CN112287784B - 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 - Google Patents
一种基于深度卷积神经网络与特征融合的雷达信号分类方法 Download PDFInfo
- Publication number
- CN112287784B CN112287784B CN202011121979.XA CN202011121979A CN112287784B CN 112287784 B CN112287784 B CN 112287784B CN 202011121979 A CN202011121979 A CN 202011121979A CN 112287784 B CN112287784 B CN 112287784B
- Authority
- CN
- China
- Prior art keywords
- data set
- efficientnet
- signals
- radar signal
- time
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法,将雷达信号转换为时频图像;采用图像处理方法对时频图像进行预处理,并分别制作为数据集1和数据集2;利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征;设计一种多特征融合模型,充分利用不同特征之间的关系,对提取数据集1和数据集2的特征进行融合;采用Adam算法对网络参数进行优化;利用SoftMax分类器获取分类结果。本发明能更充分提取雷达信号特征,从而提高雷达信号在低信噪比环境下的识别性能,可用于复杂电磁环境下的雷达信号识别等电子对抗中。
Description
技术领域
本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法模型的构建,属于深度学习和信号处理技术领域。
背景技术
雷达信号脉内调制识别在电子支援、电子侦察、电子情报、电子攻击等现代电子战系统中起着至关重要的作用。提高雷达信号的识别精度不仅有助于推断敌方雷达信号的调制类别,进一步推断其威胁等级,而且可以提高参数估计的精度。近年来,随着雷达技术的飞速发展,雷达信号的调制方式越来越复杂和多样化,雷达信号所在环境的信噪比也越来越低。因此,探索一种在低信噪比环境下高精度识别雷达信号的方法显得尤为重要。
雷达信号识别方法包括传统的特征提取方法和人工智能方法。传统的雷达信号识别方法主要利用特征提取和分类技术对雷达信号进行特征提取和分类。对于特征提取方法,研究者提出了短时Ramanujan傅里叶变换、分数阶傅里叶变换、积分二次相位函数和尺度不变特征变换。近年来,一些学者对瞬时特征、循环平稳特征、高阶累积量、时频特征等多种特征进行了研究,与以往的方法相比,这些方法改善了雷达信号识别的性能。
为了进一步提高雷达信号的识别性能和识别精度,基于深度学习的雷达信号识别方法也被提出。研究者通常采用卷积神经网络对雷达信号进行特征提取,然而采用此方法忽略了不同特征之间的互补性,模型的泛化能力较差,导致在低信噪比环境下对雷达信号的识别准确率低、鲁棒性差。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种能更充分提取雷达信号特征;利用不同特征之间的联系对提取的特征进行融合;在低信噪比条件下识别精度高的基于深度卷积神经网络与特征融合的雷达信号分类方法。
为实现上述目的,本发明采用如下技术方案:
1.一种基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于包括以下步骤:
步骤1、获取2FSK信号、4FSK信号、BPSK信号、EQFM信号、FRANK信号、LFM信号、NS信号和SFM信号,利用时频转换技术choi-williams分布(CWD)和平滑伪Wigner-Ville分布(SPWVD)将这些信号转换为时频图像;
步骤2、采用图像处理方法对CWD和SPWVD转换的时频图像进行预处理,并分别制作为数据集1和数据集2;
步骤3、利用两个改进的EfficientNet模型提取更有效和详细的特征;
步骤4、设计一种多特征融合模型,充分利用不同特征之间的联系,将对两种改进的EfficientNet模型中提取的特征进行融合;
步骤5、采用Adam算法对网络参数进行优化训练;
步骤6、利用SoftMax分类器进行分类。
2.步骤1中雷达信号转换时频图像包括以下两种:
(1)对接收到的雷达信号,采用CWD进行时频转换,其表达式为:
C(t,w)=∫∫∫∞ej2πξ(s-t)f(ξ,τ)·x(s+t/2)·x*(s-t/2)·e-jωτdξdsdτ (1)
其中,C(t,w)表示获得的CWD时频转换结果,f(ξ,τ)是一个窗函数,指二维低通滤波器,定义为:
其中,σ表示可控因子,决定滤波器的宽度。为了平衡雷达信号时频图像的交叉项和分辨率,将σ的值设置为1。
(2)对接收到的雷达信号,采用SPWVD进行时频转换,其表达式为:
S(t,f)=∫∫x(t-v+T/2)x*(t-v-T/2)·h(T)g(v)e-j2πfTdvdT (3)
其中,S(t,f)表示获得的SPWVD时频转换结果,h(T)和g(v)是窗函数,*指共轭复数。x(t)表示r(t)的解析信号,其表达式为:
x(t)=r(t)+jH[r(t)] (4)
其中,H[·]表示希尔伯特转换。
