公开(公告)号：CN110826630B

公开(公告)日：2022-07-15

申请号：CN201911090196.7

申请日：2019-11-08

Applicant: 哈尔滨工业大学

Inventor： 邵广庆 ,  陈雨时 ,  于雷 ,  位寅生 ,  李迎春

IPC: G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，属于雷达干扰信号识别领域。本发明针对目前雷达干扰信号的特征参数依赖人工方式提取，易受噪声影响并出现特征冗余的问题。包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；将采集的测试样本输入到识别模型，获得雷达干扰信号识别结果。本发明利用CNN提取雷达干扰信号的深层特征，在特征级层面设计不同的雷达干扰信号数据融合模型，从而使信号识别免受噪声影响，并同时消除特征冗余现象。

公开(公告)号：CN110826630A

公开(公告)日：2020-02-21

申请号：CN201911090196.7

申请日：2019-11-08

Applicant: 哈尔滨工业大学

Inventor： 邵广庆 ,  陈雨时 ,  于雷 ,  位寅生 ,  李迎春

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，属于雷达干扰信号识别领域。本发明针对目前雷达干扰信号的特征参数依赖人工方式提取，易受噪声影响并出现特征冗余的问题。包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；将采集的测试样本输入到识别模型，获得雷达干扰信号识别结果。本发明利用CNN提取雷达干扰信号的深层特征，在特征级层面设计不同的雷达干扰信号数据融合模型，从而使信号识别免受噪声影响，并同时消除特征冗余现象。