CN116561664A - 基于tcn网络的雷达辐射源脉间调制模式识别方法 - Google Patents

基于tcn网络的雷达辐射源脉间调制模式识别方法 Download PDF

Info

Publication number
CN116561664A
CN116561664A CN202310571831.3A CN202310571831A CN116561664A CN 116561664 A CN116561664 A CN 116561664A CN 202310571831 A CN202310571831 A CN 202310571831A CN 116561664 A CN116561664 A CN 116561664A
Authority
CN
China
Prior art keywords
network
pulse
tcn network
tcn
representing
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
CN202310571831.3A
Other languages
English (en)
Inventor
徐卓君
于剑博
李�浩
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202310571831.3A priority Critical patent/CN116561664A/zh
Publication of CN116561664A publication Critical patent/CN116561664A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于TCN网络的雷达辐射源脉间调制模式识别方法，属于信号处理技术领域。本发明的目的是以雷达辐射源脉冲信号序列输入到TCN网络中进行基于卷积运算的特征提取识别，从而提高雷达脉冲信号识别率的基于TCN网络的雷达辐射源脉间调制模式识别方法。本发明步骤包括分别生成训练集和测试集数据；对产生的数据集信号进行预处理；构建TCN网络，设置TCN网络参数；将训练集和测试集数据输入到TCN网络中，按算法需求再处理数据；以“训练‑测试”的方式迭代网络，当迭代到n次时，结束训练，网络输出为雷达辐射源调制模式预测类别。本发明以雷达辐射源脉冲信号去噪后的时域和频域信号分别输入到TCN网络中进行基于卷积运算的特征提取并识别，从而实现了提高雷达脉冲信号的识别率。

