1 引言
多功能雷达(Multiple Function Radar, MFR)拥有庞大的波形库、相控阵天线和大规模计算资源,能在复杂程序调度下根据既定任务和外界环境自适应地调节系统行为,实现“一机多能”。这使得电子侦察系统非合作接收到的信号波形呈现快速随机捷变的特性,难以建立有效的信号模型和参数统计模型[1]。当需要区分多部同类型多功能雷达时,传统基于三参数的统计模式识别方法已基本完全失效;现有的大多识别都是从脉内角度出发考虑,然而基于脉内特征对辐射源识别的方法也受到很大制约,包括许多系统脉内特征分析的能力缺失或很弱,脉内特征提取受到信噪比条件制约较大,波束合成和参数捷变对脉内特征影响严重等等[1- 4]。相较于脉内数据,脉间数据的获取方便、受信噪比制约小、且不受雷达波束合成和参数捷变的影响。已有学者做了许多基于脉间特征的研究工作[5-9,10],但目前仍缺乏针对同型多功能雷达辐射源识别的研究。文献[6]中陈晟等人论证了基于脉间指纹特征进行雷达个体识别的可行性。文献[7]提出使用脉冲样本图的概念对复杂体制雷达辐射源进行特征库匹配识别并仿真验证了所提算法的有效性,但其针对的问题偏于型号识别。文献[8]利用辐射源的脉冲重复间隔(Pulse Repetition Interval,PRI)失真特征对6个同型目标进行识别。文献[9]使用时序的脉冲重复间隔、脉宽(Pulse Width,PW)、射频(Radio Frequency,RF)构建特征对58种不同参数的仿真信号进行识别达到了98.7%的分类正确率。文献[11]提出一种基于参数直方图分布特征的信号识别方法,但其性能无法适应复杂程序调度下的多功能雷达。
辐射源识别问题包括调制识别[10]、型号识别以及个体识别三种,针对同型多功能雷达辐射源识别所面临的挑战,受脉冲样本图[7]思路的启发,本文提出一种基于大样本全脉冲数据提取的脉间参数变化的图像特征,该特征考虑多功能雷达的波形运用机理,可以反映多功能雷达在不同的复杂程序调度下的任务特点。
深度学习[12-15]是近年来人工智能领域取得的重要突破。它在计算机视觉、图像与视频分析等诸多领域的应用取得了巨大成功,近几年在雷达及通信辐射源识别领域也均取得了不少成果[9,16-21]。文献[9]结合卷积神经网络(Convolutional Neural Network,CNN)以PRI、PW、RF三参数建立样本特征图像集对目标进行识别。文献[16]提出使用堆栈自编码器对信号的高阶谱特征进行小样本条件下的训练识别。文献[17]提出使用深度稀疏胶囊网络(Deep Sparse Capsule Network,DSCN)对八种调制信号进行分类;同年在文献[18]中提出使用堆栈混合自编码器(Stack Hybrid Autoencoders,SHAE)对同样八种调制信号的时频特征进行识别,并得到了优于[18]的结果。文献[19]采用压缩的双谱提取特定辐射源的特征,采用卷积神经网络学习隐藏的高阶特征得到了优于基于平方积分双谱和希尔伯特黄变换方法的识别结果,是一种将辐射源识别问题转换为图像识别问题的指导性示例。文献[20]通过短时傅里叶变换(Short Time Fourier Transform, STFT)得到信号的时频图,设计了合适的深度卷积神经网络(Deep Convolutional Neural Network,DNN)进行识别取得了较好的识别效果。文献[21]基于Stacking方法集成多个EfficientNets基础网络联合提升网络的特征提取能力。本文根据多功能雷达所提取特征的特点,基于AlexNet网络设计了一个深度卷积神经网络。结合实测数据实验验证了本文所提特征及网络的识别性能,本文所提方法为多功能雷达辐射源智能识别提供了新的解决思路。
本文的结构安排:第2节提出了脉间特征提取方法;第3节设计了基于AlexNet的辐射源识别网络结构;第4节开展了实测数据分析和性能验证;第5节对全文进行了总结。
2 辐射源脉间特征提取
特征参数选取是雷达个体识别的首要环节,特征参数选取的好坏直接影响到后续识别的效果。多功能雷达之所以难以识别,是源于其波形的复杂性和捷变性,当截获脉冲样本数较少时,难以发现变化规律。然而,从多功能雷达设计机理看,其存在一个相对稳定的信号波形库,波形库包含了频率、脉宽、脉冲重复间隔、脉内调制等参数的备选范围,参数组合规则,不同功能的时序规则,以实现不同的雷达功能。多功能雷达工作时,发射信号通常为大量不同功能的脉组连续捷变,以伴随天线波束指向捷变来形成多功能。由于各维度的参数备选值规模大,脉组脉冲数量、组合规则多,从而能形成看似千变万化的雷达信号。
在众多实际系统中,多功能雷达信号大量存在,可以长时间截获其信号,从而构成“大样本”数据。随着人工智能技术发展,特别是在图像识别领域的优秀表现,本文试图将“大样本”数据形成若干特征图,并利用深度学习网络发现特征图中存在的目标波形库设计差异,从而实现辐射源识别。
