基于残差原型网络的辐射源个体识别

TN975; 利用深度学习进行通信辐射源识别分类时,现有算法在较低信噪比下的识别能力还不足,且均着重关注各类辐射源个体的类间距离,忽视了类内紧密性.针对此问题,结合残差网络和原型学习基本思想,提出残差原型网络,对输入信号的差分星座轨迹图进行识别.此外,在基于距离的交叉熵损失函数基础上加入原型损失,通过提高类内紧密度的方式进一步扩增了类间距离.通过对5种ZigBee设备的实验,结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能,在信噪比高于8 dB时,可达到99％以上的准确率....

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 45; no. 7; pp. 2249 - 2258
Main Authors 王春升, 王永民, 许华, 朱华丽
Format Journal Article
LanguageChinese
Published 空军工程大学信息与导航学院,陕西西安710077 01.07.2023
Subjects
残差原型网络
原型学习
辐射源个体识别
差分星座轨迹图
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2023.07.36

Cover

More Information
Summary:TN975; 利用深度学习进行通信辐射源识别分类时,现有算法在较低信噪比下的识别能力还不足,且均着重关注各类辐射源个体的类间距离,忽视了类内紧密性.针对此问题,结合残差网络和原型学习基本思想,提出残差原型网络,对输入信号的差分星座轨迹图进行识别.此外,在基于距离的交叉熵损失函数基础上加入原型损失,通过提高类内紧密度的方式进一步扩增了类间距离.通过对5种ZigBee设备的实验,结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能,在信噪比高于8 dB时,可达到99％以上的准确率.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2023.07.36