基于物联网的电子对抗通信网络信号分类与识别方法

李庆

基于物联网的电子对抗通信网络信号分类与识别方法

李庆

（安徽商贸职业技术学院，安徽 芜湖 241000）

为了提高电子对抗通信网络信号检测识别能力，需要进行信号分类，提出基于物联网的电子对抗通信网络信号分类与识别方法。利用多维传感器采集电子对抗通信网络信号，结合功能传输控制构建电子对抗通信网络信号模型，通过多维参数识别和阵列信号定位方法实现信号特征检测，分析电子对抗通信网络信号的自相关约束参数；通过空间谱密度分析方法，构建通信网络信号融合聚类模型，结合频谱参数分析和信号融合聚类方法，在物联网环境下实现电子对抗通信网络信号的自动化分类识别。仿真结果表明，采用该方法进行电子对抗通信网络信号分类识别的聚类性较好，误分率较低，能够有效提高电子对抗通信网络信号的检测准确性。

物联网；电子对抗；通信网络；信号分类；信号识别

随着电子对抗和通信技术的发展，采用电子对抗通信技术实现对信号的传输和控制，提高数据及信号传输的准确性。在电子对抗通信网络中，受到信号传输的环境干扰等因素的影响，导致电子对抗通信网络信号分类识别能力不好，网络信道传输的均衡性不好[1]。需要构建优化的电子对抗通信网络信号分类与识别模型，通过空间信道均衡设计和控制方法，进行电子对抗通信网络信号分类与识别，提高电子对抗通信网络的输出稳定性，研究相关的电子对抗通信网络信号分类与识别方法，在网络通信和信号检测识别中具有重要意义[2]。

为了提高电子对抗通信网络信号传输速度和检测识别能力，有很多学者对其进行研究。目前，常用的方法有基于模糊C-均值增量更新的目标信号识别[3]和基于时域解析估计的多重信号分类方法[4]。其中，文献[3]利用信号特征进行目标信号的分类识别，并尽可能地避免信噪比带来的影响，通过改进的增量更新方法自适应调整信号分类，从而提高识别率。但是这种方法的聚类性较差。文献[4]构建电子对抗通信网络信号分类与识别的信息融合聚类分析模型，通过关联信息融合和特征聚类，实现电子对抗通信网络信号分类与识别。但是这种方法进行电子对抗通信网络信号分类与识别的精度不高。

针对传统方法存在的不足，本文提出基于物联网的电子对抗通信网络信号分类与识别方法。该方法采用稀疏性的相位谱检测方法构建电子对抗通信网络信号的时域模型，通过多维参数识别和阵列信号定位方法实现对电子对抗通信网络信号的特征检测，分析电子对抗通信网络信号的自相关约束参数。然后通过空间谱密度分析方法，构建电子对抗通信网络信号的物联网组网结构模型，结合频谱参数分析和信号融合聚类方法，对提取的电子对抗通信网络信号谱特征量进行自适应融合和分类识别。在物联网环境下实现电子对抗通信网络信号的自动化分类识别。最后在仿真测试中将其与两种传统方法展开对比，从而展示了本文方法在提高电子对抗通信网络信号分类与识别能力方面的优越性能。

1 信号模型及特征分析

1.1 电子对抗通信网络信号模型

为了实现电子对抗通信网络信号分类与识别，采用多维传感器实现对电子对抗通信网络信号采集，对采集的电子对抗通信网络信进行总线调度[5-6]。在物联网组网协议中，通过数据总线结构分析，进行电子对抗通信网络信号检测和软件结构设计，得到电子对抗通信网络信号识别的总体结构如图1所示。

图1 电子对抗通信网络信号识别的总体结构

根据图1所示的电子对抗通信网络信号识别的总体结构，在接收端采用跟踪载波信息方法[7]，得到电子对抗通信网络信号的时域离散信息表达式为

1.2 电子对抗通信网络信号特征分析

采用稀疏性的相位谱检测方法构建电子对抗通信网络信号的时域模型，通过多维参数识别和阵列信号定位方法实现对电子对抗通信网络信号的特征检测[9]，得到电子对抗通信网络信号的下调频载波幅度为

电子对抗通信网络信号的时间展宽特征函数表达式为

基于VAR的我国预期通货膨胀率的估计问题研究..................................................................................................余 湄 李志勇 周荣喜 高 茜（79）

基于随机功率谱密度检测，构建电子对抗通信网络信号的动态压缩模型，得到电子对抗通信网络信号特征的脉冲波峰跨度为

2 基于物联网的电子对抗通信网络信号分类识别

2.1 电子对抗通信网络信号融合聚类

假定非平稳信号在窗函数中进行分析，得到电子对抗通信网络信号调制信息相关项与噪声聚类输出为

由此构建基于物联网的电子对抗通信网络信号融合聚类模型，如图2所示。

图2 通信网络信号融合聚类模型

2.2 电子对抗通信网络信号特征分类识别

基于上述融合聚类结果，采用空间谱密度分析方法，构建电子对抗通信网络信号的物联网组网结构模型，结合频谱参数分析，得到在物联网终端接收到的电子对抗通信网络信号为一段连续信号，采用自相关波束形成得到电子对抗通信网络信号的特征分量组合形式为