3.步骤2中时频图像预处理方法包括以下处理:
(1)采用二维维纳滤波抑制CWD和SPWVD转换后的时频图像的噪声,二维维纳滤波是一种自适应滤波方法,根据图像的局部方差调整过滤效果,对高斯白噪声有很好的过滤效果。
(2)为了降低计算复杂度和简化改进的EfficientNet网络提取特征的复杂度,采用双线性插值将CWD和SPWVD转换后的时频图像大小调整为224x224像素,并对CWD和SPWVD转换后的时频图像振幅进行归一化。
(3)CWD和SPWVD转换后的时频图像经过时频图像预处理后分别生成数据集1和数据集2。
4.步骤3中改进的EfficientNet模型包括如下:
(1)构建的EfficientNet网络包括1个卷积核大小为3x3的卷积层;1个扩张率为1、卷积核大小为3x3的MBConv块;2个扩张率为6、卷积核大小为3x3的MBConv块;2个扩张率为6、卷积核大小为5x5的MBConv块;3个扩张率为6、卷积核大小为3x3的MBConv块;3个扩张率为6、卷积核大小为5x5的MBConv块;4个扩张率为6、卷积核大小为5x5的MBConv块;1个扩张率为6、卷积核大小为3x3的MBConv块;
(2)将步骤2中生成的数据集1和数据集2分别输入到改进的EfficientNet-1和EfficientNet-2进行特征提取。
5.步骤4中设计的多特征融合模型充分利用不同特征之间的联系,将步骤3中EfficientNet-1提取数据集1的特征图和EfficientNet-2提取数据集2的特征图进行融合,得到更加有效的融合特征。
6.步骤5中利用Adam算法对网络参数进行优化训练,Adam具有减少计算资源和加快模型收敛速度的强大优势,从而提高模型的识别精度和效率。
7.步骤6中将测试集数据输入到SoftMax分类器,从而准确获得八类雷达信号的分类结果。
与现有技术相比,本发明的有益效果是:
在-12dB时,八类信号的平均识别精度达到84.38%;在-10dB时,八类信号的平均识别精度达到94.31%;相比其它方法,提出的分类方法改进了信号识别精度和种类。
附图说明
图1是本发明设计的基于深度卷积神经网络与特征融合的雷达信号分类方法框架图;
图2是本发明设计的基于深度卷积神经网络与特征融合的模型结构图;
图3是本发明中的网络模型对雷达信号分类的仿真实验结果图。
具体实施方式
以下结合附图对本发明做进一步详述:
一种基于深度卷积神经网络与特征融合的雷达信号分类方法,包括以下步骤:步骤1、利用时频转换技术choi-williams分布(CWD)和平滑伪Wigner-Ville分布(SPWVD)将八种雷达信号转换为时频图像;步骤2、利用图像处理方法对CWD和SPWVD转换的时频图像进行预处理,并分别制作数据集1和数据集2;步骤3、利用两个改进的EfficientNet模型提取更有效和详细的特征;步骤4、设计一种多特征融合模型,充分利用不同特征之间的联系,将两种改进的EfficientNet模型中提取的特征进行融合;步骤5、采用Adam算法对网络参数进行优化训练;步骤6、利用SoftMax分类器进行分类。
所述步骤1对接收到的八种雷达信号,分别采用CWD和SPWVD进行时频转换。
所述步骤2包括以下处理:
(1)采用二维维纳滤波抑制CWD和SPWVD转换时频图像的噪声;
(2)为了降低计算复杂度和简化改进后EfficientNet网络提取特征的复杂度,采用双线性插值将CWD和SPWVD转换后的时频图像大小调整为224x224像素,并对CWD和SPWVD转换后的时频图像振幅进行归一化;
(3)CWD和SPWVD转换后的时频图像经过预处理后分别生成数据集1和数据集2。
所述步骤3包括以下处理:
(1)构建的EfficientNet网络包括1个卷积核大小为3x3的卷积层;1个扩张率为1、卷积核大小为3x3的MBConv块;2个扩张率为6、卷积核大小为3x3的MBConv块;2个扩张率为6、卷积核大小为5x5的MBConv块;3个扩张率为6、卷积核大小为3x3的MBConv块;3个扩张率为6、卷积核大小为5x5的MBConv块;4个扩张率为6、卷积核大小为5x5的MBConv块;1个扩张率为6、卷积核大小为3x3的MBConv块;
(2)将步骤2中生成的数据集1和数据集2分别输入到改进的EfficientNet-1和EfficientNet-2进行特征提取。
所述步骤4构建多特征融合模型,充分利用不同特征之间的联系,将步骤3中EfficientNet-1提取数据集1的特征图和EfficientNet-2提取数据集2的特征图进行融合,得到更加有效的融合特征;
所述步骤5利用Adam算法对网络参数进行优化训练,Adam具有减少计算资源和加快模型收敛速度的强大优势,从而提高模型的识别精度和效率;
所述步骤6利用SoftMax分类器进行分类,将测试集数据输入到SoftMax分类器,从而准确获得八类雷达信号的分类结果。
本发明设计的基于深度卷积神经网络与特征融合的雷达信号分类方法总体架构如图1所示。首先利用CWD和SPWVD技术对雷达信号进行二维时频转换,对时频转换后的图像进行二维维纳滤波、归一化和二值化预处理,得到数据集1和数据集2。然后,将数据集1和数据集2分别输入到改进的EfficientNet-1和EfficientNet-2中进行特征提取。然后,将EfficientNet-1和EfficientNet-2提取的特征图输入到多特征融合模型进行特征融合,充分利用不同特征之间的联系,得到更加有效和详细的特征,从而提高在低信噪比条件下的雷达信号识别性能。采用Adam优化算法对模型的网络参数进行优化和训练。最后,将测试集数据输入到SoftMax分类器,从而准确获得八类雷达信号的分类结果。
