CN111239692B - 基于深度学习的pri联合脉内信息辐射源信号识别方法 - Google Patents
基于深度学习的pri联合脉内信息辐射源信号识别方法 Download PDFInfo
- Publication number
- CN111239692B CN111239692B CN202010027623.3A CN202010027623A CN111239692B CN 111239692 B CN111239692 B CN 111239692B CN 202010027623 A CN202010027623 A CN 202010027623A CN 111239692 B CN111239692 B CN 111239692B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- source signal
- network
- pri
- pulse
- 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
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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,以雷达辐射源信号脉内调制信息以及PRI脉间调制信息特点为基础,通过多层感知机网络及一维CNN网络分别对雷达辐射源信号的PRI脉间信息和脉内信息进行特征提取,将两个特征向量组合之后进行识别,从而提高雷达信号识别效率。
Description
技术领域
本发明属于信号处理技术领域,特别涉及一种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时频图,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,但对于雷达参数细化,种类增多的情况识别效率低,且时间复杂度较高。
发明内容
本发明针对雷达辐射源信号识别现有技术存在的不足,提出一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,以雷达辐射源信号脉内调制信息以及PRI脉间调制信息特点为基础,通过多层感知机网络及一维CNN网络分别对雷达辐射源信号的PRI脉间信息和脉内信息进行特征提取,将两个特征向量组合之后进行识别,从而提高雷达信号识别效率。
本发明的技术方案为:
所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:包括以下步骤:
步骤1:构建辐射源信号原始数据集;
所述辐射源信号原始数据集中信号的脉内调制方式包括五类:线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号;其中线性调频信号根据带宽分为m1种,非线性调频信号根据窗函数分为m2种,二相编码信号根据巴克码位数分为m3种,固定频率信号根据载频分为m4种,二频编码根据频率分为m5种;
所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类:包括固定、抖动、正弦、滑变、驻留与切换;
脉内调制方式线性组合PRI脉间调制方式共产生5*(m1+m2+m3+m4+m5)种信号,每种信号标记有对应的脉内调制方式与脉间调制方式的组合标签;每种信号产生K个样本,共5K*(m1+m2+m3+m4+m5)个样本,每个样本长度包含多个脉冲信号;
步骤2:对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声,得到N个具有不同信噪比噪声的辐射源信号数据集,再加上步骤1中的辐射源信号原始数据集,共得到N+1个辐射源信号数据集,每个数据集中包含5K*(m1+m2+m3+m4+m5)个样本;
步骤3:构建多层感知机网络,利用N+1个辐射源信号数据集分别对多层感知机网络进行训练,得到训练好的多层感知机网络模型;训练好的多层感知机网络模型输出辐射源信号的PRI脉间信息特征向量;构建CNN网络,利用N+1个辐射源信号数据集分别对CNN网络进行训练,得到训练好的CNN网络;训练好的CNN网络输出辐射源信号脉内调制信息特征向量;
步骤4:采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出相连接,全连接网络结构输出联合特征向量;在全连接网络结构后接softmax分类器完成整个网络结构的搭建;
步骤5:将实际截获的信号分为两个支路,分别输入训练好的多层感知机网络模型和CNN网络中,最终softmax分类器输出分类识别结果。
进一步的,利用某一个辐射源信号数据集对CNN网络进行训练时,先对该辐射源信号数据集中的每个样本进行截取,只取属于同一脉冲的信号数据对CNN网络进行训练。
进一步的,利用某一个辐射源信号数据集对多层感知机网络进行训练时,先对该辐射源信号数据集中的每个样本进行等间隔采样,以获得样本中的多个脉冲信号数据,然后利用得到的多个脉冲信号数据对多层感知机网络进行训练。
进一步的,步骤3中,根据预先仿真试验,确定多层感知机网络输出收敛时的迭代次数,并依此设置多层感知机网络的迭代次数;当利用某一个辐射源信号数据集对多层感知机网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对多层感知机网络进行训练,直至N+1个辐射源信号数据集均对多层感知机网络进行了训练。
进一步的,步骤3中,根据预先仿真试验,确定CNN网络输出收敛时的迭代次数,并依此设置CNN网络的迭代次数;当利用某一个辐射源信号数据集对CNN网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对CNN网络进行训练,直至N+1个辐射源信号数据集均对CNN网络进行了训练。
进一步的,步骤3中,采用六层感知机网络。
进一步的,步骤3中,CNN网络采用由三个卷积层、三个池化层、一个全连接层、一个Flatten层,一个Dropout层组成的九层一维卷积神经网络CNN网络。
进一步的,步骤2中,分别选取-10dB、-5dB、0dB、5dB、10dB共5个信噪比点,叠加在步骤1构建的辐射源信号原始数据集中,得到5个具有不同信噪比噪声的辐射源信号数据集。
进一步的,步骤3中,多层感知机网络和CNN网络均采用adagrad算法作为优化函数。
进一步的,步骤3中,多层感知机网络中采用线性整流函数ReLU作为激活函数。
有益效果
本发明具有如下优点:
第一,本发明采用两路分支网络,针对雷达辐射源信号脉内信息和PRI脉间信息的特点,分别设计不同的网络结构进行特征提取,再将两路特征组合进行识别,提高了网络的识别率。
第二,本发明数据集在常见雷达信号基础上进行拓展,其中脉内调制方式进行参数细化,拓展到m1+m2+m3+m4+m5种脉内调制的雷达信号;PRI脉间调制方式采用5种;脉内调制与PRI脉间调制进行线性组合,共产生5*(m1+m2+m3+m4+m5)种雷达信号,丰富了雷达数据集。
第三,两种网络中均采用adagrad算法作为优化函数,大幅度提升网络优化性能,显著降低了收敛代数,提高了识别率。
第四,采用reLU激活函数代替传统SGD随机梯度下降法,加速网络训练过程,同时防止网络神经元过饱和或因层数过深导致的过拟合,提高网络的泛化能力。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本实施例的实现流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
参照图1,本实施例中的基于深度学习的PRI联合脉内信息辐射源信号识别方法,其实现步骤如下:
步骤1:用MATLAB软件仿真构建辐射源信号原始数据集;
所述辐射源信号原始数据集中信号的脉内调制方式包括五类:线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号。
其中线性调频信号根据带宽分为4种,非线性调频信号根据窗函数分为2种,二相编码信号根据巴克码位数分为4种,固定频率信号根据载频分为4种,二频编码根据频率分为4种,这样共计18个分类。所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类:包括固定、抖动、正弦、滑变、驻留与切换。18种脉内调制方式线性组合5种PRI脉间调制方式共产生90种信号,每种信号标记有对应的脉内调制方式与脉间调制方式的组合标签;每种信号产生1000个样本,共90000样本,每个样本长度包含多个脉冲信号,本实施例中取40000个点。
本实施例中:
二频编码信号有四种载频分别为500Hz、1000Hz;500Hz、750Hz;250Hz、750Hz;250Hz、500Hz;编码方式采用13位巴克码,脉宽为0.08s,码元宽度为0.0061s;
固定频率信号载频有四种分别为1000Hz,1100Hz,1200Hz,1300Hz;
线性调频信号载频为1000Hz,带宽有四种分别为100Hz,200Hz,300Hz,400Hz;
非线性调频信号采用余弦调制,载频为1000Hz,窗函数有两种分别为汉宁窗、布拉克曼窗;
二相编码信号载频为1000Hz,编码方式有四种分别采用5位、7位、11位、13位巴克码,脉宽为0.08s;
5种不同的PRI脉间调制信息,其参数设置如下:
固定:PRI固定为0.2s;
滑变:PRI=0.2-0.1/15×n(n=1,2,…15);
正弦:PRI=0.2+0.1COS(2π/15×n)(n=1,2,…15);
抖动:抖动系数为0.3,抖动PRI中心为0.2;
驻留与切换:PRI选取
0.15,0.15,0.15,0.15,0.15,0.2,0.2,0.2,0.2,0.2,0.25,0.25,0.25,0.25,0.25。
步骤2:对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声,分别选取-10dB、-5dB、0dB、5dB、10dB共5个信噪比点,得到5个具有不同信噪比噪声的辐射源信号数据集,再加上步骤1中的辐射源信号原始数据集,共得到6个辐射源信号数据集,每个数据集中包含90000个样本。每个数据集中选取前90%的样本作为训练集,后10%的样本作为验证集。
步骤3:构建多层感知机网络,利用6个辐射源信号数据集分别对多层感知机网络进行训练,得到训练好的多层感知机网络模型;训练好的多层感知机网络模型输出辐射源信号的PRI脉间信息特征向量。
这里我们采用六层感知机网络,并根据预先仿真试验,确定六层感知机网络输出收敛时的迭代次数,并依此设置六层感知机网络的迭代次数,本实施例中设置的迭代次数为200,批处理个数为50。
六层感知机网络第一层是输入层,第二层是神经元个数为6的全连接层,第三层是神经元个数为32的全连接层,第四层是神经元个数为64的全连接层,第五层是神经元个数为64的全连接层,第六层是神经元个数为32的全连接层。
由于直接将某一个辐射源信号数据集中的训练样本全部输入多层感知机网络,会导致训练时间过长,且多层感知机网络是用于输出辐射源信号的PRI脉间信息特征向量,所以对某一个辐射源信号数据集而言,先对辐射源信号数据集中的每个样本进行等间隔采样,以获得样本中的多个脉冲信号数据,然后利用得到的多个脉冲信号数据对多层感知机网络进行训练。
当利用某一个辐射源信号数据集对多层感知机网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对多层感知机网络进行训练,直至6个辐射源信号数据集均对多层感知机网络进行了训练。
在进行多层感知机网络训练时,本实施例选用AdaGrad算法作为网络优化算法,算法表示如下:
计算梯度:
累计平方梯度:
计算更新:
应用更新:
θ←θ+Δθ
上述算法中,r为梯度累积变量,r的初始值为0。ε为全局学习率,根据需要进行设置。δ为小常数,为了数值稳定大约设置为10-7。
而激活函数选用线性整流函数ReLU,线性整流激活函数的数学模型表示如下:
φ(x)=max(0,x)
其梯度函数如下:
构建CNN网络,利用6个辐射源信号数据集分别对CNN网络进行训练,得到训练好的CNN网络;训练好的CNN网络输出辐射源信号脉内调制信息特征向量。
根据预先仿真试验,确定CNN网络输出收敛时的迭代次数,并依此设置CNN网络的迭代次数,本实施例中设置的迭代次数为200,批处理个数为50。
本实施例中,CNN网络采用由三个卷积层、三个池化层、一个全连接层、一个Flatten层,一个Dropout层组成的九层一维卷积神经网络CNN网络。第一层是八个模板大小为1*3的卷积层,第二层是模板大小为3的池化层,第三层是16个模板大小为1*3的卷积层,第四层是模板大小为3的池化层,第五层是32个模板大小为1*3的一维卷积层,第六层是模板大小为3的池化层,第七层是Flatten层,第八层是1*32的全连接层,第九层是Dropout层。
由于某一个辐射源信号数据集中的单个训练样本中包括多个脉冲数据,如果将多个脉冲数据输入CNN网络,脉间特征会影响CNN网络对脉内调制信息的特征提取,所以对某一个辐射源信号数据集而言,先对该辐射源信号数据集中的每个样本进行截取,只取属于同一脉冲的信号数据对CNN网络进行训练。
