基于深度学习的双组件雷达信号的自动识别
Zeyu Tang1, Hong Shen2, Chan-Tong Lam1
1Faculty of Applied Sciences, Macao Polytechnic University, Macao SAR 999078, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
本研究介绍了TFGM-RMNet,这是一个用于雷达信号识别的新型深度学习框架. 它即使在信号噪声比 (SNR) 低的情况下也能达到高精度,超过现有方法.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 电磁信号密度和复杂度的增加挑战了雷达信号识别.
- 低信号噪声比 (SNR) 显著降低了基于常见时间频率转换 (TFT) 和卷积神经网络 (CNN) 的框架的准确性.
研究的目的:
- 提出一种新的双组件雷达信号识别框架,TFGM-RMNet,以提高在低SNR条件下的识别精度.
- 开发一个端到端的深度学习框架,集成时间频率特征学习和强大的分类.
主要方法:
- 一个深度时间频率生成模块 (TFGM) 学习基本函数来提取时间频率 (TF) 特性,输出时间频率表示 (TFR).
- 一个ResNet与级联式多头自我注意 (MHSA) 结合,从TFR中提取本地和全球特征.
- 多标签分类用于调制格式预测,TFT集成到TFGM进行端到端操作.
主要成果:
- 在SNR> -8dB时,TFGM-RMNet框架实现了接近100%的平均识别准确性.
- 它保持97%的准确性,SNR为-10dB.
- 在低SNR的情况下,性能超过了现有的算法,如DCNN-RAMIML,DCNN-MLL和DCNN-MIML.
结论:
- 拟议的TFGM-RMNet框架有效地提高了雷达信号识别精度,特别是在低SNR环境中.
- 集成TFGM和基于变压器的残余网络为复杂的电磁信号分析提供了强大的端到端解决方案.
- 这种方法克服了传统TFT-CNN方法的局限性,提供了卓越的性能和准确性.
