瞬态信号（精选3篇）
瞬态信号 篇1
0引言
瑞雷波测试分析技术已在工程地质勘察中得到了广泛应用,目前主要针对成层地质条件进行地层与波速划分[1]。但对于类似地下管道等局部异常地质结构尚缺乏瑞雷波测试分析的理论基础,实际工程中,测试人员常习惯采用单道振动映像法测试地下管道,并认为是纵波反射。瑞雷波是一种与传播方向逆进的椭圆极化波,由于其振动的复杂性,人们还难以直观分析其遇到类似地下管道结构的信号特征,这限制了该方法在实际工程中的应用。与纵波相比,瑞雷波具有能量强的显著特点,探讨地下管道等局部地质结构瑞雷波响应的信号特征[2],具有重要的理论意义和实际应用价值。
本文借助ANSYS /LS-DYNA有限元分析软件模拟了瑞雷波遇到地下管道的动力响应特征。成功解决了有限元数值模拟中模型尺寸的确定、震源模型的选择、网格尺寸的划分、边界条件设置和数据格式的转储等问题。通过一系列不同工况条件下的有限元模型计算,并结合工程实例,总结了管道参数对瑞雷波信号响应的影响规律。
1瑞雷波的理论基础
根据瑞雷波的物理场论分析[3],考虑介质特性对波的影响且只研究波的传播问题,在均匀、各向同性的理想弹性介质中,瑞雷波的波动方程为:
其中:
式中: B为任意常数; u为沿自由表面的水平振动位移; w为地层深度方向的垂直振动位移; VR为瑞雷波波速; VP为纵波波速; VS为横波波速; ω 为圆频率。
由此可见,瑞雷波的质点位移由水平方向振动u和垂直方向振动w所组成,且质点的垂直位移比水平位移相位超前 π/2,振幅大小也不同。所以, 瑞雷波是介质质点沿椭圆轨道运动的极化波。
2有限元模型的建立与参数选择
2.1有限元弹性动力学基础
有限元数值模拟瑞雷波探测地下管道的过程, 应用ANSYS的瞬态动力学模块和LS-DYNA程序包中的显式动力学方法。瞬态动力学分析是一种计算承受随时间变化荷载作用结构的动力学响应数值模拟方法。分析求解的基本方程如下[4]:
式中:
式中: u ( x,y,t) 和w ( x,y,t) 的方程由 ( 1) 式表示; M为质量矩阵; C为阻尼矩阵; K为刚度矩阵; F ( t) 为载荷向量矩阵; U为节点位移向量矩阵。
在求解时,当任意给定时间t,可以将方程看
作一系列 考虑了阻 尼力(C∂U/∂T)和惯性力 (M∂2U/∂t2)的静力学平衡方程。所以,有限元程序就可以利用Newmark时间积分方法对其在离散的时间点上求解上述方程。
2.2几何模型尺寸的确定
由于瑞雷波勘测结果反映的是沿测线所在剖面的地层结构信息,只需模拟半无限均匀空间的平面应变问题,因此选择二维模型。
在野外进行瑞雷波勘探时,边界是无穷远的, 但有限元建模时的模型尺寸不可能无穷大。模型尺寸的选择,既不能过大,使计算数据量超出计算机要求; 又不能太小,出现边界反射波,降低信噪比。所以,根据弹性介质的参数、瑞雷波波动方程和传播特性[5],假设炮点位于坐标原点 ( 如图1所示) ,可以推导出震源距离边界的最小长度,即模型最小几何尺寸为:
其中: L为震源距边界的最小尺寸; of为偏移距; t为采样间隔; n为采样点数; csp为道间距; x为采集道数 。
2.3震源模型选择
施加载荷时,需要选择一种激震力来模拟激发瑞雷波的冲击震源 ( 即锤击震源) 。锤击产生的波由多种地震子波组成,故选择震源形式时,最好选择一个时间脉冲函数子波,其频谱要高于中心频率,且要迅速减少。雷克子波满足上述要求,模拟结果精度很高,且波形与野外实测波形非常接近。 其具体形式为:
