科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统人工设计指纹特征很难分析出同类辐射源信号之间个体的细微区别,若是能直接从信号中提取辐射源指纹,则可以大大加强指纹特征的表征能力。深度学习不仅包含了神经网络的输入层、隐层、输出层等结构,而且完美地将特征和分类器结合到一个框架中,省去了人工设计特征的烦琐和不易,还能从样本中学习数据的本质特征,实现复杂函数的逼近。为提取有效的信号指纹,本文利用CNN和CLDNN两种网络结构,并结合centerloss损失函数来进一步提升网络分类性能。
- 单位
传统人工设计指纹特征很难分析出同类辐射源信号之间个体的细微区别,若是能直接从信号中提取辐射源指纹,则可以大大加强指纹特征的表征能力。深度学习不仅包含了神经网络的输入层、隐层、输出层等结构,而且完美地将特征和分类器结合到一个框架中,省去了人工设计特征的烦琐和不易,还能从样本中学习数据的本质特征,实现复杂函数的逼近。为提取有效的信号指纹,本文利用CNN和CLDNN两种网络结构,并结合centerloss损失函数来进一步提升网络分类性能。
