基于Att-BiLSTM的雷达信号调制方式识别.pdf
《基于Att-BiLSTM的雷达信号调制方式识别.pdf》由会员分享,可在线阅读,更多相关《基于Att-BiLSTM的雷达信号调制方式识别.pdf(5页珍藏版)》请在咨信网上搜索。
1、1 7 2 2 0 2 4年1期2 0 2 4年第4 6卷第1期基于A t t-B i L S TM的雷达信号调制方式识别王之腾 纪存孝 刘 畅 董 琳基金项目:江苏省杰出青年学者自然科学基金资助项目(N o.B K 2 0 1 8 0 0 2 8);江苏省优秀青年学者自然科学基金资助项目(G r a n tN o.B K 2 0 1 7 0 0 8 9)作者简介:王之腾(1 9 8 2-),博士,副教授,研究方向为智能雷达对抗;纪存孝(1 9 9 3-),硕士,讲师,研究方向为智能雷达对抗,E-m a i l:h h u j c x y e a h.n e t(通信作者);刘畅(1 9 9
2、3-),硕士,讲师,研究方向为智能雷达对抗。(中国人民解放军陆军工程大学通信工程学院 南京2 1 0 0 0 0)摘 要 识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(L o n gS h o r t-T e r m M e m o r y,L S TM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但L S TM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络(B i d i r e c t i o n a lL o n gS h o r t-T e r m M e
3、 m o r y,B i L S TM)的雷达信号调制方式识别算法。该算法通过B i L S TM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用P y t h o n框架构建基于注意力机制的B i L S TM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。关键词:雷达信号调制方式;时序问题;注意力机制;B i L S TM中图分类号 T P 3 9 1.4R a d a rS i g n a lM o d u l a t
4、 i o nR e c o g n i t i o nB a s e do nA t t-B i L S TMWAN GZ h i t e n g,J IC u n x i a o,L I UC h a n ga n dD ON GL i n g(C o l l e g eo fC o m u u n i c a t i o n sE n g i n e e r i n g,A r m yE n g i n e e r i n gU n i v e r s i t yo fP L A,N a n j i n g2 1 0 0 0 0,C h i n a)A b s t r a c t I d
5、e n t i f y i n gt h em o d u l a t i o nm o d eo f r a d a r s i g n a l sh e l p s t oa n a l y z e t h ew o r k i n gm o d ea n dp u r p o s eo f r a d a r,a n dp r o v i d e sab a s i s f o rt a k i n ga p p r o p r i a t ec o u n t e r m e a s u r e si nat i m e l ym a n n e r.L o n gS h o r t-
6、T e r m M e m o r y(L S TM)d e e pl e a r n i n gm o d e l sh a v ew i d ea p p l i c a t i o n si nt h ef i e l do ff e a t u r e-b a s e dm o d u l a t i o nm o d er e c o g n i t i o n,b u tt h et i m ep e r f o r-m a n c eo fL S TM m o d e l sw i l l d e c l i n ew i t h t h e i n c r e a s eo f
7、 i n p u t d a t a s c a l e.A i m i n ga t t h e a b o v ep r o b l e m s,t h i sp a p e r p r o p o-s e sar a d a rs i g n a lm o d u l a t i o nm o d er e c o g n i t i o na l g o r i t h mb a s e do nB i d i r e c t i o n a lL o n gS h o r t-T e r m M e m o r y(B i L S TM)b a s e do na t t e n t
8、 i o nm e c h a n i s m.T h ea l g o r i t h me x t r a c t s t h e f e a t u r e so f t h eo r i g i n a ld a t as o u r c eo f t h es i g n a l t h r o u g hB i L-S TM,a n d t h e nu s e s t h e a t t e n t i o nm e c h a n i s mt oa s s i g nc o r r e s p o n d i n gw e i g h t s t o t h e l e a
9、r n e d f e a t u r e s,a n d f i n a l l y t h e c l a s-s i f i e ro u t p u t s t h ec l a s s i f i c a t i o nr e s u l t sa c c o r d i n gt ot h el e a r n e df e a t u r e s.AB i L S TM n e t w o r km o d e lb a s e do na t t e n t i o nm e c h a n i s mi sc o n s t r u c t e du s i n gP y t
10、 h o nf r a m e w o r k,a n dt h er a d a r r a d i a t i o ns o u r c es i g n a l c h a r a c t e r i s t i cs i m u l a t i o nd a t a i su s e da s t h ei n p u ta n dt r a i n i n gb a s i so ft h en e t w o r kt or e a l i z et h er e c o g n i t i o no ft h em o d u l a t i o n m o d eo ft h
11、er a d i a t i o ns o u r c e.T h er e s u l t ss h o wt h a t t h em o d e l h a sag o o de f f e c t i nr e c o g n i z i n gt h em o d u l a t i o nm o d eo f t h er a d a rs i g n a l.K e y w o r d s R a d a rm o d u l a t i o nr e c o g n i t i o n,S e q u e n c ep r o b l e m,A t t e n t i o n
12、m e c h a n i s m,B i L S TM0 引言雷达是现代战场的“眼睛”,对雷达信号进行侦察识别至关重要,其核心在于对截获的雷达信号进行分析和处理。现代雷达往往采用低截获概率和复杂调制信号,雷达对抗侦察设备较难获取并识别相关信息1。为了对其开展有效的侦察识别,需要提取雷达信号的脉内特征,如信号的调制方式(线性调频、非线性调频、相位编码)等2。雷达信号调制方式识别主要包括基于传统算法的识别和基于深度学习算法的识别两大类。基于传统算法的雷达信号识别通过提取信号时域、频域以及时频域特征,然后利用分类器对特征进行分类,进而实现对雷达信号的识别。朱健东3等提出了一种利用C h o i-W
13、 i l l i a m s的时频图像处理技术,实验结果表明,通过时频分析技术进行扩维,针对相似和难识别的雷达信号类型,可提升识别准确率和精度。刘康宁4使用时频分析法,通过识别雷达信号的时频分布熵特征、瞬时频率级联特征等,实现了对复杂雷达调制信号的识别。张忠民5等针对在低信噪比下雷达信号调制方式2 0 2 4年1期1 7 3 识别率低的问题,提出了一种基于分数阶傅里叶变换和循环谱的识别方法。经实验验证,该方法在信噪比大于2 d B时,总体识别率达到9 0%以上。随着深度学习技术的高速发展,其算法思想在信号识别领域得到了广泛应用。MA等6提出了一种多特征图像联合决策模型,通过对1 1种雷达信号进
14、行仿真,生成训练集和测试集,验证该模型在信噪比为-6 d B时,整体识别准确率达到8 7.7%。石礼盟7等针对复杂电磁环境下传统方法对雷达信号调制方式识别率低的问题,提出了一种基于深层神经网络的识别方法,该方法在识别率和抗噪声能力等方面表现优异。刘括然8提出了一种基于L S TM模型的雷达辐射源识别分类方法,通过仿真实现了对辐射源的识别,结果表明L S TM模型识别辐射源的效果较好。在基于深度学习的雷达信号调制方式识别中,L S TM是一种用于处理时序数据的模型,许多专家利用该模型提取信号特征,以实现雷达辐射源分类及调制方式识别9-1 0。但是,L S TM模型的性能会随着输入数据规模的增大而
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Att BiLSTM 雷达 信号 调制 方式 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。