針對傳統(tǒng)跳頻信號指紋特征提取只是利用深度學習進行分類的問題,利用CNN網(wǎng)絡特征提取的特性,實現(xiàn)了一種基于CNN網(wǎng)絡的對預處理后的跳頻信號實現(xiàn)特征提取和分類網(wǎng)絡模型。首先將收集的跳頻信號進行短時傅里葉變換轉(zhuǎn)換到跳頻信號敏感的頻域,將跳頻信號頻譜圖作為CNN網(wǎng)絡模型的輸入,CNN網(wǎng)絡通過多層卷積提取信號頻域深層次特征,通過Batch Normalization、Callback函數(shù)的優(yōu)化加快了網(wǎng)絡的收斂速度,同時防止了過擬合現(xiàn)象,最終輸出跳頻信號的識別分類結(jié)果。對比實驗結(jié)果表明,CNN網(wǎng)絡的分類識別正確率較以往的方法更高,在信號信噪比越大的情況下,識別效果越好。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 經(jīng)STFT處理3類跳頻信號頻譜圖

跳頻信號是指在偽隨機碼和同步算法的控制下，射頻頻率在約定的頻率集內(nèi)隨偽隨機碼同步跳變的通信手段，對于頻率跳變時的頻域變化比較敏感，考慮到在非平穩(wěn)限號處理過程中，標準傅里葉變換提取信號的頻譜需要用到信號的全部時域信息，并且不能夠反映出該信號的頻率隨時間狀態(tài)的變化情況，Dennis....

圖2 CNN網(wǎng)絡架構(gòu)

基于keras不需要寫循環(huán)去更新每次的梯度所帶來的搭建網(wǎng)絡的便利，本文采用keras框架進行CNN網(wǎng)絡的搭建。采用多層卷積結(jié)構(gòu)對跳頻信號頻譜圖進行頻域指紋特征的提取，網(wǎng)絡包含了4個卷積層（ConvolutionLayer）、2個池化層（PoolingLayer）和2個全連接層....

圖3 ELU函數(shù)

Softmax函數(shù)的輸出值都在0和1之間，同時所有輸出值之和為1，可以把所有的輸出看作輸入的所有概率分布，通過最大概率來判斷該信號的類別，進而達到信號分類的目的。2.3加速網(wǎng)絡收斂的改進

圖4 不同信噪比情況下網(wǎng)絡識別率

實驗仿真生成的3類跳頻信號分別增加了高斯白噪聲，仿真信噪比為0、5、10、15、20dB進行了5次對比實驗，發(fā)現(xiàn)本網(wǎng)絡對信號識別率隨信噪比的變化情況見圖4，其中網(wǎng)絡識別率為3類信號的識別率平均值。從圖4分析可知，在信噪比達到某一閾值之前，網(wǎng)絡識別率隨著信噪比的增加有所提升；當信噪....

本文編號：4021264