基于深度神经网络和随机森林集成模型的ADS-B辐射源个体识别

针对辐射源个体识别中单一神经网络随着辐射源个体数量的增加,模型的识别准确率显著下降的问题,提出一种基于深度神经网络和随机森林集成模型的广播式自动相关监视(ADS-B)辐射源个体识别方法。该方法利用多种深度神经网络模型和随机森林对增强数据集进行训练,然后利用集成学习方法中的硬投票方法对各网络模型和随机森林识别得到的结果进行集成表决,使得识别结果更具有说服力,同时在在辐射源个体数量增加的情况下依旧保持较高的识别率。实验结果表明,在融合了DRSN、VGG、ResNet、GoogleNet、DenseNet 5类神经网络和随机森林后,相比于单一的神经网络,识别准确率能够提升了3%~20%,且在辐射源个体数量增加的情况下依然能保持较高的识别准确率。