一种基于迁移学习的电离层返回散射传播模式识别方法技术

本发明专利技术公开了一种基于迁移学习的电离层返回散射传播模式识别方法，包括如下步骤：步骤1，训练数据的预处理；步骤2，基于模型迁移的深度卷积网络构建；步骤3，域混淆网络的构建；步骤4，网络训练参数设置。本发明专利技术所公开基于迁移学习的电离层返回散射传播模式识别方法，能够准确的对电离层返回散射电离图数据进行模式识别，从而可以掌握电离层状态，快速有效的为短波装备信息系统提供重要的支撑。

【技术实现步骤摘要】
一种基于迁移学习的电离层返回散射传播模式识别方法
本专利技术涉及电离层探测返回散射电离图判读识别领域，特别涉及该领域中的一种基于迁移学习的电离层返回散射传播模式识别方法。
技术介绍
电离层返回散射探测技术(简称返回散射)是将高频段无线电波斜向投射到电离层，经电离层反射到远方的地面(或海面)上，地面(或海面)的起伏不平及电特性不均匀性使电波向四面八方散射，而有一部分电波将沿着原来的(或其它可能的)路径再次经电离层反射回到发射点，被那里的接收机接收，从而实现对电离层和地面(或海面)状态以及超视距目标信息的探测。返回散射探测的回波信号主要来自于大面积的地、海面的后向散射，途经电离层的两次反射被接收机接收到。电离层包含有不同的分层结构，有偶发E层及F层等，电磁波经不同的传播模式进行传输，返回散射接收的回波能量分布不同。由于电离层本身具有随机、色散、不均匀和各向异性的性质，这些特性会通过它与电波的相互作用而传导给经电离层传播的电波信号，给电离层返回散射电离图的模式正确判读识别带来困难。现有的基于返回散射的传播模式识别方法受到探测过程中的噪本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的电离层返回散射传播模式识别方法，其特征在于，包括如下步骤：/n步骤1，训练数据的预处理：将返回散射传播模式种类设置为4种，分别为：Es模式、F模式、Es+F模式和无模式，其中Es模式包括：白天时刻，夜晚时刻；F模式包括：日出时段、白天时段、日落时段、夜晚时段；Es+F模式包括：白天时段、夜晚时段；无模式包括：任何时段；/n步骤2，基于模型迁移的深度卷积网络构建：采用的深度卷积神经网络架构具有N层结构，N为≥5的整数，其中包含有M层卷积层，M为整数，N>M，N-M层全连接层，输出端包含固定数目的类别，将深度卷积神经网络模型中所有的卷积层固定，将原模型中后端的全连接层替...

【技术特征摘要】
1.一种基于迁移学习的电离层返回散射传播模式识别方法，其特征在于，包括如下步骤：
步骤1，训练数据的预处理：将返回散射传播模式种类设置为4种，分别为：Es模式、F模式、Es+F模式和无模式，其中Es模式包括：白天时刻，夜晚时刻；F模式包括：日出时段、白天时段、日落时段、夜晚时段；Es+F模式包括：白天时段、夜晚时段；无模式包括：任何时段；
步骤2，基于模型迁移的深度卷积网络构建：采用的深度卷积神经网络架构具有N层结构，N为≥5的整数，其中包含有M层卷积层，M为整数，N>M，N-M层全连接层，输出端包含固定数目的类别，将深度卷积神经网络模型中所有的卷积层固定，将原模型中后端的全连接层替换为符合返回散射模式识别特性需求的新网络结构，其中包含全连接层、softmax层，分类输出层，其中softmax层公式如下所示：



其中，g为种类个数，d代表g的训练参数，每一个d与一个向量对应，j为当前数据编号，E表示当前数据类型的概率输出值，e为自然指数；对应的分类输出层可以自由设置输出的种类数目，不是固定输出种类；全连接层需根据返回散射不同模式对应的训练数据进行参数配置；
步骤3，域混淆网络的构建：在新增的全连接网络结构上，...

【专利技术属性】
技术研发人员：华彩成，史军强，李雪，雍婷，鲁转侠，冯静，娄鹏，杨东升，王俊江，
申请(专利权)人：中国电波传播研究所中国电子科技集团公司第二十二研究所，
类型：发明
国别省市：山东;37