如图2所示是本发明设计的基于深度卷积神经网络与特征融合模型结构图。由图2可知,构建的网络模型主要包括2个改进的EfficientNet网络,1个多模态融合模型,1个全局平均池化层,2个全连接层和一个SoftMax分类器。
如图3所示是本发明中的网络模型对雷达信号分类的仿真实验结果图。为了详细说明该方法在低信噪比下的识别性能,选取了三种方法作为对比分析。这些方法被称为EfficientNet_CWD(仅采用CWD)、EfficientNet_SPWVD(仅采用SPWVD)和EDCNN_FF(采用CWD和SPWVD)。由图3可知,EDCNN_FF、EfficientNet_SPWVD和EfficientNet_CWD的识别准确率都随着信噪比的增加而提高,但EDCNN_FF的识别准确率的增加趋势要快于其它方法。当信噪比大于-2dB时,三种方法识别精度均达到100%。仅有提出的EDCNN_FF在信噪比为-4dB条件下的识别精度可达100%。而在较低信噪比下,三种方法的平均识别精度存在较大差异。当信噪比为-10dB时,EDCNN_FF、EfficientNet_SPWVD和EfficientNet_CWD的识别准确率分别为94.31%、74.88%和83.94%。当信噪比在-12dB,EDCNN_FF、EfficientNet_SPWVD和EfficientNet_CWD的识别准确率分别为84.38%、52.31%和63.06%。因此,相比较其它方法,本发明提出的特征融合分类方法EDCNN在较低信噪比条件下具有较高的识别精度。
本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法,主要解决现有技术对雷达信号特征提取不充分以及在低信噪比环境下雷达信号识别精度低的问题。具体方法是,利用时频转换技术choi-williams分布(CWD)和平滑伪Wigner-Ville分布(SPWVD)将雷达信号转换为时频图像;采用图像处理方法对时频图像进行预处理,并分别制作为数据集1和数据集2;利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征;设计一种多特征融合模型,充分利用不同特征之间的关系,对提取数据集1和数据集2的特征进行融合;采用Adam算法对网络参数进行优化;利用SoftMax分类器获取分类结果。本发明提出利用深度卷积神经网络与特征融合,利用不同特征之间的联系,能更充分提取雷达信号特征,从而提高雷达信号在低信噪比环境下的识别性能,可用于复杂电磁环境下的雷达信号识别等电子对抗中。
Claims (5)
1.一种基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于包括以下步骤:
步骤1、获取2FSK信号、4FSK信号、BPSK信号、EQFM信号、FRANK信号、LFM信号、NS信号和SFM信号,利用时频转换技术choi-williams分布CWD和平滑伪Wigner-Ville分布SPWVD将八种雷达信号转换为时频图像;
步骤2、利用图像处理方法对CWD和SPWVD转换的时频图像进行预处理,并分别制作数据集1和数据集2;
(1)采用二维维纳滤波抑制CWD和SPWVD转换时频图像的噪声;
(2)为了降低计算复杂度和简化改进后EfficientNet网络提取特征的复杂度,采用双线性插值将CWD和SPWVD转换后的时频图像大小调整为224x 224像素,并对CWD和SPWVD转换后的时频图像振幅进行归一化;
(3)CWD和SPWVD转换后的时频图像经过预处理后分别生成数据集1和数据集2;
步骤3、利用两个改进的EfficientNet模型提取更有效和详细的特征;
(1)构建的EfficientNet网络包括1个卷积核大小为3x 3的卷积层;1个扩张率为1、卷积核大小为3x 3的MBConv块;2个扩张率为6、卷积核大小为3x 3的MBConv块;2个扩张率为6、卷积核大小为5x 5的MBConv块;3个扩张率为6、卷积核大小为3x 3的MBConv块;3个扩张率为6、卷积核大小为5x 5的MBConv块;4个扩张率为6、卷积核大小为5x5的MBConv块;1个扩张率为6、卷积核大小为3x 3的MBConv块;
(2)将步骤2中生成的数据集1和数据集2分别输入到改进的EfficientNet-1和EfficientNet-2进行特征提取;
步骤4、设计一种多特征融合模型,充分利用不同特征之间的联系,将两种改进的EfficientNet模型中提取的特征进行融合;
步骤5、采用Adam算法对网络参数进行优化训练;
步骤6、利用SoftMax分类器进行分类。
2.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于:所述步骤1对接收到的八种雷达信号,分别采用CWD和SPWVD进行时频转换。
3.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于:所述步骤4构建多特征融合模型,充分利用不同特征之间的联系,将步骤3中EfficientNet-1提取数据集1的特征图和EfficientNet-2提取数据集2的特征图进行融合,得到更加有效的融合特征。
4.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于:所述步骤5利用Adam算法对网络参数进行优化训练,Adam具有减少计算资源和加快模型收敛速度的强大优势,从而提高模型的识别精度和效率。
5.根据权利要求1所述的基于深度卷积神经网络与特征融合的雷达信号分类方法,其特征在于:所述步骤6利用SoftMax分类器进行分类,将测试集数据输入到SoftMax分类器,从而准确获得八类雷达信号的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121979.XA CN112287784B (zh) | 2020-10-20 | 2020-10-20 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121979.XA CN112287784B (zh) | 2020-10-20 | 2020-10-20 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287784A CN112287784A (zh) | 2021-01-29 |
CN112287784B true CN112287784B (zh) | 2022-05-31 |
Family
ID=74497585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011121979.XA Active CN112287784B (zh) | 2020-10-20 | 2020-10-20 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287784B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818876B (zh) * | 2021-02-04 | 2022-09-20 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
CN112559973B (zh) * | 2021-02-25 | 2021-05-14 | 中国人民解放军空军预警学院 | 自适应多分量线性调频信号参数估计方法 |
CN113271273B (zh) * | 2021-05-11 | 2022-06-21 | 中山大学 | 基于维纳滤波预处理的调制识别方法 |
CN113376586A (zh) * | 2021-06-03 | 2021-09-10 | 哈尔滨工程大学 | 一种双分量雷达信号分类模型构建方法 |
CN113762138B (zh) * | 2021-09-02 | 2024-04-23 | 恒安嘉新(北京)科技股份公司 | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101851636B1 (ko) * | 2016-10-20 | 2018-06-07 | 국방과학연구소 | 공진 주파수 및 파형 구조 기반의 특성 벡터 융합을 이용한 레이더 표적 구분 방법 및 장치 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109829509A (zh) * | 2019-02-26 | 2019-05-31 | 重庆邮电大学 | 基于融合神经网络的雷达手势识别方法 |
CN109828251A (zh) * | 2019-03-07 | 2019-05-31 | 中国人民解放军海军航空大学 | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 |
CN110222748A (zh) * | 2019-05-27 | 2019-09-10 | 西南交通大学 | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446877B (zh) * | 2018-09-01 | 2022-01-07 | 哈尔滨工程大学 | 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法 |
CN110175560A (zh) * | 2019-05-24 | 2019-08-27 | 哈尔滨工程大学 | 一种雷达信号脉内调制识别方法 |
-
2020
- 2020-10-20 CN CN202011121979.XA patent/CN112287784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101851636B1 (ko) * | 2016-10-20 | 2018-06-07 | 국방과학연구소 | 공진 주파수 및 파형 구조 기반의 특성 벡터 융합을 이용한 레이더 표적 구분 방법 및 장치 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109829509A (zh) * | 2019-02-26 | 2019-05-31 | 重庆邮电大学 | 基于融合神经网络的雷达手势识别方法 |
CN109828251A (zh) * | 2019-03-07 | 2019-05-31 | 中国人民解放军海军航空大学 | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 |
