技术摘要：
本发明公开了一种基于支持向量数据描述的超短波威胁信号感知方法，该方法主要由信号采集、时频分析、数据降维、支持向量数据描述模型训练和在线威胁感知等模块组成。主要步骤为：利用射频板卡采集空间中我方信号；根据短时傅里叶变化理论对基带复数信号进行时频分析生  全部
背景技术：
超短波通信是利用频率区间为30MHz～300MHz的无线电波传输信息的通信方式， 主要依靠地波传播和空间视距传播。超短波通信装备辐射距离通常可达几千米至十几千 米，具有通信频段宽、通信容量大的特点，被广泛应用于电视、调频广播、移动通信、雷达探 测、军事通信等领域。 随着电磁环境的日益复杂，超短波频段通信安全威胁也趋于多元化，超短波通信 系统容易受到敌方的侦查、测向和干扰，尤其是具有破坏性的压制干扰；此外，非法占用超 短波频段信道的通信设备，也会对我方正常通信造成一定威胁；在某一区域内出现敌方超 短波频段通信信号，则间接说明非己方单位在该区域的电磁波活动乃至军事行动，对我方 军事力量构成潜在的威胁。面对大量形式各异的威胁信号，传统的依靠人为处理方法早已 不堪重负，从而需要实现对潜在威胁信号的智能感知，以减轻认知与响应压力。检测和预警 威胁我方正常超短波通信信号，使指战员对超短波频段的安全状况有一个全面的了解，对 复杂多变的威胁信号做出快速响应，为电子对抗、通信抗干扰提供信息支援；通过感知敌方 通信信号，探测海上和空中威胁平台，在较远距离上探测发现敌威胁目标信号，为我水面编 队可能遭遇的空中或海上威胁提供早期超视距预警尤为重要。 目前在电子战场景下频谱感知技术主要集中在干扰检测与识别、非协作通信信号 调制方式识别和对特定信号识别，主流的频谱感知方法有能量检测法、匹配滤波法和循环 平稳检测法等，能量检测法对噪声适应能力有限，匹配滤波法需要知道被检测信号的先验 信息，循环平稳检测法计算复杂度较高，并且这些常规方法难以检测大量形式各异的威胁 信号；近年出现了基于深度学习的频谱感知方法，深度神经网络需要大量训练数据优化模 型参数，而威胁信号数据获得代价昂贵，并且威胁信号日新月异，其数据集属于一个典型的 开集，构建一个较为完备的威胁信号数据库具有很大难度，因此基于深度学习方法目前大 多针对特定调制方式信号的频谱感知。 针对现有技术的不足，本发明要解决在威胁信号开集背景下的感知模型构建问 题，其特点在于只需依赖我方通信信号数据库，训练非威胁信号的支持向量描述模型，所提 出的方法能有效解决威胁信号的开集问题，适用于超短波频段威胁信号的智能感知，具有 适应性强、运算时性等特点。
技术实现要素：
针对日益复杂的电磁环境和多元化的威胁信号形式，本发明主要提出一种超短波 频段威胁信号的智能感知方法，其主要特点是通过构建我方超短波通信信号完备的特征数 据库，并利用该数据库训练一个二分类模型判定未知信号是否来自我方通信设备，反之也 4 CN 111597873 A 说　明　书 2/6 页 可通过该模型感知潜在威胁信号的存在。 为了实现上述目的，本发明所述的基于支持向量数据描述的超短波威胁信号感知 方法包括：信号采集(00)、时频分析(01)、数据降维(02)、支持向量数据描述模型训练(03) 和未知信号的威胁测试(04)组成。其中，信号采集以硬件形式存在，时频分析、数据降维和 支持向量数据描述模型训练以软件形式存在。 所述的信号采集模块(00)输入为训练阶段空间中传播的我方信号x(n)，输出端采 集复数信号xI(n) j*xQ(n)连接时频分析模块的输入端，信号采集模块用来去掉空间传输超 短波信号的载频成分，并转化为基带复数信号进行数字信号处理。 所述的时频分析模块(01)输入端为信号采集模块(00)输出的复数信号xI(n) j*xQ (n)，输出端时频谱图F(r,g,b)连接数据降维模块的输入端，时频分析模块用于将时域波形 信号转化为具有时域和频域双重特性的频谱图，我方信号时频谱图用于构建我方信号的数 据库。 所述的数据降维模块(02)输入端为时频分析模块(01)输出的时频分析谱图F(r, g,b)，输出端F1:K连接支持向量数据描述模型训练模块(03)，数据降维模块用于将时频谱图 转化为向量化表示的低维度特征，降低模型训练的复杂度。 所述的支持向量数据描述模型训练模块(03)输入端为数据降维模块(02)的输出 F1:K，输出端为支持向量数据描述模型，用于计算支持向量数据描述模型参数C, 所述的未知信号的威胁判定测试模块(04)第一输入端x′(n)为空间中未知类别超 短波信号，第二输入端支持向量数据描述模型(03)参数C, 输出端为威胁信号感知结果。 进一步地，所述的时频分析模块(01)由短时傅里叶分析模块(010)和时频谱图转 化模块(011)组成，短时傅里叶分析模块(010)输入端连接采集复数信号xI(n) j*xQ(n)，输 出端X(f,m)作为时频谱图转化模块(011)输入，用于对基带复数信号时频分析。