当利用某一个辐射源信号数据集对CNN网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对CNN网络进行训练,直至6个辐射源信号数据集均对CNN网络进行了训练。
步骤4:采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出相连接,全连接网络结构输出联合特征向量;在全连接网络结构后接softmax分类器完成整个网络结构的搭建;
步骤5:将实际截获的信号分为两个支路,分别输入训练好的多层感知机网络模型和CNN网络中,最终softmax分类器输出分类识别结果。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:包括以下步骤:
步骤1:构建辐射源信号原始数据集;
所述辐射源信号原始数据集中信号的脉内调制方式包括五类:线性调频信号、非线性调频信号、二相编码信号、固定频率信号、二频编码信号;其中线性调频信号根据带宽分为m1种,非线性调频信号根据窗函数分为m2种,二相编码信号根据巴克码位数分为m3种,固定频率信号根据载频分为m4种,二频编码根据频率分为m5种;
所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类:包括固定、抖动、正弦、滑变、驻留与切换;
脉内调制方式线性组合PRI脉间调制方式共产生5*(m1+m2+m3+m4+m5)种信号,每种信号标记有对应的脉内调制方式与脉间调制方式的组合标签;每种信号产生K个样本,共5K*(m1+m2+m3+m4+m5)个样本,每个样本长度包含多个脉冲信号;
步骤2:对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声,得到N个具有不同信噪比噪声的辐射源信号数据集,再加上步骤1中的辐射源信号原始数据集,共得到N+1个辐射源信号数据集,每个数据集中包含5K*(m1+m2+m3+m4+m5)个样本;
步骤3:构建多层感知机网络,利用N+1个辐射源信号数据集分别对多层感知机网络进行训练,得到训练好的多层感知机网络模型;训练好的多层感知机网络模型输出辐射源信号的PRI脉间信息特征向量;构建CNN网络,利用N+1个辐射源信号数据集分别对CNN网络进行训练,得到训练好的CNN网络;训练好的CNN网络输出辐射源信号脉内调制信息特征向量;
步骤4:采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出相连接,全连接网络结构输出联合特征向量;在全连接网络结构后接softmax分类器完成整个网络结构的搭建;
步骤5:将实际截获的信号分为两个支路,分别输入训练好的多层感知机网络模型和CNN网络中,最终softmax分类器输出分类识别结果。
2.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:利用某一个辐射源信号数据集对CNN网络进行训练时,先对该辐射源信号数据集中的每个样本进行截取,只取属于同一脉冲的信号数据对CNN网络进行训练。
3.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:利用某一个辐射源信号数据集对多层感知机网络进行训练时,先对该辐射源信号数据集中的每个样本进行等间隔采样,以获得样本中的多个脉冲信号数据,然后利用得到的多个脉冲信号数据对多层感知机网络进行训练。
4.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,根据预先仿真试验,确定多层感知机网络输出收敛时的迭代次数,并依此设置多层感知机网络的迭代次数;当利用某一个辐射源信号数据集对多层感知机网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对多层感知机网络进行训练,直至N+1个辐射源信号数据集均对多层感知机网络进行了训练。
5.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,根据预先仿真试验,确定CNN网络输出收敛时的迭代次数,并依此设置CNN网络的迭代次数;当利用某一个辐射源信号数据集对CNN网络进行训练时,当达到设置的迭代次数后,停止训练,然后再利用下一个辐射源信号数据集对CNN网络进行训练,直至N+1个辐射源信号数据集均对CNN网络进行了训练。
6.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,采用六层感知机网络。
7.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,CNN网络采用由三个卷积层、三个池化层、一个全连接层、一个Flatten层,一个Dropout层组成的九层一维卷积神经网络CNN网络。
8.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤2中,分别选取-10dB、-5dB、0dB、5dB、10dB共5个信噪比点,叠加在步骤1构建的辐射源信号原始数据集中,得到5个具有不同信噪比噪声的辐射源信号数据集。
9.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,多层感知机网络和CNN网络均采用adagrad算法作为优化函数。
10.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法,其特征在于:步骤3中,多层感知机网络中采用线性整流函数ReLU作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027623.3A CN111239692B (zh) | 2020-01-10 | 2020-01-10 | 基于深度学习的pri联合脉内信息辐射源信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027623.3A CN111239692B (zh) | 2020-01-10 | 2020-01-10 | 基于深度学习的pri联合脉内信息辐射源信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239692A CN111239692A (zh) | 2020-06-05 |
