基于深度置信网络和双谱对角切片的低截获概率雷达信号识别

被引：28

作者：

王星 ^{[1
]}

周一鹏 ^{[1
]}

周东青 ^{[1
]}

陈忠辉 ^{[2
]}

田元荣 ^{[1
]}

机构：

[1] 空军工程大学航空航天工程学院

[2] 解放军部队

来源：

电子与信息学报 | 2016年 / 38卷 / 11期

关键词：

低截获概率雷达; 深度学习; 深度置信网络; 双谱对角切片; 受限玻尔兹曼机;

D O I：

暂无

中图分类号：

TN957.51 [雷达信号检测处理];

学科分类号：

摘要：

基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。

引用

页码：2972 / 2976

页数：5

共 9 条

[1] LPI radar signal detection based on radial integration of Choi-Williams time-frequency image[J]. Yongjian Liu,Peng Xiao,Hongchao Wu,Weihua Xiao.Journal of Systems Engineering and Electronics. 2015(05)
[2] 深度学习研究综述
尹宝才
王文通
王立春
[J]. 北京工业大学学报, 2015, 41 (01) : 48 - 59
[3] 低截获概率雷达信号检测方法的优化及应用
李娜
王珂
李保珠
[J]. 光学精密工程, 2014, 22 (11) : 3122 - 3128
[4] 基于深度学习的作曲家分类问题
胡振
傅昆
张长水
[J]. 计算机研究与发展, 2014, 51 (09) : 1945 - 1954
[5] 基于SIB/PCA的通信辐射源个体识别
徐书华
黄本雄
徐丽娜
[J]. 华中科技大学学报(自然科学版), 2008, (07) : 14 - 17
[6] 基于双谱的通信辐射源个体识别
蔡忠伟
李建东
[J]. 通信学报, 2007, (02) : 75 - 79
[7] Deep learning in neural networks: An overview[J] . Jürgen Schmidhuber.Neural Networks . 2014
[8] Application of Deep Belief Networks for Natural Language Understanding
Sarikaya, Ruhi
Hinton, Geoffrey E.
Deoras, Anoop
[J]. IEEE-ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, 2014, 22 (04) : 778 - 784
[9] A fast learning algorithm for deep belief nets
Hinton, Geoffrey E.
Osindero, Simon
Teh, Yee-Whye
[J]. NEURAL COMPUTATION, 2006, 18 (07) : 1527 - 1554

← 1 →