式中: A为激振力最大振幅,用来调整激振力大小; f为中心频率,用以变换频带宽度。经试算,t0取为0. 01s,f = 10Hz的波形如图2所示。
2.4网格尺寸的划分
有限元模拟时,在设置的参数及积分步长满足稳定性的前提下,网格尺寸和震源频谱特性是导致高频振荡误差产生的主要因素。所谓高频振荡[6], 是指在波的传播过程中,介质质点速度及加速度波形围绕某一基线上、下波动,且这一波动频率必须位于波形频谱的 “ 主瓣 ” 之外 。 所以,网格划分对模拟得到的瑞雷波的频散分析精度影响较大,会产生 “ 假 ” 的频散现象 。 同时,网格尺寸对占用磁盘空间 、 计算收敛性都起着重要作用 。
网格单元尺寸由波长 Δx决定: Δx < λT/π , λT为周期T的谐波在连续介质中的波长。在地下管道标准模型基础上改变网格尺寸,模拟结果对比分析得出, 计算时间充足、计算机内存允许的情况下,几何模型较小时,网格尺寸取值为波长的1 /10; 几何模型较大时,网格尺寸取波长的1 /5即可满足模拟的精度要求,即网格尺寸对频散分析的结果没有干扰。
2.5ANSYS边界条件的设置
根据刘晶波等[7]的研究成果,ANSYS有限元软件采用在边界上设置COMBIN14单元,形成粘弹性边界条件,有效吸收边界反射波。二维模型的粘弹性边界设置原理如图3所示。
图中 “i”为边界节点,在其上施加固定约束; “j”为加载节点,在其上施加纵向和切向约束; KBN、KBT分别为弹簧的法向与切向刚度; CBN、CBT分别为弹簧的法向与切向阻尼系数,上述各参量按以下公式取值[8]:
式中: R为震源至人工边界点的距离; αT与 αN分别为切向与法向粘弹性人工边界参数,αT取值范围为 ( 0. 35,0. 65) ,αN取值范围为 ( 0. 8,1. 2) ; μ 为介质的泊松比; E为弹性模量; ρ 为密度。
现分别将波速为500m/s、1000m/s、1500m/s、 2000m / s的地质体模型的边界设置成粘弹性边界, 并将原截断边界模 型尺寸分别缩 小为原尺寸 的25% 、40% 、50% 、60% 、80% 。将设置为粘弹性边界的模型模拟结果与原尺寸模型的模拟结果进行对比,埋深误差统计如图4所示。
由图4可知,当模型缩小不小于原尺寸的60% 时,不同波速介质模型的结果误差均小于5% ,可以满足模拟精度要求,同时可显著提高计算效率, 故模型缩小至原尺寸的60% 较为合适。
某一检波点的动位移时程曲线如图5所示,曲线较为平滑,可见粘弹性边界条件有效吸收了边界反射波。
2.6LS-DYNA数值模拟方法
LS-DYNA程序包的显式算法特别适合于分析各种非线性结构瞬态动力学问题。其模拟地球动力学系统时,经常要用一个有限域来表示地下空间或大块岩体。对这类问题,为避免边界反射波对求解域的影响,可以对有限域表面施加无反射边界条件来模拟无限大空间。
无反射边界条件通过边界表面节点组元施加, 可选择设置膨胀波和剪切波被吸收选项。提取与ANSYS模拟相同检波点的时程曲线,如图6所示。 与ANSYS模拟的时程曲线相比,边界反射波抑制效果比较理想,也能满足信噪比要求,而且建模更加简捷,运算量更小。
综合上述分析,最终建立的理想模型为: 震源位于坐标中点,X轴为自由表面,沿Y轴负方向为VP= 1000m / s的均匀地层,地层密度 ρ = 2300kg / m3, 弹性模量E = 1. 64 × 109Pa,泊松比 μ = 0. 32,管道直径为3m,埋深为5m。结构层选取PLANE162单元,根据 ( 5) 式得模型最小尺寸为150m。模拟得到的瑞雷波传播过程中某一时间的切片效果图,如图7所示。
图7反映了瑞雷波场的时—空传播特征,从波传播特征动态效果图可以看出,模拟得到的是一种地滚波,沿介质和大气层接触的自由表面传播,在水平方向上衰减很慢,振幅随深度急剧衰减,在管道处有反射和散射现象,主要能量大部分集中在浅层。这些波的传播特征与瑞雷波完全一致,证明本文有限元模拟方法的正确性和可行性。
3模拟数据格式转换
在上述研究的基础上,根据瑞雷波勘测野外工作方法,建立了两套数据采集系统模型: 模型一为单点激发,偏移距6m,采集道数为24道,道间距1m ( 即网格大小为1m × 1m) ,采样间隔t = 2ms, 采样点数n = 2048个; 模型二为炮点和检波器保持不变的偏移距 ( 3m) ,沿一条测线以1m的步距向前移动24次,其他参数不变。由于模型二较为复杂且计算量巨大,笔者借助国家超级计算机天津中心的 “天河一号”完成相关计算。具体数值模拟模型分别如图8、图9所示。
图8、图9中节点的垂直位移,相当于实际探测中24个检波器的地震记录数据。本文采用专业面波数据处理软件对模拟得到的瑞雷波地下管道勘测数据进行解释。地震数据处理软件识别的标准地震数据采 用SEG协会 《SEG-D Rev2,SEG Field Tape Standards》[9]行业标准的SEG-Y格式进行储存和管理。
在研究了SEG-Y数据格式的文件头和数据体结构形式后,首先利用MATLAB软件[10]编写数据格式转储程序,把文本文档 ( * . txt) 格式的各道模拟地震数据集合转换为SEG-Y格式的文件; 然后用专业面波处理软件对管道数值模拟地震数据进行分析,其结果见图10和图11,图中箭头所指区域均为瑞雷波遇到管道的反射信号。
图10中,模型一的模拟结果产生了反射信号, 但其地震道波形不规则,可通过解释F-V频散分析得到的频散曲线,来判断管道的敷设信息; 图11中,模型二的模拟结果产生了明显、规则的弧形反射信号带,可通过这种地震道波形特征判断管道敷设信息。
4地下管道的瑞雷波频散分析
在均匀半无限弹性介质中,瑞雷波不存在频散现象,即瑞雷波波速不随深度变化。然而,在实际非均匀地下介质结构中,瑞雷波的传播速度与介质物理力学性质密切相关,其存在频散,其与频率的关系曲线称为瑞雷波的频散曲线[11]。
大量工程实践发现,频散曲线上出现的突变或 “ 之 ” 字型折曲是由地层分界面或地下异常体 ( 如管道 、 地下空洞) 等引起的[3]。 结合频散曲线的速度 — 深度剖面V R -H转换 、 层速度求取,可判读管道的埋深和管径大小 。 图12即为模拟分析得到的频散曲线: 在5m深度处,首次出现 “ 之 ” 字型折曲,其为遇到地下管道管顶的信号响应; 在大约9m处,频散曲线又出现突变,说明其为管底的信号响应 。 所有地下管道的数值模拟结果的频散曲线中,在地下管道埋深处都会出现 “ 之 ” 字型折曲, 说明这确实是判断管道敷设信息的信号频散响应特征 。
5管径大小和管道形状对瑞雷波反射弧形信号的影响规律
