基于扩张残差网络的雷达辐射源信号识别

发布时间：2021-07-12 17:50

　　针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景. 

【文章来源】：电子学报. 2020,48(03)北大核心EICSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 雷达辐射源信号预处理
    2.1 信号时频分析
    2.2 时频图像预处理
3 基于扩张残差网络的雷达信号识别
    3.1 残差网络
    3.2 扩张卷积
    3.3 DRN模型框架
4 实验结果与分析
    4.1 实验参数设置
    4.2 不同方法识别性能对比
    4.3 不同网络模型识别性能对比
5 结论


【参考文献】：
期刊论文
[1]基于DAE+CNN辐射源信号识别算法[J]. 叶文强,俞志富,张奎.  计算机应用研究. 2019(12)
[2]基于深度学习和集成学习的辐射源信号识别[J]. 黄颖坤,金炜东,余志斌,吴昀璞.  系统工程与电子技术. 2018(11)
[3]导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法[J]. 许程成,周青松,张剑云,谌诗娃.  电子学报. 2018(07)
[4]基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]. 郭立民,寇韵涵,陈涛,张明.  电子与信息学报. 2018(04)
[5]一种深度学习的雷达辐射源识别算法[J]. 周志文,黄高明,高俊,满欣.  西安电子科技大学学报. 2017(03)
[6]基于时频图像处理提取瞬时频率的雷达信号识别[J]. 朱健东,张玉灵,赵拥军.  系统仿真学报. 2014(04)
[7]基于倒谱分析的雷达信号脉内调制识别[J]. 韩立辉,黄高明.  电子信息对抗技术. 2011(03)
[8]一种新的雷达信号分选方法[J]. 陈惠民,盛骥松.  现代电子技术. 2009(01)



本文编号：3280375