使用优化的卷积神经网络识别PRI调制,基于互联网协议和最佳极端学习机器的灰狼优化.

科学领域:

• 电子战是一种电子战.
• 雷达信号处理 雷达信号处理
• 人工智能的人工智能

背景情况:

• 准确的威胁雷达检测对于现代电子战 (EW) 和电子情报 (ELINT) 至关重要.
• 鉴定脉冲重复间隔 (PRI) 调制是具有挑战性的,因为噪音,错过的脉冲,和异常值在现实世界的场景.
• 现有的方法与杂的数据和计算复杂性作斗争,限制了它们的实时应用.

研究的目的:

• 开发一种强大的实时方法,用于在复杂和杂的电子战环境中识别六种常见的PRI调制类型.
• 提高PRI调制识别的准确性和效率,以改善威胁雷达检测.
• 解决传统方法在处理噪音雷达信号方面的局限性.

主要方法:

• 一种四步实时方法,将卷积神经网络 (CNN) 结合起来,并通过灰狼优化 (GWO) 来优化特征提取.
• 集成极端学习机器 (ELM) 以提高模型的时间复杂性,GWO进一步调整ELM参数.
• 使用模拟和真实世界的PRI数据集对五个基于转移学习的CNN模型进行比较分析.

主要成果:

• 拟议的方法在模拟数据上达到98.23%的准确性,在真实数据上达到99.20%.
• 42,000张图像的训练时间为69.45秒,证实了其实时能力.
• 与传统的深度卷积神经网络 (DCNN) 模型相比,表现出更高的性能和更强的抗噪能力.

结论:

• 开发的四步方法为在具有挑战性的EW环境中对PRI调制识别提供了有效和高效的解决方案.
• 该方法为优先考虑威胁雷达检测准确性和速度的系统提供了合适的选择.
• 增强的弹性和效率使其成为电子支持措施和电子情报应用的有价值工具.