基于奇异值分解与神经网络的干扰识别

发布时间：2021-01-25 17:35

　　无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明:基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%～25%的提高。 

【文章来源】：电子与信息学报. 2020,42(11)北大核心

【文章页数】：6 页

【部分图文】：

各干扰信号奇异值求差分后波形

谘盗费?净故遣?试样本，基于奇异值分解与神经网络的干扰识别法能以高的准确度完成训练与分类过程。4.2性能对比为了验证该系统性能，本文将实验结果与传统的基于特征提取的干扰识别方法进行对比。干扰识别属于信号识别的一种，因此干扰识别的特征提取方法为经典的信号特征提取方法[1–6,13]。特征提取后表1对单音干扰、线性扫频干扰、部分频带干扰及噪声调频干扰信号的识别率(%)BP神经网络输入训练样本识别正确率测试样本识别正确率奇异值导数99.75398.437图3各干扰信号奇异值求差分后波形图4神经网络结构图2576电子与信息学报第42卷

kt2+)],0≤t≤T(4)部分频带噪声干扰在部分频带内表现为高斯白噪声，其复基带表达式为J(t)=Un(t)exp[j(2πfjt+)](5)噪声调频干扰的复基带表达式为J(t)=Aexpj2πfjt+j2πkfm∫t0ε(t′)dt′(6)其中，ε(t)为0均值，方差恒定的窄带高斯白噪声。下面给出了在单位功率下，4种不同类型的干扰信号分别对应的奇异值序列，每种干扰信号给出两种不同的随机参数，如图2所示，其中干扰序列长度l=1024,m=n=32。图1基于奇异值与神经网络到的干扰识别原理2574电子与信息学报第42卷

【参考文献】：
期刊论文
[1]基于时频特征提取的雷达有源干扰识别[J]. 郝万兵,马若飞,洪伟.  火控雷达技术. 2017(04)
[2]联合多维特征的干扰识别技术研究[J]. 梁金弟,程郁凡,杜越,王鹏宇.  信号处理. 2017(12)
[3]复杂电磁环境下通信装备干扰预测方法[J]. 李伟,魏光辉,潘晓东,王雅平,万浩江,孙梳清.  电子与信息学报. 2017(11)
[4]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月.  微型机与应用. 2017(10)
[5]基于累计量的干扰信号调制识别算法[J]. 程汉文,朱雷,吴乐南.  电子与信息学报. 2009(07)

硕士论文
[1]典型通信干扰信号识别技术研究[D]. 徐国进.电子科技大学 2018
[2]张量奇异值及高阶奇异值分解具有的若干性质[D]. 姜丹丹.哈尔滨工业大学 2017



本文编号：2999614