基于集成深度学习的有源干扰智能分类

作     者：吕勤哲 全英汇 沙明辉 董淑仙 邢孟道 LYU Qinzhe;QUAN Yinghui;SHA Minghui;DONG Shuxian;XING Mengdao

作者机构：西安电子科技大学电子工程学院陕西西安710071 北京无线电测量研究所北京100854 西安电子科技大学前沿交叉研究院陕西西安710071 

出 版 物：《系统工程与电子技术》 (Systems Engineering and Electronics)

年 卷 期：2022年第44卷第12期

页      面：3595-3602页

核心收录：

学科分类：11[军事学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 110503[军事学-军事通信学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 1104[军事学-战术学] 082601[工学-武器系统与运用工程] 081105[工学-导航、制导与控制] 0826[工学-兵器科学与技术] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61772397) 国家重点研发计划(2016YFE0200400) 陕西省科技创新团队(2019TD-002)资助课题 

主　　题：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 

摘      要：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。