CN109471074B - 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 - Google Patents

基于奇异值分解与一维cnn网络的雷达辐射源识别方法 Download PDF

Info

Publication number
CN109471074B
CN109471074B CN201811328725.8A CN201811328725A CN109471074B CN 109471074 B CN109471074 B CN 109471074B CN 201811328725 A CN201811328725 A CN 201811328725A CN 109471074 B CN109471074 B CN 109471074B
Authority
CN
China
Prior art keywords
layer
network
lambda
dimensional
singular value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811328725.8A
Other languages
English (en)
Other versions
CN109471074A (zh
Inventor
蔡晶晶
吴琼
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201811328725.8A priority Critical patent/CN109471074B/zh
Publication of CN109471074A publication Critical patent/CN109471074A/zh
Application granted granted Critical
Publication of CN109471074B publication Critical patent/CN109471074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，主要解决现有技术辐射源识别技术识别时间复杂高、识别精度低的问题。其实现方案为：采用分离算法进行信号分离，并将雷达时间序列拆分为矩阵G；对矩阵G作奇异值分解，并从分解后的Σ矩阵中提取对角元素构成向量λ；将多组雷达数据提取出来的奇异值向量，制成训练集、验证集、测试集；针对向量λ设计一维CNN网络结构；使用训练集对一维CNN网络进行训练；使用验证集测试训练完成网络的性能，判断网络是否可用；将测试集送入训练好的网络，网络输出为辐射源类别。本发明在保证识别率可用的条件下，减少了辐射源识别时间，可用于复杂电磁环境下的雷达辐射源识别。

