基于LSTM和残差网络的雷达有源干扰识别

作     者：邵正途 许登荣 徐文利 王晗中 SHAO Zhengtu;XU Dengrong;XU Wenli;WANG Hanzhong

作者机构：空军预警学院信息对抗系湖北武汉430019 空军预警学院雷达士官学校湖北武汉430300 国防科技大学电子科学学院湖南长沙410073 

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

年 卷 期：2023年第45卷第2期

页      面：416-423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：空军预警学院青年科技人才托举工程基金(TQGC-2021-007)资助课题 

主　　题：干扰识别 深度学习 长短时记忆 残差网络 

摘      要：针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题,提出了一种基于长短时记忆(long short-term memory,LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据,搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明:在干噪比为0 dB的情况下,该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks,CNN)等其他深度学习算法相比,具有更佳的网络性能,验证了该算法的有效性。