基于CNN特征的宽频段智能测向方法

当前电磁环境日益复杂,利用机器学习方法实现快速且精确的宽频段无线电测向逐渐成为研究的热点。使用卷积神经网络基于端到端的方式完成宽频段测向的方法能够在一定程度上解决宽频段相位模糊的问题,但卷积运算后特征维数大大增加,稀疏的特征影响了最后一层全连接前馈神经网络的分类效果。针对这一问题,提出将无线电测向分为特征学习任务和方向预测任务,使用卷积神经网络作为特征提取器,将通过多层卷积运算得到的结果视为二次提取的特征,作为方向预测任务的输入;针对二次提取特征的稀疏性,提出使用主成分分析算法对特征进行降维,并将稀疏性降低后的特征作为后续分类器的输入。此外,针对特征的特点,探索了几种分类模型作为分类器的效果,包括决策树、随机森林、径向基函数神经网络和K-近邻。实验结果表明,使用主成分分析算法对特征进行降维能够提升训练和测试效率;采用K-近邻构成分类器的准确度明显高于原卷积神经网络的准确度;若需要兼顾准确度和测向效率,采用随机森林构成分类器的效果最好。