论文部分内容阅读
在现实生活中，通信干扰模式越来越复杂，要想有效抗干扰，干扰识别是关键。为了提高干扰信号的识别率，文章提出了一种基于卷积神经网络和短时傅里叶变换的干扰信号分类识别方法。首先利用短时傅里叶变换算法对干扰信号与二进制相移键控（Binary Phase Shift Keying,BPSK）通信信号的叠加信号进行时频分析，生成时频图像，将时频图像作为卷积神经网络的输入，卷积神经网络会自动对图像进行特征的提取和训练，实现对常见的通信干扰信号（连续波干扰、多音干扰、线性调频干扰、噪声调频干扰）的识别。仿真结果表明，文章算法对四种干扰信号的综合识别率达到了97.8%，在信干噪比为[0 dB,10 dB]的识别率为99.5%，与传统的识别算法相比，效果良好。