邵正途, 許登榮, 徐文利, 王晗中

(1. 空軍預(yù)警學(xué)院信息對抗系, 湖北 武漢 430019; 2. 空軍預(yù)警學(xué)院雷達(dá)士官學(xué)校, 湖北 武漢 430300; 3. 國防科技大學(xué)電子科學(xué)學(xué)院, 湖南 長沙 410073)

0 引 言

雷達(dá)面臨電子對抗環(huán)境日益復(fù)雜,各種新型雷達(dá)干擾樣式不斷涌現(xiàn)的挑戰(zhàn)[1-2]。有源壓制干擾通過釋放干擾信號壓制雷達(dá)目標(biāo)回波,極大地影響了雷達(dá)對目標(biāo)的探測,給現(xiàn)代雷達(dá)的作戰(zhàn)能力帶來了極其嚴(yán)峻的挑戰(zhàn)。其主要干擾樣式包括窄帶干擾、寬帶干擾、梳狀譜干擾和掃頻干擾?，F(xiàn)代雷達(dá)為進(jìn)行有效地對抗,其先決條件就是對干擾信號正確分類識別,推測掌握干擾方作戰(zhàn)意圖,提升雷達(dá)系統(tǒng)對干擾環(huán)境的感知能力。因此,干擾類型識別作為抗干擾技術(shù)的重要環(huán)節(jié)一直是研究的熱點(diǎn)[3-4]。目前雷達(dá)干擾識別的主流方法是基于信號特征提取的分類方法。影響這類方法性能的主要因素包括兩個(gè)方面,一個(gè)是特征集的選取及提取,另一個(gè)是分類器的選擇。在干擾信號特征的選取及提取方面,由于各類干擾信號具有很強(qiáng)的相似性,單指標(biāo)特征難以有效完成分類任務(wù),通常采用提取信號時(shí)域、頻域、變換域等多維度的多指標(biāo)特征綜合識別方法,如時(shí)頻域內(nèi)的矩峰度、矩偏度、包絡(luò)起伏度、噪聲因子等特征[5-8]、奇異譜特征[9]、雙譜特征[10],這樣一定程度上增加了計(jì)算復(fù)雜度,造成算法應(yīng)用泛化能力弱。在分類器的選擇方面,采用較多的是決策樹、K均值聚類[11]、神經(jīng)網(wǎng)絡(luò)[12]、支持向量機(jī)[13]分類器。以上這些方法的性能優(yōu)劣主要依賴于特征提取方法的選擇,耗時(shí)且需要專家經(jīng)驗(yàn)的輔助,尤其是變換域特征運(yùn)算量較大,常規(guī)分類器分類性能提升空間有限,在強(qiáng)噪聲環(huán)境下識別率較低。

近年來,以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)為代表的深度學(xué)習(xí)方法利用其自動(dòng)特征提取和學(xué)習(xí)能力在圖像識別、語音處理等模式識別領(lǐng)域得到廣泛應(yīng)用[14-15],也被相關(guān)學(xué)者用于雷達(dá)及干擾信號的分類識別研究中[16]。文獻(xiàn)[17]基于一維CNN構(gòu)建雷達(dá)干擾信號識別模型。文獻(xiàn)[18]基于干擾信號的時(shí)頻圖像利用二維CNN和改進(jìn)模型,自動(dòng)學(xué)習(xí)時(shí)頻圖的特征實(shí)現(xiàn)干擾信號的分類。文獻(xiàn)[19]利用CNN對脈沖壓縮處理前后的兩個(gè)包絡(luò)圖和接收波束信號的時(shí)頻圖構(gòu)成的多維特征圖完成干擾分類。以上方法取得了較好的分類效果,但有些只是利用淺層的網(wǎng)絡(luò)結(jié)構(gòu)搭建模型,并沒有發(fā)揮出CNN特征提取的強(qiáng)大能力。通常來說,網(wǎng)絡(luò)層數(shù)越深,提取數(shù)據(jù)隱藏特征的能力越強(qiáng),但容易出現(xiàn)網(wǎng)絡(luò)性能退化問題,殘差網(wǎng)絡(luò)很好地解決了這一缺陷。文獻(xiàn)[20]基于擴(kuò)張殘差網(wǎng)絡(luò)實(shí)現(xiàn)雷達(dá)輻射源信號識別。文獻(xiàn)[21]通過集成殘差塊和非對稱卷積塊提取干擾信號特征,在低信噪比下取得了較好的識別效果。

CNN能夠有效抽取高維數(shù)據(jù)的隱藏特征,然而循環(huán)網(wǎng)絡(luò)可以學(xué)習(xí)到歷史信息,研究表明循環(huán)網(wǎng)絡(luò)更適合處理時(shí)間序列,結(jié)合CNN和循環(huán)網(wǎng)絡(luò)可以發(fā)揮兩者的優(yōu)勢。文獻(xiàn)[22]利用卷積長短時(shí)深度神經(jīng)網(wǎng)絡(luò)對輻射源信號的原始時(shí)間序列數(shù)據(jù)進(jìn)行識別,其模型性能在識別能力上超過單純的長短時(shí)記憶(long short-term memory, LSTM)模型。文獻(xiàn)[23]利用CNN和LSTM搭建的深度網(wǎng)絡(luò)對振動(dòng)信號進(jìn)行分類識別。

針對上述情況,本文在前人研究的基礎(chǔ)上,提出一種殘差CNN結(jié)合LSTM的雷達(dá)有源干擾識別方法。以干擾信號原始時(shí)域波形數(shù)據(jù)作為模型輸入,利用一維CNN網(wǎng)絡(luò)進(jìn)行信號特征信息提取,殘差網(wǎng)絡(luò)提高模型訓(xùn)練深度避免模型梯度消失,LSTM網(wǎng)絡(luò)學(xué)習(xí)特征時(shí)序信息,最終實(shí)現(xiàn)信號分類識別,并與單純的殘差網(wǎng)絡(luò)和CNN-LSTM等其他深度學(xué)習(xí)算法進(jìn)行對比,驗(yàn)證不同噪聲環(huán)境下的識別準(zhǔn)確度與計(jì)算復(fù)雜度。全文共3個(gè)部分,第1部分介紹雷達(dá)有源干擾信號模型的建立;第2部分在CNN、殘差網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò)分析的基礎(chǔ)上,介紹本文提出的殘差CNN-LSTM網(wǎng)絡(luò)模型搭建的具體方法和結(jié)構(gòu)參數(shù);第3部分是仿真試驗(yàn),通過構(gòu)建信號數(shù)據(jù)樣本驗(yàn)證模型的有效性,并與其他深度學(xué)習(xí)方法進(jìn)行對比分析。

1 雷達(dá)有源干擾信號建模

雷達(dá)有源干擾分為壓制干擾和欺騙干擾兩大類,其中壓制干擾主要包括窄帶干擾、寬帶干擾、掃頻干擾、梳狀譜干擾[24]。本文主要針對這4種典型的噪聲壓制干擾信號類型進(jìn)行分類識別。

窄帶噪聲干擾一般利用噪聲調(diào)幅干擾來產(chǎn)生,其表達(dá)式為

J(t)=[U0+Un(t)]cos(2πfjt+φ)

(1)

式中:U0是載波電壓;Un(t)是零均值高斯白噪聲;fj為干擾中心頻率;φ為干擾相位在[0,2π]上均勻分布,且和Un(t)是相互獨(dú)立的隨機(jī)變量。

寬帶噪聲干擾一般用噪聲調(diào)頻干擾來產(chǎn)生,其表達(dá)式為

(2)

式中:u(t)為零均值平穩(wěn)隨機(jī)過程;KFM是調(diào)頻斜率;Uj是干擾的振幅。

利用噪聲調(diào)頻波形產(chǎn)生梳狀譜干擾的表達(dá)式為

(3)

式中:fj為梳齒出現(xiàn)的頻率點(diǎn);m為頻率點(diǎn)數(shù)目。

掃頻干擾利用一個(gè)相對較窄的窄帶信號在一定的周期內(nèi)重復(fù)掃描某個(gè)較寬的干擾頻帶產(chǎn)生,表達(dá)式為

J(t)=Ujcos[2πfj(t)t+φ]

(4)

式中:fj(t)是干擾信號載頻,隨時(shí)間呈現(xiàn)周期性變化。

圖1所示為4類干擾信號在干噪比(jamming-to-noise ratio, JNR)為10 dB時(shí)的時(shí)域波形,從圖上可以看出各類噪聲壓制干擾信號時(shí)域上差異不大,人工分辨較為困難。因此,對于時(shí)域波形相似度比較高且對噪聲比較敏感的4類干擾信號,本文利用基于CNN的深度學(xué)習(xí)模型對干擾信號進(jìn)行識別。

圖1 4類干擾信號時(shí)域波形圖Fig.1 Time-domain waveform diagram of four types of jamming signals

2 深度學(xué)習(xí)模型

2.1 一維CNN

CNN是一種具有表征提取和學(xué)習(xí)能力的前饋神經(jīng)網(wǎng)絡(luò),主要由卷積層、池化層和全連接層等組成,在圖像識別等二維數(shù)據(jù)分類問題中得到了廣泛的應(yīng)用[25]。卷積層通過卷積核對輸入數(shù)據(jù)進(jìn)行特征抽取,在訓(xùn)練過程中不斷擬合數(shù)據(jù)局部隱藏特征。池化層對數(shù)據(jù)進(jìn)行下采樣降維處理,完成參數(shù)稀疏降低數(shù)據(jù)量。由于輸入數(shù)據(jù)與卷積核尺寸都比較大,權(quán)值和偏置等網(wǎng)絡(luò)參數(shù)較多,常用參數(shù)共享方法,使網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)減少,加快網(wǎng)絡(luò)訓(xùn)練過程。本文討論的干擾信號時(shí)域數(shù)據(jù)為一維時(shí)間序列數(shù)據(jù),因此采用一維CNN,其運(yùn)算公式為

(5)

最大池化公式為

(6)

2.2 殘差CNN

隨著CNN模型層數(shù)的增加,多個(gè)隱藏層之間會帶來特征丟失、信息不完整等問題,從而出現(xiàn)梯度消失現(xiàn)象,降低網(wǎng)絡(luò)性能。殘差網(wǎng)絡(luò)解決這一問題的主要做法是在卷積處理非線性變換的同時(shí)增加線性直達(dá)通路[26-27]。其基本單元結(jié)構(gòu)如圖2所示。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Residual network model

圖2中可以看出,在輸入xl和輸出xl+1之間,中間的兩個(gè)卷積層前后設(shè)置了越層連接,將淺層的輸入直接連接到端部位置,由于該直達(dá)越層連接權(quán)重為1,所以可以避免在層層映射的過程中,由卷積層非線性處理F(xl)的權(quán)重小于1而導(dǎo)致的網(wǎng)絡(luò)梯度消失問題。通過殘差操作,在增加深度的同時(shí)也能保證網(wǎng)絡(luò)性能不會退化。本文所使用的殘差網(wǎng)絡(luò)單元結(jié)構(gòu)如圖3所示,3個(gè)卷積層和1個(gè)跳線連接構(gòu)成一個(gè)殘差單元。

圖3 殘差CNN網(wǎng)絡(luò)單元結(jié)構(gòu)Fig.3 Residual CNN network cell structure

2.3 LSTM網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種處理復(fù)雜序列數(shù)據(jù)中經(jīng)常用到的深度學(xué)習(xí)算法,網(wǎng)絡(luò)是以序列數(shù)據(jù)為輸入,在序列的演進(jìn)方向上進(jìn)行遞歸處理,且所有循環(huán)單元按鏈?zhǔn)竭B接的神經(jīng)網(wǎng)絡(luò),可以處理序列結(jié)構(gòu)的信息,體現(xiàn)信息在時(shí)間維度上從前往后的傳遞和積累,能夠擴(kuò)展時(shí)間特征。常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)每個(gè)時(shí)刻的隱藏層狀態(tài)由當(dāng)前輸入和前隱藏層的狀態(tài)同時(shí)決定,記憶容量有限而且容易造成梯度消失的問題。LSTM網(wǎng)絡(luò)在常規(guī)循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入了遺忘門、輸入門、輸出門單元來控制LSTM單元的狀態(tài)迭代,通過門系數(shù)來控制記憶信息、輸入信息的獲取和輸出信息的傳輸,提高分類網(wǎng)絡(luò)的效能和穩(wěn)定性[28-30],如圖4所示。

