针对复杂电磁环境下雷达复合干扰识别困难和网络模型复杂度高的问题,将多标签分类与改进的ShuffleNet V2相结合,提出一种轻量化的多标签ShuffleNet(multi-labeling ShuffleNet, ML-SNet)雷达复合干扰识别算法。首先,使用轻量化的ShuffleNet V2作为主干网络,引入SimAM(similarity-based attention module)注意力机制,提高网络特征提取能力。其次,使用漏斗激活线性整流函数(funnel activation rectified linear unit, FReLU)代替线性整流单元(rectified linear unit, ReLU)激活函数,减少特征图的信息损失。最后,使用多标签分类算法对网络输出进行分类,得到识别结果。实验结果表明,在干噪比范围为-10~10 dB的情况下,所提算法对15类雷达复合干扰的平均识别率为97.9%。与其他网络相比,所提算法具有较低的计算复杂度,而且识别性能表现最佳。
正交时频空(Orthogonal Time Frequency Space,OTFS)系统由于在面对高速移动通信场景下的时频双色散信道时的优异性能受到了广泛关注。为了准确获取信道状态信息,采用基于压缩感知的信道估计方法,并辅以特殊的导频序列完成信道估计。该...
详细信息
正交时频空(Orthogonal Time Frequency Space,OTFS)系统由于在面对高速移动通信场景下的时频双色散信道时的优异性能受到了广泛关注。为了准确获取信道状态信息,采用基于压缩感知的信道估计方法,并辅以特殊的导频序列完成信道估计。该文针对导频优化问题,提出了一种基于改进遗传算法的OTFS导频序列优化方法,该方法以互相关最小化为优化目标,采用遗传算法进行寻优,并能够自适应调整交叉和变异概率,在较少的迭代次数下即可实现比传统伪随机序列更优的互相关性,能够有效提高信道估计的准确性。此外,考虑到目标函数的计算量较大,该文分析了互相关的计算过程,并对其中的冗余计算进行了化简,与直接计算字典集的互相关值相比大大提高了算法的优化效率。
暂无评论