高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于去噪卷积神经网络的雷达信号调制类型识别

肖易寒 王亮 郭玉霞

高健, 张耀宗, 孟祥蕊, 马芳卉. 几类指标为2的不可约拟循环码的重量分布[J]. 电子与信息学报, 2022, 44(12): 4312-4318. doi: 10.11999/JEIT211104
引用本文: 肖易寒, 王亮, 郭玉霞. 基于去噪卷积神经网络的雷达信号调制类型识别[J]. 电子与信息学报, 2021, 43(8): 2300-2307. doi: 10.11999/JEIT200506
GAO Jian, ZHANG Yaozong, MENG Xiangrui, MA Fanghui. Weight Distributions of Some Classes of Irreducible Quasi-cyclic Codes of Index 2[J]. Journal of Electronics & Information Technology, 2022, 44(12): 4312-4318. doi: 10.11999/JEIT211104
Citation: Yihan XIAO, Liang WANG, Yuxia GUO. Radar Signal Modulation Type Recognition Based on Denoising Convolutional Neural Network[J]. Journal of Electronics & Information Technology, 2021, 43(8): 2300-2307. doi: 10.11999/JEIT200506

基于去噪卷积神经网络的雷达信号调制类型识别

doi: 10.11999/JEIT200506
基金项目: 国家自然科学基金(61571146),中央高校基本科研基金(3072020CF0810),航空科学基金(201801P6004)
详细信息
    作者简介:

    肖易寒:女,1980年生,副教授,研究方向为雷达信号识别、深度学习、图像处理

    王亮:男,1995年生,硕士生,研究方向为雷达信号识别、深度学习

    郭玉霞:女,1979年生,研究员,研究方向为雷达导引系统总体设计、信号处理

    通讯作者:

    肖易寒 xiaoyihan@hrbeu.edu.cn

  • 中图分类号: TN957.51

Radar Signal Modulation Type Recognition Based on Denoising Convolutional Neural Network

Funds: The National Natural Science Foundation of China (61571146), The Basic Scientific Research business Fees of the Central University (3072020CF0810), The Aviation Science Foundation (201801P6004)
  • 摘要: 针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。
  • 线性码的重量分布是编码理论中的一个重要研究问题。近几年,线性码的重量分布,尤其是循环码的重量分布,被国内外的编码学者广泛关注与研究。Ding等人[1]研究了不可约循环码的重量分布,利用不可约循环码构造了一些参数较好的线性码。基于指数和理论,文献[2,3]在有限域上某些可约循环码的重量分布研究中也取得了很大进展。

    少重量线性码,如常重量线性码[4]、2-重量线性码[5]、3-重量线性码[6]以及其他少重量线性码[7,8]等,是重要的线性码类,可用于认证码[9]、结合方案以及秘密共享方案的构造。Ding[10]基于不可约循环码的重量分布构造了几类3-重量线性码。Schmidt等人[11]基于离散傅里叶变换和高斯和理论得到了不可约循环码至多有两个重量的充要条件。Zhou等人[12]构造了7类3-重量循环码并分析了由这些3-重量循环码得到的秘密共享方案的结构。

    拟循环码是一类重要的线性码,它与卷积码和低密度校验码密切相关。指标为2的拟循环码也称为分块长度相等的双循环码。Borges等人[13]给出了2元域上双循环码的显式生成元并确定了双循环码及其对偶码生成元之间的关系。Gao等人[14,15]给出了4元双循环码的生成元以及与对偶码生成元之间的关系,并且证明了4元双循环码是渐进优的。Patanker等人[16]利用高斯和确定了几类2元双循环码的重量分布。

    本文主要利用有限域上指标为2的不可约拟循环码构造少重量的线性码。首先,基于有限域上的高斯周期,本文给出了几类指标为2的不可约拟循环码的重量分布;其次,基于不可约拟循环码的重量分布,本文构造了几类2-重量线性码和3-重量线性码,其中包括3类最优的2-重量线性码。

    p是一个素数,q=pmr=qt,其中mt是正整数。令Fq表示q元有限域。 Fql的线性子空间称为有限域Fq上码长为l的线性码。Ai表示线性码C中Hamming重量为i的码字个数。 定义码长为l的线性码C的重量分布多项式为1+A1x++Alxl

    l=m0+m1。如果C中的任意码字c=(c1,0,c1,1,,c1,m01|c2,0,c2,1,,c2,m11)经循环移位T作用后有T(c)=(c1,m01,c1,0,,c1,m02|c2,m11,c2,0,, c2,m12)C则称线性码C是分块长度为(m0,m1)的双循环码。若m0=m1,则称线性码C是指标为2的拟循环码。