圖4 LSTM單元的基本結(jié)構(gòu)Fig.4 LSTM cell structure

LSTM與一般循環(huán)神經(jīng)網(wǎng)絡(luò)的不同主要在于遞歸網(wǎng)絡(luò)隱藏狀態(tài)的計(jì)算,t時(shí)刻LSTM單元狀態(tài)Ct由舍棄單元無用信息和保留部分有用信息兩部分決定,該時(shí)刻隱含層的狀態(tài)ht由輸出門挑選Ct的有用信息得到,其計(jì)算式分別為

ht=ottanh(Ct)

(7)

(8)

ft=σ(Wf×[ht-1,xt]+bf)

(9)

it=σ(Wi×[ht-1,xt]+bi)

(10)

ot=σ(Wo×[ht-1,xt]+bo)

(11)

(12)

式中:Wf、Wi、Wo為各門控節(jié)點(diǎn)的權(quán)值矩陣;Wc代表記憶權(quán)重;bf、bi、bo為各門控節(jié)點(diǎn)的偏置;bc代表記憶單元偏置;σ代表sigmod函數(shù)。

LSTM通過輸入門、遺忘門、輸出門這3個(gè)門實(shí)現(xiàn)了其特殊的長短期數(shù)據(jù)記憶功能,使得該模型更適合學(xué)習(xí)前后關(guān)聯(lián)和連續(xù)性的數(shù)據(jù)的特征。干擾信號時(shí)域數(shù)據(jù)具有時(shí)間連續(xù)性,選用具有記憶功能的LSTM模型符合本文研究的干擾信號分類要求。

2.4 干擾信號分類模型

本文構(gòu)建基于殘差CNN和LSTM的深度學(xué)習(xí)分類網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示,網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。模型共有33層,其工作過程如下:

步驟 1由于LSTM層的輸入為序列數(shù)據(jù),所以首先將干擾信號時(shí)域數(shù)據(jù)進(jìn)行序列折疊輸入后續(xù)網(wǎng)絡(luò)層;

步驟 2通過一次卷積和兩次殘差塊操作,再經(jīng)過最大池化層和扁平層將數(shù)據(jù)進(jìn)行降維和壓平;

步驟 3將扁平層輸出數(shù)據(jù)進(jìn)行序列展開輸入兩層LSTM層進(jìn)行時(shí)序信息提取,最終得到提取的特征。

步驟 4利用Softmax輸出概率值,根據(jù)概率分布確定信號的類型,并根據(jù)標(biāo)簽輸出正確率。

表1 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

圖5 殘差CNN-LSTM深度學(xué)習(xí)網(wǎng)絡(luò)模型Fig.5 Residual CNN-LSTM deep learning network model

3 仿真試驗(yàn)

3.1 試驗(yàn)流程

基于LSTM和殘差CNN的深度學(xué)習(xí)網(wǎng)絡(luò)的干擾信號識別試驗(yàn)流程如圖6所示,干擾信號訓(xùn)練和測試樣本數(shù)據(jù)產(chǎn)生以及網(wǎng)絡(luò)模型的搭建、訓(xùn)練和測試均在Matlab2019環(huán)境下進(jìn)行,操作系統(tǒng)為Windows 7旗艦版64位操作系統(tǒng),CPU為Inter(R) Core(TM) i7-1165G7 2.80 GHz,GPU為NVIDIA GeForce MX450,運(yùn)行內(nèi)存為16.0 GB。

圖6 基于深度學(xué)習(xí)網(wǎng)絡(luò)的干擾識別框架Fig.6 Jamming recognition framework based on deep learning network

3.2 仿真條件

本文基于干擾信號的時(shí)域仿真數(shù)據(jù),構(gòu)建一維殘差CNN與LSTM的干擾信號識別模型。對窄帶干擾、寬帶干擾、梳狀譜干擾、掃頻干擾4種信號,在JNR為-10～10 dB的范圍內(nèi),JNR間隔為2 dB,每類信號每個(gè)JNR下產(chǎn)生100個(gè)訓(xùn)練樣本。干擾信號采樣頻率fs為100 MHz,干擾持續(xù)時(shí)間τs為30 μs,4類信號的參數(shù)如表2所示,所有參數(shù)在取值范圍內(nèi)隨機(jī)選取。對算法進(jìn)行測試時(shí),在每個(gè)JNR下各產(chǎn)生100個(gè)測試樣本用于測試。