数值模拟研究已经证实,瑞雷波法勘查地下管道时,多道瑞雷波地震道波形集合中会出现弧形反射信号带。为了研究管径大小和管道形状与弧形反射带形状之间的关系,本文建立了直径分别为1m、 4m、8m的三个圆形管道和一个边长为4m的方形管道的有限元模型,埋深均为5m,其他参数相同, 模拟得到瑞雷波反射波形如图13所示。
从图13可看到: 在相同管道形状和激震主频条件下,管径越大,弧型反射信号带的弧度越大 ( 即弧形越平缓) ; 而管道形状对弧形反射带的形状基本没有影响,方形管道信号与圆形管道相比,强度有所提高,弧形较平缓。管道范围内的地震道, 在管顶弧形反射信号带下发生明显的 “S形” 折曲,由有 “S形” 折曲地震道道数可判断管径大小; 直径1m的管道没有反射信号产生,主要是道间距相对于管道过大的原因。
6工程实例分析
结合上述理论分析成果,在天津滨海新区某顶管施工路径线两侧各10m条带状范围内地下障碍物和管道综合物探勘探工程中,采用瑞雷波法成功发现多条不同形式地下管道的弧形反射带。综合探地雷达测试技术、孔中磁测技术和钻孔取样的探测结果,最终验证了瑞雷波法确定的管道水平位置和埋深满足精度要求。现对各实测信号响应波形图进行逐一分析。
实测结果1: 图14是埋深1. 5m左右的圆形混凝土污水管道波形图,在43 ~ 55道之间,地震道集合中有明显的弧形反射带,且反射弧比较尖锐 ( 弧度小) ,信号响应特征明显。
实测结果2: 图15为一条埋深2m左右的方形排水管道波形图,在135 ~ 143道之间,图中弧形反射比较平缓,受周围地层紊乱信号影响,对该弧形反射信号识别有一定难度,但结合数值结果中的 “S” 形折曲的特征信号,成功发现了 管道反射信号。
实测结果3: 图16是埋深大约为5m的圆形天然气管道的波形图,在69 ~ 77道之间,因埋深较大,弧形反射较为平缓,信号响应较前两个更加不易识别,但也有明显的 “S”形折曲波形。
综合上述三种管道的信号响应特征,与数值模拟得到的信号规律相符: 瑞雷波遇管道有弧形反射信号出现,且信号弧度与管道埋深和管道形状有关,综合弧形反射带和 “S”形折曲的信号响应特征,能够较为准确地找出目标管道,并判断其敷设信息。可见,本文前述数值模拟理论成果在实际工程中具有一定的适用性。
7结论
本文应用有限元法实现了瑞雷波勘测地下管道的数值模拟,提出了截断边界模型尺寸公式,震源选择雷克子波,给定了网格划分依据,分别采用粘弹性边界条件和吸收边界条件来抑制边界反射波干扰。通过MATLAB编程,把模拟的地震数据转储为地震数据处理软件识别的SEG-Y格式,进而生成了瑞雷波地震波形,提取了频散曲线,用工程实例证明了该数值方法的可行性。
通过有限元数值模拟和实际勘察工程的对比分析,发现瑞雷波遇地下管道等局部地质结构时有弧形反射特征响应信号产生,并得出以下结论。
( 1) 当目标管线埋深不变时,瑞雷波遇管道的弧形反射信号带的弧度随管径的增加而增大。
( 2) 当管径大小和形状不变时,弧形反射信号带的弧度随管道埋深增加而增大。
( 3) 实测地震波形图中,由于地层环境复杂, 干扰信号较多,为提高信噪比,需要选择合适的采集窗口 ( 即选取合适的偏移距) 。
( 4) 为了提高分辨率,应适当提高震源主频和缩小道间距。
( 5) 后处理过程中,选取相应带宽滤波,以消除地层杂波影响,使弧形反射信号更加明显。
上述瑞雷波探测地下管道的信号响应规律,为工程实践提供了理论依据,对瑞雷波管道信号解释具有重要指导意义。后续研究中,应着重就管道埋深对信号响应特征的影响规律进行深入研究。
