10.12305/j.issn.1001-506X.2022.12.02
基于集成深度学习的有源干扰智能分类
针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题,提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network,CNN)分类方法.首先,建立多种有源干扰的数学模型,仿真并利用短时傅里叶变换获得其时频分布图;其次,提取时频分布图的实部、虚部和模值三通道特征,通过多种特征组合方式建立不同特征组合的样本集;最终,构建以CNN为基分类器的集成深度学习模型,每个CNN分别提取不同样本集的特征,对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果.实验表明,该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别.
有源干扰分类、短时傅里叶变换、集成学习、卷积神经网络、小样本
44
TN974
国家自然科学基金;国家重点研发计划;陕西省科技创新团队资助课题
2023-03-30(万方平台首次上网日期,不代表论文的发表时间)
共8页
3595-3602