Description

基于奇异值分解与一维CNN网络的雷达辐射源识别方法
技术领域
本发明属于信号处理技术领域，特别涉及一种基于雷达辐射源识别方法，可用于电子情报侦察、电子支援和威胁告警系统中。
背景技术
雷达辐射源信号识别是雷达电子对抗中一个重要组成部分，在电子情报侦察、电子支援和威胁告警系统中的发挥中重要的作用。
随着电子技术的发展，各种新型复杂体制雷达不断出现，使得电子环境复杂多变，对辐射源的精确识别带来了越来越严峻的挑战。传统基于脉冲描述字即载频、脉冲宽度、脉冲幅度、到达时间和到达角的方法，在当代电磁信号密度大或复杂多变环境中，缺陷越来越明显。
目前，考虑到脉内特征作为重要的脉冲参数有助于提高辐射源识别率，诸多学者提出了在保留原始PDW功能基础上添加许多脉内特征分析的方法，如时域分析法、频域分析法、瞬时自相关法、模糊函数切片法和谱相关法等。但这些现有技术存在有两方面缺点：第一个是算法识别率低。即已有算法大多依赖人为选取特征，特征的好坏决定识别率的高低，无法适应日益复杂的电磁环境。第二个缺点是时间复杂度高。现在伴随数据维度的不断升高，已有算法识别时间越来越长，对于实时性要求高的系统无法应用。
针对这些缺点，有学者提出了基于时频变换与二维CNN网络的雷达辐射源识别方法，此方法是将一维雷达序列通过时频变换转换到视频图，再基于时频图采用二维CNN的方法实现雷达辐射源识别。该方法虽说可以有效提高识别率，但仍然存在时间复杂度高这一不足。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，以在保证识别率可用的条件下，减少数据处理量，降低系统时间复杂度。
为实现上述目的，本发明的实现方案包括如下：
1)对从接收机接收到的混叠信号进行分离，得到单一雷达信号时间序列xk(t)，t＝1，2，...n，xk(t)为第k个雷达信号样本，n为接收机对雷达信号时间序列的采样点数，k∈(1，H)，H为接收机接收的总共信号组数；
2)将到分离后的雷达时间序列x(t)拆分为N行、M列的二维矩阵G；
3)对二维矩阵G进行奇异值分解，使G＝U∑VT，其中U是一个N*N的方阵，V是一个M*M正交的方阵，该方阵里面的向量称为右奇异向量，VT是V矩阵的转置；∑是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：
Figure BDA0001859394620000021
其中λj为奇异值，j∈(1，M)；
4)从∑矩阵中提取对角元素的奇异值，排成一维向量：λ(k)＝[λ1，λ2，...λj...，λM]，其中λj为奇异值，其中λ(k)为第k个雷达数据的奇异值向量；
5)将U组雷达数据提取出来的奇异值向量数据集λ＝[λ(1)，λ(2)，...λ(k)…，λ(U)]，制成训练集λt、验证集λc和测试集λo三部分，其中k∈(1，H)，λ(k)为第k个雷达数据的奇异值向量；
6)根据向量λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络；
7)利用5)中提取的训练集λt，对6)设计的一维CNN网络中进行训练：
7a)按如下公式对权重w、偏置b进行初始化：
Figure BDA0001859394620000022
Figure BDA0001859394620000023
其中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，x∈(-∞，+∞)间的随机数，nl为一维卷积神经网络CNN网络第l层的输入节点个数；
7b)将5)中提取的训练集奇异值向量λt，送入6a)中已经初始化权重、偏置的网络中，逐步进行卷积和池化运算，得到网络输出结果；
7c)根据网络输出结果，按如下公式计算网络损失值J(X，y；w)：
Figure BDA0001859394620000024
其中m为batch的样本个数，y为标签，a为网络的输出，λ为惩罚因子，w为网络的权重参数，wT为w的转置；
7d)根据损失值，按如下公式对权重、偏置参数进行更新：
Figure BDA0001859394620000031
Figure BDA0001859394620000032
Figure BDA0001859394620000033
Figure BDA0001859394620000034
上式中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ为惩罚因子，J为损失函数，
Figure BDA0001859394620000035
为损失函数对l层权重的偏导，
Figure BDA0001859394620000036
为损失函数对l层偏置的偏导；
7e)判断迭代次数或者损失值达到设定的阈值，若是，则训练结束，否则，返回(6b)；
8)将5)中得到验证集λc送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的阈值p＝0.9，则返回5)，否则，执行7)；
9)将5)中得到测试集奇异值向量λo，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。
本发明具有如下优点：
第一，本发明将原始雷达信号序列进行拆分成二维矩阵，再对矩阵进行奇值提取，即将维度为n的数据，通过奇异值变换，降维成维度为M的数据
Figure BDA0001859394620000037
大大降低了数据的处理量，减少了处理时间。
第二，本发明采用一维CNN网络进行训练、识别，通过实验表明，最终的识别率可以达到90％以上，能够应用于复杂电磁环境下的雷达辐射源识别。
附图说明
图1是本发明的实现流程图；
图2是本发明中的网络结构图。
具体实施方式
参照图1，本发明的雷达辐射源识别方法，其实现步骤如下：
步骤1：利用信号分离算法进行信号分离。
由于现实电磁环境复杂，从接收机接收到信号的混叠严重，因此需采用分离算法进行信号分离。最常用的分离算法是盲分离算法，其主要有A)基于信息论的盲分离算法、B)基于二阶统计量的盲分离算法、C)基于高阶统计量的盲分离算法。
本发明采用但不限于B)，即基于二阶统计量的盲分离算法对混叠信号进行分离，得到单一雷达信号时间序列xk(t)，t＝1，2，...n，n为接收机对雷达信号时间序列的采样点数，再将xk(t)作为第k个雷达信号样本，k∈(1，H)，H为接收机接收到的雷达信号总数。