瞬态信号 篇2
解决预回声问题的方法以瞬态信号检测为前提, 主要有:比特池方法、长短块切换、混合滤波器组等。这些方法在算法复杂度, 准确度 (漏检和误检) 上存在不足。该文提出的方差-平坦测量综合检测技术可以弥补现有瞬态检测方法的不足, 在一定程度上提高了音频信号瞬态段检测时间分辨率, 具有检测准确度高、算法简单的优点。
1瞬态信号的特点
信号的瞬变现象和不规则结构 (如信号波形的跃变、间断、快速振荡等) 常常携带着信号的大部分信息, 包含这种瞬变现象和不规则结构的信号, 一般称为瞬态信号[3]。根据时域-频域的对偶性可知, 时域较平坦的信号, 频谱则不平坦;时域不平坦的信号, 频谱则较平坦。例如正余弦信号在频域呈尖锋状, 而脉冲信号的频谱在频域却是呈均匀分布的。因此, 时域上越不平坦、频域上越平坦的信号, 就越接近于瞬态信号;相反, 就越接近于平稳信号。
2方差-平坦测量综合瞬态段检测方法
造成多余检测主要原因是当整帧信号的样本差波动很大时会被误检测为瞬态信号。然而对于样本差来说, 当前帧的样本差值相对来说比较小, 可以设置适当阈值将多余检测消除。
方差是对一组样本数据平均值分散程度的度量。方差越大, 单个样本和其平均值之间差异越大;反之, 单个样本值就越接近平均值。
样本方差表达式:
根据文献[1], 信号的平坦测量表达式如式 (3) 所示:
其中A为很小的正常数。TFFM越小信号越类似瞬态的;相反, 则信号越类似平稳的。基于方差-平坦测量的瞬态检测算法原理框图如图1所示。
3仿真测试结果
利用方差-平坦测量综合方法对信号做瞬态检测, 并在MATLAB环境下以MATLAB自带音频信号smlsplas.wav做仿真测试, 测试信号的时域波形见图2。用平坦测量的方法做瞬态段检测结果见图3, 用方差-平坦测量综合的方法检检测结果见图4。通过对比分析图3和图4易见, 综合方法弥补了平坦测量在瞬态检测上的不足, 有效减少了冗余检测, 并能检测瞬态信号发生的位置。
4结语
通过上面的仿真结果可以得出, 该文所提出的方差-平坦测量综合检测方法, 与单独用平坦测量检测方法相比, 在瞬态段上几乎不产生多余检测。由于音频信号随机性比较强, 不同的音频信号在特性上差别比较大。因此方差-平坦测量综合检测方法并不能保证对每一个音频信号中瞬态段都能准确检测, 这是它的不足之处。
摘要：音频信号瞬态段检测技术是数字音频编码的关键技术之一, 它的优劣直接影响后续编码过程的复杂度及编码质量。针对平坦测量检测方法中存在冗余检测的不足之处, 该文介绍了方差-平坦测量综合瞬态段检测方法, 并对音频样本在MATLAB环境下进行了仿真测试, 结果证明, 该算法提高了音频信号瞬态段检测的时间分辨率, 减少瞬态段的冗余检测, 同时能检测其发生的位置, 为瞬态信号的处理提供判断依据。
关键词：方差,平坦测量,瞬态检测,MATLAB
参考文献
[1]杨振, 邹男, 付进.Hilbert-Huang变换在瞬态信号检测中的应用[J].声学技术, 2015, 34 (2) :167-171.
[2]周延献, 张涛, 王赞.基于方差-平坦测度的音频瞬态段检测算法[J].电声技术, 2012, 36 (2) :64-66.
[3]张涛, 周延献, 张瑞生, 等.基于方差的音频信号瞬态段检测方法:中国, 201110219767.X[S].2011-8-02.
