基于深度学习的常规调制信号与跳频调制信号识别

跳频(Frequency Hopping,FH)调制手段是扩频通信方法中的一类,具有很强的抗干扰性能,被广泛应用在军事通信领域。在战场的强电磁环境中,准确分类识别出跳频信号与常规调制信号,在判断敌我目标属性、实施通信干扰与抗干扰方面具有十分重要的意义。传统基于信号特征提取的跳频信号分类识别手段受信噪比影响大,在低信噪比条件下无法实现有效分类识别。对此,本文利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像,之后将时频图像输入卷积神经网络进行分类识别。实验证明,相比于传统人工特征分类模型,基于卷积神经网络的分类识别模型受信噪比影响小,且分类识别准确率高,在信噪比大于-4 dB条件下,识别成功率达到98%以上。

深海地形对声呐探测影响研究

声呐探测与水声环境息息相关,不同声源深度和海底地形对声呐探测的影响截然不同。针对潜艇活动的海区,使用射线传播理论和仿真模型,通过改变声源深度和海底地形进行声传播损耗仿真计算,为声呐探测提供参考。结果表明:1)在深海环境中,不同地形对声呐探测也有较为明显的影响。海沟地形和阶梯地形的影响汇聚区能量增加,同时使汇聚区的间距缩小。海山地形的后侧可以使声呐探测的效能降低。2)改变声源和海山之间的相对深度后,可以降低海山后侧的声传播损失,从而提高声呐探测能力。