步骤2：将一维信号拆分为二维矩阵。
将步骤1中得到分离后的雷达时间序列xk(t)进行拆分，拆分采用商用软件MATLABR2014a中的reshape函数实现，具体拆分为N行、M列的二维矩阵G，其形式如下：
Figure BDA0001859394620000041
其中i∈(1，N)，j∈(1，M)。
步骤3：对信号矩阵进行奇异值分解。
对步骤2中得到的二维矩阵G进行奇异值分解，使G＝U∑VT，其中U是一个N*N的正交方阵，V是一个M*M的正交方阵，VT是V矩阵的转置；∑是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：
Figure BDA0001859394620000042
其中λj为奇异值，j∈(1，M)。
步骤4：提取奇异值向量。
从步骤3中的∑矩阵中提取对角元素的奇异值，排成一维向量：
λ(k)＝[λ1，λ2，...λj…，λM]，其中λj为奇异值，其中λ(k)为第k个雷达数据的奇异值向量，k∈(1，H)。
步骤5：制作训练集、验证集、测试集。
将U组雷达数据所提取出来的所有奇异值向量，合并组成数据集：
λ＝[λ(1)，λ(2)，...λ(k)…，λ(U)]，λ(k)为第k个雷达数据的奇异值向量，k∈(1，H)；
再将数据集λ按照6∶2∶2比例分成训练集λt、验证集λc和测试集λo三部分。
步骤6：设计一维CNN网络结构。
根据奇异值向量λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络，其具体结构如下：
第一层是输入层，
第二层是模板大小为7的一维卷积层，
第三层是模板大小为5的最大池化层，
第四层是第一规范化层，
第五层是模板大小为5的一维卷积层，
第六层是模板大小为3的一维卷积层，
第七层是模板大小3的最大池化层，
第八层是第二规范化层，
第九层是模板大小为3的一维卷积层，
第十层是模板大小为5的一维卷积层，
第十一层是模板大小为2的最大池化层，
第十二层是第三规范化层，
第十三层是第一全连接层，
第十四层是Dropout层，
第十五层是第二全连接层，
第十六层是输出层。
网络中每层都含有权重w、偏置b参数，最终所设计出来的一维CNN网络结构如图2所示。
步骤7：对设计好的网络进行训练。
7a)按如下公式对步骤6所设计网络中每层的权重w、偏置b参数进行初始化：
Figure BDA0001859394620000051
Figure BDA0001859394620000052
其中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，x∈(-∞，+∞)间的随机数，nl为一维卷积神经网络CNN网络第l层的输入节点个数，l∈(1，16)；
7b)将步骤5中提取的训练集奇异值向量λt，送入7a)中已经初始化权重w、偏置b的网络中，逐步进行卷积和池化运算，得到网络输出结果；
7c)根据网络输出结果，按如下公式计算网络损失值J(X，y；w)：
Figure BDA0001859394620000061
其中m为batch的样本个数，y为标签，a为网络的输出，λ为惩罚因子，w为网络的权重参数，wT为w的转置；
7d)根据损失值，按如下公式对网络的权重、偏置参数进行更新：
Figure BDA0001859394620000062
Figure BDA0001859394620000063
Figure BDA0001859394620000064
Figure BDA0001859394620000065
上式中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ为惩罚因子，J(X，y；w)为损失值，
Figure BDA0001859394620000066
为损失函数对l层权重的偏导，
Figure BDA0001859394620000067
为损失函数对l层偏置的偏导；
7e)根据数据集λ维度和网络层数大小设定训练结束阈值，判断迭代次数或者损失值是否达到设定的训练结束阈值，若是，则训练结束，执行步骤8，否则，返回7b)。
步骤8：对训练完成的网络进行性能测试。
将步骤5中得到验证集λc送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的识别率阈值p＝0.9，则返回步骤6，否则，执行步骤9。
步骤9：将步骤5中得到测试集λo，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。
本发明的效果可通过以下仿真说明：
1.仿真条件
本发明采用的数据为MATLAB生成的雷达辐射源信号数据，数据集由五种不同调制方式的信号组成，每类信号信噪比由-10dB到4dB间隔2dB，每种信号样本数量为3000个，每个信噪比点上每类信号的样本有375个，其中1800个样本作为训练集，600个样本作为验证集，600个样本作为测试集。
实验硬件平台为：Intel(R)Core(TM)i5-6500，8GBRAM，软件平台为：MATLABR2014a，Centos7，TensorFlow1.1.1。
为了进一步评价本发明的性能，对多次独立的实验结果进行了平均，并采用网络在不同测试集上的识别率平均值作为评价指标：
计算样本xi的识别率：
Figure BDA0001859394620000071
根据样本xi的识别率计算网络识别率：
Figure BDA0001859394620000072
其中ai为样本xi的网络输出，yi为样本xi的标签，m为batch的样本个数。本仿真采用本发明算法进行。
2.仿真内容与结果：
在上述仿真条件下，用本发明的方法对不同信噪比、不同类型型号进行识别，并统计识别率，最终得到的识别率如表1所示：
表1
Figure BDA0001859394620000073
从表1可以看到，在低信噪比时线性调频信号与四频编码信号识别率都比较高，二相编码信号的识别率最低。当信噪比为-4dB时，五种信号的识别率都很高，在98％以上。整体上，随着信噪比的升高，识别率也伴随着升高，但在低信噪比时，二相编码信号识别率明显低于其他类型信号。
仿真结果表明，本发明减少了数据处理量，降低了系统时间复杂度，同时保证了识别率可用。