瞬态信号 篇3
关键词：认知无线电,模仿主用户攻击,盒子维数,最大Lyapunov维数,特征提取
0 引言
认知无线电网络是在软件无线电基础上发展起来的新兴通信网,它以一种“机会方式”接入授权频段内,动态地利用其临时空闲的频段,从而提高其频谱利用率[1]。在认知无线电中,一个被授予执照的用户称为主用户(Primary User,PU),而没有被授予执照的用户称为认知用户。无线频谱感知是认知无线电的关键技术之一,它的目的就是找到当前无线频谱中未被主用户利用的频谱空穴,即检测主用户信号的存在性,它是认知无线电得以正常工作的前提保证[2]。从1999年瑞典皇家工学院的Mitola J.博士首先提出认知无线电概念[3]以来,认知无线电受到了广泛的关注并取得了显著的发展。
认知无线电作为无线通信的一种,除了会面临传统无线通信的各种安全问题外,还会面临一些新的安全隐患,比如模仿主用户攻击(Primary User Emulation,PUE)等。模仿主用户攻击是利用在授权频段内发送一个模仿主用户的信号,来欺骗认知用户,从而阻止认知用户接入到这一频段内,达到非法占有频谱资源的目的。模仿主用户攻击不但严重干扰了认知用户的频谱感知过程,而且严重降低了认知用户的可用的频谱资源[4]。本文引入特定发射机识别(Specific Emitter Identification,SEI)的概念,用于认知网络中非合作式设备的识别,达到预防PUE攻击的目的。SEI的研究主要有本振相位噪声提取、瞬态信号“指纹”识别、循环谱的特征提取、时钟指纹的提取等,本文主要从瞬态信号“指纹”识别展开,瞬态信号“指纹”识别是指发射机从静态到开机时,会经历一个瞬态过程,瞬态信号的特征是每个发射机特有的,对这些特征,如幅度、相位进行分析和提取,从而作为主用户发射机“指纹”识别的依据。本文提出一种基于分形理论的瞬态信号“指纹”特征提取,作为主用户发射机识别的依据。
1 分形理论及分形维数
分形理论是由B.B.Mandelbort于1967年首先提出,用以描述自然界不规则以及杂乱无章的的事物和现象。自然界中存在许许多多具有分形特征的物体,比如海岸线、闪电的形状、大脑的褶皱、雪花的形状等等,这些分形物体有一个共同的特点就是局部与整体具有自相似性。分形的主要研究工具是它的维数,分形物体的维数可以由分形维数来描述,分形维数定量地表述了分形物体的形状和复杂性。目前有各种分形维数的定义方法,如Hausdorff维数、信息维数、容量维数等,本文主要针对盒子维数[5]和最大Lyapunov维数来展开,对认知无线电信号提取其盒子维数和最大Lyapunov维数来作为识别的依据。
设A∈Rn,在欧氏距离下,用N(δ,A)表示覆盖集合A所需直径最大为δ的集的最少数目,则盒维数定义为[6]:
式中DB即为集合A的盒子维数。盒子维数非常容易由计算机求得,因此它是到目前为止应用最为普遍的分形维数,广泛应用在各个学科领域中。
本文是基于Wolf方法[7]来计算最大Lyapunov维数,而Wolf方法是基于相空间重构的[8],在相空间重构的过程中,最重要的就是确定延迟时间τ和嵌入维数m,它们的选择直接关系到相空间重构的质量。采用一种基于关联积分的简单算法来同时估计延迟时间和嵌入维数,这种方法由H.S.Kim等人改进,称为C-C算法[9,10]。Wolf方法首先利用时间延迟法对瞬态信号时间序列x(t)进行相空间重构,由C-C算法确定延迟时间τ和嵌入维数m,则空间中的每个点是由{x(t),x(t+τ),⋯,x(t+(m-1)τ)}给出。找出距离初始点{x(t0),x(t0+τ),⋯,x(t0+(m-1)τ)最近的点,用L(t0)标识这两点之间的距离。到t1时刻,L(t0)的值演化为L′(t1),然后再按照与演化后基准点的距离L(t1)很小并且L(t1)与L′(t1)的夹角很小的原则寻找新的数据点。如此往复,直到穷尽所有的数据点。这样得出最大Lyapunov维数指数[11]λ1为:
式中p为演化的总次数。当λ1趋向于稳定时,则最大Lyapunov维数计算成功。
2 实验及结果分析
针对WLAN网络,建立如图1所示的信号采集系统。将两张USB无线网卡分别安装在PC1和PC2上用于收发802.11b无线信号(信号码元速率为11 Mb/s),两台PC间距离约有5 m,当两张网卡成功建立无线链路并进行信号收发时,示波器依靠外接一个2.4 GHz的全向天线在靠近发送端的位置接收信号。
本次实验中使用Agilent Infiniium DSA91304A高性能示波器(13 GHz带宽,4个模拟通道,每个通道的采样率均可达到40 GSa/s)。
基于图1的无线信号采集系统,分别采集了6张不同品牌网卡的信号,每张网卡各采集10组数据。对采集到的无线网卡信号x(n)首先进行希尔伯特变化,提取有瞬态部分的数据包络,如图2所示,从图中可以看出不同品牌网卡信号的瞬态前导响应段有较明显的差异。因此可以对无线信号的瞬态前导响应进行分形特征提取。
图3为瞬态信号的处理流程。无线网卡信号在经过包络提取、起点检测并截取一段包含噪声信号、前导响应信号和有用符号响应信号(总共2 000点,时间200 ns,起点前500点,起点后1 500点)。
在图3中的起点检测处理过程,采用短时能量检测的方法。短时能量就是信号x2(n)经过冲激响应为h(n)的数字滤波器后的结果,通常定义为:
其中:h(n)=g2(n)是分析窗函数,常用的有矩形窗函数和汉明窗函数。本文中采用矩形窗函数对数据x(n)求短时能量En,再根据能量检测阈值来确定瞬态起点。确定起点后,截取一段信号,并对其做分形特征提取。
首先提取信号的盒子维数,设置格子数为218,以保证其能覆盖全部的信号。采用Matlab编程,提取6张无线网卡的盒子维数,用描点的方式直观地描述出来,如图4所示。由图4可知,同一品牌网卡的盒子维数具有良好的聚类,并且不同品牌网卡的盒子维数具有一定的差异性。
通过Wolf方法计算最大Lyapunov维数,首先得通过C-C算法确定延迟时间τ和嵌入维数m,以TPlink网卡信号为例,采用Matlab软件编程,做出关于t的曲线图,如图5所示。
延迟时间τ为的第一个极小值点对应的t,延迟时间窗τw为Scor(t)最小值点对应的t,从图5可知,τ=12,τw=12,嵌入维数m=τwτ+1,计算得嵌入维数m=2。确定延迟时间τ和嵌入维数m后,由Wolf方法计算6张不同品牌网卡信号的最大Lyapunov维数,并用描点画出来,如图6所示。
从图6中可知,同一品牌网卡信号的最大Lyapunov维数仍然具有良好的聚类,不同品牌的网卡信号也具有一定的差异性。但从FW54U、G200U、Mercury这三种品牌网卡的最大Lyapunov维数来看,差异性已经很小。
3 结语
认知无线电是一种利用频谱感知来提高频谱利用率的无线通信技术,模仿主用户攻击一直是困扰认知无线电安全问题的一大因素。本文提出一种基于分形维数的瞬态信号特征提取,为主用户信号识别提供特征参数,达到预防模仿主用户攻击的目的。文中通过采集无线网卡信号,并对其进行一系列的处理,提取其盒子维数和最大Lyapunov维数。从结果来看,同一品牌网卡的维数具有良好的聚类,且不同品牌网卡之间具有一定的差异性。其中,作为识别器的特征输入参数,盒子维数的效果要优于最大Lyapunov维数。
参考文献
[1]Hong RONG.A Detection Method of Primary User EmulationAttacks in Cognitive Radio.Industry Observer[J].[s.n.],2012(6):55-60.
[2]HAYKIN S.Cognitive radio:brain-empowered wireless commu nications[J].IEEE Journal on Selected Areas in Communica tion,2005,23(2):201-220.
[3]MITOLA J,MAQUIRE G J.Cognitive radios:making softwareradios more personal[J].IEEE Personal Communications,1999,6(4):13-18.
[4]SANGIORGI D,WALKER D.Theπ-calculus:a theory of mo 2003.
[5]孙霞,吴自勤,黄畇.分形原理及其应用[M].合肥:中国科学技术大学出版社,2006.
[6]王东生,曹磊.混沌、分形及其应用[M].合肥:中国科学技术大学出版社,1995.
[7]WOLF A,SWIFT J B,SWINNEY H L,et al.Determining Ly apunov exponents from a time series[J].Physica,1985,16D:285-317.
[8]王丹丹,王怀阳,李晓燕.健康人与心脏病人心电信号混沌特性比较研究[J].中国海洋大学学报,2006,36(5):197-200.
[9]KIM H S,EYKHOLT R,SALAS J D.Nonlinear dynamics,de lay times,and embedding windows[J].Physica D,1999,127(1/2):48-60.
[10]陈国华,盛昭瀚.基于Lyapunov指数的混沌时间序列识别[J].系统工程理论方法应用,2003,12(4):317-320.