计算机科学››2024,第51卷››问题(5): 306-312.数字对象标识:1896年10月10日/jsjkx.230300062
•计算机网络• 以前的文章 下一篇文章
洪体静、刘登峰、刘毅
收到:
修订过的:
在线:
出版:
关于作者:
支持单位:
摘要:雷达在现代电子战中起着至关重要的作用,随着电子对抗与电子对抗之间的竞争加剧,复杂电磁环境下低JNR下有源雷达干扰特征的人工提取困难和识别率低的问题亟待解决。针对上述问题,提出了一种基于多尺度全卷积神经网络(MFCN)和门限递归单元(GRU)并行化的干涉识别算法。这是一个端到端的深度神经网络模型,不需要对数据进行复杂的预处理,并输入干扰信号的原始时域序列,对不同JNR下的干扰信号进行分类识别。仿真结果表明,随着JNR的逐渐增加,网络的识别精度逐渐提高;在-10~10dB的全JNR范围内,该网络的总识别率为99.4%,当JNR大于-6dB时,识别精度接近100%,与简单的多尺度全卷积神经网络、门限递归单元等经典模型相比,具有更高的识别精度,自适应JNR的极限较低。
关键词: 雷达有源干扰, 干扰识别, 时域序列, 深度学习, 特征融合
CLC编号:
洪体静、刘登峰、刘毅。基于多尺度全卷积神经网络和GRU的雷达有源干扰识别[J]。计算机科学,2024,51(5):306-312。
0 / / 推荐
添加到引文管理器 尾注|样板客户经理|ProCite公司|BibTeX公司|参考Works
网址: https://www.jsjkx.com/EN/10.11896/jsjkx-230300062
https://www.jsjkx.com/EN/Y2024/V51/I5/306
引用