针对多雷达辐射源脉冲交错背景下,线性调频(Linear Frequency Modulation,LFM)信号低信噪比导致的脉冲分裂带来原始信号参数难以估计的问题,本文提出了基于深度神经网络和直方图统计的LFM信号两阶段提取与参数估计方法。首先利用双向长...针对多雷达辐射源脉冲交错背景下,线性调频(Linear Frequency Modulation,LFM)信号低信噪比导致的脉冲分裂带来原始信号参数难以估计的问题,本文提出了基于深度神经网络和直方图统计的LFM信号两阶段提取与参数估计方法。首先利用双向长短时记忆网络挖掘原始脉冲流中LFM信号与非LFM信号的调制模式差异并进行分类;其次通过序列调频斜率直方图寻找LFM信号分裂脉冲序列间隐含的原始信号调频斜率信息,提取不同调频斜率的LFM信号脉冲子序列;最后在每个子序列中分别估计原始信号的参数。仿真实验结果表明,相较于传统的序列差值直方图算法和循环神经网络分选方法,本文所提方法能够更准确地提取出LFM脉冲信号,并得到较为精确的参数估计结果。展开更多
文摘针对多雷达辐射源脉冲交错背景下,线性调频(Linear Frequency Modulation,LFM)信号低信噪比导致的脉冲分裂带来原始信号参数难以估计的问题,本文提出了基于深度神经网络和直方图统计的LFM信号两阶段提取与参数估计方法。首先利用双向长短时记忆网络挖掘原始脉冲流中LFM信号与非LFM信号的调制模式差异并进行分类;其次通过序列调频斜率直方图寻找LFM信号分裂脉冲序列间隐含的原始信号调频斜率信息,提取不同调频斜率的LFM信号脉冲子序列;最后在每个子序列中分别估计原始信号的参数。仿真实验结果表明,相较于传统的序列差值直方图算法和循环神经网络分选方法,本文所提方法能够更准确地提取出LFM脉冲信号,并得到较为精确的参数估计结果。
