本文由腾讯云 社区自动同步，原文地址 https://cloud.tencent.com/developer/article/1540984
一篇雷达辐射源特征识别的论文解析。
这两天看了一篇论文，有关辐射源特征识别的，觉得很有意思。
论文出处
2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics(CISP-BMEI 2016)
作者信息
Xiaohu Ru, Chao Gao, Zheng Liu, Zhitao Huang, Wenli Jiang
College of Electronic Science and Engineering, National University of Defense Technology
Changsha, Hunan, 410073, P.R. China
特征提取方案
提出了一个公式，用来衡量信号的不同部分的UIM强度
假设信号被分为了$N_{seg}$部分：$zk, k=1, 2, cdots, N{seg}$，这里$z_k$是第$k$个列向量。把$z_k$的傅里叶变换表述为$Z_k(f)$，那么UIM的强度可以可以按如下定义
$$ Delta ^ {UIM} _k = int ^{fs/2} {-f_s/2}
|
|Z_k(f-f_0)/ alpha |^2
-
|sinc(Tf)|^2
|
$$
其中， $f_s$是采样速率，$alpha$是$Z_k(f)$的最大幅度，$f_0$是信号$z_k$的载波频率， $T$是信号持续时长, $sinc(t)$是sinc函数$sin(pi t)/pi t$。
将采样得到的点标记为$z(i), i=1,2, cdots, N$, 所以共有N的采样点。以往的特征提取方法认为所有的点都是同样重要的，所以所有的点都参与了计算，导致运算负担加重。这里会提出一种同时减少计算量且不会丢失UIM信息的方法。
- 第一步 把信号分为 $N_{seg}$个部分。相邻的部分可以重叠，计算UIM强度，将结果写为 $Delta ^{UIM} k= 1,2,cdots, N{seg}$.
- 第二步 在 $Delta ^{UIM} _k$的基础上，把信号分为不重叠的$N_h N_l$部分。$N_h$是高强度UIM部分，$N_l$是低强度UIM部分。用$z ^{HD} _k, z ^{LD} _k$表示划分后的结果。通常，$z ^{LD} _k$在信号中占据大部分。
- 第三步 对$z ^{LD} _k$进行降采样。可以先选择一个整数 $m _k$，然后从$z ^{LD} _k$中每隔$m _k$个点选出一个点，这些选出的点构成新的向量 $z ^{LDDS} _k$，采样率是 $f_s / m_k$. 为了去除混叠效应，需要在降采样之前加入低通滤波器。
- 第四步 将第二步第三步得到的信号拼接起来，可以用不同的权重因子来代表不同的重要程度。
