|
|||||
|
|
| 基于深度学习的通信辐射源调制样式识别方法 | |
| 作者姓名： | 董睿杰 杨瑞娟 李东瑾 彭岑昕 王国超 |
| 作者单位： | 空军预警学院,武汉430019;95174部队,武汉430040 |
| 基金项目： | 国防科技创新特区基金资助项目 |
| 摘 要： | 针对自动调制分类中通信辐射源调制方式识别率低问题,提出了一种基于短时傅里叶变换(STFT)和卷积神经网络(CNN)结合的方法.该方法首先对通信辐射源信号进行小波阈值降噪,去除混在信号中的高斯白噪声;然后经过短时傅里叶变换,将一维时域信号变换成二维时频域图像,利用临近插值法降维;将时频图输入卷积神经网络进行训练,通过对超参数的选取,得到优化的卷积神经网络;最后采用softmax函数给出识别结果.仿真结果表明,当信噪比(SNR)为0 dB时,利用本文识别方法的宏平均值达到0.874以上,其性能显著优于传统方法. |
| 关 键 词： | 通信辐射源 调制样式识别 小波阈值降噪 短时傅里叶变换 卷积神经网络 |
| 本文献已被 维普 万方数据 等数据库收录！ | |