边境无线电监测信号识别技术研究

马家凯

（云南省德宏州无线电监测中心，云南 德宏 678400）

0 引言

我国地域辽阔、边境线长，与很多国家都有接壤。自进入21世纪以来，中亚、东南亚、北亚等地的国家无线电技术发展迅速，无线电台数量显著增加，边境无线电越界现象时有发生。我国西北地区、西南地区边境经济条件一般，获取信息的途径少，邻国的信息就会影响我国居民的正常生活，进而引发一系列的边境问题。为此，对于边境无线电监管部门来讲，其工作量可想而知，为此，寻求一种边境无线电监测信号识别技术尤为关键。

1 无线电监测信号识别技术的研究现状

当前，关于无线电监测信号识别的理论研究并不多。结合国内外学者的理论研究成果可知，无线电监测信号的识别技术主要分为两种类型。一种是判决理论法，这种理论是以假设检验为基础的，借助概率理论获得合理的信号分类规则。另一种是统计模式识别法，此种方法主要包括特征提取与模式识别。国内学者王婷通过对监测信号的识别技术进行研究，得出可借助决策理论法对无线电监测信号进行分类的结论[1]。李琳指出，在对无线电监测信号识别过程中应用小波变换技术，具有一定优势，这也是时频法首次在信号识别中的应用[2]。此外，张巍巍提到，在应用神经网络的基础上，借助信号特征参数可对监测信号进行分类，且效果极佳[3]。

2 相关概念

2.1 边境无线电监测

边境无线电监测是人类借助相应的技术手段或者设备对边境地区的被测信号进行监测与识别的活动。其监测内容包括边境无线电台电波质量、边境无线电频谱使用情况、不明无线电信号、通信保密情况等。

2.2 信号识别

信号识别，即在对边境无线电监测信号进行提取时，所筛选的信号要包括多重信息，不仅要包括边境不明无线电信号的相关信息，也要涵盖通信保密信息，以此判断边境无线电信号是否符合通信要求，进而对无线电信号的使用者与接收者的身份进行判定[4]。图1为无线电监测信号识别框架。

图1 无线电监测信号识别框架

3 几种常见的边境无线电监测信号识别技术

3.1 边境无线电监测信号时频域特征参数的提取技术——解析法

在边境无线电监测信号的识别过程中，因信号调制类型存在一定差异，不仅信号频率及幅度存在差异，其相位也有很大区别[5]。而传统解析法优势明显，监测可从各类调制信号中获得边境无线电信息。监测信号的识别精度取决于特征参数的精准度。结合时域中的情况来看，监测信号特征参数主要体现为三种，一是瞬时幅度，二是瞬时相位，三是瞬时频率。同理，在信号频率域也存在着信号频谱。本课题将神经网络的输入确定为以上时频域的信号特征量[6]。

在无线电监测信号的提取过程中，把信号划分为不同段，信号强度标尺在1024db（db微伏，0db=1微伏），然后从不同段位的信号中提取信号的特征量信息，既要包括信号瞬时频率与信号频谱，也要涵盖瞬时频率与瞬时幅度等[7]。那么，如何提取信号的瞬时幅度呢？此时就要多次对信号幅度进行分析，并认真对比其局部极值以实现对信号瞬时幅度的确定。并且，本课题给出了无线电监测信号特征量的计算方法，具体步骤为：

（1）用FFT的算法计算实信号x（n）的频谱X（ejω）；

（3）根据IFFT算法对z（n）进行计算，由此求得z（n）=IFFT{Z（ejω）}

用f（n）表示瞬时频率，用θ（n）表示瞬时相位，故可知获取f（n）的目的是为了区分θ（n），在此基础上由傅里叶变换得到瞬时频率的表达式：f（n）=IFFT{-j2πfθ（ejω）}。对于监测信号来讲，其信号频谱也可将信号的特征反映出来。另外，DFT具有一定的对称性，被测的监测信号属于实信号，为此，在对无线电监测信号频谱X（ejω）分析的时候，所选区间可为[0,π]。

由此可见，所提取信号的特征参数维度偏大，故有必要将信号特征参数向量做相应的处理，即分类编码。编码所参考的依据主要有两个，其中一个为信号所有特征参数的平均值，另一个是信号分布特点。在此基础上，将无线电监测信号所对应的特征参数向量做适当的压缩处理，由此确定为神经网络的输入。

3.2 边境无线电监测信号分类技术——RBF网络技术

神经网络作为模式识别技术的核心，其常见的特点主要有三个，首先是信息分布式存贮，其次是高度容错性，最后是大规模自适应[8]。本课题之所以选择RBF网络技术来对边境无线电监测信号进行分类，其原因在于这项技术有两点技术优势，一是神经网络可实现输入向量的降维，二是其自动化程度高。

