典型文献
基于改进1DCNN+TCN的雷达辐射源快速识别方法
文献摘要：
为了解决传统雷达辐射源识别方式识别速度慢、在低信噪比时很难准确识别等问题,结合深度学习提出了一种基于改进一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和时间卷积网络(temporal convolutional network,TCN)的雷达辐射源快速识别模型.在1DCNN的基础上加入了批归一化层,并在全连接层前加入注意力机制;同时在原有TCN的基础上进行改进,使用Leaky ReLU激活函数代替ReLU函数;将改进后的TCN与1DCNN相连接.仿真实验结果分析表明,该模型不仅能够迅速识别出辐射源信号,识别准确率也较高,能够有效平衡模型识别速度和识别精度.
文献关键词：
辐射源信号快速识别;时间序列;时间卷积网络;一维卷积神经网络;参数化线性修正单元;注意力机制
中图分类号：
作者姓名：
金涛;王晓峰;田润澜;张歆东
作者机构：
吉林大学电子科学与工程学院,吉林长春130012;空军航空大学航空作战勤务学院,吉林长春130022
文献出处：
引用格式：
[1]金涛;王晓峰;田润澜;张歆东-.基于改进1DCNN+TCN的雷达辐射源快速识别方法)[J].系统工程与电子技术,2022(02):463-469
A类：
1DCNN+TCN,辐射源信号快速识别,参数化线性修正单元
B类：
雷达辐射源识别,速度慢,低信噪比,准确识别,一维卷积神经网络,one,dimensional,convolutional,neural,network,时间卷积网络,temporal,识别模型,批归一化层,全连接层,注意力机制,Leaky,ReLU,激活函数,数代,相连接,实验结果分析,识别准确率,模型识别,识别精度
AB值：
0.242978
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。
