基于时频图像增强网络的无线电混合近距离传感器信号的自动调制识别
Jinyu Zhang1, Xiaopeng Yan1, Xinhong Hao1
1Beijing Institute of Technology, School of Mechatronics Engineering, Beijing 100081, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
本研究介绍了使用TFI增强网络对低概率拦截 (LPI) 信号的自动调制识别 (AMR) 的增强方法. 这种方法显著提高了识别准确性,特别是在低信号噪声比 (SNR) 中.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 电子战是一种电子战.
背景情况:
- 自动调制识别 (AMR) 对于低概率拦截 (LPI) 信号的电子侦察至关重要.
- 传统方法在低信号对噪声比率 (SNRs) 下难以准确.
- 深度学习,特别是卷积神经网络 (CNN),显示了使用时间频率图像 (TFI) 进行信号分类的希望.
研究的目的:
- 为无线电频率近距离传感器信号提出改进的AMR方法,重点是提高在低SNR条件下的精度.
- 开发一个TFI增强网络,以消除和提高分类输入特征的质量.
主要方法:
- 利用每像素内核预测网络 (KPN) 进行时间频率图像 (TFI) 的无声化,提高信号质量.
- 采用基于RetinalNet的分类器来处理增强的TFI以进行调制识别.
- 与传统方法 (如稀疏表示和低级近似) 进行比较.
主要成果:
- 基于KPN的TFI增强实现了与传统方法相比的可比性质,具有显著较低的计算开销.
- 拟议的方法在识别无线电频率近距离传感器的调制类型方面表现出高准确性,即使在时间频率域中使用别名.
- 在SNR高于-10dB时,实现了超过97%的平均识别精度.
结论:
- 该TFI增强网络有效地提高了AMR输入特征的质量,这对于低SNR环境至关重要.
- 拟议的基于深度学习的AMR方法为复杂的信号识别任务提供了强大的和计算效率高的解决方案.
- 该方法显示出在电子侦察和信号情报方面的应用潜力很大.
