一种基于电离层参数补偿的深度学习短波信号识别方法技术

本发明专利技术公开了一种基于电离层参数补偿的深度学习短波信号识别方法，包括如下步骤：步骤1，构建总体神经网络：步骤2，对数据进行处理：步骤3，添加电离层参数以及先验知识：步骤4，进行正向梯度运算和反向梯度求导，更新参数：步骤5，获取识别结果，获取概率最高的一个类别。本发明专利技术所公开的方法，使用复数卷积模块提取I、Q两路通道特征，使用LSTM模块提取时间序列特征，充分发挥并提取I、Q两路通道以及时间序列的相关信息，以提高识别准确率。

【技术实现步骤摘要】

本专利技术属于短波信号识别领域，特别涉及该领域中的一种基于电离层参数补偿的深度学习短波信号识别方法。

技术介绍

1、现如今诸多的方法都是在考虑通信信号，对于短波信号的研究相对较少也较为基础，基本还是使用传统的特征提取方法对短波信号进行识别，如今深度学习已在各个领域广泛应用，使短波辐射识别效率得到进一步的提升。辐射源个体识别(specific emitteridentification,sei)是通过分析测量辐射源辐射电磁波中蕴含的独特的射频指纹(radiofrequency fingerprinting,rff)信息并对个体进行识别的技术。它是目前现代电子情报系统和电子战系统中最困难的任务之一。由此可见，辐射源的个体识别既蕴藏挑战也充满机遇。

2、丁立达在“基于深度学习的通信辐射源个体识别”中公开了一种基于流形学习有监督降维和卷积神经网络方法对辐射源个体识别的方法，其构成是在估计通信辐射源稳态信号双谱的基础上，利用小样本学习有监督降低原始双谱的维度，并削弱交叉项的影响，而后构造并优化卷积神经网络识别压缩双谱。相比传统基于双谱的辐射源个体识别方法本文档来自技高网...

【技术保护点】

1.一种基于电离层参数补偿的深度学习短波信号识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于电离层参数补偿的深度学习短波信号识别方法，其特征在于：在步骤1中，网络的结构包含6层卷积模块，其中每个模块包括复数卷积层、批归一化层以及激活函数，

【技术特征摘要】

1.一种基于电离层参数补偿的深度学习短波信号识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于电离层参数补偿...

【专利技术属性】
技术研发人员：程尧，左伟庆，郭兰图，赵军，冯阳，郭琛，
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：