公开(公告)号：CN113376608A

公开(公告)日：2021-09-10

申请号：CN202110583471.X

申请日：2021-05-27

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹希航 ,  宋宇 ,  郭立民 ,  赵忠凯 ,  陈涛

IPC: G01S7/41 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于辐射源结构识别技术领域，具体涉及一种基于卷积神经网络的雷达辐射源结构识别方法。本发明通过模拟实际辐射源系统中频率合成器和功放对信号的影响，根据不同结构的辐射源产生的多种调制方式的信号，结合信号时频分析技术，提取信号时频图像的特征，训练CNN模型，训练后的CNN模型能够进行有效的辐射源结构识别，实现信号至辐射源结构的反演过程。本发明中的识别模型能够在低信噪比下实现较高的识别率，且具有较好的鲁棒性，具有良好的应用前景。

公开(公告)号：CN113326757A

公开(公告)日：2021-08-31

申请号：CN202110570134.7

申请日：2021-05-25

Applicant: 哈尔滨工程大学

Inventor： 蒋伊琳 ,  尹希航 ,  宋宇 ,  尹子茹 ,  陈涛 ,  郭立民 ,  刘鲁涛 ,  赵忠凯

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F17/14

Abstract: 本发明提供一种基于卷积神经网络的频率合成器类型识别方法，包括如下步骤：步骤一：建立DDS相位截断模型；步骤二：建立带有小数分频杂散的Fractional‑N PLL模型；步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；步骤四：训练CNN模型，实现对频率合成器类型识别；所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层。本发明CNN更适合于与时频图像相结合的频率合成器类型识别，即使在信噪比较低的情况下，也能获得较高的识别率。将任一信号输入训练好的CNN模型，能够快速准确地输出识别结果。