本小节选取以下三个特征图用于多功能雷达辐射源识别:PRI转移特征图、PRI-PW二维分布特征图、RF-PRI二维分布特征图。特征提取过程如表1。
表1 特征提取过程
Tab.1 The process of feature extraction
特征提取过程Step 1 统计同型多功能雷达PRI使用的频繁项。对同型所有目标脉冲序列预处理后得到的DTOA值进行直方图统计,并筛选保留前m个(m值由所需形成的特征图大小决定)。Step 2 针对每个目标,统计其PRI频繁项。Step 3 以Step1提取出的PRI序列为坐标对每个目标的PRI频繁项统计生成PRI转移频次矩阵,矩阵的元素代表PRI转移频次,横纵坐标分别为转移前后的值,矩阵的第一行和第一列值为0(为了方便矩阵生成存放的坐标PRI值,之后清零)。Step 4 以Step1提取出的PRI序列为坐标对每个目标所得到的PRI频繁项对应的PW统计生成PRI-PW二维分布特征矩阵。Step 5 同Step4过程,生成RF-PRI二维分布特征矩阵。Step 6 将三个特征矩阵以二维二值图的形式存储,便于后续使用深度学习进行处理。
注:后面三个特征分别简称为PRI-PRI特征、PRI-PW特征、RF-PRI特征。
如图1～图3分别为5个实测目标的3个特征图(生成特征图的脉冲数量为10000)。从图中我们可以看出,PRI转移特征图描述的是目标辐射源某PRI转移情况是否出现以及某PRI是否接续出现的情况,PRI-PW二维分布特征图以及RF-PRI二维分布特征图描述的是目标辐射源的波形参数搭配关系。这些特征反映了多功能雷达根据不同的调度策略以及不同的作战环境所使用的不同功能的时序规则以及参数组合规则,可以代表同型不同个体间的差异。
图1 PRI转移特征图
Fig.1 PRI transfer feature map
图2 PRI-PW二维分布特征图
Fig.2 PRI-PW two dimensional distribution feature map
图3 RF-PRI二维分布特征图
Fig.3 RF-PRI two dimensional distribution feature map
3 网络设计
本文基于深度卷积神经网络的目标识别的大致流程如图4。
图4 基于深度卷积神经网络的目标识别流程
Fig.4 Target recognition process based on deep convolutional neural network
Alexnet是在经典卷积神经网络LeNet5和传统BP神经网络基础上进一步发展改进的深度卷积神经网络[12],比LeNet5具有更多的卷积层和数据增强特性以及全连接层Dropout 模块等,具有极强的局部特征捕获能力;另一方面,通过权值共享和池化,显著减少了模型的参数,使得它在图像识别领域得到广泛应用。
图5 网络结构图
Fig.5 Network structure diagram
本文基于AlexNet网络结构结合第2节中所提特征的特点对其进行了改进,网络结构如图5所示。
该网络包括8个带参数的层;前5个是卷积层其余3个为全连接层;最后一层的输出馈送到一个有Class_num路的softmax函数层进行分类,采用ReLU作为激活函数,网络优化器采用自适应矩估计(Adam),损失函数采用交叉熵(Cross Entropy)。
第一个卷积层使用64个大小为11*11*1(处理单通道特征)或11*11*3(处理三通道特征)的卷积核处理输入的特征图,步长为4(内核图中相邻神经元的感受野中心之间的距离),第二个卷积层将第一层的输出(经过池化)作为输入,使用192个大小为5*5*64的卷积核进行卷积处理。第三、四、五卷积层之间的连接不含任何池化处理。第三层使用384个大小为3*3*192的卷积核处理第二个卷积层的输出(经过池化),第四层使用了256个大小为3*3*384的卷积核,第五层使用了256个大小为3*3*256的卷积核,每个全连接层的神经元个数为4096。
具体更改及考虑因素如下:
(1)删除了Data Augmentation处理。减少图像数据过度拟合的最简单最常见的方法就是通过数据增强的方法进行人工放大数据集。有两种数据增强的方法,第一种是图像平移和水平反射;第二种是改变训练图像中RGB通道的强度。由第2节内容易知本文所处理的特征图不满足旋转性及可裁剪性,因此本文所设计的网络删除了该处理过程。
(2)删除了局部响应归一化(Local Response Normalization,LRN)层。LRN层借鉴侧抑制的思想实现局部抑制,使得响应比较大的值相对更大,提高了模型的泛化能力。LRN概念是在AlexNet模型中首次提出,在GoogLenet中也有应用,但是LRN的实际作用存在争议,如文献[13]中指出LRN基本没什么用,考虑计算力本文的网络删除了LRN层。
(3)受实验设备限制本文采用单GPU。
网络超参数的设置,如:学习率,学习衰减率,训练次数以及batchsize等,均由验证集确定,最终网络使用的参数为:初始学习率为0.0001,学习衰减率为0.99,epoch为40,batchsize为64。
4 实验及结果分析
4.1 实验设计
为了评估本文对复杂体制雷达辐射源波形运用机理特征提取算法的可行性和有效性,本节使用5个雷达辐射源时间跨度半年的实测数据进行实验(为了方便描述,对5个辐射源个体进行1、2、3、4、5编号),各目标辐射源脉冲数如表2所示。
表2 各目标脉冲数
Tab.2 Pulse number of each target
目标12345脉冲数/个190463486950396030403645171506
可以将整个实验流程分为三个阶段:特征生成、网络训练、目标识别两个阶段,为了同时考察特征的时效性,训练数据设置为实测数据前一半时间的脉冲,测试数据为实测数据后一半时间的脉冲。实验流程设计如下。
表3 实验流程
Tab.3 Experiment process
实验流程 基于深度神经网络的辐射源特征图识别特征生成:1. 将实测数据按照时间分为训练数据和测试数据。2. 根据第2节特征生成方法分别为5个目标生成特征图PRI-PRI、RF-PRI、PRI-PW,特征图的大小均为256∗256,合成RGB图大小为256∗256∗3,图片命名中带标签信息。训练集特征图数量为N,测试集特征图数量为M。网络训练:1. 分别计算PRI-PRI,RF-PRI,PRI-PW以及RGB合成图集的方差和均值,用以设置网络normalize的参数。2. 将PRI-PRI、RF-PRI、PRI-PW、RGB分别扔进网络进行训练,分析所设计网络的学习能力,并保存最佳模型权重。目标识别:1. 使用训练好的网络分别去识别测试数据的特征图。2. 分析不同特征(PRI转移特征、PRI-PW二维分布特征、RF-PRI二维分布特征以及合成特征)及生成特征的脉冲长度对识别效果的影响。
为了更好的分析实验结果,将本文所提特征(PRI-PRI特征、RF-PRI特征、PRI-PW特征及RGB合成特征)与直接使用时序参数构建的特征(简称RPP特征)[9]进行了实验比较。
4.2 特征生成
如图6所示,用窗口宽度为w,步长为d的滑动窗对脉冲序列进行截取(单位:脉冲数),截取脉冲串长度L=w,并按照第2节中的方法对截取脉冲串进行处理,分别生成3个特征的2维特征图(大小为256×256)以及3维的合成特征图(大小为256×256×3),并将图像存储为.jpg格式,图片文件命名规则为:(标签.+序号.jpg),例如训练集文件中名称为5.123.jpg的文件代表标签号为5辐射源的第123个训练样本。
为了验证生成特征所需脉冲数对识别率的影响,分别设置窗口宽度为w=1000、w=3000、w=7000和w=10000(单位:脉冲数)生成四组数据,同时设置对应滑动窗步长为d=250、d=625、d=1250、d=2000(单位:脉冲数)以拓展样本,设置训练集和测试集的比例约为1∶1,四组数据具体值见表4。
图6 滑动窗截取数据示意图
Fig.6 Schematic diagram of data interception by sliding window
表4 四组数据滑动窗参数设定及样本大小
Tab.4 Sliding window parameter settings and sample size of four sets of data
序号窗口宽度w滑动窗步长d训练集大小测试集大小11000250652565942300062527812819370001250123712534100002000865874
备注:训练集测试集大小指的是特征图个数。
为了验证选取特征稳定性,从目标5全脉冲数据中随机截取4段数据(数据长度分别为 1000,3000,7000,10000),形成PRI-PW二维分布特征图,如图7所示。从目标3全脉冲数据中随机截取4段数据(数据长度分别为1000,3000,7000,10000),形成PRI转移特征图,如图8所示。可以看出不同数据长度形成的二维统计特征均可以反映出数据的特征,表明了本文选取特征的稳定性。通常情况下,数据越长时序特征包含的信息越多,因此对比的RPP特征使用数据长度为10000、滑动窗步长为2000的数据生成,如图9所示是对特征归一化取对数处理之后的结果[9],由于数据量太大,线图显示会很杂乱,此处用点图进行表示。可以发现,时序PRI特征图有明显的规律,时序RF特征和PW特征则不易看出,同样利用网络对三个特征图叠加后的RGB图进行深度特征提取和识别,训练测试结果见4.3节。
图7 目标5的PRI-PW特征图
Fig.7 PRI-PW feature map of the target 5
图8 目标3的PRI转移特征图
Fig.8 PRI transfer feature map of the target 3
图9 RPP特征图
Fig.9 RPP feature map
本文所提特征合成的RGB特征图集的均值方差计算为:均值=[0.0136, 0.0230, 0.0206],方差=[0.0637, 0.0841, 0.0770]。 该结果用于对特征进行归一化。同理分别对PRI-PRI特征、RF-PRI特征、PRI-PW特征及RPP特征进行相同的处理。
4.3 性能验证
本节将不同脉冲长度生成的特征及数据长度为10000的RPP特征作为网络的输入进行实验。网络结构设计见第3节,训练识别PRI-PRI特征图、RF-PRI特征图及PRI-PW特征图时,网络第一层卷积核大小设置为11*11*1;训练识别本文融合特征及RPP特征时,第一层卷积核大小设置为11*11*3,其余结构以及网络超参数设置均相同。
网络的损失函数以及训练准确率变化曲线如图10所示。曲线结果验证了本文所设计的深度卷积神经网络具有强大的非线性表示能力,网络强大的学习能力为类似于本文(无法用固定模式描述)的多功能雷达目标提供了一种识别方法。由图10可以看出,网络对本文特征学习的损失函数在epoch=20时基本收敛,训练的准确率最高达100%;对RPP特征学习的损失函数在epoch=20时尚未收敛，且训练准确率仅达80%。这是由于时序特征相比于统计特征引入了较多冗余信息,从而更难提取到深度特征。
由图10(a)可见生成特征的脉冲长度越大,损失函数下降的方向越准确。针对本文特征,无论是1000个脉冲还是10000个脉冲,其对目标刻画的信息均没有很大的差别,特征反映的均是目标的局部,因此这样训练得到的网络学习到的不是某目标特征的一致性,而是通过学习目标所有特征达到对目标画像的目的,因此生成特征的脉冲长度对目标识别率影响不大。以融合特征为代表的目标识别结果如表5所示,由表5可以看出:(1)识别率与脉冲长度的关系与上述分析基本一致,本文所提特征对目标的描述起到了目标画像的作用;(2)本文所提特征对目标1、4、5的识别率均高于RPP特征至少10个百分点,目标2、3识别率低约1个百分点,对目标1的识别率约37%,这是由于时序特征对目标的描述易受获取数据时间及环境的影响,对目标差异性描述较差。表6为不同的生成特征脉冲长度所需训练时间的对比。综合考虑损失函数收敛速度及训练时间,之后只基于脉冲数为7000的特征分析本文方法的有效性。
图10 网络的损失函数和准确率变化曲线
Fig.10 Curves of the network loss function and accuracy
表5 目标识别率与生成特征脉冲长度的关系
Tab.5 Relationship between target recognition rate and pulse length of generated characteristic
脉冲长度/个 识别准确率/% 目标序号 Batchsize=641000300070001000010000-RPP目标172.374156.666770.748356.044037.3626目标268.913069.29037561.506362.7615目标395.445996.661495.833398.9691100目标487.815192.409293.710790.355374.6193目标592.815288.518585.606196.296381.4815
表6 网络训练时间
Tab.6 Training time of the network
脉冲长度/个10003000700010000训练时间/s4569.8712063.7411085.212700.507
表7 不同特征下目标的识别率
Tab.7 Target recognition rate under different characteristics
特征 识别准确率/% 目标序号 Batchsize=64 数据量=7000PRI-PRI特征RF-PRI特征PRI-PW特征融合特征目标197.278972.108893.197370.7483目标278.906364.843886.458375目标391.346296.153894.230895.8333目标483.647890.251692.948793.7107目标540.909110097.959285.6061平均80.283780.638391.700070.7483
注:融合特征指的是三张特征图的合成图。
