典型文献
基于集成深度学习的有源干扰智能分类
文献摘要：
针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题,提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network,CNN)分类方法.首先,建立多种有源干扰的数学模型,仿真并利用短时傅里叶变换获得其时频分布图;其次,提取时频分布图的实部、虚部和模值三通道特征,通过多种特征组合方式建立不同特征组合的样本集;最终,构建以CNN为基分类器的集成深度学习模型,每个CNN分别提取不同样本集的特征,对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果.实验表明,该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别.
文献关键词：
有源干扰分类;短时傅里叶变换;集成学习;卷积神经网络;小样本
中图分类号：
作者姓名：
吕勤哲;全英汇;沙明辉;董淑仙;邢孟道
作者机构：
西安电子科技大学电子工程学院,陕西西安710071;北京无线电测量研究所,北京100854;西安电子科技大学前沿交叉研究院,陕西西安710071
文献出处：
引用格式：
[1]吕勤哲;全英汇;沙明辉;董淑仙;邢孟道-.基于集成深度学习的有源干扰智能分类)[J].系统工程与电子技术,2022(12):3595-3602
A类：
有源干扰分类
B类：
集成深度学习,智能分类,基于机器学习,雷达有源干扰,征集,小样本,分类精度,多通道特征,通道特征融合,convolutional,neural,network,分类方法,短时傅里叶变换,时频分布,分布图,三通道,特征组合,组合方式,样本集,基分类器,深度学习模型,多数投票,集成模型,智能化识别,集成学习
AB值：
0.293188
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。
