基于CNN网络的跳频信号个体识别

发布时间：2024-12-27 06:17

　　 针对传统跳频信号指纹特征提取只是利用深度学习进行分类的问题,利用CNN网络特征提取的特性,实现了一种基于CNN网络的对预处理后的跳频信号实现特征提取和分类网络模型。首先将收集的跳频信号进行短时傅里叶变换转换到跳频信号敏感的频域,将跳频信号频谱图作为CNN网络模型的输入,CNN网络通过多层卷积提取信号频域深层次特征,通过Batch Normalization、Callback函数的优化加快了网络的收敛速度,同时防止了过拟合现象,最终输出跳频信号的识别分类结果。对比实验结果表明,CNN网络的分类识别正确率较以往的方法更高,在信号信噪比越大的情况下,识别效果越好。

【文章页数】：6 页

【部分图文】：

图1 经STFT处理3类跳频信号频谱图

跳频信号是指在伪随机码和同步算法的控制下，射频频率在约定的频率集内随伪随机码同步跳变的通信手段，对于频率跳变时的频域变化比较敏感，考虑到在非平稳限号处理过程中，标准傅里叶变换提取信号的频谱需要用到信号的全部时域信息，并且不能够反映出该信号的频率随时间状态的变化情况，Dennis....

图2 CNN网络架构

基于keras不需要写循环去更新每次的梯度所带来的搭建网络的便利，本文采用keras框架进行CNN网络的搭建。采用多层卷积结构对跳频信号频谱图进行频域指纹特征的提取，网络包含了4个卷积层（ConvolutionLayer）、2个池化层（PoolingLayer）和2个全连接层....

图3 ELU函数

Softmax函数的输出值都在0和1之间，同时所有输出值之和为1，可以把所有的输出看作输入的所有概率分布，通过最大概率来判断该信号的类别，进而达到信号分类的目的。2.3加速网络收敛的改进

图4 不同信噪比情况下网络识别率

实验仿真生成的3类跳频信号分别增加了高斯白噪声，仿真信噪比为0、5、10、15、20dB进行了5次对比实验，发现本网络对信号识别率随信噪比的变化情况见图4，其中网络识别率为3类信号的识别率平均值。从图4分析可知，在信噪比达到某一阈值之前，网络识别率随着信噪比的增加有所提升；当信噪....

本文编号：4021264