전이 학습을 통한 가중 앙상블 CNN 기반의 레이더 기만 방해 신호 인식

새로운 활성 기만 방해 신호의 발전으로 인해 레이더 반방해 기술이 주요 연구热点이 되었으며, 방해 신호 유형 인식은 그 핵심 단계 중 하나입니다. 최근 몇 년 동안 깊은 학습은 합성곱 신경망(CNN)과 같은 레이더 방해 신호 인식 분야에 성공적으로 적용되었습니다. 그러나 작은 샘플 경우 깊은 학습 알고리즘의 정확성을 효과적으로 개선하는 것은 어렵습니다. 또한, 앙상블 학습과 전이 학습은 모델의 일반화 성능을 효과적으로 개선할 수 있습니다. 작은 샘플 문제를 위해, 본 논문에서는 전이 학습(WECNN-TL) 기반의 가중 앙상블 CNN을 사용하는 레이더 활성 기만 방해 신호 인식 알고리즘을 제안합니다. 이 방법의 주요 아이디어는 단기 푸리에 변환(STFT)을 통해 방해 신호의 시간-주파수 분포 맵을 얻고, 그런 다음 그 실수부, 허수부, 크기 및 위상을 다르게 결합하여 여러 데이터 세트를 구성하는 것입니다. 마지막으로, 가중 투표 및 전이 학습이 포함된 앙상블 CNN(ECNN) 모델을 구축하여 방해 신호 인식을 실현합니다. 12종의 샘플이 포함된 시뮬레이션 및 측정 혼합 데이터 세트에 대한 실험 결과, 제안된 방법이 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), 및 일부 CNN 기반 방법보다 더 나은 인식 성능을 보임을 보여줍니다.