CN111239692B true CN111239692B (zh) | 2023-01-24 |
Family
ID=70865789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010027623.3A Active CN111239692B (zh) | 2020-01-10 | 2020-01-10 | 基于深度学习的pri联合脉内信息辐射源信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239692B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156391B (zh) * | 2021-04-25 | 2022-08-05 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113406588B (zh) * | 2021-05-14 | 2022-11-11 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
CN114925721B (zh) * | 2022-04-27 | 2023-04-25 | 中国电子科技集团公司第二十九研究所 | 一种基于U-Net分割网络的信号分选方法 |
CN114595732B (zh) * | 2022-05-10 | 2022-07-29 | 西安晟昕科技发展有限公司 | 基于深度聚类的雷达辐射源分选方法 |
CN115436943B (zh) * | 2022-09-21 | 2023-12-29 | 南京航空航天大学 | 基于脉内和脉间联合相位调制的可重构mimo-sar回波分离方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 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 |
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 |
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 |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
-
2020
- 2020-01-10 CN CN202010027623.3A patent/CN111239692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 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 |
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 |
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 |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111239692A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239692B (zh) | 基于深度学习的pri联合脉内信息辐射源信号识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
Wei et al. | Intra‐pulse modulation radar signal recognition based on CLDN network | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
Cain et al. | Convolutional neural networks for radar emitter classification | |
CN110378205A (zh) | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 | |
CN108647556A (zh) | 基于分频和深度神经网络的声源定位方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN111190158B (zh) | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 | |
CN107255818A (zh) | 一种两维多特征融合的水下目标快速检测方法 | |
CN108549832A (zh) | 基于全连接神经网络的低截获雷达信号分类方法 | |
CN113156376A (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
CN111665474B (zh) | 一种可变分段lfm波形生成及优化方法 | |
CN114118142A (zh) | 一种雷达脉内调制类型的识别方法 | |
Bhatti et al. | Radar signals intrapulse modulation recognition using phase-based stft and bilstm | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN117331031A (zh) | 一种lpi雷达信号谱图融合识别方法 | |
CN116797846A (zh) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
CN113255751B (zh) | 一种基于时间序列分割的多功能雷达状态序列聚类方法 | |
CN113189571B (zh) | 一种基于音色特征提取和深度学习的声源被动测距方法 | |
Qin et al. | Fast recognition of pull-off jamming using LSTM | |
CN114282576A (zh) | 基于时频分析及去噪的雷达信号调制格式识别方法及装置 | |
Amiri et al. | Waveform design for target classification in MIMO radar systems |
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 |