基于TPAM-DPN网络的雷达辐射源识别方法

发布时间：2021-07-22 21:03

　　针对传统依靠人工经验设计并提取雷达辐射源特征的繁琐和区分度不够的问题,提出了一种改进的双路网络（DPN）自动提取特征并识别的方法。首先将一维的雷达时域信号变换到二维时频域,然后直接输入双路网络进行识别,即将雷达辐射源的识别转化为图像的识别,有效缓解了上述问题。同时,针对双路网络层次过深带来的特征流失问题,提出用于对雷达辐射源特征图校准重采样的轻量级模块——三流注意力模块（TPAM）,并嵌入双路网络构成三流注意力双路网络（TPAM-DPN）对雷达辐射源进行识别。对6种常见的雷达信号进行了仿真实验,证明了所提方法提取的特征更有利于提高雷达辐射源识别率,且时效性更好。 

【文章来源】：电光与控制. 2020,27(09)北大核心CSCD

【文章页数】：6 页

【部分图文】：

6种雷达信号的Bord-Jondan分布图

DPN网络由网络前端,4个卷积块(Conv1～4)以及网络后端组成,如图2所示。为解决DPN网络层次过深带来的特征流失问题,将2.2节提出的TPAM模块嵌入到DPN网络对特征进行修正[17],构成TPAM-DPN网络用于雷达辐射源识别,具体嵌入位置为每个卷积块之后,以便于雷达辐射源在经过每个卷积块特征提取之后进行特征校准重采样,始终保持信息的准确传递和提高信息的区分度。TPAM-DPN网络结构如图3所示。

为解决DPN网络层次过深带来的特征流失问题,将2.2节提出的TPAM模块嵌入到DPN网络对特征进行修正[17],构成TPAM-DPN网络用于雷达辐射源识别,具体嵌入位置为每个卷积块之后,以便于雷达辐射源在经过每个卷积块特征提取之后进行特征校准重采样,始终保持信息的准确传递和提高信息的区分度。TPAM-DPN网络结构如图3所示。TPAM客观上增加了DPN的深度,但带来的特征校正收益更大。

【参考文献】：
期刊论文
[1]基于阵元方向图的相控阵雷达辐射源识别技术[J]. 关欣,张玉虎.  电光与控制. 2018(06)
[2]基于深度卷积神经网络的飞机识别研究[J]. 唐小佩,杨小冈,刘云峰,任世杰.  电光与控制. 2018(05)
[3]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)
[4]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)
[5]一种改进的雷达信号小波包特征提取方法[J]. 白航,赵拥军,赵国庆,谢巍.  信息工程大学学报. 2012(01)
[6]基于图像特征的雷达信号脉内调制识别算法[J]. 龚文斌,黄可生.  电光与控制. 2008(04)

硕士论文
[1]基于时频图像处理的雷达辐射源信号识别方法研究[D]. 侯瑞利.西安电子科技大学 2015



本文编号：3297891