典型文献
基于VMD联合RCMDE的特定辐射源识别方法
文献摘要：
针对常用于特定辐射源识别(Specific Emitter Identification,SEI)的典型一维特征常常引发识别性能下滑问题,高维度特征维度较大、 与一般分类器结合使用时计算效率较低的问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和精细复合多尺度散布熵(Refined Composite Multi-scale Dispersion Entropy,RCMDE)的SEI方法,利用VMD和RCMDE获取原始辐射源信号不同频率分量的多尺度时间复杂度特征,选择支持向量机(Support Vector Machine,SVM)完成分类识别.仿真结果表明,莱斯信道下,在-5～15 dB的信噪比(Signal-to-Noise,SNR)范围内,所提方法对3个不同辐射源个体的识别准确率达到了99.2367％,相比于其他方法有显著的性能提升.
文献关键词：
变分模态分解;精细复合多尺度散布熵;特定辐射源识别
中图分类号：
作者姓名：
宋子豪;程伟;李敬文;李晓柏
作者机构：
空军预警学院 预警情报系, 湖北 武汉 430019;空军预警学院雷达士官学校 教研保障中心, 湖北 武汉 430019
文献出处：
引用格式：
[1]宋子豪;程伟;李敬文;李晓柏-.基于VMD联合RCMDE的特定辐射源识别方法)[J].无线电工程,2022(08):1386-1394
A类：
B类：
VMD,RCMDE,特定辐射源识别,Specific,Emitter,Identification,SEI,维特,识别性,高维度,维度特征,分类器,结合使用,时计,计算效率,变分模态分解,Variational,Mode,Decomposition,精细复合多尺度散布熵,Refined,Composite,Multi,scale,Dispersion,Entropy,源信号,不同频率,时间复杂度,Support,Vector,Machine,分类识别,莱斯,信道,dB,Signal,Noise,SNR,识别准确率,其他方法,性能提升
AB值：
0.418581
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。