表2 4類信號參數(shù)設(shè)置

續(xù)表2

3.3 仿真結(jié)果

為提升訓(xùn)練效率,實(shí)驗(yàn)中設(shè)置的迭代次數(shù)為30次,每批次訓(xùn)練樣本數(shù)量為500。同時(shí)為了驗(yàn)證本文提出的殘差CNN-LSTM深度學(xué)習(xí)模型對干擾信號識別的有效性,將本文方法與殘差CNN和CNN-LSTM網(wǎng)絡(luò)兩種方法進(jìn)行對比分析,其網(wǎng)絡(luò)結(jié)構(gòu)分別如圖7和圖8所示,模型中的參數(shù)和表1中所列相同。

圖7 殘差CNN網(wǎng)絡(luò)模型Fig.7 Residual CNN network model

圖8 CNN-LSTM網(wǎng)絡(luò)模型Fig.8 CNN-LSTM network model

通過500次蒙特卡羅實(shí)驗(yàn)得到的信號識別率結(jié)果如圖9所示,分別為殘差CNN-LSTM、殘差CNN、CNN-LSTM在不同JNR下測試集中的準(zhǔn)確率。從圖9中可知,在測試過程中,3種深度學(xué)習(xí)網(wǎng)絡(luò)對信號的識別準(zhǔn)確率均隨JNR的增大而提高,其中綜合利用殘差和LSTM的深度學(xué)習(xí)網(wǎng)絡(luò)對于各JNR環(huán)境下的干擾信號識別性能要普遍優(yōu)于其他兩種網(wǎng)絡(luò)。測試集中在JNR為0 dB的強(qiáng)噪聲環(huán)境下,殘差CNN-LSTM方法對4種干擾信號識別準(zhǔn)確率均大于98.3%,其中對寬帶干擾和窄帶干擾的識別率可達(dá)100%。殘差CNN網(wǎng)絡(luò)的表現(xiàn)略差,在JNR為0 dB時(shí),對4種干擾信號識別準(zhǔn)確率均大于95.2%,但在更低JNR環(huán)境下和殘差CNN-LSTM網(wǎng)絡(luò)性能差距拉大,-4 dB下最低識別率僅為78.5%,殘差CNN-LSTM網(wǎng)絡(luò)表現(xiàn)更為穩(wěn)定,4類信號最低識別率為91.2%。CNN-LSTM網(wǎng)絡(luò)的準(zhǔn)確率表現(xiàn)最差,在JNR為0 dB的環(huán)境下,4種干擾信號準(zhǔn)確率最低為90.8%。說明通過殘差網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)的引入,CNN網(wǎng)絡(luò)的表現(xiàn)更為穩(wěn)定,魯棒性更好,強(qiáng)噪聲環(huán)境下準(zhǔn)確率有明顯提升。

圖9 不同JNR環(huán)境下4類信號識別準(zhǔn)確率Fig.9 Recognition accuracy rate of four types of signals under different JNR environments

圖10為3種深度學(xué)習(xí)網(wǎng)絡(luò)在訓(xùn)練過程中準(zhǔn)確率、損失率變化曲線的比較?？梢钥闯?3種網(wǎng)絡(luò)均具有較穩(wěn)定的網(wǎng)絡(luò)性能,其中本文提出的殘差CNN-LSTM網(wǎng)絡(luò)的收斂速度最快,在相同的迭代次數(shù)下,準(zhǔn)確率和損失率均優(yōu)于其他兩種網(wǎng)絡(luò)結(jié)構(gòu)下的數(shù)值,也體現(xiàn)了在深層模型下殘差網(wǎng)絡(luò)模型和LSTM網(wǎng)絡(luò)模型結(jié)合的優(yōu)勢。

圖10 3種網(wǎng)絡(luò)測試集學(xué)習(xí)損失率、準(zhǔn)確率變化圖Fig.10 Learning loss rate and accuracy rate change diagram of three network test sets