3.2.1 RBF 网络结构介绍

在表达式中，Yj是相对于输出层第i个节点而言的，代表的是其输出，V(i，j)依然表示一种权系数，这种权系数将输出层和隐含层联系在一起，U表示的是基于隐含层的输出向量，N1表示隐含层的节点数量，N2代表输出层的节点数量。两层之间存在着一种连接关系，即加权线性连接，这样，网络整体上就成功进行了非线性变换，即由转换为。

3.2.2 基于RBF网络的学习算法的应用

以RBF网络为基础的学习算法涵盖两种基本的学习方式，一种是隐含层的学习，另一种是输出层的学习。第一种学习方式体现为自主学习，第二种学习方式则需要导师来引导学习。具体的算法为：

（1）用Wj表示初始化聚类中心，此时j为正整数，其取值范围为[1，N1]；

（2）循环开始；

（5）之后，将聚类中心进行对比，观察有无变化，然后重复步骤（2）的操作；如果依然没有任何变化，那么就结束此操作。

据此可知，输出层的学习是能够借助LMS算法来实现的，可把j最小的情况作为其终止条件：

结合上面的式子可以看出，μk的期望输出为dk，不同节点所对应的输出为Yk，遗忘因子用λ表示，此时λ=0.99，以上就是RBF网络学习技术的流程。

3.3 边境无线电监测信号瞬时相位及频率的提取技术——小波分析法

在边境无线电监测信号识别技术中，有一种较为常见的技术手段，即小波分析法。从本质上看，小波变换的根本源于时频窗的变换，其含义是分析频率改变后，信号大小及形状均会发生不同程度地改变。假设g(a,b)（t）为单一连续小波函数，对于小波函数而言，其时频分辨率的变化的实质是两种因素的变化，一种是尺度因子a的变化，另一种是时移因子b的改变。具体的计算式如下：

从小波变化角度看，正是因为其有着“变焦距”的优势，所以可用此法来检测信号突变点，由此让无线电监测信号的瞬时相位及频率的提取成为可能。就小波函数而言，在尺度因子不同的情况下，在频域中，这些小波函数就如同形式各异的滤波器，他们不仅带宽不同，还拥有不同的中心频率。为此，g(a,b)（t）就形似于一组滤波器的脉冲响应，其带宽与中心频率均存在一定差异。当b改变后，此组滤波器沿着时间轴发生位置变化，由此对监测信号的所有频带的全覆盖。如果无线电监测信号所对应的频率与中心频率数值相同，那么在此频率附近就会形成相应的极大值，且此数值与小波变换的模值相对应，在此情况下，a和b两者之间的对应关系就成为一种脊线。就脊线来讲，其上面的瞬时频率也是通过一定的算法来进行提取的，提取的步骤如下：

（1）就小波变换而言，首先应将其时移因子b的值进行固定；

（2）借助迭代算法对尺度因子a进行计算；

（3）确定尺度变量，即a值，由此通过小波变换来处理监测信号；

（4）选择处理过的a值，且此数值恰好对应小波系数模值最大的情况，由此获得本课题迭代结果。

（5）对时移因子b的取值进行调整，然后重复上述步骤（2）～（4）。

把符合条件的所有a值依次连接，由此得到完整曲线，此曲线也就是小波变换脊线；之后，借助上述提取监测信号瞬时相位的技术对脊线中的相位进行提取，然后对其进行求导，由此获得监测信号所对应的瞬时频率。因脊线算法有一定的局限性，故在监测信号的度量中用到了尺度二进制分法，图2则为应用小波分析法提取监测信号瞬时相位及频率的流程。

图2 应用小波分析法提取无线电监测信号瞬时相位及频率的流程图

4 结语

综上所述，边境无线电监测信号识别是一项综合性工程，识别过程涉及信号特征参数的解析、提取、分类与仿真模拟。在对边境无线电监测信号识别的过程中，本研究采用了RBF神经网络技术对监测信号进行筛选与分类，所用到的特征量主要有两个，一个是监测信号时域，另一个是监测信号的频率域。如果信噪比处于高水平的时候，那么信号分类效果相对理想；假如信噪比处于较低水平，那么信号特征量畸变较大，对信号分类与识别是不利的。本文从无线电监测与信号识别的相关概念出发，对无线电监测信号识别技术进行了深入分析，以此为我国边境无线电监测信号的识别水平的提升提供相应的理论支持。