CN110222748A (zh) * | 2019-05-27 | 2019-09-10 | 西南交通大学 | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
Non-Patent Citations (8)
Title |
---|
《基于Wigner-Ville分布与小波尺度谱融合的时频特征提取方法》;龚海健等;《振动与冲击》;20111225;第30卷(第12期);35-38 * |
Feature-Fused SAR Target Discrimination Using Multiple Convolutional Neural Networks;Ning Wang等;《IEEE Geoscience and Remote Sensing Letters》;20170829;第14卷(第10期);1695-1699 * |
Modulation recognition for radar emitter signals based on convolutional neural network and fusion features;Jingpeng Gao等;《Transactions on Emerging Telecommunications Technologies》;20191216;第30卷(第12期);1-20 * |
Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Neural Network and Deep Q-Learning Network;Zhiyu Qu等;《IEEE Access》;20200312;第8卷;49125-49136 * |
Unknown Radar Waveform Recognition Based on Transferred Deep Learning;Anni Lin等;《IEEE Access》;20201006;第8卷;184793-184807 * |
基于奇异值熵和分形维数的雷达信号识别;曲志昱等;《系统工程与电子技术》;20171123;第40卷(第2期);303-307 * |
基于时频图像的雷达信号调制识别技术研究;孔维宇;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20190115(第1期);I136-1702 * |
雷达海上目标双通道卷积神经网络特征融合智能检测方法;苏宁远等;《现代雷达》;20191015;第41卷(第10期);47-52,57 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287784A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN110824450B (zh) | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN111626961B (zh) | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 | |
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 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN113688941B (zh) | 基于生成对抗网络的小样本声呐图像分类识别优化方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
Qin et al. | Radar waveform recognition based on deep residual network | |
CN112052899A (zh) | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN113850783B (zh) | 一种海面船舶检测方法及系统 | |
CN115861359B (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
CN112036419B (zh) | 一种基于VGG-Attention模型的SAR图像部件解译方法 | |
CN112446357A (zh) | 一种基于胶囊网络的sar自动目标识别方法 | |
CN110633640A (zh) | 优化PointNet对于复杂场景的识别方法 | |
CN113488060A (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN111612130A (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN112800882A (zh) | 一种基于加权双流残差网络的口罩人脸姿态分类方法 | |
CN112132746A (zh) | 面向智能路侧设备的小尺度行人目标快速超分辨率化方法 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 |
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 |