    Fr=Fqt表示qt元有限域且ζ为其本原元。设θFr=Fr{0}ord(θ)=nh(x)θ1Fq上的极小多项式,deg(h(x))=s,则Fq[x]/Fq[x]h(x)h(x)=Fqs是一个qs元有限域且θFqs=Fqs{0}。因为deg(h(x))=s,所以s|t(qs1)|(qt1)。令Fqs=w,其中w=ζqt1qs1,则wFqs的本原元。

    假设θ=wN,其中nN=qs1。定义指标为2的不可约拟循环码为

    C={(Tr(αβ0),Tr(αβ0θ),,Tr(αβ0θn1)|Tr(αβ1),Tr(αβ1θ),,Tr(αβ1θn1))|αFqs}
    (1)

    其中,β0,β1FqsθTr()表示从FqsFq的迹映射。此外,CFq上的校验多项式为θ1的极小多项式h(x)且维数为dim(C)=s

    Trq/qpp表示从FqFp的迹映射,χ是从Fq到模长为1的复数组成的乘法群的映射,对任意的x,yFqχ(x+y)=χ(x)χ(y)。设bFq,定义

    χb(c)=e2π1Trq/p(bc)/p,cFq
    (2)

    Fq上的加法特征。如果b=0,则χ0(c)=1χ0称为Fq上的平凡加法特征;如果b=1,则χ1称为Fq上的标准加法特征。

    定义Ci(N,qs)=wiwNi=0,1,,N,其中wN表示Fqs的一个子群,陪集Ci(N,qs)称为Fqs的阶为N的分圆类。根据加法特征和分圆类,定义Fqs上的高斯周期为

    ηi(N,qs)=xCi(N,qs)χ(x),i=0,1,,N

    其中,χFqs上的标准加法特征。一般情况下,高斯周期的值很难计算,但是可以通过高斯多项式ψ(N,qs)(X)[17]得到一些特殊的值,其中高斯多项式定义为

    ψ(N,qs)(X)=N1i=0(Xηi(N,qs))

    引理1[1] 当N=2时,高斯周期的值为

    η0(2,qs)={1+(1)sm1qs22,p1(mod4)1+(1)sm1(1)smqs22,p3(mod4)

    η1(2,qs)=1η0(2,qs)

    引理2[1] 当N=3时,高斯多项式ψ(3,qs)(X)的分解如下:

    (1)如果p2(mod3),则sm为偶数并且

    ψ(3,qs)(X)={33(3X+1+2qs2)(3X+1qs2)2sm233(3X+12qs2)(3X+1+qs2)2sm2

    (2)如果p1(mod3),sm0(mod3),则

    ψ(3,qs)(X)=127(3X+1c1qs3)(3X+1+12(c1+9d1)qs3)(3X+1+12(c19d1)qs3)

    其中,c1d1满足4qs3=c21+27d21,c11(mod3),gcd(c1,p)=1

    引理3[1] 当N=4时,高斯多项式ψ(4,qs)(X)的分解如下:

    (1)如果p3(mod4),则sm为偶数并且

    ψ(3,qs)(X)={44(4X+1+3qs2)(4X+1qs2)3sm244(4X+13qs2)(4X+1+qs2)3sm2

    (2)如果p1(mod4),sm0(mod4),则

    ψ(3,qs)(X)=44((4X+1)+qs2+2u1qs4)((4X+1)+qs22u1qs4)3×44((4X+1)qs2+4v1qs4)((4X+1)qs24v1qs4)

    其中,u1,v1满足qs2=u21+4v21,u11(mod4),gcd(u1,p)=1

    为了确定指标为2的不可约拟循环码的重量分布,本文还需要以下引理。

    引理 4[1] 设e1qs1的正因数并且0ie1,则

    {xy:yFq,xCi(e1,qs)}=q1e1gcd(qs1q1,e1)Ci(gcd(qs1)q1,e1),qs)

