典型文献
基于卷积神经网络联合多域特征提取的干扰识别算法
文献摘要：
干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据.针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取(Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE)的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能.仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比(Jamming-to-Noise Ratio,JNR)≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取(Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN)算法;与传统的人工特征提取的深度神经网络(Manual Feature Extraction-based Deep Neural Network,MFE-DNN)相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0dB时可准确分类10种复合干扰.
文献关键词：
卷积神经网络;联合多域特征提取;干扰识别;时频图像;频域序列
中图分类号：
作者姓名：
王鹏宇;程郁凡;徐昊;尚高阳
作者机构：
电子科技大学通信抗干扰技术国家级重点实验室,四川成都611731
文献出处：
引用格式：
[1]王鹏宇;程郁凡;徐昊;尚高阳-.基于卷积神经网络联合多域特征提取的干扰识别算法)[J].信号处理,2022(05):915-925
A类：
联合多域特征提取,JMDFE,频域序列
B类：
干扰识别,识别算法,智能抗干扰,抗干扰通信,接收信号,干扰类型,无线通信系统,系统生成,干扰方式,决策依据,压制,制式,Convolutional,Neural,Network,Joint,Multi,Domain,Feature,Extraction,数据对象,时频图像,干扰特征,识别性,Jamming,Noise,Ratio,JNR,准确识别,一数,自动特征提取,Automatic,AFE,深度神经网络,Manual,Deep,MFE,DNN,法显,分类准确率,抗噪性能,复合干扰,可取,分类效果,0dB
AB值：
0.329479
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
