基于深度学习和集成学习的辐射源信号识别

TN973; 随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题.为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架.该框架由特征提取和分类器设计两部分组成.第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征.深度模型的训练采用无监督预学习和有监督微调相结合.第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别.利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率....

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 40; no. 11; pp. 2420 - 2425
Main Authors 黄颖坤, 金炜东, 余志斌, 吴昀璞
Format Journal Article
LanguageChinese
Published 西南交通大学电气工程学院,四川成都,610031 01.11.2018
Subjects
集成学习
栈式降噪自编码器
雷达辐射源信号识别
多分类器组合
深度学习
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2018.11.05

Cover

More Information
Summary:TN973; 随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题.为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架.该框架由特征提取和分类器设计两部分组成.第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征.深度模型的训练采用无监督预学习和有监督微调相结合.第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别.利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2018.11.05