Claims (4)

1.一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，其特征在于，包括如下：
1)对从接收机接收到的混叠信号进行分离，得到单一雷达信号时间序列xk(t),t＝1,2,...n，n为接收机对雷达信号时间序列的采样点数，将xk(t)作为第k个雷达信号样本，k∈(1,H)，H为接收机接收的总共信号组数；
2)将分离后的雷达时间序列xk(t)拆分为N行、M列的二维矩阵G；
3)对二维矩阵G进行奇异值分解，使G＝U∑VT，其中U是一个N*N的方阵，V是一个M*M正交的方阵，VT是V矩阵的转置；Σ是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：
Figure FDA0004047245870000011
其中λj为奇异值，j∈(1,M)；
4)从Σ矩阵中提取对角元素的奇异值，排成一维向量：λ(k)＝[λ1,λ2,...λj...,λM]，其中λj为奇异值，其中λ(k)为第k个雷达数据的奇异值向量；
5)将U组雷达数据提取出来的奇异值向量数据集λ＝[λ(1),λ(2),...λ(k)...,λ(U)]，制成训练集λt、验证集λc和测试集λo三部分，其中k∈(1,H)，λ(k)为第k个雷达数据的奇异值向量；
6)根据向量数据集λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络；
7)利用5)中提取的训练集λt，对6)设计的一维CNN网络进行训练：
7a)按如下公式对权重w、偏置b进行初始化：
Figure FDA0004047245870000012
Figure FDA0004047245870000013
其中,w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，x∈(-∞,+∞)间的随机数，nl为一维卷积神经网络CNN网络第l层的输入节点个数；
7b)将5)中提取的训练集奇异值向量λt，送入6a)中已经初始化权重、偏置的网络中，逐步进行卷积和池化运算，得到网络输出结果；
7c)根据网络输出结果，按如下公式计算网络损失值J(X,y；w)：
Figure FDA0004047245870000021
其中m为batch的样本个数，y为标签，a为网络的输出，λ'为惩罚因子，w为网络的权重参数，wT为w的转置；
7d)根据损失值，按如下公式对权重、偏置参数进行更新：
Figure FDA0004047245870000022
Figure FDA0004047245870000023
Figure FDA0004047245870000024
Figure FDA0004047245870000025
上式中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ'为惩罚因子，J(X,y；w)为损失函数，
Figure FDA0004047245870000026
为损失函数对l层权重的偏导，
Figure FDA0004047245870000027
为损失函数对l层偏置的偏导；
7e)判断迭代次数或者损失值是否达到设定的阈值，若是，则训练结束，执行8)，否则，返回7b)；
8)将5)中得到验证集λc送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的阈值p＝0.9，则返回5)，否则，执行9)；
9)将5)中得到测试集奇异值向量λo，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。
2.根据权利要求1所述的方法，其特征在于2)中的二维矩阵G，表示如下：
Figure FDA0004047245870000028
其中i∈(1,N),j∈(1,M)。
3.根据权利要求1所述的方法，其特征在于6)中的十六层一维卷积神经网络CNN网络，具体结构如下：
第一层是输入层，
第二层是模板大小为7的一维卷积层，
第三层是模板大小为5的最大池化层，
第四层是第一规范化层，
第五层是模板大小为5的一维卷积层，
第六层是模板大小为3的一维卷积层，
第七层是模板大小3的最大池化层，
第八层是规范化层，
第九层是模板大小为3的一维卷积层，
第十层是模板大小为5的一维卷积层，
第十一层是模板大小为2的最大池化层，
第十二层是第一规范化层，
第十三层是第一全连接层，
第十四层是Dropout层，
第十五层是第二全连接层，
第十六层是输出层。
4.根据权利要求1所述的方法，其特征在于8)中计算网络在验证集上的识别率，其实现如下：
计算样本xi的识别率：
Figure FDA0004047245870000031
根据样本xi的识别率计算网络识别率：
Figure FDA0004047245870000032
其中，ai为样本xi的网络输出，yi为样本xi的标签，m为batch的样本个数。
CN201811328725.8A 2018-11-09 2018-11-09 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 Active CN109471074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811328725.8A CN109471074B (zh) 2018-11-09 2018-11-09 基于奇异值分解与一维cnn网络的雷达辐射源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811328725.8A CN109471074B (zh) 2018-11-09 2018-11-09 基于奇异值分解与一维cnn网络的雷达辐射源识别方法

