基于深度卷积神经网络的雷达辐射源识别算法研究
发布时间：2021-04-15 10:30
随着电磁环境日益复杂,新型体制雷达信号不断涌现,使得基于传统参数的雷达信号识别无法满足现代电子侦察的需求。已有的脉内特征分析方法采用人工提取特征的方式对信号进行识别,计算量较大。因此,为适应多样化电磁环境,解决雷达信号识别上存在的问题,本文提出了一种基于深度卷积神经网络（DCNN）的雷达辐射源识别方法。该方法自主学习雷达信号特征,将特征提取与目标识别结合,实现“端到端”学习方式。本文具体研究内容如下:（1）对雷达信号参数进行设计和分析,产生雷达数据源。对8类复杂雷达信号:线性调频信号（LFM）、线性调频连续波（LFMCW）信号、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、P3码编码信号、FSK/PSK信号进行建模及其时域、频域的波形仿真与分析。通过改变雷达信号模型中具有通信物理意义的参数,为之后识别算法的研究提供数据基础。（2）提出一种基于DCNN的单通道雷达辐射源识别算法。主要思想是:对8类雷达信号做短时傅里叶变换,将得到的频谱图进行数据增强和图像预处理。针对雷达实部波形和频谱图分别作为输入,设计不同的网络模型,对DCNN的训练次数、学习率等参数...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
ReLU激活函数及其梯度图
杭州电子科技大学硕士学位论文14图2.9三层BP网络结构示意图图中可以看出输入n个节点，输出k个节点，隐层m个节点；ijv为第i个输入层到第j个隐层的权重，jk为第j个隐层到第k个输出层的权重。图2.10为BP网络的计算过程图。给定输入向量和目标输出e是否在误差允许范围内求隐含层，输出层各单元的输出求目标值和实际输出值e训练结束，固定权值和阈值计算网络层中神经元的误差求梯度误差更新权值是否前向传播过程反向传播过程初始化图2.10BP网络计算过程示意图2.3分类算法概述全连接层在CNN中充当“分类器”的角色，完成样本的分类。网络结构中的卷积、池化层和非线性激活函数是将原始数据映射至特征空间，而全连接层则是将CNN中学到的特征映射到标记空间。全连接层可以看作是由11卷积核进
杭州电子科技大学硕士学位论文21助于远距离分辨目标物体。该信号的数学表示为：()200(2)()()jftttstArectentT++=+，0tT(3.2)式中，1,0()0,ttTrectT=其他为矩形窗函数，()tArectT是s(t)的包络，A为s(t)的幅度，t为LFM持续时间，T为LFM脉冲宽度，为LFM调频斜率，0f为LFM起始频率，0为LFM初始相位，n(t)为噪声信号。LFM瞬时频率是随时间t的改变而改变，数学表达式表示为：0f(t)=f+t0tT(3.3)线性调频信号的调频斜率是由下式得出：()end0=ffT(3.4)式中，endf为LFM终止频率，end0ff为线性调频信号频率摆动浮动值，它的绝对值的值与信号带宽B的值一样。在仿真LFM时，用awgn函数给信号加白噪声。仿真实验中信噪比设置为0，则n(t)=0，信号中不添加白噪声。LFM仿真参数：信号幅度A=1，起始频率0f=3Ghz，采样频率1024sf=Mhz，脉冲宽度T=25s，信号带宽B=20Mhz，初始相位0=0。LFM的时域波形图和频谱图如图3.1所示：图3.1LFM的时域波形图和频谱图3.2.2线性调频连续波信号线性调频连续波信号(LFMCW)是LFM的周期拓展，是在有限时间长度内将多个LFM脉冲信号的时间连续组合在一起而成。假设一次观测时间为obsT，T为一个LFM调制周期的时间长度，则观测时间内的LFM的调制脉冲数obsM=TT。LFMCW的信号模型为：2002mod(,)()biasjfttTstAe+++=(3.5)
【参考文献】：
期刊论文
[1]基于短时傅里叶变换的雷达信号脉内特征自动识别研究[J]. 晁娇. 现代信息科技. 2019(01)
[2]深度学习在雷达中的研究综述[J]. 王俊,郑彤,雷鹏,魏少明. 雷达学报. 2018(04)
[3]基于AdaBoost和决策树的雷达辐射源识别方法[J]. 唐晓婧,陈维高,席龙飞,慈言海. 电子信息对抗技术. 2018(04)
[4]基于熵选择小波包分量和PSO-BP神经网络的发动机故障诊断[J]. 丁雷,曾锐利,沈虹,梅检民,曾荣. 军事交通学院学报. 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]采用双谱多类小波包特征的雷达信号聚类分选[J]. 梁华东,韩江洪. 光子学报. 2014(03)
[7]雷达辐射源信号双谱二次特征提取方法[J]. 王占领,张登福,王世强. 空军工程大学学报(自然科学版). 2014(01)
[8]小波包能量谱-稀疏核主元在故障检测中的应用[J]. 朱丹,范玉刚,邹金慧,吴建德,黄国勇. 计算机工程与应用. 2014(21)
[9]雷达辐射源信号双谱估计的物理意义及其辐射源个体识别[J]. 陈涛,姚文杨,翟孝霏,刘雅轩. 中南大学学报(自然科学版). 2013(01)
[10]基于EMD模糊熵和SVM的转子系统故障诊断[J]. 王磊,纪国宜. 噪声与振动控制. 2012(03)
博士论文
[1]基于卷积神经网络的图像分类研究[D]. 吕恩辉.中国矿业大学 2019
硕士论文
[1]基于卷积神经网络的人脸识别方法研究[D]. 鲁磊.西安科技大学 2019
[2]基于机器学习的雷达辐射源识别方法研究[D]. 李晨阳.西安电子科技大学 2018
[3]卷积神经网络的研究与应用[D]. 姜亚东.电子科技大学 2018
[4]基于深度学习的雷达辐射源识别技术[D]. 冷鹏飞.中国舰船研究院 2018
[5]基于深度学习的雷达辐射源识别技术研究[D]. 井博军.西安电子科技大学 2017
[6]深度学习下的雷达辐射源信号分类识别[D]. 赵敏.西安电子科技大学 2017
[7]雷达辐射源信号识别技术研究[D]. 姚珅.南京信息工程大学 2011
本文编号：3139163
【文章来源】：杭州电子科技大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
ReLU激活函数及其梯度图
杭州电子科技大学硕士学位论文14图2.9三层BP网络结构示意图图中可以看出输入n个节点，输出k个节点，隐层m个节点；ijv为第i个输入层到第j个隐层的权重，jk为第j个隐层到第k个输出层的权重。图2.10为BP网络的计算过程图。给定输入向量和目标输出e是否在误差允许范围内求隐含层，输出层各单元的输出求目标值和实际输出值e训练结束，固定权值和阈值计算网络层中神经元的误差求梯度误差更新权值是否前向传播过程反向传播过程初始化图2.10BP网络计算过程示意图2.3分类算法概述全连接层在CNN中充当“分类器”的角色，完成样本的分类。网络结构中的卷积、池化层和非线性激活函数是将原始数据映射至特征空间，而全连接层则是将CNN中学到的特征映射到标记空间。全连接层可以看作是由11卷积核进
杭州电子科技大学硕士学位论文21助于远距离分辨目标物体。该信号的数学表示为：()200(2)()()jftttstArectentT++=+，0tT(3.2)式中，1,0()0,ttTrectT=其他为矩形窗函数，()tArectT是s(t)的包络，A为s(t)的幅度，t为LFM持续时间，T为LFM脉冲宽度，为LFM调频斜率，0f为LFM起始频率，0为LFM初始相位，n(t)为噪声信号。LFM瞬时频率是随时间t的改变而改变，数学表达式表示为：0f(t)=f+t0tT(3.3)线性调频信号的调频斜率是由下式得出：()end0=ffT(3.4)式中，endf为LFM终止频率，end0ff为线性调频信号频率摆动浮动值，它的绝对值的值与信号带宽B的值一样。在仿真LFM时，用awgn函数给信号加白噪声。仿真实验中信噪比设置为0，则n(t)=0，信号中不添加白噪声。LFM仿真参数：信号幅度A=1，起始频率0f=3Ghz，采样频率1024sf=Mhz，脉冲宽度T=25s，信号带宽B=20Mhz，初始相位0=0。LFM的时域波形图和频谱图如图3.1所示：图3.1LFM的时域波形图和频谱图3.2.2线性调频连续波信号线性调频连续波信号(LFMCW)是LFM的周期拓展，是在有限时间长度内将多个LFM脉冲信号的时间连续组合在一起而成。假设一次观测时间为obsT，T为一个LFM调制周期的时间长度，则观测时间内的LFM的调制脉冲数obsM=TT。LFMCW的信号模型为：2002mod(,)()biasjfttTstAe+++=(3.5)
【参考文献】：
期刊论文
[1]基于短时傅里叶变换的雷达信号脉内特征自动识别研究[J]. 晁娇. 现代信息科技. 2019(01)
[2]深度学习在雷达中的研究综述[J]. 王俊,郑彤,雷鹏,魏少明. 雷达学报. 2018(04)
[3]基于AdaBoost和决策树的雷达辐射源识别方法[J]. 唐晓婧,陈维高,席龙飞,慈言海. 电子信息对抗技术. 2018(04)
[4]基于熵选择小波包分量和PSO-BP神经网络的发动机故障诊断[J]. 丁雷,曾锐利,沈虹,梅检民,曾荣. 军事交通学院学报. 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]采用双谱多类小波包特征的雷达信号聚类分选[J]. 梁华东,韩江洪. 光子学报. 2014(03)
[7]雷达辐射源信号双谱二次特征提取方法[J]. 王占领,张登福,王世强. 空军工程大学学报(自然科学版). 2014(01)
[8]小波包能量谱-稀疏核主元在故障检测中的应用[J]. 朱丹,范玉刚,邹金慧,吴建德,黄国勇. 计算机工程与应用. 2014(21)
[9]雷达辐射源信号双谱估计的物理意义及其辐射源个体识别[J]. 陈涛,姚文杨,翟孝霏,刘雅轩. 中南大学学报(自然科学版). 2013(01)
[10]基于EMD模糊熵和SVM的转子系统故障诊断[J]. 王磊,纪国宜. 噪声与振动控制. 2012(03)
博士论文
[1]基于卷积神经网络的图像分类研究[D]. 吕恩辉.中国矿业大学 2019
硕士论文
[1]基于卷积神经网络的人脸识别方法研究[D]. 鲁磊.西安科技大学 2019
[2]基于机器学习的雷达辐射源识别方法研究[D]. 李晨阳.西安电子科技大学 2018
[3]卷积神经网络的研究与应用[D]. 姜亚东.电子科技大学 2018
[4]基于深度学习的雷达辐射源识别技术[D]. 冷鹏飞.中国舰船研究院 2018
[5]基于深度学习的雷达辐射源识别技术研究[D]. 井博军.西安电子科技大学 2017
[6]深度学习下的雷达辐射源信号分类识别[D]. 赵敏.西安电子科技大学 2017
[7]雷达辐射源信号识别技术研究[D]. 姚珅.南京信息工程大学 2011
本文编号：3139163
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3139163.html