3.4 模型可視化

為直觀呈現(xiàn)殘差CNN-LSTM模型各層數(shù)據(jù)的分布情況和網(wǎng)絡(luò)迭代性能,采用T-分布隨機(jī)近鄰嵌入(T-distributed stochastic neighbor embedding, T-SNE)方法對各個(gè)層輸出的高維特征進(jìn)行降維,并在二維平面進(jìn)行可視化。圖11為4 400個(gè)訓(xùn)練樣本經(jīng)卷積層、LSTM層輸出后經(jīng)過降維處理后的散點(diǎn)分布圖。圖11中,序號1～4分別代表窄帶干擾、寬帶干擾、梳狀譜干擾和掃頻干擾4類信號,橫縱坐標(biāo)軸表示數(shù)據(jù)降維后的兩個(gè)特征。從圖11可知,從原始信號的第一層卷積層提取的特征難以區(qū)分不同的干擾類型(見圖11(a))。隨著網(wǎng)絡(luò)層的不斷迭代,不同網(wǎng)絡(luò)層學(xué)習(xí)出來的數(shù)據(jù)特征逐漸呈現(xiàn)出獨(dú)特的聚集分布,最終實(shí)現(xiàn)準(zhǔn)確可靠的分類(見圖11(i))。

圖11 訓(xùn)練集樣本各網(wǎng)絡(luò)層T-SNE降維可視化情況Fig.11 T-SNE dimensionality reduction visualization of each network layer of the training sets sample

3.5 計(jì)算復(fù)雜度分析

神經(jīng)網(wǎng)絡(luò)的復(fù)雜度主要包括空間復(fù)雜度和時(shí)間復(fù)雜度,空間復(fù)雜度是指網(wǎng)絡(luò)可學(xué)習(xí)參數(shù)量,主要由卷積層、LSTM層和全連接層決定。時(shí)間復(fù)雜度從每輪訓(xùn)練迭代時(shí)間和單個(gè)樣本平均識別時(shí)間兩方面進(jìn)行分析。在500次蒙特卡羅實(shí)驗(yàn)統(tǒng)計(jì)平均情況下,本文采用的殘差CNN-LSTM和殘差CNN、CNN-LSTM的復(fù)雜度對比如表3所示。

表3 模型復(fù)雜度對比

由表3可知,殘差CNN-LSTM的空間復(fù)雜度和時(shí)間復(fù)雜度與CNN-LSTM基本一致,由于增加了LSTM層,網(wǎng)絡(luò)結(jié)構(gòu)更為復(fù)雜,其參數(shù)量相比殘差CNN有一定增加,空間復(fù)雜度高于殘差CNN,每輪迭代耗時(shí)和平均識別耗時(shí)也略高于殘差CNN。但從表3中數(shù)據(jù)來看,本文提出的殘差CNN-LSTM在空間復(fù)雜度和時(shí)間復(fù)雜度與殘差CNN、CNN-LSTM相比差別不大,識別耗時(shí)均在ms量級,且殘差CNN-LSTM模型能夠取得更高的識別正確率。

4 結(jié) 論

本文提出了基于一維殘差CNN和LSTM網(wǎng)絡(luò)結(jié)合的干擾信號分類方法。該方法直接利用干擾信號時(shí)域數(shù)據(jù)提取信號高維抽象特征,避免了人為提取信號特征的預(yù)處理環(huán)節(jié),可以實(shí)現(xiàn)對4類雷達(dá)有源噪聲干擾信號的有效分類,在低JNR下也能提供可靠的識別率,4類信號在JNR為0 dB的強(qiáng)噪聲環(huán)境下信號識別準(zhǔn)確率均高于98.3%。

本文所提方法通過在模型中引入殘差網(wǎng)絡(luò)提高了網(wǎng)絡(luò)深度,利用LSTM網(wǎng)絡(luò)對時(shí)序信息的提取能力提高了模型的抗噪性能。通過對3種深度學(xué)習(xí)網(wǎng)絡(luò)的對比試驗(yàn)表明,殘差CNN-LSTM網(wǎng)絡(luò)在各JNR環(huán)境下的分類性能和魯棒性最佳,在相同的迭代次數(shù)下,準(zhǔn)確率和損失率均優(yōu)于其他兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)下的數(shù)值,體現(xiàn)了在深層模型下殘差網(wǎng)絡(luò)模型和LSTM網(wǎng)絡(luò)模型結(jié)合的優(yōu)勢。