基于迁移深度学习的雷达信号分选识别

摘要

cqvip:针对当前雷达信号分选识别算法普遍存在的低信噪比下识别能力差、特征参数提取困难、分类器模型参数复杂等问题,提出了一种基于时频分析、深度学习和迁移学习融合模型的雷达信号自动分选识别算法。首先通过引入的多重同步压缩变换得到雷达信号的时频图像,然后利用灰度化、维纳滤波、双三次插值法和归一化等手段对时频图像进行预处理,最后基于迁移学习的方法,以GoogLeNet和ResNet模型为基础完成了对雷达信号的离线训练和在线识别。仿真结果表明,在信噪比为?6 dB时,该算法对9种雷达信号(CW, LFM, NLFM, BPSK, MPSK, Costas, LFM/BPSK, LFM/FSK, BPSK/FSK)的整体平均识别率可达93.4%,较常规人工提取算法具有更好的抗噪性和泛化能力。