基于改进量子粒子群卷积神经网络雷达信号识别

发布时间：2020-05-26 08:12

【摘要】：随着现代电磁环境日益密集和复杂、电子信息技术的飞速发展和新兴系统雷达的出现,传统的雷达信号识别方法已不能满足现代电子战的需要。因此,有必要研究和探索更加先进的雷达信号识别方法,使其能够提取出更加精炼,更具表征性和普遍性的雷达信号特征来适应现代战争中电子战的发展。卷积神经网络不仅是深度学习领域应用较为广泛的模型,而且由于其很强的鲁棒性和容错性、并行处理能力、自学习、自组织、自适应性、强拟合性、高效的特征提取卷积运算和降维池化运算,以及强大的信息综合能力,逐渐成为雷达信号识别技术研究的一个新方向。然而,传统卷积神经网络的训练算法往往采用误差反向传播算法,该算法易使网络陷入局部最优,且收敛速度慢,泛化能力无法保证,且计算模型也较为复杂。本文研究了一种自主改进的量子粒子群算法来克服反向传播算法的缺陷,和卷积神经网络模型相结合应用于雷达信号识别领域,主要工作如下:(1)分析了基本神经网络和卷积神经网络(Convolutional Neural Network,CNN)的结构,深入探讨了标准粒子群优化算法(Particle Swarm Optimization,PSO)和量子粒子群算法(Quantum-behaved Particle Swarm Optimization Algorithm,QPSO)的优缺点。(2)在QPSO算法的基础上引入差分进化算子和自适应因子,给出了一种改进的量子粒子群算法(Improved Quantum-behaved Particle Swarm Optimization Algorithm,IQPSO),通过测试函数对比实验验证IQPSO算法的改进优势。(3)将IQPSO算法与CNN相结合,给出了具体的编码策略、参数设计方式、算法的流程图,并引用UCL数据库中的数据测试IQPSO-CNN的性能。(4)研究了不同体制的雷达信号的仿真,通过仿真实验得出不同体制雷达信号的仿真数据,选取一定量的数据作为IQPSO-CNN的训练样本,剩余数据作为IQPSO-CNN的测试样本,验证网络识别的正确率。
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN957.51;TP18

【相似文献】

相关期刊论文 前10条

1 张珂;;雷达信号识别中设置问题研究[J];数字通信世界;2019年05期

2 李广彪,张剑云,毛云祥;一种新的雷达信号识别可信度确定方法[J];现代雷达;2005年05期

3 沈家煌;黄建冲;朱永成;;基于序列样本的威胁雷达信号识别方法[J];火力与指挥控制;2018年09期

4 王欢;何明浩;刘锐;韩俊;;雷达信号识别效果的模糊综合评价研究[J];雷达科学与技术;2012年04期

5 陈婷;严晓兰;;基于粗集和支持向量机的雷达信号识别法[J];航天电子对抗;2010年06期

6 刘爱霞,赵国庆;一种新的雷达信号识别方法[J];航天电子对抗;2003年01期

7 吴莹;罗明;;基于改进的半监督主动学习的雷达信号识别[J];信号处理;2018年06期

8 杨宏飞;何正日;;时频分析在雷达信号识别中的应用[J];电子科技;2016年08期

9 宁宇;;基于分形理论和神经网络的雷达信号识别算法[J];中小企业管理与科技(中旬刊);2014年02期

10 ;雷达信号识别的一种方法[J];电子对抗技术;1986年Z1期

相关会议论文 前2条

1 王惠娟;;雷达信号识别综合可信度确定的新算法[A];2014第二届中国指挥控制大会论文集（上）[C];2014年

2 葛觐铭;朱泽恩;郑创;黄建平;付强;;KAZR云雷达信号识别的新算法研究[A];第33届中国气象学会年会 S12 大气物理学与大气环境[C];2016年

相关博士学位论文 前1条

1 朱健东;复杂体制雷达信号识别与参数估计研究[D];解放军信息工程大学;2013年

相关硕士学位论文 前10条

1 陈鑫;基于轻量化AlexNet模型的雷达信号识别算法研究[D];哈尔滨工程大学;2019年

2 赵毅;基于改进量子粒子群卷积神经网络雷达信号识别[D];江苏科技大学;2019年

3 寇韵涵;基于sSAE的LPI雷达信号识别算法研究[D];哈尔滨工程大学;2018年

4 陈春利;基于集成深度学习的雷达信号识别方法研究[D];西南交通大学;2018年

5 牛r，

本文编号：2681544