Publications (2)

Publication Number Publication Date
CN109471074A CN109471074A (zh) 2019-03-15
CN109471074B true CN109471074B (zh) 2023-04-21

Family

ID=65672174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811328725.8A Active CN109471074B (zh) 2018-11-09 2018-11-09 基于奇异值分解与一维cnn网络的雷达辐射源识别方法

Country Status (1)

Country Link
CN (1) CN109471074B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033032B (zh) * 2019-03-29 2020-12-25 中国科学院西安光学精密机械研究所 一种基于显微高光谱成像技术的组织切片分类方法
CN113168557B (zh) * 2019-03-30 2024-04-30 华为技术有限公司 一种数据处理方法、服务器和可读介质
CN110146855B (zh) * 2019-06-11 2020-10-23 北京无线电测量研究所 雷达间断干扰抑制门限计算方法及装置
CN110489797B (zh) * 2019-07-18 2023-03-24 武汉大学苏州研究院 一种适用于外辐射源雷达的电磁环境辨识方法
CN111208480B (zh) * 2019-09-29 2022-07-08 北京机电工程研究所 用于电子对抗装备侦收信号的载波的自适应辨识方法
CN111624570B (zh) * 2020-04-30 2023-09-26 南京理工大学 基于二维卷积神经网络的雷达目标识别方法
CN112183279B (zh) * 2020-09-21 2022-06-10 中国人民解放军国防科技大学 基于iq图特征的通信辐射源个体识别方法
CN113095354B (zh) * 2021-03-03 2022-04-29 电子科技大学 基于辐射源特征子空间知识的未知雷达目标识别方法
CN113156386A (zh) * 2021-03-15 2021-07-23 中国人民解放军海军工程大学 一种雷达、辐射源识别方法及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321200B1 (en) * 1999-07-02 2001-11-20 Mitsubish Electric Research Laboratories, Inc Method for extracting features from a mixture of signals
US8659467B1 (en) * 2010-08-26 2014-02-25 Lawrence Livermore National Security, Llc Zero source insertion technique to account for undersampling in GPR imaging
CN107220606B (zh) * 2017-05-22 2020-05-19 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107728143B (zh) * 2017-09-18 2021-01-19 西安电子科技大学 基于一维卷积神经网络的雷达高分辨距离像目标识别方法
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108229404B (zh) * 2018-01-09 2022-03-08 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法

Also Published As

Publication number Publication date
CN109471074A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109471074B (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
CN112098957A (zh) 基于一维自步卷积神经网络的复杂雷达辐射源识别方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN111680737B (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN111310700A (zh) 一种用于辐射源指纹特征识别的中频采样序列处理方法
CN115392285A (zh) 一种基于多模态的深度学习信号个体识别模型防御方法
CN113111786B (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN112764002B (zh) 一种基于可变形卷积的fmcw雷达手势识别方法
CN113962260A (zh) 一种基于去噪深度残差网络的雷达信号智能分选方法
CN111310680B (zh) 一种基于深度学习的辐射源个体识别方法
CN116430317A (zh) 一种辐射源调制样式与个体识别方法及系统
CN116243248A (zh) 基于多标签分类网络的多分量干扰信号识别方法
CN113343796B (zh) 一种基于知识蒸馏的雷达信号调制方式识别方法
Mengmeng et al. Signal sorting using teaching-learning-based optimization and random forest
CN113869289A (zh) 基于熵的多通道舰船辐射噪声特征提取方法
CN114296041A (zh) 基于DCNN和Transformer的雷达辐射源识别方法
CN113807186A (zh) 基于多通道复用卷积神经网络的雷达目标识别方法
CN112185412A (zh) 一种多目标声信号混叠下的识别方法
CN110555370B (zh) 水下目标识别中基于plda因子分析法的通道效应抑制方法
Hao et al. Evaluation of interference effect of speech communication system
CN113359091B (zh) 基于深度学习的多核函数混叠雷达辐射源识别方法和系统
CN115422977A (zh) 基于cnn-bls网络的雷达辐射源信号识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant