隨著各種各樣的軍用探測(cè)與干擾設(shè)備被廣泛投入使用，現(xiàn)代電子戰(zhàn)環(huán)境日益復(fù)雜，電子偵察系統(tǒng)的工作難度不斷提高.雷達(dá)信號(hào)識(shí)別是電子偵察的關(guān)鍵因素，準(zhǔn)確識(shí)別雷達(dá)信號(hào)可以有效獲取敵方軍事部署情況，爭(zhēng)取戰(zhàn)爭(zhēng)的主動(dòng)權(quán).因此，在現(xiàn)代電子戰(zhàn)中，如何有效識(shí)別雷達(dá)信號(hào)具有非常重要的研究意義.

雷達(dá)信號(hào)的脈內(nèi)調(diào)制特征分析是影響雷達(dá)信號(hào)脈內(nèi)調(diào)制類型識(shí)別精度的重要因素.傳統(tǒng)分析方法中時(shí)頻分析法被廣泛用于淺層特征的提取.文獻(xiàn)[6]基于圖像增強(qiáng)、閾值二值化和數(shù)學(xué)形態(tài)學(xué)等一系列圖像處理方法，提取雷達(dá)信號(hào)平滑偽Wigner-ville時(shí)頻分布的形狀特征并分析，在信噪比大于 -3 dB時(shí)，除Frank碼外，識(shí)別準(zhǔn)確率達(dá)到90%以上.文獻(xiàn)[7]基于矩陣變換的方法，設(shè)計(jì)了一種多尺度中心點(diǎn)檢測(cè)方法，對(duì)內(nèi)容波形進(jìn)行定位和識(shí)別，在信噪比大于0 dB時(shí)，整體平均識(shí)別準(zhǔn)確率達(dá)到90%以上.文獻(xiàn)[8]基于模糊函數(shù)，通過(guò)構(gòu)建序列并求相像系數(shù)的方法，在信噪比為 -2 dB時(shí)，整體平均識(shí)別準(zhǔn)確率達(dá)到91.2%.文獻(xiàn)[9]基于多重同步壓縮變換，對(duì)變換后的時(shí)頻分布圖進(jìn)行紋理特征和矩特征提取，通過(guò)支持向量機(jī)(SVM)實(shí)現(xiàn)雷達(dá)信號(hào)的自動(dòng)調(diào)制識(shí)別，在信噪比為 -2 dB時(shí)，整體平均識(shí)別準(zhǔn)確率達(dá)到96.5%.

通過(guò)線性傾向估計(jì)、Mann-Kendall分析、有序聚類分析和Morlet小波分析方法對(duì)新疆、北疆、南疆1951～2016年降水序列進(jìn)行分析，并通過(guò)R/S分析法對(duì)未來(lái)降水進(jìn)行預(yù)測(cè)，結(jié)果如下：

隨著人工智能、機(jī)器學(xué)習(xí)等技術(shù)的快速發(fā)展，得益于AlexNet、VGGNet、GoogLeNet、ResNet等經(jīng)典神經(jīng)網(wǎng)絡(luò)模型在圖像處理上的優(yōu)異表現(xiàn)，許多學(xué)者開(kāi)始致力于通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)進(jìn)行深度特征提取.文獻(xiàn)[11]基于多重同步壓縮變換(MSST)時(shí)頻變換，將變換后的時(shí)頻圖像送入GoogleNet進(jìn)行雷達(dá)信號(hào)識(shí)別，在信噪比為 -4 dB時(shí)，整體平均識(shí)別準(zhǔn)確率可以達(dá)到91%以上.文獻(xiàn)[12]基于時(shí)頻特征提取和殘差神經(jīng)網(wǎng)絡(luò)，計(jì)算信號(hào)的偽Wigner-Ville分布(PWVD)并提取Zernike矩，使用殘差神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)雷達(dá)信號(hào)識(shí)別，在信噪比為 -2 dB時(shí)，整體平均識(shí)別準(zhǔn)確率達(dá)到93%以上.文獻(xiàn)[13]首先利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)特征提取，將提取到的特征送入長(zhǎng)短期記憶網(wǎng)絡(luò)并通過(guò)深度神經(jīng)網(wǎng)絡(luò)輸出識(shí)別類型，在信噪比為 -6 dB時(shí)，整體平均識(shí)別準(zhǔn)確率達(dá)到90%以上.深度神經(jīng)網(wǎng)絡(luò)模型的引入極大地提高了電子偵察系統(tǒng)對(duì)雷達(dá)脈內(nèi)調(diào)制類型識(shí)別的精度，但現(xiàn)代戰(zhàn)爭(zhēng)中雷達(dá)信號(hào)信噪比低，調(diào)制類型多樣，如何在低信噪比、多種調(diào)制類型的情況下提高雷達(dá)信號(hào)識(shí)別的精度還值得進(jìn)一步研究.

因此，本文提出了一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)自動(dòng)分類識(shí)別方法.首先，選取時(shí)頻分析效果較好的Choi-Williams分布(CWD)和MSST分別提取信號(hào)淺層特征，并將一維時(shí)間信號(hào)變換為二維時(shí)頻圖像.其次，對(duì)得到的兩類時(shí)頻圖像進(jìn)行預(yù)處理并作為雙通道卷積神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)深度特征.最后融合兩路通道的特征，通過(guò)Softmax分類器實(shí)現(xiàn)雷達(dá)信號(hào)分類識(shí)別.相較于單通道卷積網(wǎng)絡(luò)，雙通道卷積網(wǎng)絡(luò)有效提高了在低信噪比、多種脈內(nèi)調(diào)制類型的情況下雷達(dá)信號(hào)識(shí)別的準(zhǔn)確率.

1 雷達(dá)信號(hào)預(yù)處理

1.1 數(shù)據(jù)集簡(jiǎn)介

典型雷達(dá)信號(hào)脈內(nèi)調(diào)制方式包括：連續(xù)波(CW)、線性調(diào)頻(LFM)、非線性調(diào)頻(NLFM)、雙相移相鍵控(BPSK)、正交相移鍵控(QPSK)、頻移鍵控(FSK)以及LFM/BPSK、LFM/FSK、BPSK/FSK混合調(diào)制信號(hào)等.

(,)=

1.2 信號(hào)時(shí)頻變換

由于高斯白噪聲的影響，在雷達(dá)時(shí)域信號(hào)上能夠獲取的有效特征較少，現(xiàn)階段對(duì)雷達(dá)信號(hào)特征的獲取主要集中在變換域.通過(guò)對(duì)雷達(dá)信號(hào)進(jìn)行時(shí)頻分析，可以有效降低高斯白噪聲的影響，放大不同調(diào)制信號(hào)之間的差異，獲取更多的有效特征.同時(shí)，使用時(shí)頻分析的方式可以將一維的時(shí)域信號(hào)變換為二維時(shí)頻圖像，方便后期卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度特征的提取.

常用雷達(dá)信號(hào)時(shí)頻變換的方法有：短時(shí)Fourier變換(STFT)、Wigner-Ville分布(WVD)、CWD等.CWD時(shí)頻分析作為WVD時(shí)頻分析的一種改進(jìn)方法，通過(guò)變換不同的核函數(shù)，使得CWD時(shí)頻分析具有較好時(shí)頻聚集性，在相對(duì)高信噪比下具有非常優(yōu)異的時(shí)頻分析能力，并且可以有效抑制二次型變換在處理多分量復(fù)雜信號(hào)時(shí)產(chǎn)生的交叉項(xiàng)干擾.而MSST作為一種對(duì)STFT多次執(zhí)行同步壓縮處理的改進(jìn)算法，通過(guò)在頻率方向?qū)TFT的結(jié)果進(jìn)行壓縮，提高時(shí)頻聚集性，作為一種線性時(shí)頻工具，MSST不存在交叉項(xiàng)干擾，在相對(duì)低信噪比下可以彌補(bǔ)CWD時(shí)頻變換因交叉項(xiàng)干擾導(dǎo)致的時(shí)頻圖像惡化嚴(yán)重的問(wèn)題.因此，本文選取CWD和MSST作為雷達(dá)信號(hào)的時(shí)頻分析方法，以獲得更豐富的信號(hào)淺層特征，有效提高模型識(shí)別準(zhǔn)確率.

