共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
为解决利用单一特征进行通信辐射源个体识别识别率不高的问题,提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征,并组合这些特征为多域特征。构建多通道卷积神经网络,利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器,完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下,使用所提方法对20个CC2530设备进行识别。研究结果表明:与基于单一特征的辐射源个体识别方法相比,该方法充分利用了通信辐射源发射信号的多个变换域特征,结合神经网络的强大细微特征挖掘能力,实现了对通信辐射源个体的有效识别;该方法能够显著提升在低信噪比的识别准确率和时效性,在0 dB条件下的识别效果仍可达到91.01%。 相似文献
4.
针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明:新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。 相似文献
5.
6.
7.
针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明:传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%. 相似文献
8.