技术领域
[0001] 本发明涉及信号特征提取领域，尤其涉及一种基于多维熵特征的信号特征提取方法。
相关背景技术
[0002] 目前用于信号特征提取的技术大体上分为对暂态信号和稳态信号两大类，主要方法针对时域特征、频域特征、时频域特征，利用信号处理工具，如小波变换、循环平稳、积累量等提取信号的特征参数。时域特征包括有量纲和无量纲指标，主要包括偏度、脉冲、峰值、均值、均方差等。频域特征包括幅值、频率、相位等。常用方法有傅里叶变换、小波变换、短时傅里叶变换。时频域特征有幅值、频率、相位、功率谱、Wigner‑Ville分布(WVD)等。常用方法有S变换、希尔伯特黄变换、短时傅里叶变换、熵特征。以上特征提取方法针对复杂环境下会存在提取的特征信号交叠，无法分离因而导致无法进行有效的信号特征提取。
[0003] 就目前的研究现状分析，大多数研究方法主要存在三个问题：(1)特征提取计算量大，需要大量存储空间；(2)特征选择困难，不同的特征分类识别能力不同(3)研究重点多集中于不同调制体制的辐射源识别，对不同参数和参数相近的辐射源个体识别的研究较少，在实际应用中有很大的局限性。采用Hilbert变换计算信号的瞬时幅度和相位，通过提取幅度和相位特征进行信号辨识。频率特征分析则主要采用离散小波变换和时频分析。利用离散小波分析信号提取多分辨率特征：为了实现可靠识别，对信噪比要求较高，所需最小信噪比要求达到23dB。高小波系数的计算速度，采用正交Daubechies‑4小波提取暂态信号特征，没有给出噪声环境，忽略了噪声对结果的影响。短时傅里叶变换(STFT)，以及二次型时频分布，即Cohen类时频分布，如Wigner‑Ville分布(WVD)二次型时频表示能够描述信号的能量密度分布，在辐射源识别方面有其独到的特点，但是可能存在特征交叉项干扰。WVD等时频方法对线形调频信号(LFM)有较好的时频聚焦性(如对单分量LFM十分有利)；但是，如果存在多个LFM分量时，分量之间的交叉项会使时频平面变得模糊不清，这样会严重干扰真实信号的特征，尤其在低信噪比的场合。此外，这些时频方法在分析信号之前，必须大致确定核函数或基函数的类型，然后在具体分析时根据信号的特点确定核函数或基函数的具体参数，一旦核函数或基函数的类型选择不当就会影响分析的精度。以上这些方法都忽略了当提取信号特征时出现信号交叠，无法对交叠的信号部分进行区分。
具体实施方式
[0038] 下面根据附图1～图3，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
[0039] 请参阅图1～图3，本发明实施例的一种基于多维熵特征的信号特征提取方法，包括步骤：
[0040] S1：对多种目标信号进行仿真；
[0041] 所述目标信号包括：2FSK信号、4FSK信号、8FSK信号、QPSK信号、64QM信号和MSK信号。
[0042] S2：对所述目标信号进行小波熵特征提取，获得小波能量熵；
[0043] 优选地，所述S2步骤进一步包括步骤：
[0044] S21：对所述目标信号进行小波变换，获得小波信号；
[0045] S22：对所述小波信号进行傅里叶变换，获得所述小波信号的功率谱；
[0046] 优选地，所述小波信号的功率谱S(k)满足：{S(k),k＝1,2,…,j+1}，其中k为自然数，j表示小波变换尺度。
[0047] S23：对所述小波信号的功率谱进行归一化，得到所述目标信号的所述小波能量熵。
[0048] 优选地，所述小波能量熵Hsw满足公式(1)：
[0049]
[0050] 其中，N表示样本总数，pi表示第i层的小波分布的概率分布。
[0051] 小波变换可以用来分析非平稳信号，小波变换可以通过对母小波和尺度函数的平移和缩放可以得到小波变换的基函数。小波基函数既有高频分量也有低频分量，同时还能有效地覆盖时域和频域。因此，小波变换可以同时在时域和频域上同时定位小波。相比于傅里叶变换，可以更精细的描述信号的局部细微特征。小波变换对高维信号都能很好的覆盖，而傅里叶变换擅长的是对一维信号的覆盖，将类三角波连续函数信号变换到一维系数序列上，但是对高维的信号则无能为力。信号的大部分能量都集中在非常少的，这是由于小波变换是一种二维变换。同时，小波变换能精细地描述信号的低高频分量，分离出信号的局部细微特征。