..基于CWD的雷達(dá)信號(hào)時(shí)頻分析 CWD由文獻(xiàn)[15-16]于1989年提出，其在所有未處理的Cohen 類分布中表現(xiàn)出了最小的交叉干擾，以及在不同時(shí)間或頻率上對(duì)信號(hào)的高分辨率和識(shí)別精度.因此，CWD在雷達(dá)信號(hào)時(shí)頻分析中被廣泛應(yīng)用.其數(shù)學(xué)表達(dá)式為

式中：(·)為沖激函數(shù)；為SST的輸出頻率.

(1)

(2)

圖1給出了9種典型雷達(dá)信號(hào)在信噪比為8 dB時(shí)的CWD時(shí)頻圖像，其中為采樣點(diǎn)數(shù).從圖1中可以看出，不同脈內(nèi)調(diào)制類型雷達(dá)信號(hào)的CWD時(shí)頻圖像具有較高的區(qū)分度，能夠較好地體現(xiàn)信號(hào)間的差異性.CWD的應(yīng)用大大提高了雷達(dá)信號(hào)特征分析的能力.

..基于MSST的雷達(dá)信號(hào)時(shí)頻分析 MSST是由文獻(xiàn)[17-18]在2018年提出的一種新的時(shí)頻分析方法.MSST首先利用STFT獲取雷達(dá)信號(hào)的時(shí)頻分布圖；其次，對(duì)時(shí)頻分布圖進(jìn)行多次同步壓縮，提升時(shí)頻分布圖的聚集性；最后通過(guò)函數(shù)迭代優(yōu)化算法流程，減輕計(jì)算負(fù)擔(dān).作為一種線性時(shí)頻工具，MSST不存在交叉項(xiàng)的干擾，在雷達(dá)信號(hào)分析處理上具有廣闊的應(yīng)用前景.圖2給出了9種典型雷達(dá)信號(hào)在信噪比為8 dB時(shí)的MSST時(shí)頻圖.由圖2可知，經(jīng)MSST時(shí)頻變換，不同脈內(nèi)調(diào)制類型的雷達(dá)信號(hào)特征在時(shí)頻圖上差異顯著.

圖2給出超導(dǎo)磁場(chǎng)儲(chǔ)能技術(shù)下的微網(wǎng)功率調(diào)控模型,并設(shè)計(jì)了兩組PI調(diào)控[7]裝置,有功反饋調(diào)控板塊和無(wú)功反饋調(diào)控板塊。

()=()ej[()+′()(-)]

(3)

式中：()為信號(hào)幅度；()為瞬時(shí)相位；()+′()(-)為相位的1階泰勒級(jí)數(shù)展開(kāi).

對(duì)信號(hào)()進(jìn)行STFT，時(shí)頻分布可表示為

本文通過(guò)MATLAB對(duì)以上9種典型雷達(dá)信號(hào)進(jìn)行仿真，利用信號(hào)參數(shù)值在一定的范圍內(nèi)波動(dòng)的方法，使仿真信號(hào)更接近原始雷達(dá)信號(hào)，并采用基于采樣頻率的均勻分布(·)統(tǒng)一表示例如(13, 12)為參數(shù)在(3,2)范圍之間的隨機(jī)數(shù)本文取=20 MHz，詳細(xì)的仿真波動(dòng)參數(shù)設(shè)置如表1所示其中：為載波頻率；為初始頻率；為帶寬；為基準(zhǔn)頻率.

()ej()×

(4)

對(duì)上式求偏導(dǎo)，則有：

(1) 將訓(xùn)練集的時(shí)頻圖像傳入網(wǎng)絡(luò)作為模型的輸入.

