题,本文首次提出基于半监督矩形网络进行通信电台个体识别,克服小样本条件对电台个体识别效果的影响.首先提取电台信号的矩形积分双谱特征,人为注入噪声构成污染样本,在半监督矩形网络编码器中有监督训练,其训练结果通过网络径向连接传给解码器,解码器再无监督学习,重构未污染的原始样本,从网络顶层提取电台个体特征,输入softmax分类器实现分类识别.在实际采集的电台数据集上的实验结果说明,本算法在小样本条件下相比现有算法能更准确识别同型号的电台个体.(本文来源于《电子学报》期刊2019年01期）
杨银松,郭英,李红光,眭萍,于欣永[4]（2019）在《基于CMFS-MIC特征选择的跳频电台个体识别方法》一文中研究指出针对跳频电台细微特征集中存在冗余特征等导致电台识别时存在计算量大、识别准确率低等问题,提出了一种基于CMFS-MIC特征选择的跳频电台个体识别方法。首先计算采集到的各个跳频电台信号样本的细微特征集,然后采用关联信息熵度量特征子集的组合效应,兼顾考虑特征间的关联关系和冗余关系对各个特征进行降序排序。在此基础上,采用最大信息系数度量的近似马尔可夫毯方法删除冗余特征,实现对特征子集进行优化和降维。最后,设计了投票组合分类器实现对四部跳频电台信号的识别。仿真结果表明,本文算法具有更高的分选识别率。(本文来源于《计算机应用研究》期刊2019年12期）
王绮宇[5]（2017）在《电台个体识别研究》一文中研究指出通信电台个体识别技术是通过某种方法来获取并检测出表征通信电台的个体“指纹”特征,从而实现个体的识别。本文首先从通信电台的硬件特性出发研究了“指纹”特征的产生机理。并结合特征提取、选取及分类方法的国内外发展趋势,对全文的研究内容安排及论文结构做了探讨。基于信号分析技术的发展更迭顺序,本文研究了从傅里叶分析,小波分析到近年来兴起的Shearlet分析的信号时频分析理论,为本文研究通信电台个体识别技术奠定理论基础。基于经典的模糊函数分析方法,本文利用拥有优异时频分析性能的小波分析方法和新兴的可以表征各向异性的Shearlet分析方法对其进行了一定的改进,并将改进后的方法运用于电台个体识别。不同于经典的模糊函数方法,改进方法在对信号的自相关处理之后,利用了叁次分段B样条小波、db小波以及Shearlet分析取代原本的傅里叶分析,以期做到更好的特征捕获。并且针对MSK调制以及PSK调制的仿真信号进行试验分析,仿真结果表明,改进方法的效果受调制方式的影响较小,模糊函数方法的效果受调制方式的影响较大。在MSK调制下,相对于传统的模糊函数方法,db4小波分析方法、B样条小波分析方法以及Shearlet分析方法都具有更好的抗噪性能,其中叁次B样条小波分析方法效果更优也更为稳定。最后,本文研究了信号特征的降维与分类。为了避免“维数灾难”,在信号分类的时候,需要将特征降维到一定程度,再运用一个好的分类器进行分类,这样将对分类效果起着提升的作用。在研究了Fisher降维法、KNN分类器以及SVM分类器之后,通过实验仿真去检验了不同分类器对于最终识别率的影响程度。(本文来源于《电子科技大学》期刊2017-05-01）
田源[6]（2016）在《基于杂散特征提取法的电台个体识别探究》一文中研究指出随着无线电台的结构、处理流程以及电磁环境的日益复杂化,如何从监测到的无线电信号中获取电台的个体特征成为个体识别研究的关键。本文对稳定工作状态下的电台杂散特征进行分析,提出一种利用谱对称性特征提取杂散特征的设想。(本文来源于《中国无线电》期刊2016年08期）
