来源：期刊VIP网 时间：
作者：牛雅萌;崔良中;孙佳杰;
单位：海军工程大学电子工程学院;
摘要：某些通信辐射源个体存在使用时长较短、隐蔽性高的特性，导致采集到的可用于训练的数据量少，产生训练样本不平衡问题，致使通信辐射源个体识别(Specific Emitter Identification, SEI)的精度下降。针对上述问题，提出一种基于多元长短期记忆-全卷积网络(Multivariate Long Short-Term Memory Fully Convolutional Network, MLSTM-FCN)的增量随机特征训练的通信SEI方法，提高类不平衡条件下SEI的准确率。以MLSTM-FCN模型作为信号特征提取的主干网络，在训练过程中随机生成高斯向量，与网络提取的特征拼接在一起同时训练，加强模型的泛化能力，减轻样本类不平衡造成的影响，提升整体识别率。实验结果表明，该方法可较好地解决通信辐射源类间不平衡问题，在不同程度的类不平衡条件下，该方法的准确率高于常规方法，提高了SEI精度。
关键词：多元长短期记忆-全卷积网络;;类不平衡;;辐射源个体识别;;分类识别
