通信电台个体杂散特征提取算法的研究

《通信电台个体杂散特征提取算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、代号10701学号1008120022分类号TN911密级公开题（中、英文）目通信电台个体杂散特征提取算法研究Thestrayfeatureextractionalgorithmoftheindividualcommunicationtransmitter作者姓名曾珍指导教师姓名、职务陈健教授学科门类工学学科、专业通信与信息系统提交论文日期二○一三年一月西安电子科技大学学位论文独创性(或创新性)声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和

2、致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可

3、以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。(保密的论文在解密后遵守此规定)本学位论文属于保密，在年解密后适用本授权书。本人签名：日期导师签名：日期摘要通信电台个体识别是继雷达个体识别之后通信对抗领域又一复杂难题。它主要研究的是同类通信电台个体之间的信号指纹的分析与提取。由于同类型电台个体之间信号差异很小且信号特征更多地表现出非平稳性和非线性，传统的信号处理方法无法有效提取出信号特征。分形理论、小波变换以及高阶谱理论都是分析非平稳和非线性信号的有利工具。

4、本文针对通信电台个体杂散的非平稳性和非线性，研究了基于小波变换的高阶谱特征及其分形维数的特征提取方法。论文首先研究了在分形理论下电台个体杂散特征提取方法。其次研究了利用小波变换和高阶谱分析信号的非平稳性和非线性特征。由于电台的杂散很微弱，在信噪比较低的情况下利用单一的分析方法难以达到识别精度。针对该问题，设计了一种基于小波变换的积分双谱及其分形维数的算法提取杂散特征。该方法有机结合了三种方法的优点，利用小波变换的多分辨率分析特点，得到信号的时频域信息，再利用双谱提取出杂散信号的幅度和相位信息。由于双谱计算量大，引入信号的积分双谱，在包含

5、足够丰富的杂散信号幅度和相位信息情况下，降低了计算复杂度，最后从统计角度利用分形维数分析信号的相位信息。仿真实验证明，该算法能有效地提取出杂散信号特征。关键词：杂散特征提取复杂度特征小波变换高阶谱AbstractThecommunicationradioindividualidentificationisanotherconundruminthefieldofcommunicationconfrontationfollowingradarindividualidentification.Itismainlystudiedsignalfi

6、ngerprintanalysisandextractionbetweenindividualsofsimilarcommunicationradio.Duetothelittlesignaldifferenceandtheperformanceoutofthenon-stationaryandnon-linearbetweenindividualsofthesametypeofradiosignal,Itcannotbeeffectivelytoextractsignalcharacteristicsusingtheconventio

7、nalsignalprocessingmethod.Fractaltheory,waveletstransformtheoryandhigherorderspectraltheoryisapowerfultoolforanalysisofnon-stationaryandnonlinearsignal.Accordingtothenonstationaryandnonlinearofthestraycommunicationradiostationindividuals,thepaperdoesresearchonhigh-orders

8、pectralcharacteristicsbasedonwavelettransformanditsfractaldimensionfeatureextractionmethod.Firstlythepa