针对小样本条件下且低信噪比时低截获概率(Low Probability of Intercept,LPI)雷达信号识别精度低的问题,本文提出了一种基于局部最大化同步压缩变换(Local Maximum Synchrosqueezing Transform,LMSST)与平滑伪维格纳维尔变换(Smoothed ...针对小样本条件下且低信噪比时低截获概率(Low Probability of Intercept,LPI)雷达信号识别精度低的问题,本文提出了一种基于局部最大化同步压缩变换(Local Maximum Synchrosqueezing Transform,LMSST)与平滑伪维格纳维尔变换(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)的双通道特征融合网络模型。利用LMSST和SPWVD对仅有的小样本LPI雷达信号分别进行时频分析,获取二维时频图像;使用循环对抗生成网络对其进行扩充并送入双通道网络对其进行特征提取和特征早融合;采用Softmax分类器对融合后的特征进行分选识别。研究结果表明,在信噪比为-8 dB时,所设计的模型的整体识别率达到93.1%;相较于单通道识别模型,在小样本条件下的识别精度有效提高6%~7%。此研究为小样本时LPI雷达信号的识别提供了一种理论依据。展开更多
文摘针对小样本条件下且低信噪比时低截获概率(Low Probability of Intercept,LPI)雷达信号识别精度低的问题,本文提出了一种基于局部最大化同步压缩变换(Local Maximum Synchrosqueezing Transform,LMSST)与平滑伪维格纳维尔变换(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)的双通道特征融合网络模型。利用LMSST和SPWVD对仅有的小样本LPI雷达信号分别进行时频分析,获取二维时频图像;使用循环对抗生成网络对其进行扩充并送入双通道网络对其进行特征提取和特征早融合;采用Softmax分类器对融合后的特征进行分选识别。研究结果表明,在信噪比为-8 dB时,所设计的模型的整体识别率达到93.1%;相较于单通道识别模型,在小样本条件下的识别精度有效提高6%~7%。此研究为小样本时LPI雷达信号的识别提供了一种理论依据。
