CN113962261B - 一种用于雷达信号分选的深度网络模型构建方法 - Google Patents
一种用于雷达信号分选的深度网络模型构建方法 Download PDFInfo
- Publication number
- CN113962261B CN113962261B CN202111225792.9A CN202111225792A CN113962261B CN 113962261 B CN113962261 B CN 113962261B CN 202111225792 A CN202111225792 A CN 202111225792A CN 113962261 B CN113962261 B CN 113962261B
- Authority
- CN
- China
- Prior art keywords
- radar signal
- network
- feature
- signal
- training
- 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
- 238000010276 construction Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 13
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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)
- 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)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种用于雷达信号分选的深度网络模型，包括利用训练集对预训练模型进行训练后得到的雷达信号分选网络，雷达信号分选网络包括局部特征学习子网络、跨域特征学习子网络、特征融合模块以及分类器；待分类的雷达信号作为输入信号经过特征向量构建后分别输入至局部特征学习子网络和跨域特征学习子网络，局部特征学习子网络负责学习当前时刻的雷达信号特征，跨域特征学习子网络负责学习当前时刻的雷达信号与其他时刻雷达信号之间的时序关系，特征融合模块完成局部特征和时序特征的融合，融合后得到的最终特征交由分类器进行分类。本发明能够完成对多种雷达信号的精准分类，高效的实现对雷达信号的分选工作，同时具有较强的鲁棒性和高效性。
Description
技术领域
本发明涉及雷达信号分选技术领域，尤其涉及一种用于雷达信号分选的深度网络模型。
背景技术
随着现代科学技术的发展，高技术在军事战争中的广泛应用，对电子装备依赖程度急剧增加，电子对抗已成为影响战争胜负的关键因素，雷达在现代战争中发挥着至关重要的作用，是陆基、舰载、机载和导弹等现代武器装备上的关键设备，也使得雷达对抗技术成为国家防务发展的重中之重。雷达信号分选方法是雷达侦查装备的大脑和核心技术，是对敌方雷达进行识别、威胁评估和干扰的前提和基础，而雷达信号分选是一个NP完全问题，特别是在复杂电磁环境下，计算规模呈指数级增长。传统的雷达信号预分选方法主要以载频和脉宽为基础，这种预分选方法在复杂的电磁环境下，无法解决由于雷达调制方式的迅速切换从而导致的参数多变、快变等问题，并且预分选的准确率和效率极低。
深度学习作为机器学习的重要分支，能够从海量的数据中学习特征。近年来深度学习在图片分类、目标检测、实例分割、时序数据学习等不同任务中均取得了显著的进展，这得益于卷积神经网络(CNN)、循环神经网络(RNN)及其变体的广泛应用。特征融合作为深度学习中提升网络性能和泛化能力的重要手段，能够促进网络学习多种特征，从而实现特征互补，弥补单一特征的性能缺陷。
因此，使用雷达信号数据对卷积神经网络(CNN)和循环神经网络(RNN)的变体——长短时记忆网络(LSTM)进行训练，并采用特征融合的方式互相弥补，从而高效的实现对雷达信号的分选，是雷达信号分选的一种有效技术手段。
发明内容
本发明的目的在于克服传统雷达信号分选精度差、效率低等技术的不足，提供了一种用于雷达信号分选的深度网络模型，通过构造信息丰富的特征向量，训练雷达信号分选网络模型学习局部特征和跨域特征信息，使得雷达信号分选网络可以精确地分类雷达信号。
为了解决上述技术问题，本发明提出如下技术方案：
一种用于雷达信号分选的深度网络模型，包括利用训练集对预训练模型进行训练后得到的雷达信号分选网络，所述雷达信号分选网络包括采用卷积神经网络作为主要结构的局部特征学习子网络、采用长短时记忆网络作为主要结构的跨域特征学习子网络、特征融合模块以及分类器；
待分类的雷达信号作为输入信号经过特征向量构建后分别输入至所述局部特征学习子网络和所述跨域特征学习子网络，所述局部特征学习子网络负责学习当前时刻的雷达信号特征，所述跨域特征学习子网络负责学习当前时刻的雷达信号与其他时刻雷达信号之间的时序关系，所述特征融合模块将两个子网络的特征映射按照指定维度进行拼接，完成局部特征和时序特征的融合，融合后得到的最终特征交由所述分类器进行分类，得到待分类的雷达信号的预测类别和对应的预测准确率。
与现有技术相比，本发明具有的有益效果是：
