-
公开(公告)号:CN112305506B
公开(公告)日:2023-02-14
申请号:CN202011156030.3
申请日:2020-10-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法,使用CNN进行信号检测,将信号检测问题转化成基于CNN的特征提取问题,对截获到的雷达信号脉冲进行采样,将采样后的离散信号的同相分量和正交分量直接输入神经网络,实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力;由于信号带宽、载频等参数的随机性,可以保证测试集具有泛化性,说明对未经训练的信号具有一定的泛化能力,具有良好的应用前景。
-
公开(公告)号:CN112305506A
公开(公告)日:2021-02-02
申请号:CN202011156030.3
申请日:2020-10-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法,使用CNN进行信号检测,将信号检测问题转化成基于CNN的特征提取问题,对截获到的雷达信号脉冲进行采样,将采样后的离散信号的同相分量和正交分量直接输入神经网络,实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力;由于信号带宽、载频等参数的随机性,可以保证测试集具有泛化性,说明对未经训练的信号具有一定的泛化能力,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
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。
-
公开(公告)号:CN111948622A
公开(公告)日:2020-11-17
申请号:CN202010786659.X
申请日:2020-08-07
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明提供基于并联CNN-LSTM的线性调频雷达信号TOA估计算法,利用CNN良好的空间特征提取能力和LSTM良好的时间序列处理能力,提取脉冲信号的空间特征和时间特征,将TOA问题转化成基于并联CNN-LSTM的特征提取问题,对截获到的雷达信号脉冲进行采样,将采样后的离散信号的同相分量和正交分量直接作为输入,无需将接收信号变换为基带信号的复杂运算,就适用于低信噪比和在信号调制参数未知的情况下,可实现在一定误差范围内的精确TOA估计。本发明针对已经比较成熟的神经网络的结构和参数进行修改,使之适用于LFM雷达接收信号的采样序列,所述并联CNN-LSTM算法具有对不同的信道带宽、载频、信噪比的LFM雷达信号进行深度学习、提取特征、找到内在联系、完成训练的能力。
-
-
-