CN115276847B - 基于卷积神经网络的无线电调频引信干扰信号识别方法 - Google Patents
基于卷积神经网络的无线电调频引信干扰信号识别方法 Download PDFInfo
- Publication number
- CN115276847B CN115276847B CN202210817252.8A CN202210817252A CN115276847B CN 115276847 B CN115276847 B CN 115276847B CN 202210817252 A CN202210817252 A CN 202210817252A CN 115276847 B CN115276847 B CN 115276847B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- fuze
- layer
- frequency modulation
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0085—Monitoring; Testing using service channels; using auxiliary channels using test signal generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于卷积神经网络(CNN)的无线电调频引信干扰信号识别方法,属于无线电引信技术领域。该方法的实现过程主要分为三步:首先,采用含干扰源的无线电调频引信系统,并经仿真生成数据集,对仿真数据进行预处理;其次,搭建CNN,将预处理后的数据与标签成对输入网络进行离线训练;最后,将训练好的网络模型进行线上部署,并通过仿真生成测试数据,验证该网络模型的检测识别性能。本发明通过使用深度学习方法对调频引信干扰信号进行检测识别,利用CNN的强大学习能力,将多种干扰信号进行分类识别,针对不同干扰源,识别准确率可达到95%以上。
Description
技术领域
本发明涉及一种基于卷积神经网络的无线电调频引信干扰信号识别方法,属于无线电引信技术领域。
背景技术
引信是利用目标信息和环境信息,在预定情况下引爆炸弹或导弹的控制装置,其中无线电引信利用电磁波来探测目标,同时根据目标信息判断是否起爆,按照工作体制可划分为连续波体制、脉冲体制和特殊体制,而无线电调频引信属于连续波体制。在现代战场环境下,无线电引信会面临复杂的电磁环境,无线电引信具有电磁敏感性,容易遭受战场电磁环境的影响,复杂电磁环境中通常存在有意干扰、无意干扰和自然电磁干扰,其中有意干扰是现代战场环境对无线电引信产生影响的主要因素,因此无线电引信抗干扰技术对复杂战场电磁环境下的引信正常工作至关重要。而对无线电引信抗干扰技术而言,其先决条件及关键基础即对无线电引信干扰信号的识别。针对无线电引信干扰信号识别问题,一般采用提取时域和频域的干扰信号特征进行综合判定,但部分干扰源工作频率和无线电引信工作频率相似,采用传统方法并不能有效提取干扰信号特征。近年来,深度学习在多个领域快速发展和广泛应用,尤其是卷积神经网络(CNN)对图像有强大学习能力,因此可将深度学习和无线电引信抗干扰结合实现智能引信抗干扰。
黄莹等(参见黄莹,郝新红,孔志杰,张彪.基于熵特征的调频引信目标与干扰信号识别[J].兵工学报,2017,38(02):254-260.)介绍了一种基于熵特征的目标与干扰信号分类识别方法,采用支持向量机将提取的检波信号香农熵和奇异谱熵特征进行分类,在支持向量机核函数参数最优时,分类识别正确率达到98.954%,但该方法需要手动提取特征,且最优核函数参数实际很难达到。
随着现代战场电磁波环境的日益复杂,干扰信号对引信的影响越来越大,准确识别干扰类型将为后续抗干扰决策奠定基础。
发明内容
针对干扰识别的现有技术问题,本发明提出了一种基于卷积神经网络的无线电调频引信干扰信号识别方法,能够实现自动提取特征并且识别准确率可达到95%以上。
本发明的技术方案如下:
一种基于卷积神经网络(CNN)的无线电调频引信干扰信号识别方法,由含干扰源的无线电调频引信系统来实现,该系统包括目标探测器、干扰源和信号处理模块,目标探测器包括发射机和接收机,干扰源包括噪声调幅干扰、噪声调频干扰、正弦波调幅干扰、正弦波调频干扰和方波调幅干扰,信号处理模块包括混频器、低通滤波器和干扰识别-CNN(IR-CNN)检测器,设外部噪声为加性高斯白噪声(AWGN),并忽略系统内部干扰,则系统检测过程包括三个步骤:首先,采用含干扰源的无线电调频引信系统,并经仿真生成数据集,对仿真数据进行预处理;其次,搭建CNN,将预处理后的数据与标签成对输入网络进行离线训练;最后,将训练好的网络模型进行线上部署,并通过仿真生成测试数据,验证该网络模型的检测性能,其具体步骤如下:
1)采用含干扰源的无线电调频引信系统,经仿真生成数据集,对仿真数据进行预处理,生成时频图像:
在无线电调频引信系统中,调频引信发射信号为其中Uon为发射信号幅值,ω0为调频引信发射信号载波角频率,Δω为最大频移,Ωm为调制信号频率;引信发射信号到达目标,经过目标反射,将目标自身距离和速度信息以信号参数形式加入到自身信号中,形成引信回波信号,可表示为其中Uc为回波信号幅值,/>为延迟时间,r为引信与目标间距离,c为光速;
在经过战场环境中的人为干扰和环境噪声后,接收机接收到的调频引信信号为u(t)=uc(t)+j(t)+n(t),其中j(t)为干扰信号,n(t)为加性高斯白噪声,该接收信号进入信号处理模块,此时发射信号uon(t)和接收引信信号u(t)将共同输入到混频器进行混频,混频后的信号为其中β为混频器增益,混频后的信号再通过低通滤波器滤除高频项,即可得到包含目标信息的待处理信号ud(t);
采用含干扰源的无线电调频引信系统,并经仿真生成ud(t)信号对应的数据集,按信干噪比(SINR)从-20dB到0dB,每隔5dB生成1×103个数据,总共2.5×104个数据,其中75%用于训练,25%用于验证;为了捕捉信号时频变化特性,使用短时傅里叶变换(STFT)对数据进行预处理,转换为时频图像,STFT将提取ud(t)信号的时频信息得到谱图,由于时域分辨率和频域分辨率无法兼得,为避免出现明显失真,可进一步采用汉明窗,且相邻窗的重叠率为50%;
2)搭建CNN,将预处理后的数据与标签成对输入网络进行离线训练:
CNN包括输入层、卷积层、池化层、全连接层和输出层,根据预处理得到时频图,设置网络输入层的维度为宽度×高度×深度,输出层神经元的个数等于干扰信号的类型数,卷积层层数和池化层层数视实际干扰种类设定,卷积核的大小固定为3×3,卷积后的输出可表示为其中s(i,e)为卷积核对应输出矩阵相应位置元素的值,Nin为输入矩阵个数,Xh为第h个输入矩阵,Wh为卷积核的第h个子卷积核矩阵,b0为偏置矢量,设置卷积层激活函数为ReLU函数,其表达式为fReLU(x)=max(0,x),池化层采用最大池化方式,大小为2×2矩阵,步幅为2,全连接层的输出可表示为z=f(WX+b),其中f(.)表示激活函数,W表示该层的权重矩阵,X表示上一层的输出向量,b表示该层的偏置矢量,全连接层激活函数为ReLU函数,设置输出层激活函数为Softmax函数,表达式为标签采用one-hot编码,损失函数为多分类交叉熵其中K表示种类数量,yq表示标签,aq表示神经网络的输出;为了避免网络模型过拟合,并得到平滑的训练曲线,在全连接层和部分池化层后加入Dropout层,即在每一个batch的训练中随机减掉一些神经元;设置学习率为0.005,采用随机梯度下降优化算法加快网络收敛速度;对预处理后的时频图进行检测分类,仅需要利用不同干扰源下的时频图来训练网络,并采用监督学习的方法进行线下训练,以实现对不同干扰信号的分类识别;
3)将训练好的网络模型进行线上部署,并通过仿真生成测试数据验证该网络模型的检测性能:
网络模型经过线下训练后,进行线上部署,首先,采用无线电调频引信系统在不同干扰源下,仿真生成测试数据,然后在不同SINR下通过STFT对不同干扰源对应的测试数据进行预处理,作为IR-CNN检测器的输入,检测器的输出为干扰信号的类别;最后,对比输入到网络的干扰类型和检测器识别的干扰类型,测试该网络模型的检测性能。
所述的IR-CNN为英文Interference Recognition-Convolutional NeuralNetwork的缩写,意思为干扰识别卷积神经网络。
本发明提出了一种基于卷积神经网络的无线电调频引信干扰信号识别方法,使用深度学习方法对不同干扰信号进行识别,利用CNN对图像的强大学习能力,能够实现自动提取特征并且识别准确率可达到95%以上。
附图说明
图1是本发明方法的系统结构示意框图。
图2是五种不同干扰信号在不同信干燥比条件下的识别准确率图,从图中可看出各类干扰信号的识别准确率都在95%以上。其中SINR(dB)为信干噪比,ACC为准确率,IS为干扰信号,Class1为噪声调幅信号,Class2为噪声调频信号,Class3为正弦波调幅信号,Class4为正弦波调频信号,Class5为方波调幅信号。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不限于此。
实施例:
一种基于卷积神经网络(CNN)的无线电调频引信干扰信号识别方法,由含干扰源的无线电调频引信系统来实现,如图1所示,该系统包括目标探测器、干扰源和信号处理模块,目标探测器包括发射机和接收机,干扰源包括噪声调幅干扰、噪声调频干扰、正弦波调幅干扰、正弦波调频干扰和方波调幅干扰,信号处理模块包括混频器、低通滤波器和干扰识别-CNN(IR-CNN)检测器,设外部噪声为加性高斯白噪声(AWGN),并忽略系统内部干扰,则系统检测过程包括三个步骤:首先,采用含干扰源的无线电调频引信系统,并经仿真生成数据集,对仿真数据进行预处理;其次,搭建CNN,将预处理后的数据与标签成对输入网络进行离线训练;最后,将训练好的网络模型进行线上部署,并通过仿真生成测试数据,验证该网络模型的检测性能,其具体步骤如下:
1)采用含干扰源的无线电调频引信系统,经仿真生成数据集,对仿真数据进行预处理,生成时频图像:
