基于改进CLDNN的辐射源信号识别

TN971.1; 传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network,CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层.模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性.实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 43; no. 1; pp. 42 - 47
Main Authors 孙艺聪, 田润澜, 王晓峰, 董会旭, 戴普
Format Journal Article
LanguageChinese
Published 空军航空大学航空作战勤务学院,吉林长春130022%空军实验训练基地二区检验所,陕西咸阳713800 2021
Subjects
时间序列
卷积长短时深度神经网络
辐射源信号识别
深度学习
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2021.01.06

Cover

More Information
Summary:TN971.1; 传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network,CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层.模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性.实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2021.01.06