检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于二值神经网络的辐射源信号识别方法

系统工程与电子技术 2024年

作者：王慧赋梅明飞齐亮柴恒陶诗飞南京理工大学电子工程与光电技术学院南湖实验室中国船舶集团有限公司第七二三研究所

针对用于辐射源信号识别的神经网络存在参数冗余、运算量庞大等问题，该文提出了一种基于二值神经网络的辐射源信号识别方法。该方法提出利用卷积层效用值衡量神经网络卷积层的重要性，根据卷积层效用值的大小，将重要的卷积层保留为实... 详细信息

针对用于辐射源信号识别的神经网络存在参数冗余、运算量庞大等问题，该文提出了一种基于二值神经网络的辐射源信号识别方法。该方法提出利用卷积层效用值衡量神经网络卷积层的重要性，根据卷积层效用值的大小，将重要的卷积层保留为实值，其余卷积层进行二值化处理。实验结果表明，在信噪比大于-9dB时，采用该方法得到的二值神经网络的信号识别准确率相比于实值卷积神经网络降低了0.5%，而网络参数内存大小降低了83.4%，网络运算次数降低了83.8%，网络运算复杂度降低了85.8%。

关键词：辐射源信号识别二值神经网络卷积层效用值网络复杂度

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度限制波尔兹曼机的辐射源信号识别

国防科技大学学报 2016年第6期38卷 136-141页

作者：周东青王玉冰王星程相东肖吉阳空军工程大学航空航天工程学院陕西西安710038 空军西安飞行学院陕西西安710306 空军工程大学装备管理与安全工程学院陕西西安710051

针对电子侦察中使用常规参数难以有效识别复杂体制雷达信号的问题,提出利用深度限制波尔兹曼机对辐射源识别的模型。模型由多个限制波尔兹曼机组成,通过逐层自底向上无监督学习获得初始参数,并用后向传播算法对整个模型进行有监督的参... 详细信息

针对电子侦察中使用常规参数难以有效识别复杂体制雷达信号的问题,提出利用深度限制波尔兹曼机对辐射源识别的模型。模型由多个限制波尔兹曼机组成,通过逐层自底向上无监督学习获得初始参数,并用后向传播算法对整个模型进行有监督的参数微调,利用Softmax进行分类识别。通过仿真实验表明该模型能对辐射源进行有效的特征提取和分类识别,具有较高的识别精度和较强的鲁棒性。

关键词：辐射源信号识别深度学习限制波尔兹曼机

在线全文

学校读者我要写书评

暂无评论

基于改进CLDNN的辐射源信号识别

系统工程与电子技术 2021年第1期43卷 42-47页

作者：孙艺聪田润澜王晓峰董会旭戴普空军航空大学航空作战勤务学院吉林长春130022 空军实验训练基地二区检验所陕西咸阳713800

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神... 详细信息

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network,CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。

关键词：辐射源信号识别深度学习卷积长短时深度神经网络时间序列

在线全文

学校读者我要写书评

暂无评论

基于小波脊频级联特征的雷达辐射源信号识别

西南交通大学学报 2010年第2期45卷 290-295页

作者：余志斌金炜东陈春霞西南交通大学电气工程学院成都电子机械高等专科学校机械工程系

为识别复杂体制雷达辐射源信号,提出了一种基于小波脊频级联特征提取的信号识别方法.该方法采用新的小波原子和脊线检测策略提取信号的脊频特征,并提取其级联特征作为信号识别向量.仿真结果表明,采用级联特征能有效地识别辐射源信号,当... 详细信息

为识别复杂体制雷达辐射源信号,提出了一种基于小波脊频级联特征提取的信号识别方法.该方法采用新的小波原子和脊线检测策略提取信号的脊频特征,并提取其级联特征作为信号识别向量.仿真结果表明,采用级联特征能有效地识别辐射源信号,当信噪比为5 dB时,识别率达95%以上.与传统小波和现有方法相比,所提出的方法具有更好的信号识别效果.

关键词：小波脊瞬时频率辐射源信号识别小波原子

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2022年第12期44卷 3676-3684页

作者：徐桂光王旭东汪飞胡国兵高涌荇罗泽虎南京航空航天大学电子信息工程学院/集成电路学院江苏南京211106 金陵科技学院电子信息工程学院江苏南京211169

针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Cho... 详细信息

针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。

关键词：低截获概率雷达波形辐射源信号识别残差网络压缩激励结构时频分析

基于权重归一化奇异值分解的辐射源信号识别研究

在线全文

学校读者我要写书评

暂无评论

雷达学报（中英文） 2019年第1期8卷 44-53页

作者：苑霸姚萍郑天垚中国科学院计算技术研究所北京100190 中国科学院大学北京100049

随着现代技术不断更新,雷达种类及相关技术得到不断发展,雷达辐射源信号的识别逐渐成为一个十分重要的研究领域。该文主要针对辐射源信号识别中的调制类型识别问题,从数据能量角度出发,在奇异值分解(Singular Value Decomposition, SVD... 详细信息

随着现代技术不断更新,雷达种类及相关技术得到不断发展,雷达辐射源信号的识别逐渐成为一个十分重要的研究领域。该文主要针对辐射源信号识别中的调制类型识别问题,从数据能量角度出发,在奇异值分解(Singular Value Decomposition, SVD)基础上进行优化,提出基于权重归一化奇异值分解特征提取算法。该文从奇异值分解的滤波效果、数据矩阵行数对分解结果的影响及不同分类模型识别效果等方面进行分析。实验结果表明该算法对常用雷达信号有较好滤波和识别效果,在–20 dB条件下滤波重构信号与原始信号余弦相似度值仍保持在0.94左右,在判别置信度?为0.65条件下识别正确率仍维持在97%以上。此外实验还表明相对于传统PCA算法,基于权重归一化奇异值分解特征提取算法拥有更好的鲁棒性。

关键词：奇异值分解调制类型识别辐射源信号识别机器学习

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

在线全文

学校读者我要写书评

暂无评论

空军工程大学学报（自然科学版） 2020年第2期21卷 84-90页

作者：董鹏宇王红卫陈游鞠明空军工程大学航空工程学院西安710038 93131部队北京100843

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD... 详细信息

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。

关键词：辐射源信号识别模糊函数主脊切片深度置信网络奇异值分解

在线全文

学校读者我要写书评

暂无评论

基于深度学习的辐射源信号识别技术研究

基于深度学习的辐射源信号识别技术研究

作者：夏毓电子科技大学

学位级别：硕士

随着电子信息技术的快速发展,电子对抗逐渐成为现代军事战争的核心。辐射源信号识别是电子对抗中重要组成部分,在电子对抗中起着至关重要的作用。辐射源信号识别是通过截获辐射源发射的信号,利用信号处理技术提取能够区分不同辐射源的... 详细信息

随着电子信息技术的快速发展,电子对抗逐渐成为现代军事战争的核心。辐射源信号识别是电子对抗中重要组成部分,在电子对抗中起着至关重要的作用。辐射源信号识别是通过截获辐射源发射的信号,利用信号处理技术提取能够区分不同辐射源的个体特征,通过分类算法识别不同辐射源,为通信情报侦查与军事行动决策提供可靠依据。传统的特征匹配法具有一定局限性,并且可靠性较低。近年来,很多学者将深度学习应用到辐射源信号识别技术中,深度学习可以根据信号的时频特征完成分类与识别。相同型号不同个体的辐射源由于硬件设备的差异性导致发射的信号有所不同,如何在每个辐射源具有多种信号的情况下对辐射源进行准确的分类与识别,是目前研究的重点。本文利用深度学习方法高效且准确地对相同型号、相同工作环境下不同个体的辐射源信号进行识别。主要开展的工作如下:(1)针对辐射源信号处理与特征提取,本文采用了一种窗口化能量检测的方法对有用信号进行截取,然后选取短时傅里叶变换对每个辐射源信号进行特征提取,将得到的二维时频矩阵转换为一个三维矩阵,从而更好地表达信号特征,为辐射源信号识别提供稳定可靠的分类特征。(2)针对辐射源信号识别,本文采用全连接神经网络、VGG11(Visual Geometry Group)、Res Net18(Residual Network)、支持向量机、K近邻分类五种算法分别对信号进行识别。全连接神经网络的识别准确率不足90%,Res Net18网络的识别准确率能达到98%以上;而支持向量机与K近邻分类识别准确率均不如VGG11与Res Net18。然后针对复杂电磁环境下训练样本不足的情况,本文构建了一种生成式对抗网络数据增强方法,在训练样本不足的场景下提升了模型的整体识别性能。(3)针对辐射源未知信号识别,本文首先利用K近邻分类算法在训练样本较多的情况下对未知信号进行识别,在K值为100时识别准确率达到84%。然后搭建了一种基于深度学习与度量学习的原型网络模型,利用已知信号样本建立各自的“原型”,计算未知信号样本到各个“原型”的距离完成分类。通过实验得到最适合原型网络的距离度量算法以及其他网络参数,该模型在训练样本较少的情况下能够达到90%以上的识别准确率,相比传统机器学习方法,所需要的训练样本更少,识别准确率更高。此外本文在训练样本不均衡场景下通过数据增强方法进行数据均衡,提升了未知信号识别性能,再次论证本文构建的数据增强方法的有效性。

关键词：辐射源特征提取辐射源信号识别深度学习度量学习

基于改进协同半监督学习的雷达辐射源信号识别方法的研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进协同半监督学习的雷达辐射源信号识别方法的研究

作者：金涛吉林大学

学位级别：硕士

雷达辐射源识别作为现代电子战争的一个重要组成部分,在接收装置截取到敌方雷达辐射源信号之后,还需要进一步分析信号,来获得雷达辐射源信号类型等信息。近几十年来,随着雷达技术的不断更新换代,各种新型雷达被用于战场,导致现代战场面... 详细信息

雷达辐射源识别作为现代电子战争的一个重要组成部分,在接收装置截取到敌方雷达辐射源信号之后,还需要进一步分析信号,来获得雷达辐射源信号类型等信息。近几十年来,随着雷达技术的不断更新换代,各种新型雷达被用于战场,导致现代战场面临的电磁环境变得日益复杂。采用传统手动提取并选取特征的方法,会面临识别速度较慢、识别精度较低和低信噪比时难以识别等问题,很难适应现代战场瞬息万变的形势。因此,如何准确快速的识别雷达辐射源信号,是当前雷达辐射源识别领域迫切需要解决的问题。近年来,随着深度学习在各个重要领域的不断突破,如何有效的将深度学习和雷达辐射源识别进行结合,来解决传统方法的不足和缺点,成为了雷达辐射源识别的主流研究方向之一。为了解决现有辐射源识别方式识别性能较差,在恶劣条件下很难识别等问题,本文将自然语言处理中的时间卷积网络(Temporal Convolutional Network,TCN)引入雷达辐射源识别之中,提出了一种基于雷达辐射源序列数据的快速识别方法。将一维卷积神经网络(One-Dimensional Convolutional Neural Networks,1DCNN)与时间卷积网络相连接,并用Leaky Re LU激活函数代替网络中的Re LU激活函数。同时,在一维卷积神经网络前加入批归一化层加速收敛,并在全连接层前增加一层注意力层来筛选信号。采用常见的8种雷达辐射源序列数据进行仿真实验后可以看出,本文模型相较其他常见模型不仅识别速度明显提升,识别准确率也较高,很好的解决了其他模型识别速度和识别精度难以均衡的问题。但是,上述方法效果良好的前提是雷达辐射源信号可用样本较多,模型能够得到充分的训练。随着科技的不断进步,现代战场电磁环境日益错综复杂,未知辐射源信号的可用样本会变得较少,将辐射源信号进行标注费时费力。如果直接用接收到的辐射源信号样本训练,会导致模型过拟合,影响识别性能。为了解决这个问题,本文进一步提出了一种能够直接作用于少量有标签和大量无标签辐射源序列数据的改进协同半监督分类算法。通过在损失函数中加入均匀化的方式来降低分类过于绝对性的风险,有效的提升了半监督学习的识别准确率。并且,针对常规半监督学习方法训练时间较长的问题,运用动态时间扭曲技术对无标签数据集进行进一步优化,减少了训练时间的同时,又保证了网络的识别准确率。通过仿真实验证明,本文所采用半监督学习方式,能够很好的解决因为有标签雷达辐射源信号过少带来的过拟合的问题,有效提升网络识别准确率,识别速度相较常见半监督学习网络也明显提升。

关键词：辐射源信号识别时间序列注意力机制半监督学习动态时间扭曲