一种频谱神经网络模型及由其组成的识别系统及识别方法技术方案

本发明专利技术涉及一种频谱神经网络模型及由其组成的识别系统及识别方法，属于雷达辐射源识别技术领域。为了解决识别性能不稳定、深度学习网络性能表现有限的问题，本申请提供了一种频谱神经网络模型及由其组成的识别系统及识别方法，其中所述识别系统，包括信号采集模块，用来采集雷达辐射源信号；信号接收模块，用来接收信号采集模块采集到的信号；信号预处理模块，用来接收信号接收模块的信号并进行傅里叶变换处理；频谱神经网络模型，用来对傅里叶变换后的信号进行池化处理并识别。本申请的方法在相同条件下识别性能提升了近5%，且在样本不平衡、小样本等条件下，本申请方法的识别性能更好，鲁棒性强。

【技术实现步骤摘要】

本专利技术涉及一种频谱神经网络模型及由其组成的识别系统及识别方法，具体说是一种面向雷达辐射源个体识别的频谱神经网络模型以及由其组成的面向雷达辐射源个体的识别系统及识别方法，属于雷达辐射源识别。

技术介绍

1、雷达辐射源个体识别技术（specific emitter identification, sei）在电子战、无线电监测、频谱感知和电子情报等领域具有重要的应用价值。sei技术是指通过对截获的电磁信号进行外部特征测量来获取个体特征，继而根据情报库实现对感兴趣无线电辐射源个体的唯一识别。传统基于手工设计特征的雷达辐射源个体识别方法，通常依赖于手工设计的特征或者浅层次的学习模型，这些方法往往难以充分挖掘数据中的潜在信息，同时由于雷达辐射源个体特征的细微性、电磁环境的复杂性、接收机性能的差异性也给辐射源识别任务增加了难度，使得传统方法在实际应用场景中难以达到理想的效果。

2、近年来研究者们开始将深度学习技术引入雷达辐射源识别领域，试图通过深度神经网络从原始数据中学习辐射源的抽象特征，以提高识别性能。与传统的手工设计特征提取方法相比，神经网络具有更好本文档来自技高网...

【技术保护点】

1.一种频谱神经网络模型，其特征在于：面向雷达辐射源个体识别，包括神经网络、池化层、全连接层，所述池化层连接在神经网络的后面，所述全连接层连接在池化层的后面；

2.根据权利要求1所述的一种面向雷达辐射源个体识别的频谱神经网络模型，其特征在于：所述神经网络为resnet34或resnet50或resnet101；

3.根据权利要求1或2所述的一种面向雷达辐射源个体识别的频谱神经网络模型，其特征在于：所述GAP池化层进行最大平均池化处理，在池化前特征维度为，对每个通道特征进行全局平均池化，池化后每个通道特征平均为一个数，池化维度为；

4.由权利要求1-3中...

【技术特征摘要】

1.一种频谱神经网络模型，其特征在于：面向雷达辐射源个体识别，包括神经网络、池化层、全连接层，所述池化层连接在神经网络的后面，所述全连接层连接在池化层的后面；

2.根据权利要求1所述的一种面向雷达辐射源个体识别的频谱神经网络模型，其特征在于：所述神经网络为resnet34或resnet50或resnet101；

3.根据权利要求1或2所述的一种面向雷达辐射源个体识别的频谱神经网络模型，其特征在于：所述gap池化层进行最大平均池化处理，在池化前特征维度为，对每个通道特征进行全局平均池化，池化后每个通道特征平均为一个数，池化维度为；

4.由权利要求1-3中任一权利要求所述的神经网络模型组成的雷达辐射源个体识别系统，其特征在于：包括信号采集模块，用来采集雷达辐射源信号；

5.根据权利要求4所述的一种雷...

【专利技术属性】
技术研发人员：闫文君，凌青，张立民，于柯远，刘恒燕，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：