《一种深度强化学习的雷达辐射源个体识别方法》PDF+DOC
作者:冷鹏飞,徐朝阳
单位:中国兵工学会
出版:《兵工学报》2018年第12期
页数:7页 (PDF与DOC格式可能不同)
PDF编号:PDFBIGO2018120160
DOC编号:DOCBIGO2018120169
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于联合隶属度的雷达辐射源识别》PDF+DOC2015年第12期 刘忠义,张华睿,刘平,张西托
《基于修正的M距离辐射源识别方法研究》PDF+DOC2003年第04期 袁学华,罗景青,俞志富
《基于云模型和支持向量机的辐射源识别算法》PDF+DOC2013年第10期 杨承志,吴宏超,栗苹,王美玲
《雷达特定辐射源识别的直观系统模型》PDF+DOC2013年第04期 韩韬,周一宇
《基于脉冲数据流的雷达辐射源个体识别方法及实现》PDF+DOC2020年第03期 严勇,刘瑞丰,王海剑
《关于雷达信号指纹特征识别的研究分析》PDF+DOC2012年第02期 熊永坤,王瑞革,赵丹辉
《关于雷达信号指纹特征识别的研究分析》PDF+DOC2012年第04期 熊永坤,王瑞革,赵丹辉
《一种多传感器雷达辐射源识别的组合方法》PDF+DOC2009年第04期 黄金,王付明,陈建
《雷达辐射源识别决策层融合算法》PDF+DOC2014年第03期 关一夫,张国毅,王晓峰
《基于区间灰关联的雷达辐射源识别新方法》PDF+DOC2013年第07期 刘凯,王杰贵,李俊武
针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明:传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98. 42%。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。