时频谱图转 化模块(011)输入端连接短时傅里叶分析模块(010)输出X(f ,m)，用于生成基带复数信号 RGB时频谱图F(r,g,b)。 进一步地，数据降维模块(02)由RGB时频谱图灰度化模块(020)、灰度图降维预处 理模块(021)和主成分降维分析算法(022)组成，时频谱图灰度化模块(020)输入端连接时 频分析模块(01)输出RGB时频谱图F(r,g,b)，输出端连接灰度图降维预处理模块(021)输入 G(x ,y)，用于将高分辨率RGB时频谱图转化为低分辨率灰度图。灰度图降维预处理模块 (021)输入端连接时频谱图灰度化模块(020)输出G(x,y)，输出端连接主成分降维分析算法 (022)输入端输入G1:M，用于去均值和向量化灰度图。主成分降维分析算法(022)输入端连接 灰度图降维预处理模块(021)输出G1:M，输出端F1:K连接所述的支持向量数据描述模型训练 模块(03)，该模块用于将高维度的RGB时频谱图转化为低维度的特征表达向量。 进一步地，支持向量数据描述模型训练模块(03)由支持向量数据描述模型构建 (030)、代价函数构建模块(031)、代价函数凸优化算法(032)松弛因子和核函数参数调整模 块(033)和最优参数选择模块(034)组成，支持向量数据描述模型构建模块(030)第一输入 端F1:K连接数据降维模块(02)输出，第二输入端Ci , 为松弛因子和核函数参数调整模块 (033)输出，输出端J连接代价函数构建模块(031)输入，用于构建支持向量数据描述模型的 优化目标函数。代价函数构建模块(031)输入端J连接支持向量数据描述模型(030)输出，输 出端L连接代价函数凸优化算法(032)输入，用于构建拉格朗日相乘法下的代价函数。代价 5 CN 111597873 A 说　明　书 3/6 页 函数凸优化算法(032)输入端L连接代价函数构建模块(031)输出，输出拉格朗日因子 用于计算凸优化后的拉格朗日约束因子。最优参数选择模块(034)第一输入端F1:K为数据降 维模块(02)输出，第二输入端{C1,...Ci}和 为松弛因子和核函数参数调整模块 (033)输出，输出端C, α1:N为未知信号的威胁判定测试模块(04)的第二输入端，用于选择 最优的模型参数。 一种基于支持向量数据描述的超短波威胁信号感知方法，所述的方法包括如下步 骤： 步骤S1：信号采集，调节我方通信设备工作在各种工作模式和多组通信频率，设置 信号采集模块(00)接收增益和采样频率，采集实际场景下的我方超短波信号； 步骤S2：信号时频分析，设置时频分析模块(01)以合理的短时傅里叶分析窗长和 相邻窗重叠度，计算短时傅里叶分析后复数信号的模，模值幅度对应于图像深度信息生成 RGB时频谱图(011)；构建我方信号的时频谱图数据库； 步骤S3：数据降维，数据降维模块(02)利用图像预处理方法灰度化RGB时频谱图， 然后基于主成分分析算法(022)对灰度化时频谱图降维处理，选择合理的特征向量维度； 步骤S4：训练支持向量数据描述模型，构建支持向量数据描述模型(030)，引入拉 格朗日乘因子构建代价函数(031)，凸优化代价函数计算支持向量数据描述模型参数，改变 松弛因子和核函数参数(033)再次凸优化计算参数，在众多组模型参数中选择最优参数值 (034)。 步骤S5：威胁信号感知测试，实时测试阶段(04)将空间未知信号数字下变频、时频 分析、数据降维，再根据支持向量数据描述模型判定未知信号是否为我方信号，否则判定为 潜在威胁信号。 有益效果 与现有技术相比，本发明的有益效果为： 1、能够智能判别空间未知信号来自我方通信设备还是潜在威胁信号，本发明通过 对信号时频分析和数据降维，提取能体现信号特征的低维向量，训练支持向量描述模型构 建囊括所有我方通信信号特征向量的最小超球体，落入超球体外的信号则可判定为潜在威 胁信号。 2、模型训练数据易获取。模型训练过程中不需要威胁信号作为训练数据，只需少 部分有标签的威胁信号用于选取最优模型参数，即松弛因子和核函数参数。 3、模型适应和性迁移强。若在实际应用过程中我方超短波信号数据库在不断的扩 充与完备，可以通过增量学习微调模型参数来做适应性调整，而不需要完全重新训练模型； 本发明能够迁移到短波、微波或其他频段的威胁信号感知。 4、运算实时性强。降维后特征向量维度很低，在支持向量数据描述模型离线训练 之后，判别模型在线测试阶段只需执行简单的距离计算操作即可得出感知结果，具有很强 的计算实时性。 附图说明 图1为本发明提出的一种基于支持向量数据描述的超短波威胁信号感知方法原理 6 CN 111597873 A 说　明　书 4/6 页 框图。 图2为时频分析模块原理框图。 图3为数据降维模块原理框图。 图4为支持向量描述模型训练原理框图。 图5为降维后特征向量可视化图。 图6为识别率随松弛因子和核函数参数变化曲面图。