基于深度残差收缩网络的鲁棒通信辐射源个体识别
近年来,己经有越来越多的研究人员尝试在通信辐射源个体识别领域引入基于深度学习的识别算法,并且在信号参数已知、待识别样本纯净的理想实验环境中取得了一定成绩。
但在真实场景中,由于信号接收环境的变化、接收系统模式的改变等因素导致待识别的数据具有不确定性,信号样本的信噪比变低就是一种典型的数据不确定的演化场景。
大多数深度学习模型在上述数据演化场景中难以提取到信号真正具有判别性的特征,其识别结果将变得不再可靠。
因此,基于深度学习的辐射源个体识别算法目前仍然难以取代依赖专家经验的传统信号分析算法,前者在实际应用中更多作为一个辅助的分类器出现[1]。
深度残差收缩网络(Deep Residual Shrinkage Networks)整体架构如图2.1所示。DRSN主要分为三个模块:信号加噪模块、残差收缩滤波模块以及全连接降维模块。
深度残差收缩网络[2-3]是一种原本应用在故障诊断领域的深度学习方法,主要适用于噪声较强的情况。
[1] 宋雨萱. 演化深度学习研究与通信信号识别应用[D]. 西安电子科技大学, 2020.
[2] M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020.
[3] 代码:https://github.com/zhao62/Dee...
汉民
0 条评论
汉民
宣传栏
目录
近年来,己经有越来越多的研究人员尝试在通信辐射源个体识别领域引入基于深度学习的识别算法,并且在信号参数已知、待识别样本纯净的理想实验环境中取得了一定成绩。
但在真实场景中,由于信号接收环境的变化、接收系统模式的改变等因素导致待识别的数据具有不确定性,信号样本的信噪比变低就是一种典型的数据不确定的演化场景。
大多数深度学习模型在上述数据演化场景中难以提取到信号真正具有判别性的特征,其识别结果将变得不再可靠。
因此,基于深度学习的辐射源个体识别算法目前仍然难以取代依赖专家经验的传统信号分析算法,前者在实际应用中更多作为一个辅助的分类器出现[1]。
深度残差收缩网络(Deep Residual Shrinkage Networks)整体架构如图2.1所示。DRSN主要分为三个模块:信号加噪模块、残差收缩滤波模块以及全连接降维模块。
深度残差收缩网络[2-3]是一种原本应用在故障诊断领域的深度学习方法,主要适用于噪声较强的情况。
[1] 宋雨萱. 演化深度学习研究与通信信号识别应用[D]. 西安电子科技大学, 2020.
[2] M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020.
[3] 代码:https://github.com/zhao62/Dee...