[发明专利]基于深度学习的复杂环境下雷达辐射源特征参数提取方法有效
| 申请号： | 201910462165.3 | 申请日： | 2019-05-30 |
| 公开（公告）号： | CN110187321B | 公开（公告）日： | 2022-07-22 |
| 发明（设计）人： | 梁菁;赵晨凯;王田田;任杰;唐琴;李岚钧;杨成浩;兰宇奇 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G01S7/41 | 分类号： | G01S7/41;G06N3/04;G06V10/77;G06V10/82;G06K9/62 |
| 代理公司： | 成都弘毅天承知识产权代理有限公司 51230 | 代理人： | 梁伟东 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，属于电子侦察领域。包括：初始特征提取、分类神经网络构建、稀疏自编码器构建以及特征矩阵拼接；本发明将分类神经网络识别与稀疏自编码器神经网络识别想结合的方法，深入分析和研究辐射源信号的本质，探索新的特征参数，构建更有助于信号识别的特征向量，提升了复杂环境下雷达辐射源信号的识别能力。 | ||
| 搜索关键词： | 基于 深度 学习 复杂 环境 雷达 辐射源 特征 参数 提取 方法 | ||
【主权项】：
1.一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于，包括：初始特征提取：提取辐射源和装载平台的参数信息作为初始特征；分类神经网络构建：输入初始特征，构建“初始特征‑神经网络中间层A‑辐射源和装载平台类别”上层分类神经网络结构，通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；稀疏自编码器网络构建：初始特征同时作为输入输出量，构建“初始特征‑编码器‑神经网络中间层B‑解码器”下层稀疏自编码器网络结构，通过神经网络中间层B输出初始特征被深度提炼后的内在属性特征矩阵B；特征矩阵拼接：将反映初始特征、辐射源和装载平台类别的关系特征矩阵A与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910462165.3/，转载请声明来源钻瓜专利网。
