CN107220606B - 基于一维卷积神经网络的雷达辐射源信号的识别方法 - Google Patents

基于一维卷积神经网络的雷达辐射源信号的识别方法 Download PDF

Info

Publication number
CN107220606B
CN107220606B CN201710361523.2A CN201710361523A CN107220606B CN 107220606 B CN107220606 B CN 107220606B CN 201710361523 A CN201710361523 A CN 201710361523A CN 107220606 B CN107220606 B CN 107220606B
Authority
CN
China
Prior art keywords
radiation source
neural network
convolutional neural
radar radiation
source signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710361523.2A
Other languages
English (en)
Other versions
CN107220606A (zh
Inventor
李鹏
武斌
井博军
刘高高
鲍丹
秦国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710361523.2A priority Critical patent/CN107220606B/zh
Publication of CN107220606A publication Critical patent/CN107220606A/zh
Application granted granted Critical
Publication of CN107220606B publication Critical patent/CN107220606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于辐射源信号识别技术领域，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法，其步骤如下：(1)生成雷达辐射源信号数据集；(2)数据预处理；(3)构建卷积神经网络；(4)设置参数并训练卷积神经网络；(5)预测分类；(6)计算精度；(7)输出结果。本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法具有以下优点：1、通过卷积神经网络中的网络结构对信号进行特征提取，避免了传统算法中需要人工设计特征的过程；2、能正确识别信噪比低至‑10dB时的多种雷达辐射源信号脉内调制方式；第三，实现简单。

