针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如...针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如相位、幅度、时间、功率谱密度等信号特征,结合Transformer网络进一步提取不同IFF辐射源个体特征中如前后关联特性的细微特征并最终实现SEI-IFF。试验结果表明,所提方法针对20个目标搭载的IFF辐射源个体的平均识别正确率达95.3%,可较准确地完成SEI-IFF,有助于提升战场SEI-IFF效率。展开更多
目前应用于辐射源识别的卷积神经网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理有两种方式:一种方式是将其变换为图像,另一种方式是提取IQ时序数据的浅层特征。前一种方式会导致算法计算量大,而后一种方式会导致识...目前应用于辐射源识别的卷积神经网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理有两种方式:一种方式是将其变换为图像,另一种方式是提取IQ时序数据的浅层特征。前一种方式会导致算法计算量大,而后一种方式会导致识别准确率低。针对上述问题,提出一种多尺度特征提取与特征选择网络。该网络以IQ信号为输入,经多尺度特征提取网络提取IQ信号的浅层特征和多尺度特征,采用特征选择网络降低多尺度特征的数据维度,通过自适应线性整流单元实现特征增强,使用单个全连接层对辐射源进行分类。在FIT/CorteXlab射频指纹识别数据集上,与ORACLE、CNN-DLRF和IQCNet对比实验表明,所提网络在一定程度上提高了识别准确率,降低了计算量。展开更多
文摘针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如相位、幅度、时间、功率谱密度等信号特征,结合Transformer网络进一步提取不同IFF辐射源个体特征中如前后关联特性的细微特征并最终实现SEI-IFF。试验结果表明,所提方法针对20个目标搭载的IFF辐射源个体的平均识别正确率达95.3%,可较准确地完成SEI-IFF,有助于提升战场SEI-IFF效率。
文摘目前应用于辐射源识别的卷积神经网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理有两种方式:一种方式是将其变换为图像,另一种方式是提取IQ时序数据的浅层特征。前一种方式会导致算法计算量大,而后一种方式会导致识别准确率低。针对上述问题,提出一种多尺度特征提取与特征选择网络。该网络以IQ信号为输入,经多尺度特征提取网络提取IQ信号的浅层特征和多尺度特征,采用特征选择网络降低多尺度特征的数据维度,通过自适应线性整流单元实现特征增强,使用单个全连接层对辐射源进行分类。在FIT/CorteXlab射频指纹识别数据集上,与ORACLE、CNN-DLRF和IQCNet对比实验表明,所提网络在一定程度上提高了识别准确率,降低了计算量。