    其中q1e1gcd(qs1q1,e1)C(gcd(qs1q1,e1),qs)i表示C(gcd(qs1q1,e1),qs)i中的任意元素在集合xy:yFq,xC(e1,qs)i中出现的次数均为q1e1gcd(qs1q1,e1)

    N1是一个正整数且满足n=qs1N,N1=gcd(qs1q1,N)。令θ=wN,其中wFqs的本原元。Z(qs,β0)Z(qs,β1)分别为使等式Tr(αβ0θi)=0Tr(αβ1θj)=0成立的i,j的个数。对于C中任意的码字c,如果α0,则它的Hamming重量为WH(c)=2nZ(qs,β0)Z(qs,β1),其中

    Z(qs,β0)=|{0in1:Tr(αβ0θi)=0}|Z(qs,β1)=|{0jn1:Tr(αβ1θj)=0}|

    χFq上的加法特征,由引理4有

    Z(qs,β0)=nq+(q1)N1Nqηk(N1,qs)Z(qs,β1)=nq+(q1)N1Nqηl(N1,qs)

    其中,k,l=0,1,,N11

    下面给出当β0,β1Fqsθ,N1=2,3,4时,式(1)定义的指标为2的不可约拟循环码的重量分布。显然,C0(N1,qs)C0(N,qs),C1(N1,qs),,C(N1,qs)N11构成了Fqsθ的一个划分。定义SFqsθ中的一个分圆类。

    定理1 设Nqs1的正因数且使得N1=gcd(qs1q1,N)=2,则

    情形(1)如果β0,β1在相同的分圆类S中,则由式(1)定义的不可约拟循环码的重量分布如表1所示。

    表 1  情形(1):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2Nq(q1)(qs12η(2,qs)0)qs12
    2Nq(q1)(qs12η(2,qs)1)qs12
    下载: 导出CSV 
    | 显示表格

    情形(2)如果β0,β1在不同的分圆类S中,则由式(1)定义的不可约拟循环码的重量分布如表2所示。

    表 2  情形(2):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2N(q1)qs1qs1
    下载: 导出CSV 
    | 显示表格

    证明 对于情形(1)本文只给出当β0,β1C(2,qs)0C(N,qs)0时的证明过程。

    αC(2,qs)0时,因为β0,β1C(2,qs)0C(N,qs)0,所以αβ0,αβ1C(2,qs)0。此时,对于cC,有WH(c)=2n2(nq+2(q1)Nqη(2,qs)0),出现的频数为qs12。同理,当αC(2,qs)1时,对于cC,有WH(c)=2n2(nq+2(q1)Nqη(2,qs)1),出现的频数为qs12。因此,式(1)定义的指标为2的不可约拟循环码的重量分布如表1所示。

    对于情形(2),可采用相同的讨论方法。证毕

    推论1  如果β0,β1满足定理1中的情形(1),则式(1)定义的指标为2的不可约拟循环码是一个参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为1+qs12x2(q1)(qsqs2)Nq+qs12x2(q1)(qs+qs2)Nq

    证明 如果β0,β1满足定理1中的情形(1),则由引理1可知,当p1(mod4)时,η(2,qs)0=qs2+12,η(2,qs)1=qs212;当p3(mod4)时,η(2,qs)0=qs212,η(2,qs)1=qs2+12。将η(2,qs)0,η(2,qs)1的值分别代入表1中,可得到式(1)中定义的指标为2的不可约拟循环码是一个参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为1+qs12x2(q1)(qsqs2)Nq+qs12x2(q1)(qs+qs2)Nq。证毕

    类似于定理1,当N1=gcd(qs1q1,N)=3时,式(1)定义的指标为2的不可约拟循环码的重量分布由以下定理给出。

    定理2 设Nqs1的正因数且使得N1=gcd(qs1q1,N)=3,则

    情形(3) 如果β0,β1在相同的分圆类S中,则式(1)定义的不可约拟循环码的重量分布如表3所示。

    表 3  情形(3):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2Nq(q1)(qs13η(3,qs)0)qs13
    2Nq(q1)(qs13η(3,qs)1)qs13
    2Nq(q1)(qs13η(3,qs)2)qs13
    下载: 导出CSV 
    | 显示表格

    情形(4) 如果β0,β1在不同的分圆类S中,则式(1)定义的不可约拟循环码的重量分布如表4所示。

    表 4  情形(4):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    1Nq(q1)[2(qs1)3(η(3,qs)0+η(3,qs)1)]qs13
    1Nq(q1)[2(qs1)3(η(3,qs)1+η(3,qs)2)]qs13
    1Nq(q1)[2(qs1)3(η(3,qs)2+η(3,qs)0)]qs13
    下载: 导出CSV 
    | 显示表格

    推论2 设Nqs1的正因子,N1=gcd(qs1q1,N)=3,p2(mod3)。若β0,β1满足定理2中情形(3)且sm0(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为

    1+2(qs1)3x2(q1)(qsqs2)Nq+qs13x2(q1)(qs+2qs2)Nq

    sm2(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qs2qs2)Nq]的2-重量线性码,其重量分布为

    1+qs13x2(q1)(qs2qs2)Nq+2(qs1)3x2(q1)(qs+qs2)Nq

    证明: 当β0,β1满足定理2中情形(3)时,如果sm0(mod4),此时sm2为偶数,由引理2可得η(3,qs)0=1+2qs23,η(3,qs)1=η(3,qs)1=12qs23,将其代入表3,可得到推论2中的第1种结果;如果 sm2(mod4), 此时sm2为奇数,则由引理2可得η(3,qs)0=12qs23,η(3,qs)1=η(3,qs)1=1+2qs23,将其代入表3,可得到推论2中的另一种结果。 证毕

    类似于推论2的证明方法,可得到以下3个结论。

    推论3 设Nqs1的正因子,N1=gcd(qs1q1,N)=3,p2(mod3)。若β0,β1满足定理2中的情形(4)且sm0(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为

    1+2(qs1)3x(q1)(2qs+qs2)Nq+qs13x2(q1)(qsqs2)Nq

    sm2(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,(q1)(2qsqs2)Nq]的2-重量线性码,其重量分布为

    1+2(qs1)3x(q1)(2qsqs2)Nq+2(qs1)3x2(q1)(qs+qs2)Nq

    推论4 设Nqs1的正因子,N1=gcd(qs1q1,N)=3,p1(mod3)。若β0,β1满足定理2中的情形(3)且sm0(mod3),则式(1)定义的不可约拟循环码是一个参数为[2(qs1)N,s]的3-重量线性码,其重量分布为

    1+qs13x2(q1)(qsc1qs3)Nq+qs13x2(q1)(qs+12(c1+9d1)qs3)Nq+qs13x2(q1)(qs+12(c19d1)qs3)Nq

    推论5 设Nqs1的正因子,N1=gcd(qs1q1,N)=3,p1(mod3)。若β0,β1满足定理2中的情形(4)且sm0(mod3),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s]的3-重量线性码,其重量分布为

    1+qs13x(q1)(2qs+12(9d1c1)qs3)Nq+qs13x(q1)(2qs12(c1+9d1)qs3)Nq+qs13x(q1)(2qs+c1qs3)Nq

    类似定理1,当N1=gcd(qs1q1,N)=4时,式(1)定义的不可约拟循环码的重量分布由以下定理给出。

    定理3 设Nqs1的正因数使得N1=gcd(qs1q1,N)=4,则

    情形(5)如果β0,β1在相同的分圆类S中,则式(1)定义的不可约拟循环码的重量分布如表5所示。

    表 5  情形(5):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2Nq(q1)(qs14η(4,qs)0)qs14
    2Nq(q1)(qs14η(4,qs)1)qs14
    2Nq(q1)(qs14η(4,qs)2)qs14
    2Nq(q1)(qs14η(4,qs)3)qs14
    下载: 导出CSV 
    | 显示表格

    情形(6)如果下列条件之一成立,则式(1)定义的不可约拟循环码的重量分布如表6所示。

    表 6  情形(6):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2Nq(q1)[(qs1)2(η(4,qs)0+η(4,qs)1)]qs14
    2Nq(q1)[(qs1)2(η(4,qs)1+η(4,qs)2)]qs14
    2Nq(q1)[(qs1)2(η(4,qs)2+η(4,qs)3)]qs14
    2Nq(q1)[(qs1)2(η(4,qs)3+η(4,qs)0)]qs14
    下载: 导出CSV 
    | 显示表格

    (a) β0,β1{C(4,qs)0C(N,qs)0,C(4,qs)1}

    (b) β0,β1{C(4,qs)0C(N,qs)0,C(4,qs)3}

    (c) β0,β1{C(4,qs)1,C(4,qs)2}

    (d) β0,β1{C(4,qs)2,C(4,qs)3

    情形(7) 如果下列条件之一成立,则式(1)定义的不可约拟循环码的重量分布如表7所示。

    表 7  情形(7):不可约拟循环码的重量分布
    重量(i)频数(Ai)
    01
    2Nq(q1)[(qs1)2(η(4,qs)0+η(4,qs)2)]qs12
    2Nq(q1)[(qs1)2(η(4,qs)1+η(4,qs)3)]qs12
    下载: 导出CSV 
    | 显示表格

    (e) β0,β1{C(4,qs)0C(N,qs)0,C(4,qs)2}

    (f) β0,β1{C(4,qs)1,C(4,qs)3}

    由引理3、推论2和定理3,可得到以下推论。

    推论6 设Nqs1的正因子,N1=gcd(qs1q1,N)=4,p3(mod4)。若β0,β1满足定理3中的情形(5)且sm0(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为

    1+3(qs1)4x2(q1)(qsqs2)Nq+qs14x2(q1)(qs+3qs2)Nq

    sm2(mod4),则式(1)定义的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qs3qs2)Nq]的2-重量线性码,其重量分布为

    1+3(qs1)4x2(q1)(qs+qs2)Nq+qs14x2(q1)(qs3qs2)Nq

    推论7 设Nqs1的正因子,N1=gcd(qs1q1,N)=4p3(mod4)。如果β0,β1满足定理3中的情形(6)或情形(7),则式(1)定义的指标为2的不可约拟循环码是参数为[2(qs1)N,s,2(q1)(qsqs2)Nq]的2-重量线性码,其重量分布为1+qs12x2(q1)(qsqs2)Nq+qs12x2(q1)(qs+qs2)Nq

    推论8 设Nqs1的正因子,N1=gcd(qs1q1,N)=4,p1(mod4)。若β0,β1满足定理3中的情形(7)且sm0(mod4),则式(1)定义的指标为2的不可约拟循环码是参数为[2(qs1)N,s]的2-重量线性码,其重量分布为

    1+qs12x2(q1)(qs+(u1+2v1)qs4)Nq+qs12x2(q1)(qs(u1+2v1)qs4)Nq

    定理4 设Nqs1的正因子,N1=3,p2(mod3),sm2(mod4)。若β0,β1满足定理2中的情形(4),则有

    (1)如果p=2,s=2,N=3(2m1),则式(1)定义的指标为2的不可约拟循环码是一类2-重量MDS码,其参数为[23(2m+1),2,13(2m+11)]

    (2)如果s=2,2N=3(pm1),则式(1)定义的指标为2的不可约拟循环码是一类达到Griesmer界的最优码,其参数为[43(pm+1),2,23(2pm1)]

    证明 将情形(1)中所给的条件代入推论4, 可得式(1)定义的指标为2的不可约拟循环码是一类2-重量线性码且其参数满足n=k+d1。 由引理5可得到一类2-重MDS码,其参数为[23(2m+1),2,13(2m+11)]

    将情形(2)中所给的条件代入推论4,可得到式(1)定义的指标为2的不可约拟循环码是一类2-重量线性码且参数满足n=k1i=0dqi。由引理6可得到一类达到Griesmer界的最优码,其参数为[43(pm+1),2,23(2pm1)]。 证毕

    例1 令(N1,p,m,s,N)=(3,2,3,2,21)。由定理4,式(1)定义的指标为2的不可约拟循环码是F8上参数为[6,2,5]的2-重量MDS码,其重量分布为1+42x5+21x6

    例2 令(N1,p,m,s,N)=(3,11,1,2,15)。由定理4,式(1)定义的指标为2的不可约拟循环码是F11上参数为[16,2,14]的达到Griesmer界的2-重量最优码,其重量分布为1+80x14+40x16

    类似于定理4,可由以下定理得到另一类2-重量MDS码。

    定理5 设Nqs1的正因子,N1=4,p3(mod4)。若β0,β1满足定理3中的情形(6)或情形(7),s=2,N=4(pm1),则式(1)定义的指标为2的不可约拟循环码是一类2-重量MDS码,其参数为[12(pm+1),2,12(pm1)]

    例3 令(N1,p,m,s,N)=(4,3,3,2,104)。由定理5,式(1)定义的指标为2的不可约拟循环码是F27上参数为[14,2,13]的2-重量MDS码,其重量分布为1+364x13+364x14

    本文研究了有限域上指标为2的不可约拟循环码的重量分布,构造了几类2-重量线性码和3-重量线性码。特别地,本文得到了3类最优的2-重量线性码。如何利用ZpZp[v]-加性码[18,19]的重量分布构造有限域上的最优码是一个有意义的研究问题。

  • 图  1  不同调制方式LPI雷达信号时频图像

    图  2  DnCNN去噪算法框图

    图  3  Inception-V4网络提取特征模型

    图  4  DnCNN去噪灰度图

    图  5  Inception-V4网络识别混淆矩阵

    图  6  不同信噪比下LPI雷达信号识别准确率

    图  7  不同数据量训练识别结果

    表  1  仿真参数

    信号类型信号参数参数取值范围
    LFM信号长度N[512,1024]
    带宽ΔfU(1/16,1/8)
    初始频率f0U(1/16,1/8)
    Costas信号长度N[512,1024]
    序列数量Nc[3,6]
    基准频率fminU(1/24,1/20)
    Frank载频fcU(1/8,1/4)
    循环相位码cpp[4,6]
    步进频率M[4,8]
    Barker巴克码长度Nc{7,11,13}
    载频fcU(1/8,1/4)
    码数量Np[100,300]
    循环相位码cpp[1,5]
    T1~T4信号长度N[512,1024]
    整体码元周期T[0.07,0.1]
    码序列段数k[4,6]
    下载: 导出CSV

    表  2  时频图去噪峰值信噪比(dB)

    信号类型雷达信号信噪/视频图像峰值信噪比
    –10–6–22
    LFM34.0234.5635.6737.12
    Costas32.1533.3134.5535.01
    Frank30.3531.1632.0933.32
    BPSK28.8929.3429.5730.21
    T131.4432.0233.1033.98
    T231.5432.3433.5534.18
    T330.2131.2331.9632.44
    T429.9830.6531.3332.46
    下载: 导出CSV
  • [1] 陈涛, 柳立志, 郭立民. 基于MWC压缩采样宽带接收机的雷达信号脉内调制识别[J]. 电子与信息学报, 2018, 40(4): 867–874. doi: 10.11999/JEIT170612

    CHEN Tao, LIU Lizhi, and GUO Limin. Intra-pulse modulation recognition of radar signals based on MWC compressed sampling wideband receiver[J]. Journal of Electronics &Information Technology, 2018, 40(4): 867–874. doi: 10.11999/JEIT170612
    [2] TÜMEN V, SÖYLEMEZ Ö F, and ERGEN B. Facial emotion recognition on a dataset using convolutional neural network[C]. 2017 International Artificial Intelligence and Data Processing Symposium, Malatya, Turkey, 2017: 1–5. doi: 10.1109/IDAP.2017.8090281.
    [3] ZHANG Ming, DIAO Ming, and GUO Limin. Convolutional neural networks for automatic cognitive radio waveform recognition[J] IEEE Access, 2017, 5: 11074–11082. doi: 10.1109/access.2017.2716191.
    [4] 郭立民, 陈鑫, 陈涛. 基于AlexNet模型的雷达信号调制类型识别[J]. 吉林大学学报: 工学版, 2019, 49(3): 1000–1008. doi: 10.13229/j.cnki.jdxbgxb20171056

    GUO Limin, CHEN Xin, and CHEN Tao. Radar signal modulation type recognition based on AlexNet model[J]. Journal of Jilin University:Engineering and Technology Edition, 2019, 49(3): 1000–1008. doi: 10.13229/j.cnki.jdxbgxb20171056
    [5] QIN Xin, ZHA Xiong, HUANG Jie, et al. Radar waveform recognition based on deep residual network[C]. The 8th IEEE Joint International Information Technology and Artificial Intelligence Conference, Chongqing, China, 2019: 892–896. doi: 10.1109/ITAIC.2019.8785588.
    [6] 郭立民, 寇韵涵, 陈涛, 等. 基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J]. 电子与信息学报, 2018, 40(4): 875–881. doi: 10.11999/JEIT170588