在波束中心方向，将信号输出看着某种能量分布特征函数的傅立叶变换[10]，得到检测到电子对抗通信网络信号的输出谱为

根据物联网应用层中输入的电子对抗通信网络信号谱密度，得到电子对抗通信网络的回波为

在电子对抗通信网络信号频率分布范围内，采用信号的频域分解技术，计算电子对抗通信网络信号的时间宽度：

根据信号的时频伸缩性，得到电子对抗通信网络信号各频率分量为

电子对抗通信网络信号的盲分离输出为

输出的电子对抗网络信号的谐波分类输出表示为

式中，为电子对抗网络信号的波束域参数，为信号输出的截止频率。

结合特征分解的方法，构建电子对抗通信网络信号动态参数识别模型，得到电子对抗通信网络信号特征分类识别函数：

式中，，表示电子对抗通信网络信号检测输出的频域特征量。基于此，完成通信网络信号的分类检测识别设计，实现结构流程如图3所示。

3 仿真实验与结果分析

为了验证本文方法在实现电子对抗通信网络信号分类检测识别中的应用性能，进行仿真测试，设定电子对抗通信网络信号的检测频率设定为15.4kHz，信号采集的长度为1024，信号测试集长度为25，时间和频率点分别为（2.3, 3.4），（2.49, 2.15），两个时间点之间的局部最优检测频率为12.8kHz，根据上述参数设定，得到电子对抗通信网络信号时域分布如图4所示。

以上述电子对抗通信网络信号为对象验证本文方法的应用性能。为避免实验结果的单一性，将文献[3]方法和文献[4]方法作为对比，与本文方法共同完成性能对比验证。记录不同方法对电子对抗通信网络信号的融合聚类性，得到对比结果如图5所示。

图4 电子对抗通信网络信号时域分布

图5 电子对抗通信网络信号的融合聚类性结果

分析图5得知，随着检测数量的增加，不同方法的融合聚类性也在不断变化。相比于两种传统方法，本文方法的融合聚类性更高，始终保持在0.8以上。上述结果说明本文方法能有效实现电子对抗通信网络信号分类识别，信号特征的聚类性较好。

测试不同方法进行电子对抗通信网络信号识别的精度，得到误分率对比结果如图6所示。

图6 信号识别的误分率测试

分析图6结果得知，随着迭代次数的增加，不同方法的误分率也随之增加。相比于两种传统方法，本文方法的误分率更低，其误分率最大值仅为0.63%。说明本文方法提高了电子对抗通信网络信号的检测准确性。由此可见，本文方法下的电子对抗通信网络信号分类与识别效果最优。

4 结束语

以实现电子对抗通信网络信号的有效为目的，本研究设计了基于物联网的电子对抗通信网络信号分类与识别方法。该方法在采集电子对抗通信网络信号的基础上检测信号特征，然后利用空间谱密度分析法构建信号融合聚类模型，结合频谱参数分析，在物联网环境下对信号进行自动化分类、识别。经实验验证可知，该方法对抗通信网络信号分类识别结果的聚类性较好。

[1] 张刚，徐联冰，张天骐. 基于频分复用的无信号内干扰多用户相关延迟键控通信系统[J]. 上海交通大学学报，2019, 53(05): 575-583.

[2] 孙志国，徐天宇，邓昌青，等. 16-QAM信号的最佳干扰分析[J]. 哈尔滨工程大学学报，2018, 39(07): 1245-1250.

[3] 代健，晏祺，闫晓鹏，等. 基于模糊c-均值增量更新的脉冲多普勒引信干扰与目标信号识别[J]. 兵工学报，2018, 39(09): 1711-1718.

[4] 李冰，汪永明，黄海宁. 基于时域解析估计的多重信号分类波束形成方法[J]. 上海交通大学学报，2019, 53(08): 928-935.

[5] 郑飞洋，张铁军. 基于神经网络的水下通信信号的检测与分类[J]. 网络新媒体技术，2019, 8(02): 46-52.

[6] 李丽. 基于深度神经网络的移动通信网络优化研究[J]. 现代电子技术，2020, 43(10): 83-85.

[7] 刘涛，孟青，韩建宁. 基于神经网络的计算机通信系统干扰信号分离[J]. 吉林大学学报：理学版，2017, 55(06): 1545-1551.

[8] 姜楠，王彬. 基于稀疏自动编码网络的水声通信信号调制识别[J]. 信号处理，2019, 35(01): 103-114.

[9] 苟泽中，许华，郑万泽，等. 基于半监督联合神经网络的调制识别算法[J]. 信号处理，2020, 36(02): 168-176.

[10] 方洁. 光通信网络系统信号调制方式的自动识别方法[J]. 激光杂志，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

李庆（1979-），男，安徽砀山人，讲师，本科，主要从事电子信息工程、单片机智能控制、物联网应用研究，lq19792021@163.com。

TN919

A

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