Resumen

En el campo de la contramedida electrónica, el reconocimiento de las señales de radar es extremadamente importante. Este trabajo utiliza GNU Radio y Universal Software Radio Peripherals para generar 10 clases de señales de radar multipulso cercanas a la realidad, a saber, Barker, Caótica, EQFM, Frank, FSK, LFM, LOFM, OFDM, P1 y P2. Para obtener la imagen de tiempo-frecuencia (TFI) de la señal de radar multipulso, la señal se transforma en la distribución de Choi-Williams (CWD). Con el objetivo de obtener las características de la TFI de la señal de radar multipulso, diseñamos un módulo de extracción de fusión de características distintivas (DFFE) y propusimos un nuevo modelo de aprendizaje profundo HRF-Net basado en este módulo. El modelo tiene relativamente pocos parámetros y cálculos. Los experimentos se llevaron a cabo con una relación señal-ruido (SNR) de -14 ∼ 4 dB. En el caso de -6 dB, el resultado de reconocimiento de HRF-Net alcanzó el 99,583 y el resultado de reconocimiento de la red siguió alcanzando el 97,500% bajo -14 dB. En comparación con otros métodos, las redes HRF tienen una generalización y una robustez relativamente mejores.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:señal de radar multipulso, resultados de reconocimiento, señal de radar tfi, modelo de aprendizaje profundo, clase de cerca, resultados de hrf, software de radio periférico, módulo de extracción de fusión, red, software de radio universal
• Keywords:multipulse radar signal, recognition results, radar signal tfi, deep learning model, class of close, results of hrf, software radio peripherals, fusion extraction module, net, universal software radio