Description

基于TCN网络的雷达辐射源脉间调制模式识别方法
技术领域
本发明属于信号处理技术领域。
背景技术
随着电子和通信技术的发展，雷达系统在现代战争中起着举足轻重的作用，面对日益激烈的电子对抗形式和不断发展的雷达系统相关技术，作为关键技术的雷达信号识别成为了电子战争中决定胜负的关键因素。
随着人工智能（Artificial Intelligence，AI）技术的迅猛发展，深度学习（DeepLearning，DL）技术得以在自然语言处理、计算机视觉等领域广泛应用。深度学习模型是一种基于人工神经网络的机器学习模型，通过多层次的神经元相互连接和计算，来学习和提取数据中的特征信息，并完成对数据的分类、聚类、回归等任务。目前对于雷达脉冲信号识别的神经网络主要为RNN等网络，然而对于长时稀疏且存在缺失和虚假脉冲的雷达脉冲信号，上述网络在运行时极易出现梯度爆炸或梯度消失等问题，致使网络失效、分类准确率较低。因此有必要设计一种针对存在缺失和虚假干扰的长时稀疏雷达辐射源脉间调制模式识别方法，以解决上述技术问题。
发明内容
本发明的目的是以雷达辐射源脉冲信号序列输入到TCN网络中进行基于卷积运算的特征提取识别，从而提高雷达脉冲信号识别率的基于TCN网络的雷达辐射源脉间调制模式识别方法。
本发明的步骤是：
S1. 训练集和测试集信号进行预处理：
S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号；
S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号；
S2、构建TCN网络，设置TCN网络参数：
S01、将扩张因果卷积输出通道数设置为[16, 32, 32, 32, 16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层；
S02、TCN网络中的神经元表示如下：
(1)
式中代表滤波器；/>代表序列；d代表扩张因子；t代表时间；k代表内核尺寸；
S03、TCN网络中的残差块表示如下：
(2)
式中代表激活函数；/>代表输入序列；/>代表输入序列经过卷积操作后的序列；
S04、修正线性单元激活函数，表示如下：
（3）
式中，表示输入值，是一个常系数，/>表示修正线性单元激活函数的输出；
S05、LogSoftmax分类器表示如下：
（4）
式中，表示数据中第i个元素，/>表示对第i个元素求指数，/>表示对所有元素求指数和，/>表示第i个元素输出的评分值。
本发明所采用的TCN网络，输入的是存在缺失和虚假干扰的长时稀疏雷达辐射源脉冲信号序列，以频域中去噪的方式减少干扰数据的影响，将去噪后的时域和频域信号分别经TCN网络提取特征后，拼接融合二者的特征向量并作为识别依据，进而实现不同调制方式信号的高效准确识别，避免了梯度爆炸等问题。因此，本发明对雷达信号处理技术领域具有重要的实际应用价值。
附图说明
图1是本发明的实现流程图；
图2是不同工况下网络的识别准确率。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实例对本发明的优选实施方案进行描述。
如图1所示，基于TCN网络的雷达辐射源脉间调制方式识别方法，所述识别方法包括如下步骤：
S1、仿真生成五种典型雷达脉冲信号，包括常规脉冲信号、参差脉冲信号、组变捷变脉冲信号、滑变脉冲信号、抖动脉冲信号。每种脉冲信号的脉冲重复间隔（PulseRepetition Interval，PRI）均取值于[4，100]，常规脉冲PRI在上述区间中随机选取且保持不变；参差脉冲的PRI随机取2~5个，且最小值不低于最大值的80%；组变捷变脉冲的PRI随机取3~4个，且最小值不低于最大值的80%，每个PRI随机重复15~30次；滑变脉冲的PRI也在上述区间中随机选取，其每次步长增加为1，总共增加34次；抖动脉冲的PRI在上述区间中随机选取且保持不变，其脉冲信号的抖动率为15%。同时在除抖动类型脉冲信号的其余信号中加入不到1%的抖动，每条脉冲序列数据长度为3000个单位，每单位代表，每种信号生成1000个，按缺失和虚假的不同程度，干扰程度以10%为间隔，总共有28种情况，因此训练集总共生成140000条数据，测试集同样根据不同程度的干扰，生成28个数据集，每个数据集中每类信号生成200条，每类数据集中生成1000条。
S2、对生成的雷达辐射源脉冲序列数据进行预处理，将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号，对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号。
S3、构建TCN网络，设置TCN网络参数。
S4、将去噪后的雷达辐射源脉冲序列的时域和频域信号，即步骤S2所述的去噪信号输入至步骤S3的TCN网络中，经特征提取后，将二者的特征向量拼接融合，输入到两层全连接层中，进行组合、抽象、转换和非线性映射。
S5、以“训练-测试”的方式迭代网络，当迭代次数达到n次时，训练结束，网络输出为雷达辐射源脉间调试方式预测类别标签。
所述步骤S1中，可以通过matlab建立数据库程序，仿真生成数据集。
所述步骤S2中，雷达辐射源脉冲信号预处理步骤包括：
S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号。
S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号。
所述步骤S3中，设置TCN网络参数：将扩张因果卷积输出通道数设置为[16, 32 ,32 ,32 ,16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层。
所述TCN网络中的神经元，表示如下：
（1）
式中代表滤波器；/>代表序列；d代表扩张因子；t代表时间；k代表内核尺寸。
所述TCN网络中的残差块，表示如下：
（2）
式中代表激活函数；/>代表输入序列；/>代表输入序列经过卷积等操作后的序列。
所述修正线性单元激活函数，表示如下：
（3）
式中，表示输入值，是一个常系数，/>表示修正线性单元激活函数的输出。
所述LogSoftmax分类器，表示如下：
（4）
式中，表示数据中第i个元素，/>表示对第i个元素求指数，/>表示对所有元素求指数和，/>表示第i个元素输出的评分值。
所述步骤S1中，典型雷达辐射源脉间调制方式包括常规调制方式、参差调制方式、组变捷变调制方式、滑变调制方式和抖动调制方式。
根据本发明目的的第二个方面，本发明基于一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。其特征在于，所述处理器执行所述程序时实现上述基于TCN网络的雷达脉冲信号识别方法的步骤。
