針對(duì)傳統(tǒng)跳頻信號(hào)指紋特征提取只是利用深度學(xué)習(xí)進(jìn)行分類的問(wèn)題,利用CNN網(wǎng)絡(luò)特征提取的特性,實(shí)現(xiàn)了一種基于CNN網(wǎng)絡(luò)的對(duì)預(yù)處理后的跳頻信號(hào)實(shí)現(xiàn)特征提取和分類網(wǎng)絡(luò)模型。首先將收集的跳頻信號(hào)進(jìn)行短時(shí)傅里葉變換轉(zhuǎn)換到跳頻信號(hào)敏感的頻域,將跳頻信號(hào)頻譜圖作為CNN網(wǎng)絡(luò)模型的輸入,CNN網(wǎng)絡(luò)通過(guò)多層卷積提取信號(hào)頻域深層次特征,通過(guò)Batch Normalization、Callback函數(shù)的優(yōu)化加快了網(wǎng)絡(luò)的收斂速度,同時(shí)防止了過(guò)擬合現(xiàn)象,最終輸出跳頻信號(hào)的識(shí)別分類結(jié)果。對(duì)比實(shí)驗(yàn)結(jié)果表明,CNN網(wǎng)絡(luò)的分類識(shí)別正確率較以往的方法更高,在信號(hào)信噪比越大的情況下,識(shí)別效果越好。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 經(jīng)STFT處理3類跳頻信號(hào)頻譜圖

跳頻信號(hào)是指在偽隨機(jī)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(jī)碼同步跳變的通信手段，對(duì)于頻率跳變時(shí)的頻域變化比較敏感，考慮到在非平穩(wěn)限號(hào)處理過(guò)程中，標(biāo)準(zhǔn)傅里葉變換提取信號(hào)的頻譜需要用到信號(hào)的全部時(shí)域信息，并且不能夠反映出該信號(hào)的頻率隨時(shí)間狀態(tài)的變化情況，Dennis....

圖2 CNN網(wǎng)絡(luò)架構(gòu)

基于keras不需要寫循環(huán)去更新每次的梯度所帶來(lái)的搭建網(wǎng)絡(luò)的便利，本文采用keras框架進(jìn)行CNN網(wǎng)絡(luò)的搭建。采用多層卷積結(jié)構(gòu)對(duì)跳頻信號(hào)頻譜圖進(jìn)行頻域指紋特征的提取，網(wǎng)絡(luò)包含了4個(gè)卷積層（ConvolutionLayer）、2個(gè)池化層（PoolingLayer）和2個(gè)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(shí)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(guò)最大概率來(lái)判斷該信號(hào)的類別，進(jìn)而達(dá)到信號(hào)分類的目的。2.3加速網(wǎng)絡(luò)收斂的改進(jìn)

圖4 不同信噪比情況下網(wǎng)絡(luò)識(shí)別率

實(shí)驗(yàn)仿真生成的3類跳頻信號(hào)分別增加了高斯白噪聲，仿真信噪比為0、5、10、15、20dB進(jìn)行了5次對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)本網(wǎng)絡(luò)對(duì)信號(hào)識(shí)別率隨信噪比的變化情況見(jiàn)圖4，其中網(wǎng)絡(luò)識(shí)別率為3類信號(hào)的識(shí)別率平均值。從圖4分析可知，在信噪比達(dá)到某一閾值之前，網(wǎng)絡(luò)識(shí)別率隨著信噪比的增加有所提升；當(dāng)信噪....

本文編號(hào)：4021264