-
题名应用深度神经网络和集成学习的电台个体识别
被引量：2
- 1
-
-
作者
幸晨杰
王良刚
-
机构
中国西南电子技术研究所
-
出处
《电讯技术》
北大核心
2021年第9期1059-1065,共7页
-
文摘
提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别。该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类。利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体。该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体。实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性。在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83%,平均正确率为89.12%;对MSK调制信号进行特征提取与识别,平均分类精度为89.1%。
-
关键词
电台个体识别
深度神经网络
集成学习
特征提取
-
Keywords
radio individual identification
deep neural network
ensemble learning
feature extraction
-
分类号
TN971
[电子电信—信号与信息处理]
-
-
题名基于半监督矩形网络的通信电台个体识别
被引量：15
- 2
-
-
作者
黄健航
雷迎科
-
机构
国防科技大学电子对抗学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2019年第1期1-8,共8页
-
基金
国家自然科学基金(No.61272333)
国防科技重点实验室基金(No.9140C130502140C13068)
总装预研项目基金(No.9140A33030114JB39470)
-
文摘
通信电台信号的小样本条件造成了电台个体识别准确性欠佳的问题,本文首次提出基于半监督矩形网络进行通信电台个体识别,克服小样本条件对电台个体识别效果的影响.首先提取电台信号的矩形积分双谱特征,人为注入噪声构成污染样本,在半监督矩形网络编码器中有监督训练,其训练结果通过网络径向连接传给解码器,解码器再无监督学习,重构未污染的原始样本,从网络顶层提取电台个体特征,输入softmax分类器实现分类识别.在实际采集的电台数据集上的实验结果说明,本算法在小样本条件下相比现有算法能更准确识别同型号的电台个体.
-
关键词
小样本条件
电台个体识别
半监督学习
矩形积分双谱
自编码器
-
Keywords
small sample condition
radio individual recognition
semi-supervised learning
square integral bispectra
auto-encoder
-
分类号
TN975
[电子电信—信号与信息处理]
TP911.7
[自动化与计算机技术]
-
-
题名《信号处理》2019年总目次
- 3
-
-
-
出处
《信号处理》
CSCD
北大核心
2019年第12期2077-2088,共12页
-
-
关键词
《信号处理》
相参雷达
毫米波通信
频谱感知算法
极坐标格式算法
卷积神经网络
间歇采样转发干扰
中继系统
中继选择
欺骗式干扰
系统误码率
水声通信
PDCCH
水下光通信
变换域通信系统
电台个体识别
-
分类号
TN
[电子电信]
-