张泽君,程伟,杨瑞娟,余沁[7]（2016）在《航空信道下一种通信电台个体识别方法》一文中研究指出为了研究航空信道下通信电台个体BPSK、OQPSK、MSK调制信号的识别问题,根据叁种调制信号指纹特征差异的不同,基于相位噪声指纹模型,提出对BPSK、OQPSK调制信号提取高阶累积量特征,对MSK调制信号提取平方谱特征;根据最近距离规则,给出了对叁种调制信号的电台个体识别步骤.最后进行了电台个体识别仿真.仿真结果表明,信噪比大于0 dB时,OQPSK和MSK调制信号3个个体平均识别率达到了70%,从而验证了本文方法的有效性.(本文来源于《空军预警学院学报》期刊2016年02期）
张泽君,程伟,杨瑞娟,余沁[8]（2016）在《航空信道下基于双谱和信息维数的通信电台个体识别》一文中研究指出鉴于电台指纹特征体现个体之间差异,在相位噪声指纹模型下,提出在航空信道下双谱的信息维数特征的提取方法,根据最小距离判决实现通信电台个体识别.最后对BPSK调制信号、OQPSK调制信号和MSK调制信号进行了个体识别仿真.仿真结果表明,信噪比大于5d B时,3种调制信号识别率均大于70%,从而验证了该方法的有效性.(本文来源于《空军预警学院学报》期刊2016年01期）
陈扬[9]（2015）在《一种数字传输电台的个体识别方法》一文中研究指出通信电台的个体识别技术是通信对抗领域的一个重要课题,近年来受到国内外研究机构的广泛关注。由于电台内部元器件的差异会引起发射的通信信号存在细微差异,个体识别技术可以通过提取这些能够表征通信源身份的个体特征信息,来识别信号的来源归属电台,进而实现对敌方目标的精确打击。本文首先分析了电台个体特征的形成原因和电台实际信号表示方式。针对在实际通信中广泛应用的多模式数字传输电台,分析了其在不同调制方式情况下个体特征存在的变化差异。针对现有个体识别算法在调制方式发生改变时无法提取到稳定个体特征的情况,首次将调制方式识别引入到个体识别领域:提出了针对发射不同调制方式信号的电台,从频域和时域提取不同的特征信息,较好地解决了电台多模式工作下的识别问题。当待识别的电台工作在QAM等通过时域幅值信息携带消息的调制方式下,本文提取电台在频域所表征出的瞬时个体特征。首先采用总体平均经验模态分解(EEMD)法将信号分解成只含有单一频率分量经验模态函数(IMFs)并求其矩阵的奇异值重心,同时对分解得到的IMFs进行Hilbert变化得到信号的瞬时频率并求其分形维数特征。通过上述两个频域瞬时特征,能够对不同电台实现分类识别。对比现有的频域谱对称算法、瞬时频率算法,该方法很好地解决了其特征计算精度低、分类界限不明显等问题,使得分类效果在低信噪比情况下有了明显提高。当待识别的电台工作在FSK、MSK等通过频域信息携带消息的调制方式下,本文提取信号在时域所表征出的个体特征。首先利用正交分量重构法计算时域信号包络,随后引入峭度指标和裕度指标,量化描述时域信号包络的变化情况。通过和现有的时域高阶个体特征对比,该方法降低了计算的复杂度并在低信噪比情况下提取到的特征分类界限更加明显。最后,通过支持向量机对本文方法提取的个体特征进行了识别分类,仿真及实测结果验证了本文特征提取方法及分类器的设计能够获得较好的识别效果,满足了项目的指标要求。(本文来源于《西安电子科技大学》期刊2015-11-01）
胡建树[10]（2015）在《短波电台个体特征识别》一文中研究指出通信电台个体识别是频谱管理、通信侦查与对抗领域的一个重要研究课题。通信电台个体识别在军用领域和民用领域都有广泛的应用:对于军用领域可以在复杂的电子战中掌握和监测敌方电台的活动方位,从而进行侦测、电子干扰和军事打击等;对于民用领域,民用无线电频谱管理可以用到通信电台个体识别技术,可以对频段进行安全性感知,检测信号干扰、频率冲突和其他非法干扰。本论文主要研究了短波通信电台的稳态特征,分析了稳态信号的杂散特征和高阶统计量特征,并利用实测数据对它们进行了提取。以此为基础,构建了一种基于主成分分析(PCA)特征降维的SVM单分类器算法,该算法适合于仿真实验。为了满足实际短波系统的需求,进一步提出了基于K近邻估计的SVM组合分类器算法,并在工程上编程开发实现了该算法,得到了很好的应用。本文的工作成果主要体现在以下几个方面:(1)、说明了短波通信信号细微特征的产生是由于生产工艺和元器件性能等随机因素引起,这些随机因素导致了晶体振荡器频率与标称值间的差异,从而产生载频偏差和调制参数的偏差等。(2)、对短波电台信号的杂散特征和高阶统计量特征进行了分析,提取了杂散特征中的高阶J特征和分形维数的信息维数、LZC、盒维数等;提取和分析了高阶统计量特征中的包络峰度特征和矩形积分双谱(SIB)特征。通过实验表明LZC、高阶J特征和包络峰度的聚类效果最好,其它的特征次之。同时SIB由于维数较多需要进行特征处理后应用。(3)、提出了一种基于PCA降维的SVM单分类器算法。该算法采用PCA降维对SIB进行处理,可将SIB的维数从60~80维降低到便于处理的3~8维;然后将降维后的SIB与其他的特征合并成一个特征集作为SVM分类器的输入。最后进行的识别实验说明了所处理后的特征都具有良好的分类性能,同时特征越多对于电台细微差异区分效果越好。(4)、根据当前短波通信系统对于短波通信电台个体特征识别技术的需求,提出了一种适合于该系统的基于K近邻估计和SVM分类器的组合分类识别算法。该算法采用模式识别领域先进组合分类器算法,识别效果达到了所需的识别要求。(本文来源于《华南理工大学》期刊2015-04-23）
电台个体识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于通信电台信号的样本小,电台指纹特征弱,导致通信电台的个体识别准确度不高,本文首次提出了基于密度峰值算法进行通信电台个体识别,在不需要训练样本的条件下就能对通信电台进行个体识别。首先对信号进行矩形积分双谱变换,提取信号1×L维矩形双谱特征,计算各个信号间的欧式距离,然后根据密度峰值算法的定义计算各个信号的密度ρ和δ,以ρ、δ为横坐标与纵坐标画二维图,找到聚类中心,对各个信号进行分类识别。与传统的通信电台分类识别方法相比,此方法运用的是机器学习中聚类的方法,是无监督的方法,不需要带标签的通信电台信号样本,在实际运用中会发挥更大的作用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
电台个体识别论文参考文献
[1].杨鑫,郭英,李红光,眭萍,王少波.基于时频能量谱特征的跳频电台个体识别[J].信号处理.2019
[2].李昕,雷迎科.基于密度峰值算法的通信电台个体识别[J].信号处理.2019
[3].黄健航,雷迎科.基于半监督矩形网络的通信电台个体识别[J].电子学报.2019
[4].杨银松,郭英,李红光,眭萍,于欣永.基于CMFS-MIC特征选择的跳频电台个体识别方法[J].计算机应用研究.2019
[5].王绮宇.电台个体识别研究[D].电子科技大学.2017
[6].田源.基于杂散特征提取法的电台个体识别探究[J].中国无线电.2016
[7].张泽君,程伟,杨瑞娟,余沁.航空信道下一种通信电台个体识别方法[J].空军预警学院学报.2016
[8].张泽君,程伟,杨瑞娟,余沁.航空信道下基于双谱和信息维数的通信电台个体识别[J].空军预警学院学报.2016
[9].陈扬.一种数字传输电台的个体识别方法[D].西安电子科技大学.2015
[10].胡建树.短波电台个体特征识别[D].华南理工大学.2015