基于改进CLDNN的辐射源信号识别

• 作者: 孙艺聪 田润澜 王晓峰 董会旭 戴普
• 来源期刊: 系统工程与电子技术
• 关键词: 辐射源信号识别 深度学习 卷积长短时深度神经网络 时间序列
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 电子技术|Electronic Technology
• 页码范围: 42-47
• 页数: 6页
• 分类号: TN971.1
• 语种: 中文
• DOI: 10.3969/j.issn.1001-506X.2021.01.06

摘要

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network,CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层.模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性.实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡.