基于PSO-CNN的LPI雷达波形识别算法

TN973; 低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点.针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法.该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 43; no. 12; pp. 3552 - 3563
Main Authors 赵帅, 刘松涛, 汪慧阳
Format Journal Article
LanguageChinese
Published 海军大连舰艇学院信息系统系,辽宁大连116018 01.12.2021
Subjects
低截获概率雷达;波形识别;卷积神经网络优化;粒子群优化算法
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2021.12.17

Cover

More Information
Summary:TN973; 低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点.针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法.该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择.该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2021.12.17