一种基于扩张残差网络的雷达信号识别方法_陈琳.pdf
《一种基于扩张残差网络的雷达信号识别方法_陈琳.pdf》由会员分享,可在线阅读,更多相关《一种基于扩张残差网络的雷达信号识别方法_陈琳.pdf(6页珍藏版)》请在咨信网上搜索。
1、引用格式:陈琳,唐骏,余跃,等 一种基于扩张残差网络的雷达信号识别方法 电光与控制,():,():一种基于扩张残差网络的雷达信号识别方法陈 琳,唐 骏,余 跃,张旭洋(厦门理工学院,福建 厦门)摘 要:针对低信噪比()条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对 类雷达信号进行识别。仿真结果表明,当 为 时,所提方法对 类雷达信号整体识别准确率达到 。关键词:雷达信号识别;时频分析;特征融合;特征融合提
2、取模块;扩张残差网络中图分类号:文献标志码:,(,):(),(),:;引言随着雷达技术的发展,新体制雷达开始取代传统的常规脉冲雷达,使雷达所处电磁环境愈加复杂,同时也提高了雷达信号识别难度。基于传统五参数脉冲描述字的雷达信号识别方法无法满足新的军事可靠性要求。脉内分析方法可以获取图像脉内特征信息。文献提出了基于脉内瞬时频率特征的雷达信号调制识别方法,在信噪比为 的条件下,实现对 种不同调制类型信号的识别;文献采用 时频分布,提出了改进的半监督朴素贝叶斯学习算法。收稿日期:修回日期:基金项目:国家自然科学基金();福建省自然科学基金()作者简介:陈 琳(),女,福建连城人,硕士生。通讯作者:唐
3、骏(),男,湖南永州人,博士,副教授。然而,在实际环境中,雷达信号容易受到噪声干扰,从而导致脉内特征丢失,以致识别准确率下降。近年来,深度学习技术在信号、图像识别等领域取得了优异成果。因此,国内外众多学者将深度学习运用于雷达信号识别领域。文献提出了一种基于集成深度学习模型的信号分选方法,通过堆叠不同类型深度信念网络,进一步提高信号识别率,但此类方法网络结构复杂,导致训练耗时长;文献提出了基于雷达信号脉内特征和卷积神经网络的识别方法,引入新的 类时频分析核函数,可以提高低信噪比条件下雷达信号的识别率;文献利用卷积核与匹配滤波器具有相似性的特性,提出了一种基于卷积神经网络的雷达信号检测方法,但此方
4、法只对 种信号进行了识别。本文提出一种基于扩张残差网络的识别方法,对扩张残差网络(,)进行改进,同时,在网络结构中加入特征融合提取模块(第 卷 第 期 年 月 电 光 与 控 制 ,),利用几种 类分布结果融合得到的时频图像,识别不同信噪比条件下的雷达调制信号,并进行仿真分析。其中,调制信号类型包括有单载频、频率编码()、相位编码(,),以及,这 类信号。雷达信号预处理 时频分析雷达信号是非平稳信号,而时频分析作为非平稳信号处理的重要工具能够有效分析雷达信号的特征,并能充分描绘信号时频联合特性。分布()是一种具有良好时频分辨率及聚集性的时频分析方法,然而该方法易受到交叉项干扰。为了克服 的缺点
5、,常用做法是引入不同的核函数对来抑制信号交叉项,这种改进的时频分析方法就称为 类时频分布,其一般形式为(,)(,)(,)()()(,)()()()式中:和 分别为时间和频率;和 分别为时延和频偏;(,)为核函数;(,)为模糊函数;()为时域信号;()为共轭信号。常见的 类时频分布有伪 分布()、平滑伪 分布()和 分布()等,其定义分别为(,)()()()()(,)()()()()()(,)()()()()式中:()为频域方向窗函数;()为时间方向窗函数;()为 的核函数,能有效控制整体平滑性,且 取值为,既能有效控制交叉项干扰,又具有较好的时频分辨率。在本文中,将上述时频分析所得结果分别定义
6、为,利用加权平均融合算法对上述 种时频图像进行融合。加权平均融合的一般形式定义为 ()式中:为融合后图像;为加权因子;为原始图像。因为 变换受交叉项干扰最小,而 变换及 变换对交叉项干扰有一定抑制作用,种变换中包含的特征并不完全相同,将三者进行融合,可以得到更丰富的信号特征,有利于后续识别。融合算式为()式中,为融合后的时频图像。时频图像预处理由于将时频图像直接输入到深度学习网络容易导致网络运行速度慢,因此需要对其进行处理以减小输入网络的数据量,处理步骤如下:)对时频图像进行灰度化处理,既能减少数据量,又能有效保留时频分布特征;)对灰度图进行开运算,能够去除时频图像中产生的大量类型的底噪,有利
7、于后续识别;)调整图像尺寸,将图像大小从 像素 像素重置为 像素 像素,该方法既能有效缩小图像尺寸,又能保留更好的图像细节质量。图()为融合后时频图像预处理流程图,图()表示 为 时 码信号的时频图像预处理。图 图像预处理 由图 可知,时频图像通过一系列的处理后,减小了数据量,同时也较完整地保留了图像特征,适合输入深度学习网络。基于 和扩展残差网络的信号识别 残差网络为了简化深层网络训练,等提出一种由残差块堆叠成的新网络框架 残差网络(,),其中,残差块可表示为 ()(,)()式中:为 层的输入;()为映射部分;(,)为残差部分。图 所示为残差块基本结构。其中,为该残差块的输入,经过 层卷积后
8、加上跳跃连接构成残差块的基本结构。第 卷电 光 与 控 制陈 琳等:一种基于扩张残差网络的雷达信号识别方法图 残差块基本结构 扩张卷积神经网络中卷积层后一般会添加池化层,其目的是对特征图进行下采样操作,该操作具有压缩和聚合特征的优点,同时能够减小特征图尺寸,使后续卷积层的感受野增大,扩大得到特征信息的范围,然而在下采样处理中会损失部分信息。针对此问题,本文在构造网络时仅采用一个池化层以减小特征图尺寸,并引入扩张卷积,在增大感受野的同时尽可能保留信号特征。扩张卷积定义为()()()()()式中:为二维图像;表示其定义域;为核函数;表示其定义域;表示扩张倍数,又可以称 为扩张因子;,表示扩张卷积的
9、定义域。在卷积层中扩张因子 是关键参数,当 时,感受野大小为 ,()式中:为计算得到的下一层感受野;为卷积核尺寸大小。图 所示为感受野大小的扩张过程,图()()所对应的扩张因子分别为,的感受野,与普通卷积相比,使用不同扩张因子的扩张卷积能够使感受野呈指数扩张,保证卷积核参数不变,在卷积过程中保证特征信息不丢失,从而获得更好的特征图。图 感受野的指数扩张 特征融合提取模块 由于不同雷达信号的相似区域较大,特征区域较小,因此 等提出了特征融合提取模块来解决该问题。该模块中能够突出相关性高的空间区域,同时对几种不同卷积核的运算进行融合,提高了特征图的分辨率。因此,本文在网络结构中加入 模块,能够强调
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 基于 扩张 网络 雷达 信号 识别 方法 陈琳
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。