深度学习在识别雷达信号调制类别中的应用

相关博文：基于深度学习的雷达辐射源识别技术研究
基于扩张残差网络的雷达辐射源信号识别

1 Convolutional Neural Network-Based RadarJamming Signal Classification With Sufficientand Limited Samples

（基于卷积神经网络的有限样本雷达干扰信号分类）
2020.4.27发表
主要贡献：

1. 1D-CNN的雷达干扰信号分类模型；
2. 解决样本不足的问题：改进的Siamese-CNN(S-CNN)雷达干扰信号；
3. 12种雷达干扰信号的实验。

1D-CNN的雷达干扰信号分类模型

CNN包括卷积、池化和非线性三个部分。
如下图设计两个1D-CNN以提取雷达干扰数据的实部和虚部特征 。通过卷积和合并，提取出雷达干扰数据实部和虚部的深层特征。最后将上述功能进行串联，然后将它们发送到softmax分类器，以获得干扰类别信息。

网络优化部分：

1. Dropout：使模型更具有通用性
2. GAP（globe average pooling）:替换CNN中传统的连接层；
3. BN:在训练过程中保持神经网络各层输入的相同分布，加速网络的收敛。

1D-CNN网络
结果分析：