(5)

(6)

再對(duì)時(shí)頻分布進(jìn)行同步壓縮處理(SST)，其數(shù)學(xué)表達(dá)式可表示為

(7)

來(lái)自南非茨瓦納部落的王子Tumo Jantjie講述了部落里一種被稱作Mosiabele的樹(shù)木的文化涵義，同時(shí)介紹了很多他們部落的風(fēng)俗習(xí)慣。提到部落里禁止年輕女孩食用雞蛋，無(wú)獨(dú)有偶，在他之后發(fā)言的云南大學(xué)民族學(xué)與社會(huì)學(xué)學(xué)院的博士生導(dǎo)師鄭宇教授也提到紅河哈尼族也有同樣的習(xí)俗。此外，在會(huì)議中專家們談到傣族織錦紋樣、對(duì)村落植物的禁忌和祭祀等民間非物質(zhì)文化遺產(chǎn)項(xiàng)目時(shí)，中非雙方的學(xué)者都發(fā)現(xiàn)了很多有趣的共通之處，大家在交流中拉進(jìn)了中國(guó)尤其是云南與非洲各個(gè)國(guó)家之間的距離，增強(qiáng)了非物質(zhì)文化遺產(chǎn)保護(hù)的共識(shí)。

通過(guò)執(zhí)行 SST可以從頻率方向壓縮 STFT 的結(jié)果，進(jìn)而提高時(shí)頻譜的能量聚集程度.對(duì)得到的時(shí)頻分布繼續(xù)執(zhí)行次SST，則有：

(8)

式中：(,)為迭代次SST輸出的結(jié)果.

1.3 時(shí)頻圖像預(yù)處理

由于現(xiàn)代電子戰(zhàn)環(huán)境復(fù)雜，各種干擾設(shè)備導(dǎo)致接收到的信號(hào)中含有大量噪聲干擾，盡管時(shí)頻變換能有效降低噪聲的影響，但得到的時(shí)頻圖像中仍然含有大量的干擾信息.為增強(qiáng)識(shí)別效果，在載入網(wǎng)絡(luò)前，通常需要對(duì)時(shí)頻圖像進(jìn)行預(yù)處理.圖3為CW時(shí)頻圖像在信噪比為 -2 dB時(shí)預(yù)處理前后的對(duì)比圖.對(duì)原始時(shí)頻圖像的預(yù)處理流程如下：

第二，可以對(duì)形狀復(fù)雜零件；如不通孔、內(nèi)孔、小槽、薄壁零件等進(jìn)行處理或局部處理，也可根據(jù)需要在同一零件的不同部位進(jìn)行不同的處理?？梢钥朔哳l淬火因受感應(yīng)器限制難以對(duì)形狀復(fù)雜零件進(jìn)行表面淬火、加熱區(qū)域難以控制、薄壁零件淬火易開(kāi)裂的問(wèn)題；對(duì)大型零件的加工也無(wú)需受到滲碳淬火等化學(xué)熱處理時(shí)爐膛尺寸的限制。

(2) 將裁剪后的圖像轉(zhuǎn)化為灰度圖.

(3) 采用維納濾波去除掉灰度圖像中的噪聲點(diǎn).

(4) 使用雙三次插值法將圖像大小調(diào)整為224像素×224像素.

(5) 二值化圖像后進(jìn)行歸一化處理.

2）通過(guò)對(duì)PLC、水位傳感器和開(kāi)關(guān)量傳感器等不同設(shè)施的合理設(shè)置，可使給排水控制系統(tǒng)運(yùn)行中技術(shù)人員對(duì)單位時(shí)間內(nèi)不同水位段和水位上升速率進(jìn)行分析，從而判斷出供水井的涌水量大小，并根據(jù)實(shí)踐中產(chǎn)生的用電負(fù)荷，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行中水泵及其他設(shè)備開(kāi)啟或停止的自動(dòng)控制，從而達(dá)到給排水作業(yè)開(kāi)展中節(jié)能的目的，使其控制系統(tǒng)的構(gòu)建更具科學(xué)性[3]。

由圖3可以看出，時(shí)頻圖像經(jīng)過(guò)預(yù)處理后，在保留信號(hào)完整信息的同時(shí)，大幅度去除了噪聲信息.

2 基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別

2.1 雙通道卷積神經(jīng)網(wǎng)絡(luò)模型

基于雷達(dá)信號(hào)經(jīng)時(shí)頻變換后得到的時(shí)頻圖像，利用卷積神經(jīng)網(wǎng)絡(luò)在圖像處理上的顯著優(yōu)勢(shì)并結(jié)合雙通道的模型可以從不同時(shí)頻圖像中融合更多有效特征的特點(diǎn)，本文提出一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的模型.該模型主體結(jié)構(gòu)如圖4所示，將時(shí)頻圖像作為模型的輸入，通過(guò)由2個(gè)卷積模塊和1個(gè)全連接模塊構(gòu)成的隱層進(jìn)行特征提取，融合兩路特征后，通過(guò)Softmax分類器實(shí)現(xiàn)信號(hào)分類識(shí)別.

基于該網(wǎng)絡(luò)模型的信號(hào)識(shí)別算法流程如下：

(,)j′()

在建筑勞務(wù)市場(chǎng)中，企業(yè)如何維護(hù)自身的可持續(xù)發(fā)展，一直都是企業(yè)管理者們頭痛不已的問(wèn)題。企業(yè)應(yīng)當(dāng)堅(jiān)持從實(shí)際出發(fā)，實(shí)事求是的觀點(diǎn)，深入調(diào)查自身存在的問(wèn)題，并解決這些問(wèn)題，只有這樣才能促進(jìn)自身的可持續(xù)發(fā)展。以下將針對(duì)當(dāng)前建筑勞務(wù)企業(yè)發(fā)展中存在的主要問(wèn)題展開(kāi)詳細(xì)論述：

(2) 在2個(gè)卷積模塊中，對(duì)輸入圖像進(jìn)行多次卷積、池化操作，獲取圖像的特征矩陣，并通過(guò)Dropout (Dropout為網(wǎng)絡(luò)訓(xùn)練過(guò)程中防止過(guò)擬合的正則化參數(shù)) 來(lái)防止過(guò)擬合.

(3) 將獲取到的圖像特征矩陣進(jìn)行展平，通過(guò)激活函數(shù)為ReLU的全連接層轉(zhuǎn)化為一維的特征向量.

(4) 在特征融合層，將兩個(gè)通道得到的特征向量相融合，使特征向量包含更多的有效信息.

(5) 得到的融合特征送入Softmax分類器進(jìn)行分類識(shí)別，并保存相應(yīng)的模型參數(shù).

(6) 載入保存的模型參數(shù)，導(dǎo)入測(cè)試集對(duì)模型性能進(jìn)行測(cè)試.

本文研究的雷達(dá)脈內(nèi)調(diào)制類型識(shí)別屬于多分類問(wèn)題，因此在訓(xùn)練過(guò)程中選取交叉熵函數(shù)作為損失函數(shù)，優(yōu)化函數(shù)選取Nadam函數(shù)，批處理的大小設(shè)為64，迭代次數(shù)設(shè)為50.初始學(xué)習(xí)率設(shè)為0.002，且每迭代一次學(xué)習(xí)率調(diào)整為原來(lái)的90%，在有效避免陷入局部最優(yōu)的同時(shí)防止因?qū)W習(xí)率太大導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的損失值在最優(yōu)解附近振蕩，當(dāng)損失值連續(xù)多次不再改變時(shí)，停止訓(xùn)練并保存模型.網(wǎng)絡(luò)模型的主要參數(shù)如表2所示.

高校輪滑課程的開(kāi)設(shè),一方面是積極響應(yīng)國(guó)家的號(hào)召加強(qiáng)身體健康教育，另一方面也為學(xué)生枯燥乏味的學(xué)習(xí)生活營(yíng)造了不少樂(lè)趣。同時(shí)，對(duì)于學(xué)生因輪滑活動(dòng)學(xué)習(xí)而導(dǎo)致的磕碰、扭傷、摔傷等情況時(shí)，學(xué)校應(yīng)該認(rèn)真處理，并制定出相應(yīng)的預(yù)防措施，避免因加強(qiáng)學(xué)生體育素質(zhì)而讓受傷學(xué)生心理受到影響，違背體育素質(zhì)教育初衷。本文通過(guò)對(duì)輪滑活動(dòng)課程學(xué)生受傷情況進(jìn)行調(diào)查分析，并據(jù)此提出有效性防范措施。

2.2 識(shí)別準(zhǔn)確率分析

在復(fù)雜的電磁環(huán)境下，信號(hào)傳輸過(guò)程中不可避免地會(huì)受到噪聲的干擾，本文假定噪聲為高斯白噪聲，信噪比定義為信號(hào)與噪聲功率之比.為了探究識(shí)別準(zhǔn)確率和信噪比之間的關(guān)系，本文取信噪比范圍 -20～0 dB，以2 dB為步長(zhǎng)，仿真生成9種典型的脈內(nèi)調(diào)制信號(hào).在每個(gè)信噪比下，9種典型脈內(nèi)調(diào)制信號(hào)分別生成 1 000 個(gè)樣本.將生成的樣本經(jīng)CWD和MSST變換的時(shí)頻圖像預(yù)處理后，取80%作為訓(xùn)練集，20%作為測(cè)試集.9種典型雷達(dá)識(shí)別準(zhǔn)確率如圖5所示.由圖5可知，在信噪比大于 -8 dB 時(shí)，各種信號(hào)識(shí)別準(zhǔn)確率都高于90%.

為了驗(yàn)證雙通道模型的有效性，本文首先對(duì)比了CWD、MSST雙通道卷積神經(jīng)網(wǎng)絡(luò)與各自單通道卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率.仿真結(jié)果如圖6所示.

在開(kāi)展省級(jí)宣傳的同時(shí)，充分發(fā)揮基層水保部門(mén)的力量開(kāi)展宣傳，做到了統(tǒng)一部署、協(xié)調(diào)并進(jìn)、上下聯(lián)動(dòng)、全面拓展。州縣利用賽馬會(huì)、物資交流會(huì)等活動(dòng)，通過(guò)展板、發(fā)放宣傳材料、開(kāi)展現(xiàn)場(chǎng)知識(shí)講解、手機(jī)群發(fā)公益宣傳信息等多種形式，廣泛宣傳水土保持法律法規(guī)及相關(guān)知識(shí)，不斷強(qiáng)化農(nóng)牧民群眾水土保持意識(shí)，增強(qiáng)了參與生態(tài)建設(shè)的自覺(jué)性，為促進(jìn)生態(tài)文明建設(shè)奠定了基礎(chǔ)。

選取信號(hào)()的表達(dá)形式為

由圖6可以看出，單通道的情況下，在 -20～-16 dB, 基于MSST的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率要高于基于CWD的卷積神經(jīng)網(wǎng)絡(luò).在 -14～-6 dB，基于CWD的卷積神經(jīng)網(wǎng)路識(shí)別準(zhǔn)確率要高于基于MSST的卷積神經(jīng)網(wǎng)路.而本文提出的基于雙通道的卷積神經(jīng)網(wǎng)絡(luò)較好地融合了兩種時(shí)頻變換的優(yōu)勢(shì)，識(shí)別準(zhǔn)確率始終高于各自單通道模型，尤其在 -14 dB，本文的模型識(shí)別準(zhǔn)確率相較于單通道的CWD提高了10.85%，相較于單通道的MSST提高了12.57%，有效地驗(yàn)證了雙通道模型的有效性.

(1) 裁剪原始時(shí)頻圖像，將圖像的邊框及無(wú)用部分去除.

為了進(jìn)一步驗(yàn)證本文提出的基于雙通道卷積神經(jīng)網(wǎng)絡(luò)模型的性能，本文還選取了文獻(xiàn)[8]提出的基于模糊函數(shù)相像系數(shù)的方法和文獻(xiàn)[11]提出的基于GoogLeNet遷移深度學(xué)習(xí)網(wǎng)絡(luò)的方法作對(duì)比.其中，基于文獻(xiàn)[8]的對(duì)比實(shí)驗(yàn)，在信噪比 -10～10 dB 之間，9種仿真信號(hào)以2 dB為步長(zhǎng)，在每個(gè)信噪比下每類信號(hào)生成 1 000 個(gè)樣本，求得樣本模糊函數(shù)相像系數(shù)后，通過(guò)KFCM算法進(jìn)行分選識(shí)別，其中初始聚類數(shù)目=2，最大可能類別個(gè)數(shù)=9，迭代次數(shù)為50，停止條件為損失值≤0.001，核函數(shù)為高斯徑向基核.基于文獻(xiàn)[11]的對(duì)比實(shí)驗(yàn)，在信噪比 -10～10 dB之間，9種仿真信號(hào)以2 dB為步長(zhǎng)，在每個(gè)信噪比下每類信號(hào)生成 1 000 個(gè)樣本，基于MSST經(jīng)預(yù)處理轉(zhuǎn)化為224像素×224像素×3通道的RGB圖像，其中80%用于訓(xùn)練，10%用于測(cè)試，10%用于驗(yàn)證.其中采用了Inception的GoogLeNet模型深度共有22層，訓(xùn)練迭代6次.對(duì)比實(shí)驗(yàn)的結(jié)果如圖7所示.

從圖7可以看出，在 -10～10 dB，本文提出的基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率始終高于對(duì)比的兩種方法，且在信噪比為 -10 dB的情況下，基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率可以達(dá)到96%，而相像系數(shù)模型和遷移網(wǎng)絡(luò)模型僅為79.30%和89.18%.此外，通過(guò)計(jì)算本文模型和遷移深度學(xué)習(xí)網(wǎng)絡(luò)模型的算法復(fù)雜度發(fā)現(xiàn)，本文模型參數(shù)數(shù)目為3.25×10，浮點(diǎn)運(yùn)算次數(shù)為1.45×10，而遷移深度學(xué)習(xí)網(wǎng)絡(luò)模型參數(shù)數(shù)目為6.79×10，浮點(diǎn)運(yùn)算次數(shù)為1.503×10，在算法復(fù)雜度上本文模型也具有顯著優(yōu)勢(shì).

小說(shuō)中，基姆多次自問(wèn)自己是誰(shuí)——他渴望自由自在，從小便習(xí)慣了的生活，但是他所受的教育，以及與人相處時(shí)候收到的優(yōu)厚待遇，又使他常常提醒自己是個(gè)“洋大人”。但是，吉卜林在《基姆》中想要傳達(dá)的并不是反映在自己身上的兩種文明的尖銳沖突，而是明確地表達(dá)了融合的愿望。小說(shuō)第八章的篇首詩(shī)即為明證：

2.3 抗混淆性能分析

在驗(yàn)證模型有效性之后，對(duì)模型識(shí)別結(jié)果進(jìn)行抗混淆性能分析.在信噪比為 -14 dB 時(shí)，信號(hào)混淆矩陣如圖8所示.由圖8可知，模型對(duì)9種調(diào)制類型的信號(hào)識(shí)別準(zhǔn)確率均能達(dá)到60%以上.其中，對(duì)NLFM和QPSK信號(hào)的識(shí)別效果最好，識(shí)別準(zhǔn)確率可以達(dá)到100%.而對(duì)BPSK和LFM/BPSK信號(hào)識(shí)別效果不佳，僅有64%和61%.從整體而言，模型的抗混淆比較出色，但對(duì)于BPSK和LFM/BPSK信號(hào)的識(shí)別能力還有待進(jìn)一步提高.

2.4 魯棒性分析

本文在混合信噪比和混合信號(hào)參數(shù)兩種情況下，對(duì)模型的魯棒性進(jìn)行驗(yàn)證.

易非看著弟弟，心里生出些許的安慰，她在想，也許向南馬上就要醒悟了呢，也許他馬上就要發(fā)憤圖強(qiáng)了吧。于是，她鼓起勇氣說(shuō)：“向南，你決定要和李倩倩結(jié)婚了嗎？”

(1) 混合信噪比下的魯棒性驗(yàn)證.