本发明所提出的深度网络模型是一种适用于雷达信号分选的高效轻量模型，该模型包括训练后得到的雷达信号分选网络，雷达信号分选网络主要由两个分支网络组成，分别是局部学习子网络和跨域特征学习子网络，其中局部特征学习子网络能够高效的通过卷积运算学习每个雷达信号的特征，同时跨域特征学习子网络能够高效的学习不同时刻雷达信号之间的时序特征关系。再基于特征融合的思想，雷达信号分选网络将局部特征和时序特征相互融合，得到更多尺度、更丰富的信号特征，从而完成对恒参信号、参差信号、滑变信号、组变信号以及抖动信号等多种雷达信号的精准分类，高效的实现对雷达信号的分选工作，同时本发明具有较强的鲁棒性和高效性。
附图说明
图1为本发明中雷达信号分选网络的结构示意图；
图2为本发明中雷达信号分选网络的处理流程图；
图3为本发明中雷达信号分选网络的网络结构示意图。
具体实施方式
下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
如图1所示，本实施例提供一种用于雷达信号分选的深度网络模型，其包括利用训练集对预训练模型进行训练后得到的基于卷积神经网络和长短时记忆网络的雷达信号分选网络RadarNet，其中预训练模型与雷达信号分选网络RadarNet的网络结构相同。雷达信号分选网络RadarNet包括采用卷积神经网络(CNN)作为主要结构的局部特征学习子网络、采用长短时记忆网络(LSTM)作为主要结构的跨域特征学习子网络、特征融合模块以及分类器。
雷达信号分选网络RadarNet的输入是特征向量，待分类的雷达信号作为输入信号经过特征向量构建后生成对应的雷达信号特征向量，生成的对应的雷达信号特征向量同时分别输入至局部特征学习子网络和跨域特征学习子网络，其中局部特征学习子网络负责学习当前时刻的雷达信号特征，跨域特征学习子网络负责学习当前时刻的雷达信号与其他时刻雷达信号之间的时序关系，特征融合模块将两个子网络的特征映射按照指定维度(例如通道维度)进行拼接，完成局部特征和时序特征的融合，融合后得到的最终特征交由分类器进行分类，最终得到待分类的雷达信号的预测类别和对应的预测准确率。
对于待分类的雷达信号构建特征向量的过程，与利用训练集对预训练模型进行训练的过程中步骤一所述的构建雷达信号特征向量方法相同。对于待分类的雷达信号，选取当前脉冲到达时间TOAt对应的信号点为中心信号点，以大小为N的滑动窗口分别向前、向后扫描N个脉冲到达时间对应的信号点，并将扫描到的全部信号点分别与中心信号点的脉冲到达时间作差，形成描述当前脉冲到达时间TOAt对应的信号点的特征向量；对于待分类的雷达信号中的前N个脉冲到达时间和后N个脉冲到达时间对应的信号点，采用默认的0值填充方式，保证生成相应信号点的特征向量。得到待分类的雷达信号对应的特征向量后，做归一化处理，且归一化处理的阈值设置为脉冲到达时间的最大值，便可得到待分类的雷达信号对应的归一化雷达信号特征向量，待分类的雷达信号对应的归一化雷达信号特征向量分别输入至局部特征学习子网络和跨域特征学习子网络。
进一步地，如图2和图3所示，局部特征学习子网络包括依次连接的Reshape层、BN层、三个卷积模块和一个全局池化层，每一个卷积模块包括依次连接的卷积层、池化层、BN层和Relu层(即Relu激活函数)，且三个池化层的池化方式均为最大池化。输入的雷达信号特征向量同时进入两个分支网络，在局部特征学习子网络中，输入的雷达信号特征向量首先经过Reshape层、BN层，再经过三个由卷积层-池化层-BN层-Relu层组成的卷积模块。在三个卷积模块中，三个卷积层分别包括64、128、256个3*3大小的卷积核，步长均为1，需要指出的是，各个卷积层的卷积核的大小、数量和步长均可根据实际需要进行选择，例如图3中三个卷积层分别包括128个3*3大小的卷积核、256个5*5大小的卷积核和512个7*7大小的卷积核。每个卷积层的输出都将进入该卷积模块内的池化层，池化层的池化方式为最大池化，池化窗口大小为2。每个池化层的输出都将进入该卷积模块内的BN层和Relu层。最后一个卷积模块内的Relu层的输出将进入全局池化层，最终得到局部特征信息。
跨域特征学习子网络包括依次连接的BN层、第一矩阵转置、四个双向LSTM层、第二矩阵转置和Reshape层。在跨域特征学习子网络中，输入的雷达信号特征向量首先将经过BN层进行数据归一化处理，然后进入四个双向LSTM层，LSTM层将进行跨时序的特征学习，最后经过第二矩阵转置和Reshape层得到时序特征信息。
两个子网的输出的特征映射将在特征融合模块进行指定维度拼接，完成局部特征和时序特征的融合，融合后得到的最终特征交由分类器进行分类，其中的分类器主要是由全连接层组成的分类器。
本实施例中的雷达信号分选网络RadarNet是利用训练集对预训练模型进行训练后得到的，其中用于对预训练模型进行训练的训练集具体通过以下步骤获得：
步骤一：根据实际雷达脉冲信号特点，生成模拟雷达信号数据，模拟雷达信号数据包括n条脉冲序列数据(Pulse Sequence 1，Pulse Sequence 2，…，Pulse Sequence n)，每一条脉冲序列数据包含2m个脉冲到达时间(Time of Arrival，TOA)，即每一条脉冲序列数据的长度为2m，其中m＝7,8,9,10，从时空复杂度和训练成本来讲，当m＝8，脉冲序列数据的长度为256时带来的收益最优，所以模拟雷达信号数据中每一条脉冲序列数据的长度优选为256。每一条脉冲序列数据包括的雷达信号种类有参差信号、恒参信号、抖动信号、滑变信号和组变信号，可选地，每种参差信号和恒参信号均包含5个子脉冲重复间隔(PulseRepetition Interval，PRI)，抖动信号的抖动率为5％。
步骤二：为了还原真实雷达电磁环境，本实施例还在模拟雷达信号数据中引入了噪声数据，并且使噪声数据占由模拟雷达信号数据和噪声数据共同组成的数据总量的比例为预设值(例如0.3)，即噪声数据占数据总量的30％。
步骤三：按照2:1:1的比例对由模拟雷达信号数据和噪声数据共同组成的数据总量进行划分，得到对应的训练集、验证集和测试集。例如，数据总量为20万条，按照2:1:1的比例进行划分后，其中10万条数据作为训练集用于对预训练模型的训练，5万条数据作为验证集用于模型验证，5万条数据作为测试集用于对雷达信号分选网络RadarNet的测试。
获得训练集之后，接下来利用训练集对预训练模型进行训练，该过程具体包括以下步骤：
步骤一：构建雷达信号特征向量
对于训练集中的每条数据，选取当前脉冲到达时间TOAt对应的信号点为中心信号点，以大小为N的滑动窗口分别向前、向后扫描N个脉冲到达时间对应的信号点，并将扫描到的全部信号点分别与中心信号点的脉冲到达时间作差，形成描述当前脉冲到达时间TOAt对应的信号点的特征向量：
Vector＝[TOAt-TOAt-N,…,TOAt-TOAt-1,TOAt+1-TOAt,…,TOAt+N-TOAt] (1)
对于每条数据中的前N个脉冲到达时间和后N个脉冲到达时间对应的信号点，由于长度不足，可以采用默认的0值填充方式，保证生成相应脉冲到达时间的特征向量。
上述用于雷达信号分选的雷达信号特征向量构建方法只需要TOA一个参数便可以构造出特征信息丰富的向量，同时不需要进行繁重的预处理工作，有利于模型的训练。
步骤二：特征向量归一化处理
对步骤一中得到的全部特征向量(Vector 1，…，Vector i，…，Vector n)做归一化处理，且归一化处理的阈值threshould设置为脉冲到达时间的最大值，得到每一个特征向量对应的归一化雷达信号特征向量：
步骤三：模型训练
将训练集对应的归一化雷达信号特征向量分别输入至预训练模型的两个子网络，对预训练模型进行训练，设置初始学习率为0.001，batch_size为128，损失函数设置为交叉熵损失函数，优化器选择Adam优化器，设置训练epoch为100，每一个epoch中迭代训练1000次，设置学习率衰减策略，学习率的值根据训练次数的增加呈阶梯式下降，为[0.0001,00001,0.000001]，对应的训练epoch为[25,50,75]，每训练一轮，便利用验证集进行一次验证，当验证集收敛时，停止训练，即可得到训练好的雷达信号分选网络。需要指出的是，当利用验证集进行验证时，同样需要对验证集中的数据构建雷达信号特征向量以及进行特征向量归一化处理，构建雷达信号特征向量以及进行特征向量归一化处理的具体方法可以参见前述实施例，故此处不再赘述。
加载训练完成的雷达信号分选网络RadarNet模型和权重，利用测试集对雷达信号分选网络RadarNet进行测试，确定测试效果。具体地，基于对数据总量进行划分后得到的测试集，构建测试集的雷达信号特征向量并进行归一化处理，构建雷达信号特征向量以及进行特征向量归一化处理的具体方法可以参见前述实施例，故此处不再赘述，然后将测试集对应的归一化雷达信号特征向量输入雷达信号分选网络，获得测试结果，该测试结果包括预测类别(参差信号、恒参信号、抖动信号、滑变信号、组变信号、噪声)和对应的预测准确率，根据雷达信号分选网络给出的测试结果和测试集的真实的标签计算出雷达信号分选网络的平均准确率。通过平均准确率可以判断雷达信号分选网络的性能，以保证雷达信号分选网络能够准确完成对恒参、参差、抖动、滑变、组变五种雷达信号的分选工作。
本发明所提出的深度网络模型是一种适用于雷达信号分选的高效轻量模型，该模型包括训练后得到的雷达信号分选网络，雷达信号分选网络主要由两个分支网络组成，分别是局部学习子网络和跨域特征学习子网络，其中局部特征学习子网络能够高效的通过卷积运算学习每个雷达信号的特征，同时跨域特征学习子网络能够高效的学习不同时刻雷达信号之间的时序特征关系。再基于特征融合的思想，雷达信号分选网络将局部特征和时序特征相互融合，得到更多尺度、更丰富的信号特征，从而完成对恒参信号、参差信号、滑变信号、组变信号以及抖动信号等多种雷达信号的精准分类，高效的实现对雷达信号的分选工作，同时本发明具有较强的鲁棒性和高效性。
此外，本发明中的雷达信号分选网络在噪声数据占比达0.3时，仍然能够精准的完成对恒参、参差、滑变、组变、抖动信号的分类，所以本发明对于雷达信号分选来说是一个技术的突破。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种用于雷达信号分选的深度网络模型构建方法，其特征在于，包括利用训练集对预训练模型进行训练后得到的雷达信号分选网络，所述雷达信号分选网络包括采用卷积神经网络作为主要结构的局部特征学习子网络、采用长短时记忆网络作为主要结构的跨域特征学习子网络、特征融合模块以及分类器；
