基于集成深度学习的雷达信号分选研究

• 作者: 金炜东 陈春利
• 来源期刊: 系统仿真学报
• 学科: 工学
• 关键词: 集成学习 深度信念网络 信号分选 线性集成
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 仿真应用工程
• 页码范围: 1868-1874
• 页数: 7页
• 分类号: TP183
• 语种: 中文
• DOI: 10.16182/j.issn1004731x.joss.17-0313

摘要

针对目前雷达信号分选方法中难以快速提取到合适的特征,且其准确度较低等问题,提出一种基于集成深度学习模型的信号分选方法.通过堆叠不同类型的深度信念网络改进算法,对雷达辐射源信号进行深入特征学习,将每层模型得到的后验概率进行线性集成学习,再通过决策层确定最终的分类结果,从而进一步提高信号的识别率.采用所提方法对仿真的不同类型的雷达辐射源信号进行分选,实验结果表明,该方法展现出较强的学习到更多数据本质特征的能力;相比于其它信号分选方法,所提方法能显著地提高信号分类的准确率,从而验证了方法的有效性和优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	金炜东	西南交通大学电气工程学院	295	3889	30.0	49.0
2	陈春利	西南交通大学电气工程学院	4	7	2.0	2.0