在信噪比從 -12～-6 dB的范圍內(nèi)，以2 dB為步長(zhǎng)，在不同單一信噪比下每類信號(hào)訓(xùn)練集選取800個(gè)信號(hào)樣本，測(cè)試集選取200個(gè)信號(hào)樣本.先取高信噪比下訓(xùn)練后保存的網(wǎng)絡(luò)模型參數(shù)在低信噪比的測(cè)試集測(cè)試，再取低信噪比下訓(xùn)練后保存的網(wǎng)絡(luò)模型參數(shù)在高信噪比的測(cè)試集測(cè)試，通過(guò)測(cè)試集的識(shí)別準(zhǔn)確率來(lái)驗(yàn)證算法魯棒性.實(shí)驗(yàn)結(jié)果如表3所示.

由表3可知，當(dāng)測(cè)試集信噪比大于 -10 dB，該模型的識(shí)別準(zhǔn)確率始終高于90%，在混合信噪比的情況下，本文提出的模型具有較好的魯棒性.

(2) 混合信號(hào)參數(shù)下的魯棒性驗(yàn)證.

通過(guò)隔離開(kāi)SNS中用戶共享性需求與表達(dá)性需求的實(shí)現(xiàn)區(qū)域，將隱私信息分離并保護(hù)起來(lái)。并且通過(guò)權(quán)限設(shè)置以及有償獲取在不影響用戶使用的情況下增加獲取難度。增加攻擊者自動(dòng)化攻擊SNS的成本，增加了攻擊者進(jìn)行社會(huì)工程學(xué)攻擊的難度，從而保護(hù)了用戶的信息安全。

為了微電影的拍攝，農(nóng)場(chǎng)專門(mén)成立了拍攝小組，我們幾個(gè)一起去買服裝、道具、畫(huà)報(bào)等等。60年代拉繩的舊臺(tái)燈、毛主席像章、各種紅色畫(huà)報(bào)等等都是我們從網(wǎng)上買來(lái)的。我們親手布置拍攝內(nèi)景：墻上糊滿60年代的畫(huà)報(bào)，屋內(nèi)放了一張床，一張桌子，一把椅子，一盞舊臺(tái)燈，一疊舊報(bào)紙，昏黃的燈光照在一張張發(fā)黃的舊畫(huà)報(bào)上，別有一番味道。

本文訓(xùn)練和測(cè)試的數(shù)據(jù)集參數(shù)都基于采樣頻率的均勻分布(·)設(shè)定，且=20 MHz.為了驗(yàn)證模型的魯棒性，控制信號(hào)類型和參數(shù)設(shè)置方式不變，令=200 MHz，生成新的測(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測(cè)試，測(cè)試結(jié)果如圖9所示.

從圖9可以看出，模型對(duì)以采樣頻率=200 MHz 為基準(zhǔn)的相對(duì)高頻寬帶信號(hào)的識(shí)別準(zhǔn)確率與本文以采樣頻率=20 MHz為基準(zhǔn)的信號(hào)識(shí)別準(zhǔn)確率非常相近，在混合信號(hào)參數(shù)情況下，本文提出的模型具有較好的魯棒性.

本次研究數(shù)據(jù)采用SPSS21.0軟件處理,計(jì)量資料用(±s)表示并用t檢驗(yàn),若檢驗(yàn)所得的P≤0.05,則代表所對(duì)比的數(shù)據(jù)具有顯著差異,且有統(tǒng)計(jì)學(xué)意義。

3 結(jié)語(yǔ)

提出一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)脈內(nèi)調(diào)制方式識(shí)別方法，該方法利用CWD、MSST時(shí)頻變換獲取時(shí)頻圖像，經(jīng)圖像預(yù)處理后，分別作為雙通道模型的輸入，送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)特征提取，在對(duì)兩個(gè)通道的特征進(jìn)行融合后通過(guò)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類識(shí)別.在低信噪比下顯著提高了雷達(dá)信號(hào)脈內(nèi)調(diào)制方式的識(shí)別準(zhǔn)確率，為低信噪比條件下的雷達(dá)信號(hào)脈內(nèi)調(diào)制方式識(shí)別提供了一種新的可行性方案.