[0052] 另外，小波变换能精细的描述信号的低高频信号分量的分布情况，信号的高频能量能很好的反映出信号的一些细微特征。仿真过程中采用四层小波分解，信号仿真参数与功率谱熵仿真条件一致。小波分解可以更精细的得到信号的局部细微特征，这是信号的重要区分手段。小波能谱熵是信号小波分解后的能量分布信息，不同信号小波分解后的能量分布不同，这也是用作信号识别的理论依据。从图2中可以看出，小波能量谱熵值特征随着信号信噪比增加而减小，这是由于噪声减小，信号的高频能量分布减小。从熵值曲线可以看出，小波能谱熵对于2FSK信号、4FSK信号、8FSK信号、MSK信号有很好的区分效果，其类间距离相距很大，但是对于QPSK信号、64QAM信号的区分能力差，因此，需要多维熵特征对信号进行分离。在低信噪比下，小波能量熵对2FSK信号、4FSK信号、8FSK信号、MSK信号能够进行较好的分离。
[0053] S3：对进行小波熵特征提取后的所述目标信号进行模糊熵特征提取，获得模糊熵；
[0054] 优选地，所述S3步骤进一步包括步骤：
[0055] S31：对进行小波熵特征提取后的所述目标信号的序列[xi]按顺序写为m维矢量X(i)，X(i)＝[x(i),x(i+1),…,x(i+m‑1)]，i＝1,.2,…,N‑m+1；m表示m维矢量X(i)的维数；
[0056] S32：X(i)与X(j)之间的距离dij[X(i),X(j)]满足公式(2)：
[0057] dij[X(i),X(j)]＝max|x(i+k)‑x(j+k)|,i≠j,k＝0,1,2,...,m‑1. (2)；
[0058] S33:X(i)与X(j)之间的相似度满足公式(3)；
[0059] Dij＝exp(‑d2/r) (3)；
[0060] 其中，Dij表示矢量X(i)与X(j)之间的相似度，d表示各矢量之间的距离，r表示半径；
[0061] S33：对所有i求第一平均值φm(r)：
[0062]
[0063] 其中，Dij表示矢量X(i)与X(j)之间的相似度，N表示样本总数，m表示维数；
[0064] S34：将m变为m+1，重复步骤S33，获得第二平均值φm+1(r)；
[0065] S35：计算模糊熵HFuzzy(m,r,N)：
[0066]
[0067] 其中，m表示维数，r表示半径，N表示样本总数。
[0068] 通过模糊熵对信号进行二次“切片”处理，完成信号交叠部分的分离。模糊熵克服了小波能量熵的不足，从图2可以看出，相较于小波能量熵对64QAM信号、QPSK信号类间距都很小无法分离的问题，模糊熵有所改进，从图3对64QAM信号、QPSK信号有较好的区分度，但对于其他信号，仍然存在交叉和类内距离小的问题，效果并不好。因此，需要基于多维熵特征对信号进行分离。
[0069] S4：对进行模糊熵特征提取后的所述目标信号进行多维熵特征提取。
[0070] 对信号进行多维熵特征提取，是解决多种信号出现交叠无法进行分离的良好方法。通过不同的熵对不同信号的敏感度不同，使用熵对信号进行切片处理，达到层层分离，以实现对交叠信号的分离。对特征分类具有重要意义。
[0071] 本发明实施例的一种基于多维熵特征的信号特征提取方法，利用信息和熵存在着互补的关系，从而对信号进行分析，依次使用小波能量谱熵、模糊熵等进行多层多维度的提取，分别使用不同的熵对信号进行分层切片分离信号，首先使用小波能量熵对不同信号进行熵特征提取，通过仿真可以看出分离了部分信号，然后使用模糊熵对剩下的信号继续分离，使用熵层层分离，直到达到分离全部信号，依次分层分离信号，以解决特征信号出现交叠无法进行分离。
[0072] 以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
