低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构...低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性。展开更多
文摘低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优;采用识别精度及网络复杂度相结合的衡量指标,可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果,同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题,提高了选用CNN结构的适配性及高效性。