仿真生成每种脉冲信号的脉冲重复间隔（Pulse Repetition Interval，PRI）均取值于[4，100]，常规脉冲PRI在上述区间中随机选取且保持不变；参差脉冲的PRI随机取2~5个，且最小值不低于最大值的80%；组变捷变脉冲的PRI随机取3~4个，且最小值不低于最大值的80%，每个PRI随机重复15~30次；滑变脉冲的PRI也在上述区间中随机选取，其每次步长增加为1，总共增加34次；抖动脉冲的PRI在上述区间中随机选取且保持不变，其脉冲信号的抖动率为15%。同时在除抖动类型脉冲信号的其余信号中加入不到1%的抖动，每条脉冲序列数据长度为3000个单位，每单位代表，每种信号生成1000个，按缺失和虚假的不同程度，干扰程度以10%为间隔，总共有28种情况，因此训练集总共生成140000条数据，测试集同样根据不同程度的干扰，生成28个数据集，每个数据集中每类信号生成200条，每类数据集中生成1000条。
在众多深度学习模型中，循环神经网络RNN（Recurrent NeuralNetWork）将时序的概念引入到网络结构设计中，使其在时序数据分析中有着良好的表现。但对于存在缺失和虚假干扰的长时稀疏序列，RNN网络极易出现梯度爆炸/消失等问题，而此发明考虑的TCN网络，采用基于卷积运算的扩张因果卷积和残差链接的结构，可以让神经网络提取到长时序列的整体特征，同时在频域中去噪，恢复了脉冲序列的调制特征，因此实现不同调制方式的正确识别。
实施例1：
S1、通过Matlab建立数据库程序，仿真生成数据及，数据集包括上述5中雷达信号，其中每种信号从缺失和虚假0%到90%的干扰程度生成28组，每组5000条数据作为训练集，又按干扰程度生成28组，每组1000条作为测试集。按不同调制方式添加标签，并分别保存为数据文件和标签文件。
S2、对生成的雷达信号离散傅里叶变换，在频谱中将幅值小于最大幅值10%的点置0，得到去噪后的频域信号，对其傅里叶逆变换，以0.5为基准，得到去噪后的时域二值雷达脉冲序列。
S3、构建TCN网络。设置TCN神经元：
将TCN网络中的神经元个数设置为[16, 32, 32, 32, 16]，其中神经元，表示如下：
设置TCN网络的损失函数：本例选用负对数似然损失函数但不限于对数似然损失函数。
设置TCN网络的优化算法：本实例选用Adam算法但不限于Adam算法。
设置TCN网络的激活函数：本例选用修正线性单元激活函数，但不限于修正线性激活函数，修正线性激活函数表示如下：
S4、将经过特征提取后信号的时域和频域特征向量拼接融合，降维后输入到全连接层进行组合、抽象、转换和非线性映射。
S5、设置TCN网络的迭代次数为50，学习率为0.0005，并且每次迭代后学习率变为原来的0.1倍。将经过频域去噪后的训练样本和测试样本同时输入到设置好的TCN网络中，对TCN网络以“训练-测试”的方式循环迭代，当迭代次数达到50时，结束循环迭代，每次迭代输出每个测试数据的预测类别及信号识别成功的准确率。
通过以上的实施方式描述，本领域的技术人员可以清楚地了解到本发明的设施可借助软件加必须的通用硬件平台的方式来实现。本发明的实施例可以使用现有的处理起来实现，或者由被用于此目的或其他目的用于适当系统的专用处理器来实现，或者由硬接线系统来实现。本发明的实施例还包括非暂态计算机可读存储介质，其包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质；这种机器可读介质可以是可由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来说，这种机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备，或任何其他可用于以机器可执行指令或数据结构的形式携带或存储所需的程序代码，并可被由通用或专用计算机或其它带有处理器的机器访问的介质。当信息通过网络或其他通信连接(硬接线、无线或硬接线或无线的组合)传输或提供给机器时，该连接也被视为机器可读介质。
仿真
仿真生成五种典型雷达脉冲信号，包括常规脉冲信号、参差脉冲信号、组变捷变脉冲信号、滑变脉冲信号、抖动脉冲信号。每种脉冲信号的脉冲重复间隔（Pulse RepetitionInterval，PRI）均取值于[4，100]，常规脉冲PRI在上述区间中随机选取且保持不变；参差脉冲的PRI随机取2~5个，且最小值不低于最大值的80%；组变捷变脉冲的PRI随机取3~4个，且最小值不低于最大值的80%，每个PRI随机重复15~30次；滑变脉冲的PRI也在上述区间中随机选取，其每次步长增加为1，总共增加34次；抖动脉冲的PRI在上述区间中随机选取且保持不变，其脉冲信号的抖动率为15%。
为贴合实际在除抖动类型脉冲信号的其余信号中加入不到1%的抖动，每条脉冲序列数据长度为3000个单位，每单位代表，每种信号生成1000个，按缺失和虚假的不同程度，干扰程度以10%为间隔，总共有28种情况，因此训练集总共生成140000条数据，测试集同样根据不同程度的干扰，生成28个数据集，每个数据集中每类信号生成200条，每类数据集中生成1000条。
二、数据预处理
将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，得到去噪后的频域信号，对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号。
三、构建网络
设置TCN网络参数：将扩张因果卷积输出通道数设置为[16,32 ,32 ,32 ,16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层。
四、数据再处理
通过将去噪后的时域和频域信号分别输入到TCN网络中，得到二者的特征向量，将二者拼接融合输入到两层全连接层中，进行组合、抽象、转换和非线性映射，最后得到脉冲序列的概率分布。全连接层参数分别为(96000, 6000)，(6000, 5)。
四、实验结果
如上所述，其实验结果如下表
表1不同工况下网络的识别准确率
结论
本发明提出一种基于TCN网络的雷达辐射源脉间调制模式识别方法，利用卷积特性和序列的时频特征解决了对于不同程度的虚假和缺失率，且传统算法失效情况下难以识别长时稀疏雷达辐射源脉间调制模式的问题。仿真实验验证了此方法的有效性和鲁棒性。仿真结果表明，网络的识别准确率在无干扰数据的情况下，对5种不同调制方式的雷达脉冲识别率为99.8%，在缺失和虚假的干扰程度为90%的情况下其识别率为分别为97.4%、98.2%，，在干扰程度为90%的极限工况下TFT网络仍能保持较高的识别率。

