CN113376586A - 一种双分量雷达信号分类模型构建方法 - Google Patents

一种双分量雷达信号分类模型构建方法 Download PDF

Info

Publication number
CN113376586A
CN113376586A CN202110618941.1A CN202110618941A CN113376586A CN 113376586 A CN113376586 A CN 113376586A CN 202110618941 A CN202110618941 A CN 202110618941A CN 113376586 A CN113376586 A CN 113376586A
Authority
CN
China
Prior art keywords
component
radar signal
dual
constructing
component radar
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.)
Pending
Application number
CN202110618941.1A
Other languages
English (en)
Inventor
司伟建
万晨霞
邓志安
张春杰
侯长波
骆家冀
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110618941.1A priority Critical patent/CN113376586A/zh
Publication of CN113376586A publication Critical patent/CN113376586A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种双分量雷达信号分类模型构建方法，先采用改进的平滑伪Wigner‑Ville分布(SPWVD)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；构建一种基于深度卷积神经网络的双分量雷达信号学习框架，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。

Description

一种双分量雷达信号分类模型构建方法
技术领域
本发明涉及一种双分量雷达信号分类模型构建方法，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。信号处理系统可能会受到多个潜在干扰信号的显著影响，在实际应用中，这些干扰信号很容易构成信号交叠。而且，只要能够自动识别多分量雷达信号的脉内调制，就可以采取适当有效的抗干扰措施，保证信号处理系统的整体性能。因此，多分量雷达信号的脉内调制识别是实施有效电子对抗行动的重要一步。
以往对雷达信号脉内调制识别的研究主要集中在单分量信号上。然而，为了进一步识别复杂电磁环境中的复合信号，研究了多分量信号分离方法。首先分离接收到的复合信号的不同分量，然后采用传统的单分量信号识别方法对每个分离分量信号的调制进行分类。一些研究者提出了基于盲源分离、时频图像处理、参数化时频分析的多分量信号分离方法。近年来，随着人工智能的发展，雷达信号的脉内调制出现了基于深度学习的多分量识别方法，在识别过程中没有采用分离方法。然而，近年来对多分量雷达信号识别的研究很少，目前的识别精度还很低，特别是在低信噪比下。针对这一缺陷，提出了一种基于深度卷积神经网络的双分量雷达信号脉内调制识别方法，以提高识别性能。
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双分量雷达信号的特征；采用多类别分类器；在低信噪比下识别精度高的基于深度卷积神经网络的双分量雷达信号分类模型构建方法。
本发明的目的是这样实现的：包括以下步骤：
步骤1：制作双分量雷达信号数据集；
步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；
步骤3：设计超参数并对网络模型进行优化；
步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。
本发明还包括这样一些结构特征：
1.所述步骤1包括以下处理：
(1)采用改进的平滑伪Wigner-Ville分布(SPWVD)将双分量雷达信号转换为时频图像，其数学表达式为：
Figure BDA0003098921930000021
其中，SPWVDZ(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
Figure BDA0003098921930000022
Figure BDA0003098921930000023
(2)通过改进的SPWVD时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
2.所述步骤2包括以下处理：
(1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；
(2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
3.所述步骤3包括以下处理：
(1)超参数：mini-batch设置为128，epochs设置为60，epsilon和momentum分别设置为0.001和0.01，学习率设置为0.01；为了防止过拟合，采用权重衰减项，并设置为1e-5；
(2)采用Adam算法对网络参数进行优化训练。
4.所述步骤4包括以下处理：
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)]
其中，pc表示判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)表示第n个标签的可能性输出，定义为：
Figure BDA0003098921930000024
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，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：本发明构建的基于深度卷积神经网络的双分量雷达信号学习框架，可以更充分的提取八类随机交叠的双分量雷达信号特征；设计的多类别分类器用于分类双分量雷达信号的类别；相比其它方法，提出的分类方法能够准确、快速地识别双分量雷达信号。
附图说明
图1是本发明设计的基于深度卷积神经网络的双分量雷达信号分类方法框架图；
图2是本发明设计的深度卷积神经网络的模型结构图；
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
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1-3，本发明采用如下技术方案：
步骤(1).制作双分量雷达信号数据集:
采用改进的平滑伪Wigner-Ville分布(SPWVD)将双分量雷达信号转换为时频图像，其数学表达式为：
Figure BDA0003098921930000031
其中，SPWVDZ(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
Figure BDA0003098921930000032
Figure BDA0003098921930000033
x(t)表示r(t)的解析信号，定义为：
x(t)＝r(t)+jH[r(t)] (4)
其中，H[·]代表希尔伯特变换。
通过改进的SPWVD时频转换，得到28类随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
步骤(2).构建一种基于深度卷积神经网络的双分量雷达信号学习框架:
构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成。其中，第一个卷积层的卷积核大小为3×3；一个移动翻转瓶颈卷积块的扩展比为1，卷积核大小为3×3；两个移动反向瓶颈卷积块的扩展比为6，卷积核大小为3×3；两个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5×5；三个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3×3；七个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5×5；一个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3×3；第二个卷积层的卷积核大小为1×1；一个全局平均池化层的核大小为7×7。其中，移动翻转瓶颈卷积块的作用增强了网络模块之间的连接，降低了特征传输的损耗，从而提高了特征的可重复性。
将步骤(1)中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
步骤(3).设计超参数并对网络模型进行优化：
超参数：mini-batch设置为128，epochs设置为60，epsilon和momentum分别设置为0.001和0.01，学习率设置为0.01。为了防止过拟合，采用权重衰减项，并设置为1e-5。
采用Adam算法对网络参数进行优化训练。
步骤(4).构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别:
采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中。将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定。利用对数和经验技巧来保证数值稳定性。损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8) (5)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)] (6)
其中，pc是判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)指第n个标签的可能性输出，定义为：
Figure BDA0003098921930000041
将步骤(3)中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，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的双分量雷达信号分类方法总体架构如图1所示。首先利用改进的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预处理，得到双分量雷达信号数据集。然后，将数据集输入到构建的深度卷积神经网络中进行双分量雷达信号特征提取。然后，将提取的特征图输入到多类别分类器中，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深度卷积神经网络的结构图。由图2可知，构建的网络模型主要包括两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层。其中，第一个卷积层的卷积核大小为3×3；一个移动翻转瓶颈卷积块的扩展比为1，卷积核大小为3×3；两个移动反向瓶颈卷积块的扩展比为6，卷积核大小为3×3；两个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5×5；三个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3×3；七个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为5×5；一个移动翻转瓶颈卷积块的扩展比为6，卷积核大小为3×3；第二个卷积层的卷积核大小为1×1；一个全局平均池化层的核大小为7×7。其中，移动翻转瓶颈卷积块的作用增强了网络模块之间的连接，降低了特征传输的损耗，从而提高了特征的可重复性。
如图3所示是本发明构建的网络模型对雷达信号分类的仿真实验结果图。为了评价提出方法DCNN的识别性能，将其与CNN-Softmax和CNN-DQLN(Z.Qu,C.Hou,C.Hou,andW.Wang,“Radar Signal Intra-Pulse Modulation Recognition Based onConvolutional Neural Network and Deep Q-Learning Network,”IEEE Access,vol.8,pp.49125-49136,Mar.2020)对双分量雷达信号的平均识别精度进行了比较。由图3可知，DCNN、CNN-Softmax和CNN-DQLN的识别准确率首先快速增加，然后随着信噪比的增加趋于平稳。并且DCNN的识别精度的增加趋势明显快于其他方法，特别是在低信噪比下。在-10dB条件下，提出方法的识别率可达83.4％，而CNN-Softmax和CNN-DQLN的识别率仅为26.5％和37.4％。此外，在-2dB条件下，对于DCNN、CNN-Softmax和CNN-DQLN，其识别率可达100％、93.7％和98.6％。因此，本发明提出的基于深度卷积神经网络的网络模型比CNN-Softmax和CNN-DQLN具有更好的识别性能，特别是在较低的信噪比下。这是因为该模型具有很强的特征提取和分类能力。
综上，本发明涉及一种基于深度卷积神经网络的双分量雷达信号分类模型构建方法。该方法首先采用改进的平滑伪Wigner-Ville分布(SPWVD)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；构建一种基于深度卷积神经网络的双分量雷达信号学习框架，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。

Claims (9)

1.一种双分量雷达信号分类模型构建方法，其特征在于：步骤如下：
步骤1：制作双分量雷达信号数据集；
步骤2：构建一种基于深度卷积神经网络的双分量雷达信号学习框架；
步骤3：设计超参数并对网络模型进行优化；
步骤4：构建一种多类别分类器，用于识别八类随机交叠的双分量雷达信号类别。
2.根据权利要求1所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤1包括：
(1)采用改进的平滑伪Wigner-Ville分布将双分量雷达信号转换为时频图像，其数学表达式为：
Figure FDA0003098921920000011
其中，SPWVDZ(t,ω)表示获得的时频转换结果，*指复共轭，ψ(t,τ)和φ(τ,μ)指设计的窗函数，分别定义为：
Figure FDA0003098921920000012
(2)通过改进的SPWVD时频转换，得到随机交叠的双分量雷达信号，将转换的时频图像制作双分量雷达信号数据集，包括训练集、验证集和测试集。
3.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤2包括：
(1)构建的深度卷积神经网络模型由两个卷积层、16个移动翻转瓶颈卷积块和一个全局平均池化层组成；
(2)将步骤1中生成的训练集输入到构建的深度卷积神经网络模型中进行双分量雷达信号特征提取。
4.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：
(1)超参数：设置参数mini-batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e-5；
(2)采用Adam算法对网络参数进行优化训练。
5.根据权利要求3所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤3包括：
(1)超参数：设置参数mini-batch、epochs、epsilon和momentum、学习率；采用权重衰减项，并设置为1e-5；
(2)采用Adam算法对网络参数进行优化训练。
6.根据权利要求1或2所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)]
其中，pc表示判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)表示第n个标签的可能性输出，定义为：
Figure FDA0003098921920000021
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
7.根据权利要求3所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)]
其中，pc表示判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)表示第n个标签的可能性输出，定义为：
Figure FDA0003098921920000022
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
8.根据权利要求4所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)]
其中，pc表示判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)表示第n个标签的可能性输出，定义为：
Figure FDA0003098921920000031
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
9.根据权利要求5所述的一种双分量雷达信号分类模型构建方法，其特征在于：所述步骤4包括：
(1)采用具有逻辑损失的二元交叉熵作为损失函数，将Sigmoid层和二元交叉熵损失结合在一个分量中；将运算合并到一层的方法比使用简单的Sigmoid加上二元交叉熵损失的方法在数值上更稳定；利用对数和经验技巧来保证数值稳定性；损失函数定义为：
Lc＝{l1,c,···,ln,c}T(c∈1,2,···,8)
其中，n是在每个批中的样本数，c指类别数，ln,c定义为：
ln,c＝-wn,c[pcyn,c·logσ(xn,c)+(1-yn,c)·logσ(xn,c)]
其中，pc表示判断为正确类别c的权重，yn,c表示真实信号的标签，σ(xn,c)表示第n个标签的可能性输出，定义为：
Figure FDA0003098921920000032
(2)将步骤3中生成的特征图输入到构建的多类别分类器中进行双分量雷达信号分类，从而准确获得八类雷达信号的分类结果。
CN202110618941.1A 2021-06-03 2021-06-03 一种双分量雷达信号分类模型构建方法 Pending CN113376586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618941.1A CN113376586A (zh) 2021-06-03 2021-06-03 一种双分量雷达信号分类模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618941.1A CN113376586A (zh) 2021-06-03 2021-06-03 一种双分量雷达信号分类模型构建方法

Publications (1)

Publication Number Publication Date
CN113376586A true CN113376586A (zh) 2021-09-10

Family

ID=77575680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618941.1A Pending CN113376586A (zh) 2021-06-03 2021-06-03 一种双分量雷达信号分类模型构建方法

Country Status (1)

Country Link
CN (1) CN113376586A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115712867A (zh) * 2022-11-03 2023-02-24 哈尔滨工程大学 一种多分量雷达信号调制识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN112287784A (zh) * 2020-10-20 2021-01-29 哈尔滨工程大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN112287784A (zh) * 2020-10-20 2021-01-29 哈尔滨工程大学 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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
MINGXING TAN，ET AL: "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", 《PROCEEDINGS OF THE 36 TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 *
YAOSHIANG HO,ET AL: "The Real-World-Weight Cross-Entropy Loss Function: Modeling the Costs of Mislabeling", 《IEEE ACCESS》 *
ZHIYU QU,ET AL: ""Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Neural Network and Deep Q-Learning Network", 《IEEE ACCESS》 *
王琦: "基于CapsNet的图像分割及在医学图像中的应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
米胜男等: "基于数字信道化的雷达信号调制类型识别", 《航空兵器》 *
郭立民等: "基于AlexNet模型的雷达信号调制类型识别", 《吉林大学学报（工学版）》 *
陈德武等: "一种基于改进的U-Net网络的初至自动拾取研究", 《CNKI》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115712867A (zh) * 2022-11-03 2023-02-24 哈尔滨工程大学 一种多分量雷达信号调制识别方法

Similar Documents

Publication Publication Date Title
Jiang et al. Real-time object detection method based on improved YOLOv4-tiny
CN113159051B (zh) 一种基于边缘解耦的遥感图像轻量化语义分割方法
US20170316311A1 (en) Sparse inference modules for deep learning
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN113033473B (zh) 基于st2dcnn+se的雷达重叠信号识别方法
CN111461037B (zh) 一种基于fmcw雷达的端到端手势识别方法
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
CN111653275A (zh) 基于lstm-ctc尾部卷积的语音识别模型的构建方法及装置、语音识别方法
CN111126332A (zh) 基于轮廓特征的跳频信号分类方法
CN111814726B (zh) 一种探测机器人视觉目标检测方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN112712102A (zh) 可同时识别已知和未知雷达辐射源个体的识别仪
CN115909078A (zh) 一种基于hrrp与sar数据特征级融合的舰船分类方法
CN112232395A (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN113376586A (zh) 一种双分量雷达信号分类模型构建方法
CN113887330A (zh) 一种基于遥感图像的目标检测系统
CN115935154B (zh) 基于稀疏表示与近端算法的射频信号特征遴选与识别方法
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN116091763A (zh) 苹果叶部病害图像语义分割系统及分割方法、设备和介质
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
CN113723456B (zh) 一种基于无监督机器学习的天文图像自动化分类方法及系统
CN115909086A (zh) 基于多级增强网络的sar目标检测识别方法
CN115712867A (zh) 一种多分量雷达信号调制识别方法
CN114882289A (zh) 基于自适应确定拒判准则的sar目标开集识别方法
CN114724245A (zh) 基于csi的增量学习人体动作识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210910

RJ01 Rejection of invention patent application after publication