表7是不同特征下目标的识别率。使用PRI-PRI特征,目标1及目标3的识别率可达到90%以上;使用RF-PRI特征,目标3、目标4及目标5的识别率可达90%以上;使用PRI-PW特征,5个目标的识别率均可达85%以上。在本实验中,将混淆矩阵可视化,可以从中看到识别结果。混淆矩阵对角线的数量越多,识别效果越好。显然从表7可知基于PRI-PW特征的识别准确率最高。基于PRI-PW特征识别的混淆矩阵如图11所示。
由实验结果可知三个特征对识别工作均有不同程度的贡献,后续若要进一步提高识别率,可通过先后使用不同的特征对目标进行识别。
图11 基于PRI-PW特征识别的混淆矩阵
Fig.11 Confusion matrix based on PRI-PW feature recognition
表8 网络离线训练时间
Tab.8 The offline training time
特征PRI-PRIPRI-PWRF-PRI融合训练耗时1085.2 s1120.6 s1890.7 s1875.3 s
本文实验在一台CPU为Intel Core i7- 8700 3.20 GHz的台式电脑上运行。特征生成阶段,平均生成一张特征图的时间约为0.276 s;网络对各个特征的离线训练时间如表8所示。因此从离线复杂度上讲,在面对实际的作战环境时,本文所提方法有一定的实用性,可通过设置一定的时间限度(如半年),定时更新网络,保证网络不断适应目标特征随时间变化的特性。
5 结论
本文提出了一种基于全脉冲参数的特征构建方法,该方法以多功能雷达波形运用机理为牵引,基于大样本全脉冲数据提取脉间参数变化的图像特征,并设计了一种基于卷积神经网络AlexNet的改进型网络结构结合实测数据进行了验证。所设计的网络通过实验展示出了强大的学习和分类能力。本文从统计特征做个体识别工作的思路出发,初步验证了所提特征的有效性,为多功能雷达辐射源的智能识别提供了很好的解决思路。改进的AlexNet网络是基于本文所提特征的特点设计的,今后的工作中将考虑基于本文的方法对其他类型的雷达辐射源开展深入的理论及实验研究。
[1] 陈维高, 唐晓婧, 朱卫纲, 等. 多功能雷达辐射源识别关键技术浅析[J]. 电子信息对抗技术, 2019, 34(5): 5-9, 92.
Chen Weigao, Tang Xiaojing, Zhu Weigang, et al. Analysis on the Key Technology of Multi-Function Radar Emitter Identification[J]. Electronic Information Warfare Technology, 2019, 34(5): 5-9, 92.(in Chinese)
[2] 许程成, 周青松, 张剑云， 等. 导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法[J]. 电子学报, 2018, 46(7): 1663-1668.
Xu Chengcheng, Zhou Qingsong, Zhang Jianyun, et al. Radar Emitter Signal Recognition Based on Ambiguity Function Features with Derivative Constrained on Smoothing[J]. Acta Electronica Sinica, 2018, 46(7): 1663-1668.(in Chinese)
[3] D'Agostino S. Specific Emitter Identification Based on Amplitude Features[C]∥2015 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), Kuala Lumpur, 2015: 350-354.
[4] 孙丽婷, 黄知涛, 王翔, 等. 辐射源指纹特征提取方法述评[J/OL]. 雷达学报, 2018, 待出版. DOI: 10.12000/JR19115.
Sun Liting, Huang Zhitao, Wang Xiang, et al. Overview of radio frequency fingerprint extraction in specific emitter identification[J/OL]. Journal of Radars, 2018, in press. DOI: 10.12000/JR19115.(in Chinese)
[5] 吴琳, 郑志娟, 许琪. 基于全脉冲的周期信号样本提取技术[J]. 航天电子对抗, 2016, 32(4): 41- 43.
Wu Lin, Zheng Zhijuan, Xu Qi. The Periodic Signal Sample Extraction Technology Based on Full Pulse[J]. Aerospace Electronic Warfare, 2016, 32(4): 41- 43.(in Chinese)
[6] 陈晟, 姜秋喜, 潘继飞. 基于脉间指纹特征的雷达个体识别可行性分析[J]. 电子信息对抗技术, 2012, 27(3): 6-9, 77.
Chen Sheng, Jiang Qiuxi, Pan Jifei. Feasibility Analysis of Individual Recognition of Radar Based on Inter-Pulse Fingerprint Feature[J]. Electronic Information Warfare Technology, 2012, 27(3): 6-9, 77.(in Chinese)
[7] Chen Ting, Guo Wei, Shen Bing. A New Radar Emitter Recognition Method Based on Pulse Sample
Figure[C]∥2011 Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2011, 3: 1902-1905.
[8] Dudczyk J, Kawalec A. Specific Emitter Identification Based on Graphical Representation of the Distribution of Radar Signal Parameters[J]. Bulletin of the Polish Academy of Sciences, Technical Sciences, 2015, 63(2): 391-396.
[9] Cain L, Clark L, Pauls E, et al. Convolutional Neural Networks for Radar Emitter Classification[C]∥2018 IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, 2018: 79- 83.
[10]柳征, 周一宇. 辐射源调制识别综述[J]. 电子对抗, 2005(4): 1-7.
Liu Zheng, Zhou Yiyu. A Review on Modulation Recognition[J]. Electronic Warfare, 2005(4): 1-7.(in Chinese)
[11]Ž
k J, Vach M. A Histogram Based Radar Signal Identification Process[C]∥2017 18th International Radar Symposium (IRS), Prague, 2017: 1-9.
[12]Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[C]∥NIPS, 2012: 1-9.
[13]Simonyan K, Zisserman A. “Very Deep Convolutional Networks for Large-scale Image Recognition” in arXiv: 1409.1556, 2014, [online]Available: https:∥arxiv.org/abs/1409.1556.
[14]Sabour S, Frosst N, Hinton G E. Dynamic Routing Between Capsules[C]∥Proc. NIPS, 2017: 3859-3869.
[15]张荣, 李伟平, 莫同. 深度学习研究综述[J]. 信息与控制, 2018, 47(4): 385-397, 410.
Zhang Rong, Li Weiping, Mo Tong. Review of Deep Learning[J]. Information and Control, 2018, 47(4): 385-397, 410.(in Chinese)
[16]黄健航, 雷迎科. 基于深度学习的通信辐射源指纹特征提取算法[J]. 信号处理, 2018, 34(1): 31-38.
Huang Jianhang, Lei Yingke. An Individual Communication Transmitter Fingerprint Feature Extraction Algorithm Based on Deep Learning[J]. Journal of Signal Processing, 2018, 34(1): 31-38.(in Chinese)
[17]Liu Mingqian, Liao Guiyue, Zhao Nan, et al. Data-Driven Deep Learning for Signal Classification in Industrial Cognitive Radio Networks[J]. IEEE Transactions on Industrial Informatics, 2020: 1-1.
[18]Liu Mingqian, Liao Guiyue, Yang Zhutian, et al. Electromagnetic Signal Classification Based on Deep Sparse Capsule Networks[J]. IEEE Access, 2019, 7: 83974- 83983.
[19]Ding Lida, Wang Shilian, Wang Fanggang, et al. Specific Emitter Identification via Convolutional Neural Networks[J]. IEEE Communications Letters, 2018, 22(12): 2591-2594.
[20]Kong Mingxin, Zhang Jing, Liu Weifang, et al. Radar Emitter Identification Based on Deep Convolutional Neural Network[C]∥2018 International Conference on Control, Automation and Information Sciences (ICCAIS), Hangzhou, 2018: 309-314.
[21]刘英辉, 许华, 史蕴豪. 异构卷积网络联合识别辐射源个体的优化方法[J]. 信号处理, 2020, 36(4): 602- 610.
Liu Yinghui, Xu Hua, Shi Yunhao. An Optimization Method for the Joint Identificaiton of Radiation Individuals by Multiple Convolution Networks[J]. Journal of Signal Processing, 2020, 36(4): 602- 610.(in Chinese)
