針對脈內(nèi)無意調(diào)相實現(xiàn)雷達(dá)輻射源個體識別時存在的分類模型性能不佳的問題,提出了一種長短時記憶加全卷積網(wǎng)絡(luò)的雷達(dá)輻射源個體識別方法。首先給出了脈內(nèi)信號相位的簡化觀測模型,并對觀測相位序列進(jìn)行去斜處理,提取無意調(diào)相的含噪估計;然后利用貝塞爾曲線擬合無意調(diào)相,降低噪聲的影響,獲得無意調(diào)相更為精確的描述;最后利用長短時記憶加全卷積網(wǎng)絡(luò)提取無意調(diào)相序列的聯(lián)合特征,實現(xiàn)雷達(dá)輻射源個體自動識別。仿真實驗以及實測數(shù)據(jù)實驗均驗證了所提算法的可行性與有效性,實驗結(jié)果表明,所提算法識別正確率高、耗時短。

【文章頁數(shù)】：8 頁

【部分圖文】：

·106·通信學(xué)報第41卷序列為T1TρB(BB)Bρ。根據(jù)以上分析可知，UPMOP特征曲線的提取流程如下。1)對原始脈沖數(shù)據(jù)x進(jìn)行相位解纏繞獲得相位觀測序列ψ；2)利用最小二乘法對觀測相位序列進(jìn)行去斜處理，獲得UPMOP的含噪估計序列ρ；3)進(jìn)一步利用貝塞爾曲線擬合序列ρ進(jìn)行平....

，提取到128×N的特征矢量，然后在整個時間維度上進(jìn)行全局池化，聚合產(chǎn)生128個特征值，以減少模型中的參數(shù)量。LSTM的units參數(shù)設(shè)置為8，即輸出8個數(shù)據(jù)作為8個特征，并利用Dropout層使部分隱層節(jié)點失活，緩解過擬合的可能。最后將LSTM提取的8個特征值與FCN提取的12....

勘晷藕諾?UPMOP序列進(jìn)行在線識別，得到個體識別結(jié)果。4實驗結(jié)果與分析4.1特征曲線提取實驗本節(jié)通過仿真實驗驗證UPMOP提取流程的可行性和有效性，并比較本文貝塞爾平滑方法和文獻(xiàn)[5]時域加窗平滑方法對UPMOP的降噪性能。假設(shè)雷達(dá)發(fā)射脈沖的信號模型為0s(t)expj(2πf....

誒狀鋟?湓錘鎏迨侗穡?啾扔謔?域加窗平滑降噪法能夠獲得更高的識別正確率；無論基于歐氏距離還是基于DTW距離度量的最近鄰識別算法性能均不如LSTM-FCN。圖5(a)表明，當(dāng)SNR25dB時，本文算法能夠取得較其他方法更高的識別正確率，對噪聲的穩(wěn)健性更強。圖5(b)表明，在相同信噪....

本文編號：3990810