基于FEEMD算法对小样本电磁信号的识别与分类

针对当前小样本条件下电磁信号识别算法在不同信噪比下识别准确率较低的问题,提出了一种模糊熵限阈经验模态分解(fuzzy entropy empirical mode decomposition,FEEMD)算法进行电磁信号特征提取,提取表征明显的数据展开短时傅里叶变换(short time Fourier transform,STFT),然后选用Transformer模型分类识别各制式信号。该算法采用8种不同制式的电磁信号分别在-10、-5、0、5、10 dB这5种信噪比下的识别准确率,确定了该网络的最优超参数。仿真结果表明,在5种信噪比下,2FSK、AM、ASK、SSB这4种调制信号识别率均超过90%,QAM16、QPSK和OFDM的准确率由30%~40%提升到了70%以上,由此表明了该算法的有效性和可实施性。

基于特征降维和深度学习的电磁信号识别方法

针对基于原始电磁数据通过深度学习识别方法存在计算复杂度高、特征难以物理表征的问题,提出了一种基于特征降维算法和深度学习结合的电磁信号识别方法。该方法在提取电磁信号静态物理特征的基础上,利用ReliefF算法进行特征降维并生成最优特征子集,并将特征子集数据矩阵转换为二维图像,结合不同载波频率和码元信息的电磁信号构建多类型训练样本集。进一步采用改进的残差神经网络(ResNet50-A)进行特征提取,利用识别模型完成电磁信号识别。实验结果表明:论文样本集选取18个静态物理特征所构建的特征子集的电磁信号识别率最高可以达到98.61%,明显优于其他特征子集的识别效果,验证了方法的可行性。