|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 雷达辐射源分类识别方法综述显示文摘阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。 | 金秋 王宏艳 马方方 | 2019 | 电讯技术2019，59，3： | 16 |
| 2 | 双谱特征和深度学习在信号调制识别中的应用显示文摘辐射源信号调制样式的多样化为准确识别辐射源带来了困难,双谱对角切片特征能明显反映辐射源信号特性,深度神经网络学习则能处理信号样本大数据,将双谱特征和深度神经网络学习用于信号调制识别中,能提取辐射源信号本质特征,同时也能提高辐射源调制信号的正确识别率。仿真实验结果表明,相比于其它识别算法,双谱特征能更好地反映信号特性,深度学习模型有更高的信号识别率。 | 李楠 | 2019 | 弹箭与制导学报2019，39，5： | 3 |
| 3 | 新型雷达辐射源识别显示文摘目的雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型(depth Q network,DQN)识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机(support vector machine,SVM)提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机(extreme learning machine,ELM)分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。 | 高欣宇 张文博 姬红兵 欧阳成 | 2020 | 中国图象图形学报2020，25，6： | 2 |
| 4 | 基于序列样本的威胁雷达信号识别方法显示文摘针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。 | 沈家煌 黄建冲 朱永成 | 2018 | 火力与指挥控制2018，43，9： | 1 |
| 5 | 基于型号建模的雷达辐射源识别方法初探显示文摘本文对现有目标雷达的型号识别手段进行归纳,对已有雷达识别手段的问题进行分析后,尝试提出一种基于雷达建模的识别办法,该方法能够应用于针对性的情报侦察系统,以提高雷达侦察的速率和准确性,获取准确可靠的情报。 | 梁璟 徐晶 陈楫辉 | 2017 | 中国高新区2017，0，18： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员