Description

基于一维卷积神经网络的雷达辐射源信号的识别方法
技术领域
本发明属于辐射源信号识别技术领域，具体涉及一种基于一维卷积神经网络的雷达辐射源信号的识别方法。
背景技术
雷达辐射源信号识别是电子对抗中一项重要环节，在电子情报侦察、电子支援侦察和威胁告警***中都起到了关键的作用。
随着电子信息技术的飞速发展，现代电子战场的对抗愈发激烈，新型复杂体制雷达逐渐占据主导地位。电磁环境日益复杂和密集，传统的基于脉冲描述字(载频、脉冲到达时间、脉冲到达角、脉冲幅度、脉冲宽度)已经难以胜任在这样密集、复杂和多变的环境中的雷达辐射源信号识别任务。
目前，很多专家提出了基于雷达辐射源信号脉内分析的识别方法。主要有时域分析法、频域分析法、瞬时自相关法、谱相关法和时频域分析法等。但是这些方法存在着不少缺点，一方面很多方法对于低信噪下信号的识别效果一般，另一方面，这些方法往往要耗费大量的时间在信号的特征提取上，而提取的某些特征并不具有普适性，如果要利用组合特征则又可能要面临维度灾难或者特征选择的难题。因此，发明一种基于一维卷积神经网络的雷达辐射源信号的识别方法，可以将特征提取的步骤利用网络实现。
发明内容
发明目的：本发明针对上述现有技术存在的问题做出改进，即本发明公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。本发明能够减去脉内特征提取花费的时间，并且在低至-10dB信噪比下仍能够取得不俗的识别效果，且实现简单，适应性强，可用于电子情报侦察中。
实现本发明的技术思路是：首先，对雷达辐射源信号进行预处理；其次，构建卷积神经网络；然后，设置参数并训练卷积神经网络，用训练好的网络对测试集中的信号进行分类识别；最后，计算分类精度。
技术方案：基于一维卷积神经网络的雷达辐射源信号的识别方法，步骤如下：
(1)生成雷达辐射源信号数据集
通过MATLAB仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为CW、LFM、NLFM、BPSK、QPSK、BFSK、QFSK，每种信号从-10dB到6dB每隔2dB信噪比下生成数量相等的样本，其中：
辐射源信号参数设置如下：
采样频率均为2GHz，采样点数均为512个；
CW、LFM、NLFM、BPSK、QPSK载频设置为200MHz，LFM频偏设置为50MHz，BPSK采用13位巴克码，QPSK信号采用16位弗兰克码；
BFSK的两个载频分别为200MHz、400MHZ，采用13位巴克码；
QFSK的四个载频是100MHZ、300MHZ、500MHZ和700MHZ；
(2)数据预处理
(21)将步骤(1)生成的雷达辐射源信号通过FFT从时域变换到频域，进入步骤(22)；
(22)对经过FFT后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：
Figure GDA0002212488290000031
其中：
ft(i)表示经过FFT后的雷达辐射源信号频域；
Mf为经过FFT后的雷达辐射源信号频域序列{ft(i)}的均值；
(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；
(3)构建卷积神经网络
构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；
(4)设置参数并训练卷积神经网络
(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为ReLu，ReLu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；
(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；
(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；
(5)预测分类
将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；
(6)计算精度
根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；
(7)输出结果。
进一步地，步骤(43)包括以下步骤：
(431)前向传播
按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：
Figure GDA0002212488290000041
其中：
Figure GDA0002212488290000042
表示第l层网络的第k个特征向量；
Figure GDA0002212488290000043
表示第l层网络的第k个卷积核的共享权值；
Figure GDA0002212488290000044
表示偏置；
conv1D(·)表示一维卷积；
(432)反向传播
计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下
Figure GDA0002212488290000051
其中：
Figure GDA0002212488290000052
表示步骤(431)的输出向量；
Figure GDA0002212488290000053
表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；
卷积层误差反向传播的计算公式为：
Figure GDA0002212488290000054
其中
Figure GDA0002212488290000055
表示l+1层第i个神经元的残差；
rev(·)表示对序列进行反转操作，
conv1Dz(·)表示进行的是一维的全卷积；
(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。
更进一步地，步骤(431)中池化层采用的是均值池化。
有益效果：本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法与现有技术相比较，具有以下优点：
第一，本发明采用基于卷积神经网络的雷达辐射源信号识别方法，通过卷积神经网络中的网络结构对信号进行特征提取避免了传统算法中需要人工设计特征的过程；
第二，能正确识别信噪比低至-10dB时的多种雷达辐射源信号脉内调制方式；
第三，实现简单，并且改进的一维卷积神经网络相对于常规用于图像识别的卷积神经网络训练代价更低，利用训练好的卷积神经网络进行雷达辐射源信号识别计算代价较小。
附图说明
图1是本发明公开的基于一维卷积神经网络的雷达辐射源信号的识别方法的流程图；
图2是卷积神经网络的结构示意图。
具体实施方式：
下面对本发明的具体实施方式详细说明。
参照图1，基于一维卷积神经网络的雷达辐射源信号的识别方法，步骤如下：
(1)生成雷达辐射源信号数据集
通过MATLAB仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为CW、LFM、NLFM、BPSK、QPSK、BFSK、QFSK，每种信号从-10dB到6dB每隔2dB信噪比下生成数量相等的样本，其中：
辐射源信号参数设置如下：
采样频率均为2GHz，采样点数均为512个；
CW、LFM、NLFM、BPSK、QPSK载频设置为200MHz，LFM频偏设置为50MHz，BPSK采用13位巴克码，QPSK信号采用16位弗兰克码；
BFSK的两个载频分别为200MHz、400MHZ，采用13位巴克码；
QFSK的四个载频是100MHZ、300MHZ、500MHZ和700MHZ；
(2)数据预处理
(21)将步骤(1)生成的雷达辐射源信号通过FFT从时域变换到频域，进入步骤(22)；
(22)对经过FFT后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：
Figure GDA0002212488290000071
其中：
ft(i)表示经过FFT后的雷达辐射源信号频域；
Mf为经过FFT后的雷达辐射源信号频域序列{ft(i)}的均值；
(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；
(3)构建卷积神经网络
构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；基本结构如图2所示，输入为512x1的信号样本，首先在卷积层与6个33x1大小的滤波因子卷积得到6个480x1的特征向量；其次通过3x1大小的池化层进行下采样操作，得到6个160x1的特征向量；最后经过全连接层和输出层得到输入样本的标签向量；
(4)设置参数并训练卷积神经网络
(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为ReLu，ReLu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；
(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；
(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；
(5)预测分类
将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；
(6)计算精度
根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；
(7)输出结果。
进一步地，步骤(43)包括以下步骤：
(431)前向传播
按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：
Figure GDA0002212488290000081
其中：
Figure GDA0002212488290000082
表示第l层网络的第k个特征向量；
Figure GDA0002212488290000091
表示第l层网络的第k个卷积核的共享权值；
Figure GDA0002212488290000092
表示偏置；
conv1D(·)表示一维卷积；
(432)反向传播
计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下
Figure GDA0002212488290000093
其中：
Figure GDA0002212488290000094
表示步骤(431)的输出向量；
Figure GDA0002212488290000095
表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；
卷积层误差反向传播的计算公式为：
Figure GDA0002212488290000096
其中
Figure GDA0002212488290000097
表示l+1层第i个神经元的残差；
rev(·)表示对序列进行反转操作，
conv1Dz(·)表示进行的是一维的全卷积；
(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。
更进一步地，步骤(431)中池化层采用的是均值池化。
下面结合仿真实验对本发明的效果做进一步的描述
1、仿真实验条件：
本发明所用的数据为用MATLAB仿真生成的雷达辐射源信号，数据集由七种不同调制方式的雷达辐射源信号构成，每种信号在-10dB到6dB每隔2dB信噪比下有1200个样本，其中1000个样本用于训练卷积神经网络，200个样本用来测试。这样每个信噪比下的训练集一共有7000个样本组成，每个信噪比点上的测试集则有1400个样本。实验硬件平台为：Intel(R)Core(TM)[email protected]，4GB RAM，软件平台为：MATLAB R2012a。
2、实验结果
Figure GDA0002212488290000101
从实验结果可以看出在低信噪比下LFM和QFSK的识别率最高，而BFSK最差。当信噪比大于-2dB时，七种信号的识别率就能达到100％，即便低至-6dB，各种信号的识别率也都在97％以上，信噪比进一步下降后，BFSK信号的识别率比较差。可见一维卷积神经网络对于低信噪比下雷达辐射源信号的识别有着相当优异的表现。
上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤如下：
(1)生成雷达辐射源信号数据集
通过MATLAB仿真生成雷达辐射源信号数据集，雷达辐射源信号数据集包括七种不同调制方式，分别为CW、LFM、NLFM、BPSK、QPSK、BFSK、QFSK，每种信号从-10dB到6dB每隔2dB信噪比下生成数量相等的样本，其中：
辐射源信号参数设置如下：
采样频率均为2GHz，采样点数均为512个；
CW、LFM、NLFM、BPSK、QPSK载频设置为200MHz，LFM频偏设置为50MHz，BPSK采用13位巴克码，QPSK信号采用16位弗兰克码；
BFSK的两个载频分别为200MHz、400MHZ，采用13位巴克码；
QFSK的四个载频是100MHZ、300MHZ、500MHZ和700MHZ；
(2)数据预处理
(21)将步骤(1)生成的雷达辐射源信号通过FFT从时域变换到频域，进入步骤(22)；
(22)对经过FFT后的雷达辐射源信号数据集进行去噪处理，去噪采用以下公式：
Figure FDA0002212488280000011
其中：
ft(i)表示经过FFT后的雷达辐射源信号频域；
Mf为经过FFT后的雷达辐射源信号频域序列{ft(i)}的均值；
(23)去噪处理后的雷达辐射源信号进行能量归一化处理，并标注信号所属的类别，得到用于网络训练和测试的数据集；
(3)构建卷积神经网络
构建含有五层的一维卷积神经网络，一维卷积神经网络依次为输入层、卷积层、池化层、全连接层和输出层；
(4)设置参数并训练卷积神经网络
(41)设置一维卷积神经网络的学习率为0.01、批量大小设置为10、迭代次数为500，卷积层激活函数设置为ReLu，ReLu函数定义为f(x)＝max(0,x)，其中：x表示神经元的输入；
(42)在步骤(23)得到的用于网络训练和测试的数据集中随机抽取每种信号总量的5/6的样本作为训练集；
(43)将训练集输入到步骤(3)得到的一维卷积神经网络中，通过迭代计算，当达到一维卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程；
(5)预测分类
将步骤(42)中用于网络训练和测试的数据集抽取后余下的样本作为测试样本，输入步骤(4)得到的一维卷积神经网络中，获取识别结果，完成雷达辐射源信号的识别；
(6)计算精度
根据输出的正确样例来计算每一类雷达辐射源信号在单个信噪比下的识别率；
(7)输出结果。
2.根据权利要求1所述的基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤(43)包括以下步骤：
(431)前向传播
按照步骤(41)中设置的批量大小，将样本输入到卷积神经网络，样本从输入层经过逐级变换，传送到输出层，卷积层的前向算法如下：
Figure FDA0002212488280000031
其中：
Figure FDA0002212488280000032
表示第l层网络的第k个特征向量；
Figure FDA0002212488280000033
表示第l层网络的第k个卷积核的共享权值；
Figure FDA0002212488280000034
表示偏置；
conv1D(·)表示一维卷积；
(432)反向传播
计算步骤(431)的输出与在步骤(23)中标注类别的样本的均方误差，公式如下
Figure FDA0002212488280000035
其中：
Figure FDA0002212488280000036
表示步骤(431)的输出向量；
Figure FDA0002212488280000037
表示步骤(23)中标注的类别标签，按照极小化误差的方式，反向逐层调整网络的权值；
卷积层误差反向传播的计算公式为：
Figure FDA0002212488280000041
其中
Figure FDA0002212488280000042
表示l+1层第i个神经元的残差；
rev(·)表示对序列进行反转操作，
conv1Dz(·)表示进行的是一维的全卷积；
(433)重复进行步骤(431)和步骤(432)，直到达到设置的最大迭代次数为止，从而得到训练好的卷积神经网络。
3.根据权利要求2所述的基于一维卷积神经网络的雷达辐射源信号的识别方法，其特征在于，步骤(431)中池化层采用的是均值池化。
CN201710361523.2A 2017-05-22 2017-05-22 基于一维卷积神经网络的雷达辐射源信号的识别方法 Active CN107220606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710361523.2A CN107220606B (zh) 2017-05-22 2017-05-22 基于一维卷积神经网络的雷达辐射源信号的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710361523.2A CN107220606B (zh) 2017-05-22 2017-05-22 基于一维卷积神经网络的雷达辐射源信号的识别方法

Publications (2)

Publication Number Publication Date
CN107220606A CN107220606A (zh) 2017-09-29
CN107220606B true CN107220606B (zh) 2020-05-19

Family

ID=59944991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710361523.2A Active CN107220606B (zh) 2017-05-22 2017-05-22 基于一维卷积神经网络的雷达辐射源信号的识别方法

Country Status (1)

Country Link
CN (1) CN107220606B (zh)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909015A (zh) * 2017-10-27 2018-04-13 广东省智能制造研究所 基于卷积神经网络及空谱信息融合的高光谱图像分类方法
CN107832787B (zh) * 2017-10-31 2020-09-22 杭州电子科技大学 基于双谱自编码特征的雷达辐射源识别方法
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108282426B (zh) * 2017-12-08 2019-11-26 西安电子科技大学 基于轻量级深度网络的无线电信号认知识别方法
CN108282427B (zh) * 2017-12-15 2019-11-26 西安电子科技大学 基于多尺度轻量网络的无线电信号认知识别方法
CN108282263B (zh) * 2017-12-15 2019-11-26 西安电子科技大学 基于一维深度残差轻量网络的编码调制联合识别方法
CN108234370B (zh) * 2017-12-22 2020-12-15 西安电子科技大学 基于卷积神经网络的通信信号调制方式识别方法
CN108229404B (zh) * 2018-01-09 2022-03-08 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108549832B (zh) * 2018-01-21 2021-11-30 西安电子科技大学 基于全连接神经网络的低截获雷达信号分类方法
CN108427987A (zh) * 2018-03-08 2018-08-21 四川大学 一种基于卷积神经网络的调制方式识别方法
CN108508411B (zh) * 2018-03-22 2022-04-08 天津大学 基于迁移学习的被动雷达外辐射源信号识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN108718288B (zh) * 2018-03-30 2020-09-25 电子科技大学 基于卷积神经网络的数字信号调制模式识别方法
CN108509911B (zh) * 2018-04-03 2020-06-12 电子科技大学 基于卷积神经网络的干扰信号识别方法
CN108712397A (zh) * 2018-04-28 2018-10-26 天津大学 基于深度学习的通信协议识别方法
CN108650202B (zh) * 2018-05-11 2021-02-26 大唐联诚信息***技术有限公司 一种信号调制模式识别方法及装置
CN109034204B (zh) * 2018-07-02 2022-01-25 西安交通大学 一种基于改进卷积神经网络的焊缝缺陷识别方法
CN109271838B (zh) * 2018-07-19 2020-11-03 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法
CN109116345A (zh) * 2018-08-01 2019-01-01 西南交通大学 一种雷达信号识别方法及装置
CN109272026A (zh) * 2018-08-30 2019-01-25 昆明理工大学 一种基于卷积神经网络的脉冲星识别方法
CN109389058B (zh) * 2018-09-25 2021-03-23 中国人民解放军海军航空大学 海杂波与噪声信号分类方法及***
CN109471074B (zh) * 2018-11-09 2023-04-21 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN109597043B (zh) * 2018-11-16 2023-05-26 江苏科技大学 基于量子粒子群卷积神经网络的雷达信号识别方法
CN109495214B (zh) * 2018-11-26 2020-03-24 电子科技大学 基于一维Inception结构的信道编码类型识别方法
CN109507648A (zh) * 2018-12-19 2019-03-22 西安电子科技大学 基于VAE-ResNet网络的雷达辐射源识别方法
CN109711314B (zh) * 2018-12-21 2021-04-02 西安电子科技大学 基于特征融合与sae的雷达辐射源信号分类方法
CN109633588A (zh) * 2018-12-29 2019-04-16 杭州电子科技大学 基于深度卷积神经网络的雷达辐射源识别方法
CN110133599B (zh) * 2019-01-08 2022-12-06 西安电子科技大学 基于长短时记忆模型的智能雷达辐射源信号分类方法
CN109902589A (zh) * 2019-01-30 2019-06-18 南京航空航天大学 一种基于雷达一维距离像的目标识别方法及***
CN109884625B (zh) * 2019-02-22 2020-01-14 中国人民解放军军事科学院国防科技创新研究院 基于卷积神经网络的雷达关联成像方法
CN109932699A (zh) * 2019-03-15 2019-06-25 西安电子科技大学 一种雷达辐射源识别方法、装置、计算机设备和存储介质
CN110224956B (zh) * 2019-05-06 2021-11-23 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110222748B (zh) * 2019-05-27 2022-12-20 西南交通大学 基于1d-cnn多域特征融合的ofdm雷达信号识别方法
CN110378205A (zh) * 2019-06-06 2019-10-25 西安电子科技大学 一种基于改进型cnn网络的复杂雷达辐射源识别算法
CN110427893A (zh) * 2019-08-06 2019-11-08 西安电子科技大学 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质
CN110988802A (zh) * 2019-11-11 2020-04-10 浙江大学 一种基于信号尺度分解的雷达辐射源识别***
CN111220958B (zh) * 2019-12-10 2023-05-26 西安宁远电子电工技术有限公司 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
CN111160176B (zh) * 2019-12-19 2022-09-06 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN110988839B (zh) * 2019-12-25 2023-10-10 中南大学 基于一维卷积神经网络的墙体健康状况的快速识别方法
CN110988872B (zh) * 2019-12-25 2023-10-03 中南大学 无人机载穿墙雷达探测墙体健康状态的快速识别方法
CN111239692B (zh) * 2020-01-10 2023-01-24 西安电子科技大学 基于深度学习的pri联合脉内信息辐射源信号识别方法
CN111178331B (zh) * 2020-01-20 2024-01-09 深圳大学 雷达图像识别***、方法、设备及计算机可读存储介质
CN111310719B (zh) * 2020-03-10 2021-07-06 电子科技大学 一种未知辐射源个体识别及检测的方法
CN111795611B (zh) * 2020-05-20 2021-02-02 中南民族大学 一种低复杂度无人机调制方式盲识别及其反制方法、***
CN111800216B (zh) * 2020-05-29 2021-07-20 中南民族大学 一种针对于黑飞无人机反制电磁波形的生成***及方法
CN112098957A (zh) * 2020-09-15 2020-12-18 西安电子科技大学 基于一维自步卷积神经网络的复杂雷达辐射源识别方法
CN112115924A (zh) * 2020-09-27 2020-12-22 西安电子科技大学 基于一维cnn和lstm的雷达辐射源识别方法
CN112464713B (zh) * 2020-10-21 2022-11-08 安徽农业大学 一种基于深度学习的通信辐射源射频指纹识别方法
CN112560919A (zh) * 2020-12-07 2021-03-26 杭州智瑞思科技有限公司 基于一维可解释卷积神经网络的人机不同步识别方法
CN112764003A (zh) * 2021-01-14 2021-05-07 中山大学 一种雷达辐射源信号时频特征识别方法、装置及存储介质
CN113109782B (zh) * 2021-04-15 2023-08-15 中国人民解放军空军航空大学 一种直接应用于雷达辐射源幅度序列的分类方法
CN113435246B (zh) * 2021-05-18 2024-04-05 西安电子科技大学 一种辐射源个体智能识别方法、***及终端
CN113359091B (zh) * 2021-05-28 2022-05-17 太原理工大学 基于深度学习的多核函数混叠雷达辐射源识别方法和***
CN113343868A (zh) * 2021-06-15 2021-09-03 四川九洲电器集团有限责任公司 一种辐射源个体识别方法及装置、终端、存储介质
CN113962260A (zh) * 2021-10-21 2022-01-21 中国人民解放军空军航空大学 一种基于去噪深度残差网络的雷达信号智能分选方法
CN114118142A (zh) * 2021-11-05 2022-03-01 西安晟昕科技发展有限公司 一种雷达脉内调制类型的识别方法
CN114021459A (zh) * 2021-11-05 2022-02-08 西安晟昕科技发展有限公司 一种小样本雷达辐射源的识别方法
CN116520252B (zh) * 2023-04-03 2024-03-15 中国人民解放军93209部队 一种空中目标智能识别方法与***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5247584A (en) * 1991-01-10 1993-09-21 Bodenseewerk Geratetechnik Gmbh Signal processing unit for classifying objects on the basis of signals from sensors
US8441393B2 (en) * 2010-02-10 2013-05-14 Tialinx, Inc. Orthogonal frequency division multiplexing (OFDM) radio as radar
CN105137388A (zh) * 2015-08-17 2015-12-09 周口师范学院 一种基于外辐射源的无源雷达固定目标频域测向方法
CN106528528A (zh) * 2016-10-18 2017-03-22 哈尔滨工业大学深圳研究生院 文本情感分析的方法及装置
CN106680775A (zh) * 2016-12-12 2017-05-17 清华大学 一种自动识别雷达信号调制方式的方法和***
CN106682574A (zh) * 2016-11-18 2017-05-17 哈尔滨工程大学 一维深度卷积网络的水下多目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5247584A (en) * 1991-01-10 1993-09-21 Bodenseewerk Geratetechnik Gmbh Signal processing unit for classifying objects on the basis of signals from sensors
US8441393B2 (en) * 2010-02-10 2013-05-14 Tialinx, Inc. Orthogonal frequency division multiplexing (OFDM) radio as radar
CN105137388A (zh) * 2015-08-17 2015-12-09 周口师范学院 一种基于外辐射源的无源雷达固定目标频域测向方法
CN106528528A (zh) * 2016-10-18 2017-03-22 哈尔滨工业大学深圳研究生院 文本情感分析的方法及装置
CN106682574A (zh) * 2016-11-18 2017-05-17 哈尔滨工程大学 一维深度卷积网络的水下多目标识别方法
CN106680775A (zh) * 2016-12-12 2017-05-17 清华大学 一种自动识别雷达信号调制方式的方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks;Kiranyaz S etal.;《IEEE transactions on bio-medical engineering》;20151231;第63卷(第3期);第664页 *
基于深度学习的文本情感分析研究;曹宇慧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;第33-46页 *
基于深度限制波尔兹曼机的辐射源信号识别;周东青 等;《国防科技大学学报》;20161231;第38卷(第6期);第136-141页 *

Also Published As

Publication number Publication date
CN107220606A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
CN112882009B (zh) 基于幅度相位双通道网络的雷达微多普勒目标识别方法
CN112949387B (zh) 基于迁移学习的智能抗干扰目标检测方法
CN103064063B (zh) 基于cwd特征的多相编码雷达信号波形自动识别方法
Cain et al. Convolutional neural networks for radar emitter classification
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及***
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
Ni et al. LPI radar waveform recognition based on multi-resolution deep feature fusion
CN114595732A (zh) 基于深度聚类的雷达辐射源分选方法
CN114758230A (zh) 基于注意力机制的地下目标体分类识别方法
Qin et al. Radar waveform recognition based on deep residual network
CN111983569B (zh) 基于神经网络的雷达干扰抑制方法
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN115616503A (zh) 一种基于卷积神经网络模型的雷达干扰信号类型识别方法
Jin et al. Offshore ship recognition based on center frequency projection of improved EMD and KNN algorithm
CN110083865A (zh) 一种抗脉冲噪声的已知信号检测方法及检测电路
CN115345216A (zh) 一种融合先验信息的fmcw雷达干扰消除方法
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
Govalkar et al. Siamese Network based Pulse and Signal Attribute Identification
CN112329534A (zh) 基于二维加权残差卷积神经网络的雷达目标识别方法
CN116112932B (zh) 一种数据知识双驱动的射频指纹识别方法与***
CN116166965A (zh) 基于特征融合和集成学习的雷达辐射源识别方法
CN116662783A (zh) 基于深度学习的跨接收机雷达辐射源个体识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant