
Citation: | JIANG Yilin, YIN Ziru, SONG Yu. Low Probability of Intercept Radar Signal Detection Algorithm Based on Convolutional Neural Networks[J]. Journal of Electronics & Information Technology, 2022, 44(2): 718-725. doi: 10.11999/JEIT210132 |
雷达截获接收机对雷达信号的有效检测是实现电子战胜利的重要一环,低信噪比下对非合作低截获概率(Low Probability of Intercept, LPI)雷达信号的检测具备极高的理论研究及应用价值[1]。LPI雷达具有低峰值功率、大时宽带宽积、频率变化等出众优点,且多采用复杂信号调制方式,具有出色的隐蔽性以及抗干扰性,在非合作方式下,信道环境以及信号参数未知,使非合作方的雷达截获接收机难以感知和获取LPI雷达信号,以致传统信号检测的算法性能下降[2]。国内外学者主要从能量检测法、时频特性分析法、循环平稳分析法、分数傅里叶变换等角度出发,探索有效检测LPI雷达信号问题的方式,取得了一定的研究成果。
能量检测法是在高斯白噪声背景下,在信号的时域或者频域进行能量的累计,当积累的能量大于设定的检测门限时认为信号存在,是一种无需信号先验信息的盲检测法,但当信噪比较低时,能量检测法检测效果一般。文献[3]提出了一种利用基于积分旋转因子的径向积分方法对LPI雷达信号时频图像进行信号检测,随着信噪比的降低,该方法对COSTAS频率编码信号的检测能力下降极为明显。文献[4]基于分段相干的思想采用变窗长相干平均法提高信噪比的增益,然后利用循环平稳法完成对线性调频连续波信号的检测,但该方法需要对信号进行长时间积累。文献[5-8]利用分数阶傅里叶变换抗噪性能好、对线性调频类信号具有最优检测性能的优点,实现了对线性调频信号(Linear Frequency Modulation, LFM)的检测以及多信号分量的有效分离,但是分数阶傅里叶变换需要2维搜索来求取最大值,只适应于线性调频类信号的检测。文献[9]研究了短波信道下跳频信号的检测,采用主分量分析与信道化处理来滤除噪声和干扰,最终提取特征统计量,此方法属于非盲检测,须预先已知跳频信号的频率集或跳速。以上方法缺乏对不同调制信号的泛化能力,在实际的战场环境下应用受限。
近年来,深度学习由于其高效的计算能力被广泛应用于雷达信号调制方式识别等领域,为研究深度学习方法在信号检测领域的应用提供了新思路,文献[10]使用了改进的GoogLeNet和AlexNet网络对经过短时傅里叶变换的时频谱图进行训练,低信噪比下可以对多种LPI雷达信号进行检测和识别,但该方法的运算量依然十分庞大。文献[11-13]中神经网络的输入形式大多数为图像,经过处理以图像形式表达的回波信号,虽然更适合人观察理解,但是也难免会丢失一些雷达信号本身更适合用深度学习网络结构提取和理解的特征。针对时频图像在预处理中特征保留不足问题,本文采用1维时域信号作为输入,可保留更多的可提取特征[14]。文献[15]根据奈曼皮尔逊检测准则,分析了似然比检测方法,在K分布海杂波背景下设计了基于最大特征值的雷达信号检测算法,为本文提供了新思路。
本文从似然比检测方法的角度进行分析,提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)的LPI雷达信号检测方法,充分利用了卷积核与匹配滤波器(Matched Filter, MF)具有结构上的相似性的这一特性,将CNN引入雷达截获系统中,提高LPI雷达信号检测准确率。不同于传统匹配滤波器的构建是基于雷达方已知信号的,本文主要针对侦查接收情况下对非合作方的LPI雷达信号进行检测,利用多层卷积层构建同对不同调制信号具有一定泛化能力的卷积滤波器,完成对信号能量的积累,实现信号检测。卷积核的权值共享网络结构降低了网络模型的复杂度,同时具有高效的提取特征的能力,在一定程度上基于大数据的深度学习方法已经远远超越了传统的信号检测方法。
设定雷达接收信号处于高斯白噪声环境下,截获的信号表示为
x(t)=s(t)+n(t) | (1) |
考虑一个雷达信号检测系统,在时间间隔(0,T)内,在二元信号的情况下,接收信号
H0:x(t)=n(t), 0≤t≤TH1:x(t)=s(t)+n(t),0≤t≤T} | (2) |
其中,
λ[x(t)]def=p(x(t)|H1)p(x(t)|H0)H1≷H0P(H0)(c10−c00)P(H1)(c01−c11)=η | (3) |
若输入的信号
H(ω)=S∗(ω)e−jωt0h(t)=s(t0−t)} | (4) |
lnλ[x(t)]=2N0T∫0x(t)s(t)dt−EsN0H1≷H0lnη | (5) |
最终判决表达式为
l[x(t)]def=T∫0x(t)s(t)dtH1≷H0N02lnη+Es2def=γ | (6) |
利用匹配滤波器构造式(6)的检测系统,结构如图1所示。
匹配滤波器能够使接收确知信号的输出信噪比最大,此时信号有效脉宽的长度也决定了输出信号能量的大小,可以通过判决门限实现对信号有无的检测,本文中以信号有效脉宽的长度来定义是否存在信号。匹配滤波器对振幅和时延参量不同的信号具有适应性,但对频移信号不具有适应性,所以无法实现对非合作方的LPI雷达信号进行有效检测。
若雷达截获接收机获得的是非合作LPI雷达信号,式(1)中
H0:x(t)=n(t), 0≤t≤TH1:x(t)=s(t;θ)+n(t),0≤t≤T} | (7) |
λ[x(t)|θ]def=∫(θ)p(x(t)|θ;H1)p(θ)dθp(x(t)|H0)H1≷H0λ0 | (8) |
在如式(8)所示的信号检测系统中,
P(H1|x(t))H1≷H0P(H0|x(t)) | (9) |
但是当
雷达截获接收机在噪声中检测是否有信号,属于二元信号波形的检测,本质就是二分类问题。分类问题属于监督学习,若训练数据集为
网络结构包含输入层、卷积层、池化层、全连接层、输出层;通过卷积层提取预处理过的信号数据的特征;通过稠密层激活函数计算各神经元的权重;通过池化层降维提取特征的关键信息;通过全连接层对提取的特征进行组合以得到输出,神经网络优化过程包括前向传播、反向传播。首先通过前向传播算法获得预测值,计算预测值和真实值的误差,然后通过反向传播算法计算损失函数对每一个参数的梯度,经过多次迭代训练,根据梯度和学习率调整CNN模型的各神经元的权重,保存模型。本文采用8层中间网络结构:3个交替出现的CNN层组(包括卷积层和池化层)和全连接层,网络结构如图2所示。
卷积输出权重计算如下:第1个卷积层对输出层组合后的信号进行卷积运算,增加一个偏置项后,再经过一个非线性函数得到该卷积层的输出,第1个卷积层卷积运算和输出可以表示为
c1(1,j)=σ(∑m∑nx(i+m,j+n)w1c(m,n)+w1b) | (10) |
式(10)中
cp(1,j)=σ(∑l∑nxp−1(1,j+n)wpc(1,n,l)+wpb) | (11) |
式(11)中,
fl=σ(xlWl+Wbl) | (12) |
其中,
表1为图2所示CNN结构各层设置的参数,输入层的结构为@=2×2000,2000代表信号采样序列长度,2代表采样信号的同向、正交分量;第1层为卷积层,包含64个尺寸为2×32卷积核,步长为1×4;第2层为Max pooling 池化层,池化尺寸为1×4,步长为1×2;第3~6层与第1, 2层类似;第7~8层为全连接层,分别包含1024, 256个隐藏节点;输出层其本质是含有 2个隐藏节点的全连接层。
层名称 | 结构参数 |
输入层 | 2×2000 |
第1, 2层 | Conv1-64@2×32(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第3, 4层 | Conv1-128@1×16(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第5, 6层 | Conv1-256@1×8(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第7层 | FC-1024 |
第8层 | FC-256 |
输出层 | 2 |
卷积层和全连接层的计算都是线性运算,线性运算的特征表达能力是有限的,所以每个卷积层后又引入了非线性函数作为激励函数,增强网络的非线性拟合能力,使模型具有更强的特征表达能力,同时使网络具有稀疏性。以上所有激活函数
LeakyReLU(x)={x, x≥0ax,x<0∈R | (13) |
采用softmax处理最后一个全连接层的输出
p(y=0|x)=softmax(y′0)=ey′0ey′0+ey′1p(y=1|x)=softmax(y′1)=ey′1ey′0+ey′1} | (14) |
若神经网络输入为
J(W)=−1NN∑i=1{yilg[p(y=1|x)]+(1−yi)⋅lg[p(y=0|x)]} | (15) |
交叉熵是分类问题使用比较广的一种损失函数,具有改善梯度消失的优点,在神经网络中的作用是判断期望向量与预测向量之间两个概率分布之间的距离。
利用argmax函数对式(14)中的预测概率的比较可得到式(16)的类别判决式
p(y=0|x)y=0≷y=1p(y=1|x) | (16) |
则可以通过基于CNN的LPI雷达信号检测模型实现式(9)所示的信号判决
Hj=argmaxHjˆP(Hj|x(t)),j=0,1 | (17) |
本文研究的是LPI雷达信号检测,所以采用了4种常见调制类型的LPI雷达信号构建仿真所用模拟信号,设置线性调频(Linear Frequency Modulation, LFM)信号、非线性调频(NonLinear Frequency Modulation, NLFM)信号的调制参数多样性由带宽B、载频
对于式(1)所示的模拟信号调制参数如表2所示。模拟训练集采用信噪比为–8 dB, –5 dB, –2 dB, 1 dB, 4 dB,步进为 3 dB的5种调制方式的混合信号来丰富训练集样本,训练集一共92700个信号。模拟测试集令信噪比的变化范围为–8~5 dB,步进为 1 dB,每个信噪比下的每种调制方式有1000个信号,其中有效信号脉宽满足信号定义脉宽的信号占50%,满足噪声定义脉宽的信号占25%,不同功率的纯噪声占25%。
调制方式 | 瞬时相位ϕ(t) | 载频fc (MHZ) | 带宽B (MHz) | 子脉冲宽度(μs) | 巴克码 | 跳频序列aN |
LFM | 2π(fc×t+μ2×t2) 调频斜率μ=B/τ | 50~70 | 20~40 | __ | __ | __ |
NLFM | 2π(fc×t+12a1×t2+13a2×t3) a1=B/(2×τ), a2=B/(2×τ2) | 50~70 | 20~40 | __ | __ | __ |
BPSK | 2πfct+θ,θ∈{0,π} | 50~70 | __ | 0.5~1 | [1 1 1 1 1 –1–1 1 1 –1 1 –1 1] | __ |
COSTAS | 2π(fc×aN)taN={a1,a2,⋯,an} | 5~10 | __ | 0.5~1 | __ | [8, 9, 6, 4, 10, 3, 2, 5, 7, 1] |
关于实测数据,本文采用Agilent E4438C 矢量信号发生器产生LFM和BPSK信号,NC6110A噪声信号源添加白噪声,KEYSIGHT DSOS204A示波器存储信号。实测信号的调制参数见表3,LFM信号的有效信号脉宽不小于5 μs时默认为有信号,BPSK有效信号脉宽不小于6.5 μs时默认为有信号,否则默认为噪声。实测信号的信噪比的变化范围为1~5 dB,步进为 1 dB, LFM和BPSK信号在每个信噪比下均具有100个信号。验证集和测试集按照1: 9的比例随机划分。验证集和测试集中,其中有效信号脉宽满足信号定义脉宽的信号数据占50%,满足噪声定义脉宽的信号数据占50%。
调制方式 | 主要参数 | 取值范围 |
LFM | 载频fc(MHz) | 50~70 |
带宽B(MHz) | 20~40 | |
BPSK | 载频fc(MHz) | 50~70 |
子脉冲宽度(μs) | 0.5~1 | |
巴克码 | [1 1 1 1 1 –1 –1 1 1 –1 1 –1 1] |
采样频率fs均设置为250 MHz,采样点数M = 2000。通过数据预处理将原始数据转换为符合挖掘的格式,为进一步处理做准备,也是深度学习不可或缺的重要环节,因为从中导入的有用信息直接影响模型的收敛效果。在本文中首先将采集到的实测数据进行Hilbert变换,然后对其进行归一化操作,同时保存信号的同向分量、正交分量,预处理后生成的样本为2×2000的2维矩阵,其目的就是将数据中的所有数值行按照合适的比例映射到[–1,1]区间,加快模型的收敛速度、提升模型的精度、防止模型梯度爆炸。每一个样本对应一个“标签”,标签是一个1×2的向量,采用one-hot编码方式。
在本节中,首先说明将在其中进行训练的系统的硬件规格。在安装NVIDIA Tesla T4 显卡的Ubuntu18 64位操作系统上完成算法仿真,为了节约神经网络的训练时间,本文中实验使用了带GPU的Tensorflow框架,涉及的依赖库主要是 CUDA, cudnn 等加速库。
本文所用的信号检测网络模型的仿真实验流程如下:
步骤1 建立神经网络模型,网络结构如图2所示。
步骤2 生成模拟信号并添加标签,建立模拟训练集和模拟测试集。
步骤3 采集实测信号、预处理并添加标签,划分实测验证集和测试集。
步骤4 输入模拟训练集进行模型训练,使用模拟测试集评估模型,同时添加实测信号验证集对神经网络模型进行测试,从而选择最佳的神经网络模型,调整模型参数,完成从模拟信号到实测信号的适配。
步骤5 通过实测测试集进一步验证神经网络模型的有效性。
在模型训练过程中,在全连接层添加Dropout正则化来修改网络框架,最小化结构风险,每次训练时随机忽略一部分神经元,不更新这些神经元的权重,可以有效防止因模型太复杂引起的过拟合现象。采用随机梯度下降算法的变体Adam优化器,结合衰减型学习率,基于权重参数的先前梯度的均值和方差进行更新,模型的训练效果才能达到更优。
将以上所述的模拟数据集中的训练集进行模型训练,仿真所用模拟训练集共92700个信号,经过实测信号验证集的测试,选择实测验证集检测效果好的模型,模拟测试集通过训练好的信号检测网络测试,可得到如图3所示的在不同信噪比下的各种调制信号检测准确率。由图3所示,使用本文中低信噪比下的LPI雷达信号检测方法,仿真结果表明,4种信号的总体检测准确率在–8 dB时能达到72.5%,在–5 dB时的检测准确率能达到87.9%, –1 dB时的检测准确率能达到95.65%, 5 dB时的检测准确率能达到98.1%。仿真结果说明本文所提算法对不同调制方式的信号具有泛化能力,在低信噪比下BPSK信号的检测效果最好,COSTAS信号的检测效果最差。由于训练集仅采用5个信噪比的信号,测试结果表明本文所用信号检测模型对不同信噪比下的信号具有泛化能力。由于仿真所用模拟信号调制参数的随机性,测试结果表明该模型对不同调制参数的信号具有泛化能力。
LPI雷达信号检测模型与深度学习进行图像处理不同的是,实测信号与模拟信号之间存在一定的差异,上述神经网络经过模拟训练集训练,同时使用少量实测验证集进行有监督的适配,适配过程能够使CNN更好地拟合实测信号的检测网络,提高实测信号的检测准确率。将实测信号测试集输入神经网络后,可得到如图4所示的测试结果。测试结果表明LFM和BPSK两种信号,信噪比在1~5 dB时,均能达到90%以上的检测准确率,在2 dB, 4 dB, 5 dB能达到95%的检测准确率。说明经过少量实测验证集适配过的神经网络对实测信号具有一定的检测能力。
本文提出在低信噪比下,基于信号有效脉宽的、针对非合作方式下的一种LPI雷达信号检测方法,利用卷积核与匹配滤波器结构上的相似性,构造对不同信号具有泛化能力的卷积滤波器,从传统信号检测和统计学的角度分析了利用CNN进行信号检测的可行性,同时对样本数据输入和各层网络输出参数进行了分析。本文基于4种典型LPI雷达信号进行模拟数据集构建,基于LFM, BPSK信号进行实测数据集构建。使用模拟数据作为训练数据,利用少量实测数据作为验证集实现从模拟信号到实测信号的适配,完成神经网络的训练过程。检测结果表明对不同调制方式、参数的LPI雷达信号具有泛化能力,对不同信噪比下的信号具有泛化能力,在低信噪比下仍然具有较好的检测效果,同时也表明了本文提出的方法对实测信号具有较好的检测效果。
[1] |
鲍庆龙, 王森, 潘嘉蒙, 等. 非合作雷达辐射源目标探测系统关键技术分析[J]. 电波科学学报, 2020, 35(4): 496–503.
BAO Qinglong, WANG Sen, PAN Jiameng, et al. Key technology analysis of target detection system based on non-cooperative radar illuminator[J]. Chinese Journal of Radio Science, 2020, 35(4): 496–503.
|
[2] |
李娜, 王珂, 李保珠. 低截获概率雷达信号检测方法的优化及应用[J]. 光学精密工程, 2014, 22(11): 3122–3128.
Li Na, Wang Ke, Li Baozhu. Optimization and application of LPI radar signal detection method[J]. Optics and Precision Engineering, 2014, 22(11): 3122–3128.
|
[3] |
LIU Yongjian, XIAO Peng, WU Hongchao, et al. LPI radar signal detection based on radial integration of Choi-Williams time-frequency image[J]. Journal of Systems Engineering and Electronics, 2015, 26(5): 973–981. doi: 10.1109/JSEE.2015.00106
|
[4] |
朱文涛, 郑纪彬, 苏涛, 等. 线性调频连续波信号的检测和参数估计[J]. 电子与信息学报, 2013, 35(7): 1562–1568. doi: 10.3724/SP.J.1146.2012.01356
ZHU Wentao, ZHENG Jibing, SU Tao, et al. Detection and parameter estimation of linear frequency modulation continuous wave signal[J]. Journal of Electronics &Information Technology, 2013, 35(7): 1562–1568. doi: 10.3724/SP.J.1146.2012.01356
|
[5] |
刘锋, 徐会法, 陶然. 基于FRFT的对称三角LFMCW信号检测与参数估计[J]. 电子与信息学报, 2011, 33(8): 1864–1870.
LIU Feng, XU Huifa, and TAO Ran. Detection and parameter estimation of symmetrical triangular LFMCW signal based on fractional Fourier transform[J]. Journal of Electronics &Information Technology, 2011, 33(8): 1864–1870.
|
[6] |
徐会法, 胡晓峰, 张明智. 基于FRFT的几种典型相位编码信号检测与参数估计[J]. 兵工学报, 2012, 33(9): 1048–1054.
XU Huifa, HU Xiaofeng, and ZHANG Mingzhi. Detection and parameter estimation of polyphase code signals based on fractional Fourier transform[J]. Acta Armamentarii, 2012, 33(9): 1048–1054.
|
[7] |
黄宇, 刘锋, 王泽众, 等. 基于周期FRFT的多分量LFMCW雷达信号分离[J]. 航空学报, 2013, 34(4): 846–854.
HUANG Yu, LIU Feng, WANG Zezhong, et al. Periodic FRFT-based multi-component LFMCW radar signal separating[J]. Acta Aeronautica et Astronautica Sinica, 2013, 34(4): 846–854.
|
[8] |
陈艳丽, 郭良浩, 宫在晓. 简明分数阶傅里叶变换及其对线性调频信号的检测和参数估计[J]. 声学学报, 2015, 40(6): 761–771.
CHEN Yanli, GUO Lianghao, and GONG Zaixiao. The concise fractional Fourier transform and its application in detection and parameter estimation of the linear frequency-modulated signal[J]. Acta Acustica, 2015, 40(6): 761–771.
|
[9] |
李硕, 李天昀. 短波信道下的跳频信号检测[J]. 电子学报, 2019, 47(3): 623–629.
LI Shuo and LI Tianyun. Frequency hopping signal detection over the Short-Wave Channel[J]. Acta Electronica Sinica, 2019, 47(3): 623–629.
|
[10] |
GHADIMI G, NOROUZI Y, BAYDERKHANI R, et al. Deep learning-based approach for low probability of intercept radar signal detection and classification[J]. Journal of Communications Technology and Electronics, 2020, 65(10): 1179–1191. doi: 10.1134/S1064226920100034
|
[11] |
WANG Li, TANG Jun, and LIAO Qingmin. A study on radar target detection based on deep neural networks[J]. IEEE Sensors Letters, 2019, 3(3): 7000504.
|
[12] |
WANG Chao, WANG Jian, and ZHANG Xudong. Automatic radar waveform recognition based on time-frequency analysis and convolutional neural network[C]. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing, New Orleans, USA, 2017.
|
[13] |
黄宇涛, 普运伟, 吴海潇, 等. 基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别[J]. 电波科学学报, 2020, 35(5): 689–698.
HUANG Yutao, PU Yunwei, WU Haixiao, et al. Radar emitter signal recognition based on stackedauto-encoder and ambiguity function main ridge[J]. Chinese Journal of Radio Science, 2020, 35(5): 689–698.
|
[14] |
徐雅楠, 刘宁波, 丁昊, 等. 利用CNN的海上目标探测背景分类方法[J]. 电子学报, 2019, 47(12): 2505–2514.
XU Yanan, LIU Ningbo, DING Hao, et al. Background classification method for marine target detection based on CNN[J]. Acta Electronica Sinica, 2019, 47(12): 2505–2514.
|
[15] |
赵文静, 刘畅, 刘文龙, 等. K分布海杂波背景下基于最大特征值的雷达信号检测算法[J]. 电子与信息学报, 2018, 40(9): 2235–2241. doi: 10.11999/JEIT171092
ZHAO Wenjing, LIU Chang, LIU Wenlong, et al. Maximum eigenvalue based radar signal detection method for K distribution sea clutter environment[J]. Journal of Electronics &Information Technology, 2018, 40(9): 2235–2241. doi: 10.11999/JEIT171092
|
1. | 康智,易嘉骅,徐龙飞. 基于U-Net和频谱的信号检测方法. 电子信息对抗技术. 2025(01): 16-23 . ![]() | |
2. | 周宸颢,温利嫄,钱骅,康凯. 基于深度学习的下行大规模MIMO OFDM系统的1比特预编码算法. 电子与信息学报. 2024(03): 886-894 . ![]() | |
3. | 魏本杰,丁元博. 一种适用于雷达侦测的UWB-SOSCA算法. 电讯技术. 2024(06): 902-909 . ![]() | |
4. | 郑冬花,邓铭毅,叶丽珠. 卡尔曼滤波下激光雷达扫描大数据检测算法. 计算机仿真. 2024(06): 15-18+166 . ![]() | |
5. | 陈琳,唐骏,余跃,张旭洋. 一种基于扩张残差网络的雷达信号识别方法. 电光与控制. 2023(01): 97-102 . ![]() | |
6. | 魏嵩,张磊,马岩,钟卫军. 低信噪比下离散频率编码波形脉冲信号联合积累检测算法. 电子与信息学报. 2023(03): 977-986 . ![]() | |
7. | 程燕,王海峰,王学运,郭梁,张升康,葛军. 复杂环境下基于自适应卡尔曼滤波的时间比对跟踪算法. 电子与信息学报. 2023(11): 4110-4116 . ![]() | |
8. | 李旭虹,王廷玥,王安义. 基于迁移学习的矿井复杂环境下的自适应信号检测. 电子与信息学报. 2023(12): 4440-4447 . ![]() | |
9. | 祝钊骏,贾小波,覃觅觅,叶金才,王国富. 基于扩频方法的谐波雷达目标检测研究. 火控雷达技术. 2023(03): 10-15 . ![]() | |
10. | 李秋月,孙俊. 基于卷积神经网络的通信网络漏洞监测系统设计. 长江信息通信. 2022(08): 71-73 . ![]() | |
11. | 王璐,刘小睿,王勇,招启军,鲍明. 脉冲声信号影响锥特征的自适应选取. 声学学报. 2022(06): 843-855 . ![]() | |
12. | 苏琮智,吴宏超,杨承志,邴雨晨,易仁杰. 基于RSETransformer的低截获概率雷达信号增强. 战术导弹技术. 2022(05): 44-54+140 . ![]() |
层名称 | 结构参数 |
输入层 | 2×2000 |
第1, 2层 | Conv1-64@2×32(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第3, 4层 | Conv1-128@1×16(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第5, 6层 | Conv1-256@1×8(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第7层 | FC-1024 |
第8层 | FC-256 |
输出层 | 2 |
调制方式 | 瞬时相位ϕ(t) | 载频fc (MHZ) | 带宽B (MHz) | 子脉冲宽度(μs) | 巴克码 | 跳频序列aN |
LFM | 2π(fc×t+μ2×t2) 调频斜率μ=B/τ | 50~70 | 20~40 | __ | __ | __ |
NLFM | 2π(fc×t+12a1×t2+13a2×t3) a1=B/(2×τ), a2=B/(2×τ2) | 50~70 | 20~40 | __ | __ | __ |
BPSK | 2πfct+θ,θ∈{0,π} | 50~70 | __ | 0.5~1 | [1 1 1 1 1 –1–1 1 1 –1 1 –1 1] | __ |
COSTAS | 2π(fc×aN)taN={a1,a2,⋯,an} | 5~10 | __ | 0.5~1 | __ | [8, 9, 6, 4, 10, 3, 2, 5, 7, 1] |
调制方式 | 主要参数 | 取值范围 |
LFM | 载频fc(MHz) | 50~70 |
带宽B(MHz) | 20~40 | |
BPSK | 载频fc(MHz) | 50~70 |
子脉冲宽度(μs) | 0.5~1 | |
巴克码 | [1 1 1 1 1 –1 –1 1 1 –1 1 –1 1] |
层名称 | 结构参数 |
输入层 | 2×2000 |
第1, 2层 | Conv1-64@2×32(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第3, 4层 | Conv1-128@1×16(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第5, 6层 | Conv1-256@1×8(步长:1×4) & Maxpooling@1×4(步长:1×2) |
第7层 | FC-1024 |
第8层 | FC-256 |
输出层 | 2 |
调制方式 | 瞬时相位ϕ(t) | 载频fc (MHZ) | 带宽B (MHz) | 子脉冲宽度(μs) | 巴克码 | 跳频序列aN |
LFM | 2π(fc×t+μ2×t2) 调频斜率μ=B/τ | 50~70 | 20~40 | __ | __ | __ |
NLFM | 2π(fc×t+12a1×t2+13a2×t3) a1=B/(2×τ), a2=B/(2×τ2) | 50~70 | 20~40 | __ | __ | __ |
BPSK | 2πfct+θ,θ∈{0,π} | 50~70 | __ | 0.5~1 | [1 1 1 1 1 –1–1 1 1 –1 1 –1 1] | __ |
COSTAS | 2π(fc×aN)taN={a1,a2,⋯,an} | 5~10 | __ | 0.5~1 | __ | [8, 9, 6, 4, 10, 3, 2, 5, 7, 1] |
调制方式 | 主要参数 | 取值范围 |
LFM | 载频fc(MHz) | 50~70 |
带宽B(MHz) | 20~40 | |
BPSK | 载频fc(MHz) | 50~70 |
子脉冲宽度(μs) | 0.5~1 | |
巴克码 | [1 1 1 1 1 –1 –1 1 1 –1 1 –1 1] |