在无线电调频引信系统中,调频引信发射信号为其中Uon为发射信号幅值,ω0为调频引信发射信号载波角频率,Δω为最大频移,Ωm为调制信号频率;引信发射信号到达目标,经过目标反射,将目标自身距离和速度信息以信号参数形式加入到自身信号中,形成引信回波信号,可表示为其中Uc为回波信号幅值,/>为延迟时间,r为引信与目标间距离,c为光速;
在经过战场环境中的人为干扰和环境噪声后,接收机接收到的调频引信信号为u(t)=uc(t)+j(t)+n(t),其中j(t)为干扰信号,n(t)为加性高斯白噪声,该接收信号进入信号处理模块,此时发射信号uon(t)和接收引信信号u(t)将共同输入到混频器进行混频,混频后的信号为其中β为混频器增益,混频后的信号再通过低通滤波器滤除高频项,即可得到包含目标信息的待处理信号ud(t);
采用含干扰源的无线电调频引信系统,并经仿真生成ud(t)信号对应的数据集,按信干噪比(SINR)从-20dB到0dB,每隔5dB生成1×103个数据,总共2.5×104个数据,其中75%用于训练,25%用于验证;为了捕捉信号时频变化特性,使用短时傅里叶变换(STFT)对数据进行预处理,转换为时频图像,STFT将提取ud(t)信号的时频信息得到谱图,由于时域分辨率和频域分辨率无法兼得,为避免出现明显失真,可进一步采用汉明窗,且相邻窗的重叠率为50%;
2)搭建CNN,将预处理后的数据与标签成对输入网络进行离线训练:
CNN包括输入层、卷积层、池化层、全连接层和输出层,根据预处理得到时频图,设置网络输入层的维度为宽度×高度×深度,输出层神经元的个数等于干扰信号的类型数,卷积层层数和池化层层数视实际干扰种类设定,卷积核的大小固定为3×3,卷积后的输出可表示为其中s(i,e)为卷积核对应输出矩阵相应位置元素的值,Nin为输入矩阵个数,Xh为第h个输入矩阵,Wh为卷积核的第h个子卷积核矩阵,b0为偏置矢量,设置卷积层激活函数为ReLU函数,其表达式为fReLU(x)=max(0,x),池化层采用最大池化方式,大小为2×2矩阵,步幅为2,全连接层的输出可表示为z=f(WX+b),其中f(.)表示激活函数,W表示该层的权重矩阵,X表示上一层的输出向量,b表示该层的偏置矢量,全连接层激活函数为ReLU函数,设置输出层激活函数为Softmax函数,表达式为标签采用one-hot编码,损失函数为多分类交叉熵其中K表示种类数量,yq表示标签,aq表示神经网络的输出;为了避免网络模型过拟合,并得到平滑的训练曲线,在全连接层和部分池化层后加入Dropout层,即在每一个batch的训练中随机减掉一些神经元;设置学习率为0.005,采用随机梯度下降优化算法加快网络收敛速度;对预处理后的时频图进行检测分类,仅需要利用不同干扰源下的时频图来训练网络,并采用监督学习的方法进行线下训练,以实现对不同干扰信号的分类识别;
3)将训练好的网络模型进行线上部署,并通过仿真生成测试数据验证该网络模型的检测性能:
网络模型经过线下训练后,进行线上部署,首先,采用无线电调频引信系统在不同干扰源下,仿真生成测试数据,然后在不同SINR下通过STFT对不同干扰源对应的测试数据进行预处理,作为IR-CNN检测器的输入,检测器的输出为干扰信号的类别;最后,对比输入到网络的干扰类型和检测器识别的干扰类型,测试该网络模型的检测性能。
Claims (1)
1.一种基于卷积神经网络的无线电调频引信干扰信号识别方法,由含干扰源的无线电调频引信系统来实现,该系统包括目标探测器、干扰源和信号处理模块,目标探测器包括发射机和接收机,干扰源包括噪声调幅干扰、噪声调频干扰、正弦波调幅干扰、正弦波调频干扰和方波调幅干扰,信号处理模块包括混频器、低通滤波器和干扰识别-卷积神经网络检测器,设外部噪声为加性高斯白噪声,并忽略系统内部干扰,则系统检测过程包括三个步骤:首先,采用含干扰源的无线电调频引信系统,并经仿真生成数据集,对仿真数据进行预处理;其次,搭建卷积神经网络,将预处理后的数据与标签成对输入网络进行离线训练;最后,将训练好的网络模型进行线上部署,并通过仿真生成测试数据,验证该网络模型的检测性能,其具体步骤如下:
1)采用含干扰源的无线电调频引信系统,经仿真生成数据集,对仿真数据进行预处理,生成时频图像:
在无线电调频引信系统中,调频引信发射信号为其中Uon为发射信号幅值,ω0为调频引信发射信号载波角频率,Δω为最大频移,Ωm为调制信号频率;引信发射信号到达目标,经过目标反射,将目标自身距离和速度信息以信号参数形式加入到自身信号中,形成引信回波信号,可表示为其中Uc为回波信号幅值,/>为延迟时间,r为引信与目标间距离,c为光速;
在经过战场环境中的人为干扰和环境噪声后,接收机接收到的调频引信信号为u(t)=uc(t)+j(t)+n(t),其中j(t)为干扰信号,n(t)为加性高斯白噪声,该接收信号进入信号处理模块,此时发射信号uon(t)和接收引信信号u(t)将共同输入到混频器进行混频,混频后的信号为其中β为混频器增益,混频后的信号再通过低通滤波器滤除高频项,即可得到包含目标信息的待处理信号ud(t);
