共查询到17条相似文献,搜索用时 781 毫秒
1.
2.
3.
4.
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
5.
6.
为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的
方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化
为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明:该方法具有
优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。 相似文献
7.
依据无源探测与跟踪系统的分类,对无源雷达的定位方式方法总结概述,选取其中重要技术对定位误差的影响进行分析,介绍了典型装备;对外辐射源雷达可选用的外辐射源进行介绍并分类,对外辐射源雷达的重要技术进行了分析,最后对无源探测与跟踪系统的发展方向进行了分析。 相似文献
8.
9.
10.
11.
针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法. 相似文献
12.
13.
14.
为满足侦察系统分选识别和综合处理的需求,设计一种雷达电子情报信号处理软件及实现方法。对系统
的基本组成及设计思路进行介绍,采用C/C++语言,设计自动处理为主、人工处理为辅的分选算法,设计基于置信
度的辐射源识别算法,利用专家系统对雷达的用途、体制、平台进行推理,形成目标。应用结果表明:该设计满足
侦察系统的情报处理要求,为新一代电子情报处理软件的雷达环境自适应、任务自适应功能提升提供了有益的帮助。 相似文献
15.
16.
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