待分类的雷达信号作为输入信号经过特征向量构建后分别输入至所述局部特征学习子网络和所述跨域特征学习子网络，所述局部特征学习子网络负责学习当前时刻的雷达信号特征，所述局部特征学习子网络包括依次连接的Reshape层、BN层、三个卷积模块和一个全局池化层，每一个所述卷积模块包括依次连接的卷积层、池化层、BN层和Relu层，且三个池化层的池化方式均为最大池化；所述跨域特征学习子网络负责学习当前时刻的雷达信号与其他时刻雷达信号之间的时序关系，所述跨域特征学习子网络包括依次连接的BN层、第一矩阵转置、四个双向LSTM层、第二矩阵转置和Reshape层；所述特征融合模块将两个子网络的特征映射按照指定维度进行拼接，完成局部特征和时序特征的融合，融合后得到的最终特征交由所述分类器进行分类，得到待分类的雷达信号的预测类别和对应的预测准确率；
通过以下步骤获得训练集：
步骤一：根据实际雷达脉冲信号特点，生成模拟雷达信号数据，所述模拟雷达信号数据包括若干条脉冲序列数据，每一条所述脉冲序列数据包含2m个脉冲到达时间，且每一条所述脉冲序列数据包括的雷达信号种类有参差信号、恒参信号、抖动信号、滑变信号和组变信号；
步骤二：在所述模拟雷达信号数据中引入噪声数据，并使所述噪声数据占由所述模拟雷达信号数据和所述噪声数据共同组成的数据总量的比例为预设值；
步骤三：按照2:1:1的比例对所述数据总量进行划分，得到对应的训练集、验证集和测试集；
利用训练集对预训练模型进行训练的过程包括以下步骤：
步骤一：构建雷达信号特征向量
对于所述训练集中的每条数据，选取当前脉冲到达时间TOAt对应的信号点为中心信号点，以大小为N的滑动窗口分别向前、向后扫描N个脉冲到达时间对应的信号点，并将扫描到的全部信号点分别与中心信号点的脉冲到达时间作差，形成描述当前脉冲到达时间TOAt对应的信号点的特征向量；对于每条数据中的前N个脉冲到达时间和后N个脉冲到达时间对应的信号点，采用默认的0值填充方式，保证生成相应脉冲到达时间的特征向量；
步骤二：特征向量归一化处理
对步骤一中得到的全部特征向量做归一化处理，且归一化处理的阈值设置为脉冲到达时间的最大值，得到归一化雷达信号特征向量；
步骤三：模型训练
将所述训练集对应的归一化雷达信号特征向量分别输入至所述预训练模型的两个子网络，对所述预训练模型进行训练，设置初始学习率为0.001，batch_size为128，损失函数设置为交叉熵损失函数，优化器选择Adam优化器，每训练一轮，便利用验证集进行一次验证，当验证集收敛时，停止训练。
2.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
三个卷积层分别包括64、128、256个大小为3*3的卷积核，三个池化层的池化窗口大小为2。
3.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
构建所述测试集的雷达信号特征向量并进行归一化处理，将所述测试集对应的归一化雷达信号特征向量输入所述雷达信号分选网络，获得测试结果，所述测试结果包括预测类别和对应的预测准确率，根据所述雷达信号分选网络给出的测试结果和所述测试集的真实的标签计算出所述雷达信号分选网络的平均准确率。
4.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
每种参差信号和恒参信号均包含5个子脉冲重复间隔，抖动信号的抖动率为5％。
5.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
所述数据总量为20万条，所述预设值为0.3。
6.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
所述指定维度为通道维度。
7.根据权利要求1所述的一种用于雷达信号分选的深度网络模型构建方法，其特征在于，
所述分类器由全连接层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225792.9A CN113962261B (zh) | 2021-10-21 | 2021-10-21 | 一种用于雷达信号分选的深度网络模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225792.9A CN113962261B (zh) | 2021-10-21 | 2021-10-21 | 一种用于雷达信号分选的深度网络模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962261A CN113962261A (zh) | 2022-01-21 |
| CN113962261B true CN113962261B (zh) | 2024-05-14 |
Family
