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:
- 1D-CNN的雷达干扰信号分类模型;
- 解决样本不足的问题:改进的Siamese-CNN(S-CNN)雷达干扰信号;
- 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:
- Dropout:使模型更具有通用性
- GAP(globe average pooling):替换CNN中传统的连接层;
- 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: