基于双CNN的雷达信号调制类型识别方法

全文: PDF(1662 KB)
输出: BibTeX | EndNote (RIS)

摘要针对雷达工作波形复杂化、基于常规脉冲特征的雷达辐射源信号识别准确率下降的问题，提出双卷积神经网络（convolutional neural network，CNN）串联的网络结构，实现了9种常见雷达信号的分类识别。采用单个CNN结构时，可以准确识别其中4种调制类型，但是相位编码及其复合调制信号识别率低。这是由于相位编码中二进制相移键控（binary phase shift keying，BPSK）与四相相移键控（quadrature phase shift keying，QPSK）的时频特征具有相似性。本文采用双CNN串联的处理方式，其优势在于雷达信号调制参数不固定时，依然可以进行分类识别，具有较强适应性。仿真结果表明，当信噪比（signal-to-noise ratio，SNR）为0 dB时，9种调制信号的识别准确率高于95%。最后，通过仿真分析识别准确率与信噪比之间的关系，验证了该方法的可靠性。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词 ：调制类型识别, CNN, 相位编码, 识别准确率, 深度学习

Abstract：In view of the complexity of radar waveform and the decline of radar emitter signal recognition accuracy based on conventional pulse characteristics, a network structure of double CNN is proposed to realize the classification and recognition of 9 common radar signals. When using a single CNN structure, four modulation types can be identified accurately, but the recognition accuracy of phase coding and its composite modulation signals is intolerable . Because the time-frequency characteristics of BPSK and QPSK are similar. This paper adopts the processing method of double CNN structure, which has strong adaptability. Radar signals can still be classified and recognized when modulation parameters are not fixed. The simulation results show that the recognition accuracy of 9 modulation signals is higher than 95% when the signal-to-noise ratio (SNR) is 0 dB. Finally, the reliability of this method is verified by analyzing the relationship between recognition accuracy and SNR.

Key words： modulation type recognition CNN phase encoding recognition accuracy deep learning

收稿日期: 2021-11-10 出版日期: 2022-03-25

ZTFLH:

TN974

作者简介: 金丽洁（1990—），男，博士，高级工程师，主要研究方向为雷达辐射源识别与分类、雷达抗干扰。

引用本文:

金丽洁, 武亚涛. 基于双CNN的雷达信号调制类型识别方法[J]. 空天防御, 2022, 5(1): 66-70.
JIN Lijie, WU Yatao. Radar Signal Modulation Type Recognition Based on Double CNN. Air & Space Defense, 2022, 5(1): 66-70.

链接本文:

https://www.qk.sjtu.edu.cn/ktfy/CN/ 或 https://www.qk.sjtu.edu.cn/ktfy/CN/Y2022/V5/I1/66

参考文献

[1]	程相伟, 张大旭, 杜永龙, 郭洪宝, 洪智亮. 基于X射线CT原位试验的平纹SiC_f/SiC压缩损伤演化机理[J]. 上海交通大学学报, 2024, 58(2): 232-241.
[2]	沈傲1, 2，胡冀苏2, 3，金鹏飞4，周志勇2，钱旭升2, 3，郑毅2，包婕4，王希明4，戴亚康1, 2. 基于课程学习训练的聚合注意力网络Multi-SEANet用于MRI图像的格里森级别组无创预测[J]. J Shanghai Jiaotong Univ Sci, 2024, 29(1): 109-119.
[3]	林照晨, 张欣然, 刘紫阳, 贺风华, 欧阳磊. 基于深度学习的高超声速飞行器运动行为识别[J]. 空天防御, 2024, 7(1): 48-55.
[4]	曾志贤，曹建军，翁年凤，袁震，余旭. 基于细粒度联合注意力机制的图像-文本跨模态实体分辨[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(6): 728-737.
[5]	王兵, 皮刚, 陈文成, 谢海峰, 施祥玲. 基于深度学习的柔性太阳翼琴铰表面缺陷检测方法[J]. 空天防御, 2023, 6(1): 96-101.
[6]	. 基于锥型体素建模和单目相机的鸟瞰图语义分割和体素语义分割[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(1): 100-113.
[7]	曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[8]	吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849.
[9]	赵勇, 苏丹. 基于4种长短时记忆神经网络组合模型的畸形波预报[J]. 上海交通大学学报, 2022, 56(4): 516-522.
[10]	唐泽宇, 邹小虎, 李鹏飞, 张伟, 余佳奇, 赵耀东. 基于迁移学习的小样本OFDM目标增强识别方法[J]. 上海交通大学学报, 2022, 56(12): 1666-1674.
[11]	吕超凡, 言颖杰, 林力, 柴岗, 鲍劲松. 基于点云语义分割算法的下颌角截骨面设计[J]. 上海交通大学学报, 2022, 56(11): 1509-1517.
[12]	陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[13]	王兴志, 翟海保, 严亚勤, 吴庆曦. 基于数字孪生和深度学习的新一代调控系统预调度方法[J]. 上海交通大学学报, 2021, 55(S2): 37-41.
[14]	王岩, 陈耀然, 韩兆龙, 周岱, 包艳. 基于互信息理论与递归神经网络的短期风速预测模型[J]. 上海交通大学学报, 2021, 55(9): 1080-1086.
[15]	王宇, 余岳峰, 朱小磊, 张忠孝. 基于光流法和深度学习的燃气火焰稳定性[J]. 上海交通大学学报, 2021, 55(4): 462-470.