新型雷达辐射源识别
目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别.随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征.针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法.方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果.结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型(depth Q network,DQN)识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100％,相比支持向量机(support vector machine,SVM)提高了0.9％,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机(extreme learning machine,ELM)分类器和DQN算法相比,分别提高了16.13％、1.87％和0.15％.结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率.
深度学习、雷达辐射源识别、卷积神经网络(CNN)、识别准确率、频域特征、模糊函数切片
25
TP391.4(计算技术、计算机技术)
国家自然科学基金项目61871301
2020-08-03（万方平台首次上网日期，不代表论文的发表时间）
共9页
1171-1179