    GUO Limin, KOU Yunhan, CHEN Tao, et al. Low probability of intercept radar signal recognition based on stacked sparse Auto-encoder[J]. Journal of Electronics &Information Technology, 2018, 40(4): 875–881. doi: 10.11999/JEIT170588
    [7] GUO Qiang, YU Xin, and RUAN Guoqing. LPI radar waveform recognition based on deep convolutional neural network transfer learning[J]. Symmetry, 2019, 11(4): 540. doi: 10.3390/sym11040540
    [8] XIAO Yihan, LIU Wenjian, and GAO Lipeng. Radar signal recognition based on transfer learning and feature fusion[J]. Mobile Networks and Applications, 2020, 25(4): 1563–1571. doi: 10.1007/s11036-019-01360-1
    [9] ZHANG Ming, DIAO Ming, GAO Lipeng, et al. Neural networks for radar waveform recognition[J]. Symmetry, 2017, 9(5): 75. doi: 10.3390/sym9050075
    [10] QU Zhiyu, MAO Xiaojie, and DENG Zhian. Radar signal intra-pulse modulation recognition based on convolutional neural network[J] IEEE Access, 2018, 6: 43874–43884. doi: 10.1109/access.2018.2864347.
    [11] LIU Yabo and LIU Yi. Modulation recognition with pre-denoising convolutional neural network[J]. Electronics Letters, 2020, 56(5): 255–257. doi: 10.1049/el.2019.3586
    [12] WU Yushuang, LI Xiukun, and WANG Yang. Extraction and classification of acoustic scattering from underwater target based on Wigner-Ville distribution[J]. Applied Acoustics, 2018, 138: 52–59. doi: 10.1016/j.apacoust.2018.03.026
    [13] TIAN Xiaodi, SUN Xiaodong, YU Xiaohui, et al. Modulation pattern recognition of communication signals based on fractional low-order Choi-Williams distribution and convolutional neural network in impulsive noise environment[C]. The 19th IEEE International Conference on Communication Technology, Xi’an, China, 2019: 188–192. doi: 10.1109/ICCT46805.2019.8947208.
    [14] ZHANG Kai, ZUO Wangmeng, CHEN Yunjin, et al. Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3142–3155. doi: 10.1109/TIP.2017.2662206
    [15] 邓祾. 基于DnCNN函数的分水岭算法[J]. 海南热带海洋学院学报, 2019, 26(5): 69–75. doi: 10.13307/j.issn.2096-3122.2019.05.12

    DENG Ling. Watershed algorithm based on DnCNN function[J]. Journal of Hainan Tropical Ocean University, 2019, 26(5): 69–75. doi: 10.13307/j.issn.2096-3122.2019.05.12
    [16] LENZ B, HASSELBRUCH H, GROßMANN H, et al. Application of CNN networks for an automatic determination of critical loads in scratch tests on a-C: H: W coatings[J]. Surface and Coatings Technology, 2020, 393: 125764. doi: 10.1016/j.surfcoat.2020.125764
    [17] EMARA T, AFIFY H M, ISMAIL F H, et al. A modified inception-v4 for imbalanced skin cancer classification dataset[C]. The 14th International Conference on Computer Engineering and Systems, Cairo, Egypt, 2019: 28–33. doi: 10.1109/ICCES48960.2019.9068110.
    [18] JOSHI K, YADAV R, and ALLWADHI S. PSNR and MSE based investigation of LSB[C]. 2016 International Conference on Computational Techniques in Information and Communication Technologies, New Delhi, India, 2016: 280–285. doi: 10.1109/ICCTICT.2016.7514593.
  • 期刊类型引用(2)

    1. 李艳俊,王琦,项勇,谢惠琴. 动态密码组件对合MDS矩阵的设计与实现. 微电子学与计算机. 2024(07): 37-45 . 百度学术
    2. 李建佳,蔚保国,鲍亚川,杨梦焕,崔宋祚,田润泽,赵军. 一种适应复杂地下环境的导航增强型脉冲超宽带通导一体自组网体制设计研究. 电子与信息学报. 2023(11): 4179-4189 . 本站查看

    其他类型引用(1)

  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  1665
  • HTML全文浏览量:  791
  • PDF下载量:  216
  • 被引次数: 3
出版历程
  • 收稿日期:  2020-06-19
  • 修回日期:  2021-04-10
  • 网络出版日期:  2021-05-06
  • 刊出日期:  2021-08-10

目录

/

返回文章
返回