Claims (1)

1.一种基于TCN网络的雷达辐射源脉间调制模式识别方法，其特征在于：其步骤是：
S1. 训练集和测试集信号进行预处理：
S01、将带干扰数据的雷达脉冲序列离散傅里叶变换，得到带噪声的频域信号，在频谱中将小于最大幅值的10%的点置0，达到去噪的效果，得到去噪后的频域信号；
S02、对去噪后的频域信号傅里叶逆变换，以0.5为幅值基准，得到去噪后的二值时域信号；
S2、构建TCN网络，设置TCN网络参数：
S01、将扩张因果卷积输出通道数设置为[16, 32, 32, 32, 16]，网络层数设置为5，将dropout设置为0.1，内核大小设置为5，将TCN网络的损失函数设置为负对数似然损失函数，使用AdamOptimizer算法来控制学习率，使用修正线性单元函数作为激活函数，并将LogSoftmax分类器作为网络的输出层；
S02、TCN网络中的神经元表示如下：
（1）
式中代表滤波器；/>代表序列；d代表扩张因子；t代表时间；k代表内核尺寸；
S03、TCN网络中的残差块表示如下：
（2）
式中代表激活函数；/>代表输入序列；/>代表输入序列经过卷积操作后的序列；
S04、修正线性单元激活函数，表示如下：
（3）
式中，表示输入值，是一个常系数，/>表示修正线性单元激活函数的输出；
S05、LogSoftmax分类器表示如下：
（4）
式中，表示数据中第i个元素，/>表示对第i个元素求指数，/>表示对所有元素求指数和，/>表示第i个元素输出的评分值。
CN202310571831.3A 2023-05-22 2023-05-22 基于tcn网络的雷达辐射源脉间调制模式识别方法 Pending CN116561664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310571831.3A CN116561664A (zh) 2023-05-22 2023-05-22 基于tcn网络的雷达辐射源脉间调制模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310571831.3A CN116561664A (zh) 2023-05-22 2023-05-22 基于tcn网络的雷达辐射源脉间调制模式识别方法

Publications (1)

Publication Number Publication Date
CN116561664A true CN116561664A (zh) 2023-08-08

Family

ID=87501605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310571831.3A Pending CN116561664A (zh) 2023-05-22 2023-05-22 基于tcn网络的雷达辐射源脉间调制模式识别方法

Country Status (1)

Country Link
CN (1) CN116561664A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117354106A (zh) * 2023-12-06 2024-01-05 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117354106A (zh) * 2023-12-06 2024-01-05 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统
CN117354106B (zh) * 2023-12-06 2024-03-01 中国海洋大学 基于重参数因果卷积网络的通信信号调制识别方法与系统

Similar Documents

Publication Publication Date Title
Heravi et al. A new correntropy-based conjugate gradient backpropagation algorithm for improving training in neural networks
CN111638488B (zh) 一种基于lstm网络的雷达干扰信号识别方法
US20190130212A1 (en) Deep Network Embedding with Adversarial Regularization
CN112215292B (zh) 一种基于迁移性的图像对抗样本生成装置及方法
CN109360581A (zh) 基于神经网络的语音增强方法、可读存储介质及终端设备
CN113761805B (zh) 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质
CN112884059B (zh) 一种融合先验知识的小样本雷达工作模式分类方法
CA3098085C (en) Legendre memory units in recurrent neural networks
CN114429151B (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN109614905B (zh) 一种雷达辐射源信号深度脉内特征自动提取方法
CN116561664A (zh) 基于tcn网络的雷达辐射源脉间调制模式识别方法
CN112149825A (zh) 神经网络模型的训练方法及装置、电子设备、存储介质
Veeriah et al. Deep learning architecture with dynamically programmed layers for brain connectome prediction
CN114358278A (zh) 神经网络模型的训练方法及装置
CN117134958B (zh) 用于网络技术服务的信息处理方法及系统
US11609936B2 (en) Graph data processing method, device, and computer program product
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN114676835A (zh) 基于模式的神经网络修剪
Xu et al. Conv-Reluplex: A Verification Framework For Convolution Neural Networks (S).
CN109145132B (zh) 从图像中提取哈希码的方法、装置及图像检索方法、装置
CN117792737B (zh) 一种网络入侵检测方法、装置、电子设备及存储介质
Bishop et al. Autoencoders
CN115171710B (zh) 基于多角度判别的生成对抗网络的语音增强方法及系统
CN116527411B (zh) 数据安全智能防护模型构建方法、装置及协作平台
CN115830411B (zh) 生物特征模型训练方法、生物特征提取方法及相关设备

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