采用含干扰源的无线电调频引信系统,并经仿真生成ud(t)信号对应的数据集,按信干噪比从-20dB到0dB,每隔5dB生成1×103个数据,总共2.5×104个数据,其中75%用于训练,25%用于验证;为了捕捉信号时频变化特性,使用短时傅里叶变换对数据进行预处理,转换为时频图像,短时傅里叶变换将提取ud(t)信号的时频信息得到谱图,由于时域分辨率和频域分辨率无法兼得,为避免出现明显失真,可进一步采用汉明窗,且相邻窗的重叠率为50%;
2)搭建卷积神经网络,将预处理后的数据与标签成对输入网络进行离线训练:
卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,根据预处理得到时频图,设置网络输入层的维度为宽度×高度×深度,输出层神经元的个数等于干扰信号的类型数,卷积层层数和池化层层数视实际干扰种类设定,卷积核的大小固定为3×3,卷积后的输出可表示为其中s(i,e)为卷积核对应输出矩阵相应位置元素的值,Nin为输入矩阵个数,Xh为第h个输入矩阵,Wh为卷积核的第h个子卷积核矩阵,b0为偏置矢量,设置卷积层激活函数为ReLU函数,其表达式为fReLU(x)=max(0,x),池化层采用最大池化方式,大小为2×2矩阵,步幅为2,全连接层的输出可表示为z=f(WX+b),其中f(.)表示激活函数,W表示该层的权重矩阵,X表示上一层的输出向量,b表示该层的偏置矢量,全连接层激活函数为ReLU函数,设置输出层激活函数为Softmax函数,表达式为标签采用one-hot编码,损失函数为多分类交叉熵其中K表示种类数量,yq表示标签,aq表示神经网络的输出;为了避免网络模型过拟合,并得到平滑的训练曲线,在全连接层和部分池化层后加入Dropout层,即在每一个batch的训练中随机减掉一些神经元;设置学习率为0.005,采用随机梯度下降优化算法加快网络收敛速度;对预处理后的时频图进行检测分类,仅需要利用不同干扰源下的时频图来训练网络,并采用监督学习的方法进行线下训练,以实现对不同干扰信号的分类识别;
3)将训练好的网络模型进行线上部署,并通过仿真生成测试数据验证该网络模型的检测性能:
网络模型经过线下训练后,进行线上部署,首先,采用无线电调频引信系统在不同干扰源下,仿真生成测试数据,然后在不同信干噪比下通过短时傅里叶变换对不同干扰源对应的测试数据进行预处理,作为干扰识别-卷积神经网络检测器的输入,检测器的输出为干扰信号的类别;最后,对比输入到网络的干扰类型和检测器识别的干扰类型,测试该网络模型的检测性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817252.8A CN115276847B (zh) | 2022-07-12 | 2022-07-12 | 基于卷积神经网络的无线电调频引信干扰信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817252.8A CN115276847B (zh) | 2022-07-12 | 2022-07-12 | 基于卷积神经网络的无线电调频引信干扰信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115276847A CN115276847A (zh) | 2022-11-01 |
CN115276847B true CN115276847B (zh) | 2023-11-24 |
Family
ID=83764232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817252.8A Active CN115276847B (zh) | 2022-07-12 | 2022-07-12 | 基于卷积神经网络的无线电调频引信干扰信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115276847B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116318469B (zh) * | 2023-01-09 | 2024-03-22 | 中国电子科技集团公司第三十六研究所 | 非高斯噪声下的通信干扰信号中心频率估计方法和装置 |
CN116405100B (zh) * | 2023-05-29 | 2023-08-22 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
CN117856941A (zh) * | 2024-01-18 | 2024-04-09 | 阳光凯讯(北京)科技股份有限公司 | 5g无线通信网络干扰信号识别方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569946A (zh) * | 2014-12-30 | 2015-04-29 | 北京理工大学 | 一种基于相关系数的无线电引信抗干扰能力量化表征方法 |
CN104596369A (zh) * | 2014-12-26 | 2015-05-06 | 北京理工大学 | 一种基于svm的连续波多普勒无线电引信抗扫频式干扰方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
-
2022
- 2022-07-12 CN CN202210817252.8A patent/CN115276847B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596369A (zh) * | 2014-12-26 | 2015-05-06 | 北京理工大学 | 一种基于svm的连续波多普勒无线电引信抗扫频式干扰方法 |
CN104569946A (zh) * | 2014-12-30 | 2015-04-29 | 北京理工大学 | 一种基于相关系数的无线电引信抗干扰能力量化表征方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
Non-Patent Citations (1)
Title |
---|
基于时序及相关检测的调频引信抗扫频干扰方法;孔志杰;郝新红;栗苹;王哲;兵工学报;38(8);1483-1489 * |
Also Published As
Publication number | Publication date |
---|---|
CN115276847A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115276847B (zh) | 基于卷积神经网络的无线电调频引信干扰信号识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN106330385B (zh) | 一种干扰类型识别方法 | |
Basak et al. | Combined RF-based drone detection and classification | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Su et al. | Research on jamming recognition technology based on characteristic parameters | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN108710114A (zh) | 基于bp神经网络多类分类的湍流目标探测方法 | |
KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
CN106483514A (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
US5812083A (en) | Non-cooperative target identification using antenna pattern shape | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
Akyon et al. | Classification of intra-pulse modulation of radar signals by feature fusion based convolutional neural networks | |
CN110969186B (zh) | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN115097396A (zh) | 基于cnn和lstm串联模型的雷达有源干扰识别方法 | |
CN117233706B (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
CN116894200A (zh) | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 | |
RU91185U1 (ru) | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков | |
CN113534059B (zh) | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 | |
CN105974391B (zh) | 非确知目标先验知识条件下mimo雷达稳健波形设计方法 | |
CN102122453B (zh) | 电子干扰吊舱的仿真系统和方法 | |
CN113905383A (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 |
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 |