一种ER-C-L网络模型下的有源干扰识别算法

摘要

针对强噪声环境下雷达有源干扰识别准确率不高的问题,提出了一种基于一维复合特征的ER-C-L(Extended ResNet-CNN-LSTM)网络模型算法。首先将幅度、瞬时频率和功率谱瞬时包络及其复合特征作为网络输入,比较其在ResNet-CNN模型上的识别准确率,选取检测概率高且数据量小的幅度与功率谱瞬时包络复合特征为最优特征。然后将该复合特征输入ER-C-L网络对六种新型有源干扰进行识别,仿真结果表明,在干噪比(Jamming Noise Ratio,JNR)-10 dB的强噪声环境下,识别准确率为98.5%,与CNN、ResNet-CNN、扩展ResNet-CNN和LSTM等其他深度学习算法相比,具有更高的干扰识别准确率。