ID=79465828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225792.9A Active CN113962261B (zh) | 2021-10-21 | 2021-10-21 | 一种用于雷达信号分选的深度网络模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962261B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774154B (zh) * | 2023-08-23 | 2023-10-31 | 吉林大学 | 一种雷达信号分选方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
| CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
| CN109765539A (zh) * | 2019-01-28 | 2019-05-17 | 珠海格力电器股份有限公司 | 室内用户行为监测方法和装置、电器设备和家居监控系统 |
| US10304208B1 (en) * | 2018-02-12 | 2019-05-28 | Avodah Labs, Inc. | Automated gesture identification using neural networks |
| CN109887047A (zh) * | 2018-12-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的信号-图像翻译方法 |
| CN110426685A (zh) * | 2019-08-28 | 2019-11-08 | 北方通用电子集团有限公司 | 一种针对未知雷达信号的分选方法 |
| CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
| CN111461037A (zh) * | 2020-04-07 | 2020-07-28 | 电子科技大学 | 一种基于fmcw雷达的端到端手势识别方法 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
| CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
| CN112149524A (zh) * | 2020-09-04 | 2020-12-29 | 中国人民解放军海军工程大学 | 一种雷达信号分选识别方法、装置、探测器及存储介质 |
| CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
| CN113361639A (zh) * | 2021-07-02 | 2021-09-07 | 中国船舶重工集团公司第七二四研究所 | 一种基于深度学习的辐射源信号多模型综合分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021016596A1 (en) * | 2019-07-25 | 2021-01-28 | Nvidia Corporation | Deep neural network for segmentation of road scenes and animate object instances for autonomous driving applications |
-
2021
- 2021-10-21 CN CN202111225792.9A patent/CN113962261B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
| US10304208B1 (en) * | 2018-02-12 | 2019-05-28 | Avodah Labs, Inc. | Automated gesture identification using neural networks |
| CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
| CN109887047A (zh) * | 2018-12-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的信号-图像翻译方法 |
| CN109765539A (zh) * | 2019-01-28 | 2019-05-17 | 珠海格力电器股份有限公司 | 室内用户行为监测方法和装置、电器设备和家居监控系统 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN110426685A (zh) * | 2019-08-28 | 2019-11-08 | 北方通用电子集团有限公司 | 一种针对未知雷达信号的分选方法 |
| CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
| CN111461037A (zh) * | 2020-04-07 | 2020-07-28 | 电子科技大学 | 一种基于fmcw雷达的端到端手势识别方法 |
| CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
| CN112149524A (zh) * | 2020-09-04 | 2020-12-29 | 中国人民解放军海军工程大学 | 一种雷达信号分选识别方法、装置、探测器及存储介质 |
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
| CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
| CN113361639A (zh) * | 2021-07-02 | 2021-09-07 | 中国船舶重工集团公司第七二四研究所 | 一种基于深度学习的辐射源信号多模型综合分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| Automatic Recognition of Radar Signal Types Based on CNN-LSTM;Ruan Guoqing 等;《Telecommunications and Radio Engineering》;20210104;第1-15页 * |
| 基于神经网络的雷达信号分选;白宁;《中国优秀硕士学位论文全文数据库信息科技辑》;20200215(第02期);第I136-1762页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962261A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN111722199B (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
| CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
| CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
| CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
| CN112257815A (zh) | 模型生成方法、目标检测方法、装置、电子设备及介质 | |
| CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
| CN110222748A (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
| CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
| CN113962261B (zh) | 一种用于雷达信号分选的深度网络模型构建方法 | |
| CN113406588B (zh) | 对认知雷达信号的联合调制类型识别和参数估计方法 | |
| CN109409442A (zh) | 迁移学习中卷积神经网络模型选择方法 | |
| Liu et al. | Moving target indication using deep convolutional neural network | |
| KR102407835B1 (ko) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 | |
| Bhatti et al. | Radar signals intrapulse modulation recognition using phase-based stft and bilstm | |
| CN110764084A (zh) | 一种复杂地形下遮蔽目标的雷达探测方法 | |
| CN110852440A (zh) | 一种基于动态模糊神经网络的海洋锋探测方法 | |
| CN117574202A (zh) | 基于多时序特征融合的雷达天线扫描方式识别方法 | |
| CN111724410A (zh) | 一种基于残余注意力的目标跟踪方法 | |
| Zhang et al. | A hybrid neural network framework and application to radar automatic target recognition | |
| CN113098664B (zh) | 基于mdmsffn的空时分组码自动识别方法和装置 | |
| CN117949977B (zh) | 一种gnss转发式无人机诱骗的选星和时延控制方法 | |
| CN116774154B (zh) | 一种雷达信号分选方法 | |
| Ziemann et al. | Adaptive LPD Radar Waveform Design with Generative Adversarial Neural Networks | |
| CN116520252B (zh) | 一种空中目标智能识别方法与系统 |
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 |