0 引 言
随着雷达对抗技术的不断发展，雷达系统面对干扰的多样化、干扰信号参数变化范围大和干扰功率不断增强等挑战。因此，迫切需要提升现代雷达系统的抗干扰能力［1］。干扰信号的识别是雷达系统抗干扰的前提和基础，干扰识别算法是当前雷达抗干扰领域的研究热点和基本问题。
目前，国内外从机器学习和人工智能的角度对有源干扰的特征提取和识别开展了很多研究。文献［2］利用BP 神经网络对建模合理的复合干扰信号进行识别，当JNR ＞10 dB 时，对各种复合干扰信号的正确识别率可达90%以上。文献［3］提出了一种基于时频分布Zernike矩特征的欺骗干扰识别算法，通过与其他方法的比较，SNR ＜6 dB时，识别率最高。文献［4］提出了一种CNN 的雷达干扰深度学习与识别方法，在0 ～8 dB JNR（干扰噪声比）范围内，9 种典型干扰的分类精度可达98.667%，对不同参数干扰具有较好的泛化能力。综上，目前干扰识别的研究大多数基于时频域分析样本数据，容量较大，CNN 识别率较高，但存在模型体积大、训练过程伴随着大量的参数计算和迭代等问题。
近年来卷积神经网络的发展越来越迅速，从11 层的AlexNet［5］到16 层的VGGNet［5］，再到22 层的GoogLeNet［6］、152 层的ResNet［7］等，它的模型效果越来越好，但模型结构越来越复杂，对FPGA［8］这种嵌入式系统很不友好。轻量化网络的出现有效地解决了网络模型参数多、训练成本高等问题，且能达到良好的识别精度。文献［9］提出了一种无监督和轻型CNN 的SAR 图像目标识别方法，通过对MSTAR 数据集的测试，该方法在分类任务中获得了满意的准确率，有效地实现了无监督目标检测。文献［10］提出了一种基于深度卷积神经网络的SqueezeNet 模型的导航干扰识别方法，与李建等［11］基于脉宽、调频斜率和带宽比三种分类特征识别调制型导航信号干扰的方法相比，在相同的0 dB干扰噪声比下，识别精度提高了约15%。
目前基于轻量化CNN 网络的干扰识别研究相对较少。本文针对干扰识别时CNN 网络模型体积大、训练成本高等问题，提出了一种基于距离多普勒（Range-Doppler,RD）和改进的轻量化网络SqueezeNet 模型的复杂干扰信号识别算法。利用改进的SqueezeNet 模型提取干扰信号RD 图像的深度特征，应用于典型干扰信号的智能识别。通过与经典SqueezeNet模型的比较，本文算法在轻量化、识别速度与准确率等方面都有更好的效果。
1 距离多普勒图像的生成
1.1 典型干扰信号模型
本文主要研究几种典型的雷达主瓣有源欺骗干扰信号，包括前沿复制干扰、间歇采样转发干扰、密集假目标和距离速度波门拖引干扰。
欺骗干扰具有与雷达回波相似的特征，它们是由数字射频存储器（Digital Radio-Frequency Memory,DRFM）产生，但每种干扰产生的方式不同，其中：前沿复制（Front Copy,FC）转发干扰是由DRFM 截取雷达发射信号前沿部分，随后将其多次复制转发形成。间歇采样（Intermittent Sampling,IS）转发干扰［12］是DRFM 间歇的对信号进行采样，再逐次转发，然后对一个采样周期中转发的信号进行多次采样转发产生的。密集假目标［12］（Intensive Fake Targets,IFT）是DRFM 截获一部分雷达信号后，在一个脉冲重复周期中对截获的部分信号进行多次复制并转发，在雷达端形成两两之间高度密集的假目标，从而形成密集假目标。距离-速度波门拖引（Range-Velocity Gate Pull Off,RVGPO）干扰［13］包含捕获期、波门拖引期和停拖期三个阶段。当信号的多普勒频率不断变化时，干扰信号可以驱动速度跟踪门对目标信号进行偏移。同时根据干扰脉冲多普勒频移的变化规律得到径向拖引速度，完成有效拖引距离。
当不间断的对信号多普勒频率施加变化时，可以使得干扰信号带动速度跟踪波门偏移目标信号，同时能够根据干扰脉冲多普勒频移的变化规律得到径向拖引速度，完成有效的距离拖引。
1.2 基于RD的干扰特征提取
距离多普勒是一种相对直观、应用性较强的方法，是从雷达中提取多目标信息的有效方法。它将二维图像处理过程分别级联为2个一维过程，修正了成像中的距离偏移问题，同时达到了较好的通用性和计算效率与精度，并且易于实现。
1.2.1 RD图像处理流程
RD 图像生成有三个核心步骤：距离压缩、距离徙动矫正和方位压缩［14］。
1）距离压缩
距离压缩是一个匹配滤波的过程，对待处理信号与原始发射信号分别进行傅里叶变换，相乘之后再进行傅里叶反变换。原始发射信号表达式为
式中，A0 为信号幅度，ωr(τ)为距离包络，R(η)为距离，τ、η 为近距方位时间，ηc为波束中心偏离时间，ωa(η)为方位包络，f0为雷达中心频率，Kr为调频斜率。取它的匹配滤波器H(f)为
距离压缩的输出为
2）方位傅里叶变换和距离徙动矫正
距离可表示为
联立式（1），距离压缩信号可表示为
方位FFT之后的信号:
进行方位向压缩前需进行距离徙动矫正（RCMC）:
矫正之后的信号为
此时，pr 与方位频率无关，表示RCMC 已被准确矫正，并且能量都聚在τ=2R0 c处。
3）方位压缩
方位压缩处理也可通过匹配滤波实现：
式中
经过方位压缩和IFFT后即可得到最终结果为
1.2.2 RD图像重塑
本文使用距离多普勒算法获取目标及干扰信号的距离多普勒图。信号经RD处理后的图像尺寸较大、矩阵数值范围不统一，需要对其进行重塑。
1）滑窗变换
图像数据点数较多，为减小数据规模，可以先对输入图像作降维处理。预定区域的获取可以采用图像滑窗裁剪的方法。设线性调频信号的斜率为k，斜线区域上下两侧的点(n0,m0)、(n1,m1)，则预定区域为
式中A和Ar分别为裁剪前后的图像矩阵，1 ≤j ≤Ns，Ns为一个周期的采样点数。
2）归一化
归一化处理的目的是将输入数据的数值范围统一在一个固定范围，这里本算法将其转化为0～1之间。若特征间的数值差距较大，梯度更新时，会极不稳定，要经过很久才能达到局部最优或者全局最优值。为解决此问题，需对数据进行范围统一化，保证不同的数据能保持在相同的区间内，使梯度下降很快收敛。
原始RD图像尺寸冗余，选择合理大小的滑动窗口截取RD图像。本文选择1 024×4的窗口对整个原始图像滑窗处理，可获得无效/有效距离和速度范围内的目标及干扰RD图像，之后对获得的图像进行维度转换和数据归一化，从而得到重塑的样本图像。
1.3 基于RD处理的样本图像生成
本实验针对多类信号样本，首先获得距离多普勒图像，然后滑窗截取干扰最大时延范围内的数据，最后通过图像预处理操作得到最终的样本图像。图1显示了基于距离多普勒处理的样本图像生成流程图。
图1 样本生成流程图
本文以某系统的典型参数为例，在噪声及杂波干扰的背景下，选取信号脉宽为10 μs，带宽为50 MHz，采样率为50 MHz，仿真中信噪比为25 dB，干噪比为30 dB 作为场景参数。基于以上参数，图2分别展示了信号经过滑窗处理之后生成的RD 图像的若干情形，其中，滑窗处理之后的图像尺寸1 024×4，然后将其转化为64×64 的矩阵。图2（a）为真实目标RD 图，图2（b）为无目标与干扰RD图，即只存在噪声与杂波干扰，图2（c）为距离速度波门拖引RD图，图2（d）、图2（e）为不同切片宽度、多普勒频率下的前沿复制转发干扰RD 图，图2（f）、图2（g）为不同时延、多普勒频率下间歇采样转发干扰RD 图，图2（h）、图2（i）为不同密集假目标个数、多普勒频率下的密集假目标RD 图，图2（j）、图2（k）、图2（l）、图2（m）为部分目标干扰复合信号RD 图。由图2可知，目标与干扰的距离多普勒图之间的确存在明显的差异，其可以用来刻画干扰与目标之间的特征差异。
图2 目标及干扰滑窗处理后距离多普勒图
2 基于改进的轻量化CNN模型的干扰识别算法
本文主要研究了轻量化网络SqueezeNet模型，针对欺骗干扰与真实目标在雷达RD 图像上的差异，对SqueezeNet模型进行改进以满足复杂干扰信号识别的需求。
2.1 经典轻量化SqueezeNet模型
卷积神经网络SqueezeNet 模型核心为fire 模块，其fire 模块如图3所示。SqueezeNet 结构说明如下：
图3 fire模块
1）fire 模块：一个fire 模块包括一个squeeze 层（只有1×1 卷积）和expand 层，其中expand 层是1×1 和3×3 卷积的组合。一个fire 模块中有3 个超参数：s1×1，e1×1 和e3×3，分别代表对应卷积在对应层的数量。使用fire 模块时，设置s1×1 ＜(e1×1+e3×3)）。expand 层有助于限制3×3卷积中输入通道的数量［15］。
2）ReLU 函数层：ReLU 模块会减少大量的计算环节；在ReLU 的反向传播过程中，网络收敛时间较短；它将使某些神经元的输出趋于零，降低它们之间的相互依赖性，使网络稀疏性更强，减少过拟合问题发生的频率［15］。
3）Dropout层：主要用于防止过拟合。
4）最大池化层：采用最大池化可以减小上一层的参数误差对估计平均值的偏差，保留图像更有效更详细的特征信息。同时，避免了平均池化带来的模糊特征。
5）全局平均池化层：通过全局平均池化层代替全连接层来计算分类。
在对ImageNet 数据的实验中，它实现的精度几乎与AlexNet 相同，但参数大大减少，接近AlexNet 的1/50，使其更适合在资源有限的硬件上使用，并且大大提高了计算速度。
2.2 基于RD信息尺寸的SqueezeNet网络剪枝
近几年提出的经典SqueezeNet 模型在对1 000类ImageNet 数据的分类中，具有与AlexNet 相似的精度。本文针对目标及干扰信号的RD 图像特征，采用网络剪枝的方式对经典SqueezeNet 网络作出改进。
为了有效表征目标及干扰信号的RD 图像，本文对RD 信息尺寸和统一有效信息尺寸进行分别定义。统一有效信息尺寸是指同时能够覆盖目标及干扰的RD 信息尺寸的最小图像。以图2为例，统一有效信息尺寸大小仅为1 024×4。RD 信息尺寸是指信号经RD 处理后，包含当前距离和多普勒频率信息的最小图像。图4显示的是图2中距离为1 000，多普勒频率为1 750 的目标及干扰的RD信息尺寸图。
图4 目标及干扰RD信息尺寸图
图4示例RD信息尺寸图是基于文中实验参数范围内所有的干扰信号及目标的最大RD 信息尺寸，所以参数改变时，RD 信息尺寸实际上是有较小的变化，实验时考虑到此种情况，以下进行合适的隐层剪枝。
1）后四个fire模块剪枝
本文目标及干扰经RD 处理后，统一有效信息尺寸大小仅为1 024×4，经矩阵维度转换后，输入信号图像的尺寸为64×64，生成的总训练样本数为3 750，即本文使用的样本图像尺寸小，数据集小，需适当对fire 模块剪枝以降低模型空间复杂度和测试时发生过拟合的可能性。经多次试验，删除后四个fire模块拥有相对较好的识别效果。
2）Maxpool8层剪枝
式（12）和式（13）分别为卷积模块和池化层输出大小计算公式：
式中，N*代表输出图像尺寸大小，W*代表输入图像尺寸大小，F*代表卷积核大小，P*代表padding 填充，S*代表步长。通过上述公式可以计算出经卷积层和池化层学习后输出的图像尺寸。输出图像尺寸应大于RD信息尺寸，即有
式中，w*，h*分别指目标及干扰的RD 信息尺寸的宽和高。网络最后输出的特征图像素需不小于目标及干扰的RD 信息尺寸像素，才能提取到相对完整的特征图的信息。
以图4为例，图中wT×hT=2×2，wFC×hFC=7×2,wIS×hIS=10×2,wIFT×hIFT=5×2，wRVGPO×hRVGPO=5×2。样本图像初始尺寸为64×64，步长为2。据式（12）和式（13），经一次卷积和两次池化后，输出的特征图尺寸为8×8，如图5（a）所示。继续下采样，特征图尺寸变为4×4，即每个特征图只包含16 个像素的信息，如图5（b）所示。由于wIS×hIS ＞16，导致间歇采样转发干扰的部分信息损失，此干扰的识别率受到影响，所以删掉第三个最大池化层，同时将Maxpool4 放在靠后的位置，延迟网络下采样的时间，使较大的特征图都保持在网络的后面以获得较高的识别率。
图5 间歇采样转发干扰特征图可视化
3）通道剪枝
通道剪枝是指去除特征映射上的冗余通道，如何选择剪枝的卷积核通道数是本措施的重点。式（15）主要通过降低剪枝前后特征图之间的差别，尽可能地减少卷积核的通道数。
其中，c 为通道数，M 指有/无目标及干扰的样本个数，βi是第i个信道的标量掩码（即是否去掉整个信道），Wi 指第i 个卷积核，X 指第i 个原始输入特征图，Y 为经过原网络的输出特征图，后半部为剪枝后通过网络的输出特征图，本公式表达的就是能在最大限度剪枝时，保证处理后的目标及干扰的特征图和原始网络输出的特征图的区别最小。限制项为‖ β‖0，c＇为一个超参数，表示我们希望剪枝的最小数量，式中β=0 时，对应的输入层没有作用，达到想要的效果。
本文减少了fire2/3/4 层s1×1，e1×1 和e3×3卷积核的输入通道数。1×1 卷积核是3×3 卷积核参数量的1/9，为最大限度减少模型参数量，在保持使用1×1 卷积核的基础上，减少每层fire 模块3×3卷积核的通道数。
隐层剪枝和通道剪枝分别压缩了模型的深度和宽度，极大地缩小了模型尺寸和存储空间，且训练时间大大减少。
图6为改进前的SqueezeNet 模型，图7、图8是两种改进后的SqueezeNet模型。
图6 SqueezeNet网络模型
图7 改进1的SqueezeNet网络模型
图8 改进2的SqueezeNet网络模型
表1对比了改进前后SqueezeNet 网络模型的可训练参数数目，在本文网络的基础上删除一个fire 模块，可训练参数数目减少。可以看出改进后的SqueezeNet模型参数是原网络的1/30，能够极大地减少计算量和内存需求，使之更适合部署在资源有限的嵌入式平台上。
表1 本文网络和原网络具体参数对比
原网络Conv1：（3×3+1）×64=640 Fire2_squeeze：（1×1×64+1）×16=1 040 Fire2_expand1：（1×1×16+1）×64=1 088 Fire2_expand2：（3×3×16+1）×64=9 280…（Fire3～8）Fire9_squeeze：（1×1×512+1）×64=32 832 Fire9_expand1：（1×1×64+1）×256=16640 Fire9_expand2：（3×3×64+1）×256=147712 Conv10：（1×1×512+1）×7=3 591总参数量：724 935本网络Conv1：（3×3+1）×64=640 Fire2_squeeze：（1×1×64+1）×8=520 Fire2_expand1：（1×1×8+1）×16=144 Fire2_expand2：（3×3×8+1）×16=1 168（Fire3～4）Fire5_squeeze：（1×1×64+1）×16=1 040 Fire5_expand1：（1×1×16+1）×64=1088 Fire5_expand2：（3×3×16+1）×64=9280 Conv6：（1×1×128+1）×7=903总参数量：22 071
2.3 算法流程
如图9为基于CNN 的干扰识别算法流程图，算法分为训练和测试两个阶段。训练样本和验证样本由大量已知类型的真实目标和干扰经雷达距离多普勒处理后的RD 图组成，测试样本为目标和更改部分参数后的干扰信号的RD 图组成，首先对训练集和验证集做图像预处理使之利于卷积神经网络的训练与验证；同时根据任务建立合适的CNN网络并设置合适的网络初始参数；最后将处理样本送入CNN中进行训练，当达到训练次数后输出训练好的网络；将测试样本经过相同处理后送入上述训练完成的网络中，从而得到最终的识别结果。
图9 基于SqueezeNet的干扰识别算法流程图
3 实验结果及分析
本节通过实验仿真验证和分析了基于轻量化CNN 模型的干扰识别算法的有效性。由于真实目标与干扰信号的参数范围较大，因此本实验针对不同切片宽度、距离时延以及多普勒频率等参数，仿真了多种不同组合参数下的目标及干扰样本，其仿真参数如表2所示。按照表中的干扰模型参数产生7 种雷达接收信号，分别为无目标及干扰、目标回波信号、前沿复制转发干扰、间歇采样转发干扰、密集假目标、距离速度拖引干扰和目标干扰复合信号。
表2 实验参数
参数参数值雷达发射信号的带宽/MHz雷达发射信号的脉宽/μs采样频率/MHz调频斜率单个CPI内的脉冲数多普勒频率范围/Hz干扰机延时范围/μs RVGPO距离上拖引速度/（m·s-1）RVGPO速度上拖引速度/（kHz·s-1）前沿复制转发干扰切片宽度/μs间歇采样转发干扰切片宽度/μs密集假目标的个数系统噪声的均值系统噪声方差信噪比/dB 50 10 50 5.0×1012 64 1 750～2 333 6.4～7.3 700～800 45～55 2～4 2.5～4.5 15～35 01 25～39
参数参数值干噪比/dB30～44
为了训练和评估模型，将训练集3 750个按9∶1的比例重新分配训练集和验证集。设置模型Batch Size=128，初始学习率lr=0.000 85，使用3 750 个训练集样本对它们进行训练，改进前的SqueezeNet 网络的训练总时长约为173.266 9 s，改进1 后的SqueezeNet 网络训练总时长约132.908 6，改进2后的SqueezeNet网络训练总时长约67 s。图10是基于改进前后的轻量化SqueezeNet 模型训练集和验证集的识别率曲线与损失曲线。
图10 基于改进前后轻量化SqueezeNet的训练和验证
如图10所示，随着迭代次数的增加，基于改进前后SqueezeNet的损失误差收敛很快，并且识别达到较好的效果，验证识别准确率均可达到95%以上，但改进2 后SqueezeNet 识别率与损失曲线收敛明显变慢。训练完成后，保存的改进后的网络模型与权重占用内存更小，调用训练保存下来的模型及权重，对未知类型的干扰、目标加干扰进行测试，改进前的SqueezeNet 测试每张图片需43.6 ms，整体识别准确率约96.85%，改进1 后的SqueezeNet测试每张图片需36.1 ms，整体识别准确率可达97.55%。改进2 后的SqueezeNet 测试每张图片需22.1 ms，整体识别准确率可达99.73%。经实验分析可知，改进2 后的SqueezeNet 测试速度相对本文网络更快，但是识别准确率却不是很高，本文网络的训练速度、测试识别速度更快，测试识别率也更高。这正是由于SqueezeNet 网络采用小卷积核代替大卷积核，提取到更具体的图像特征，删除部分fire 模块，适当减少卷积核个数，从而加快了网络的计算速度。
在多分类问题中，除了对不同分类点的识别准确率进行分析外，混淆矩阵也被广泛应用于分析识别能力。图11给出了基于改进前后的SqueezeNet目标及干扰识别情况的混淆矩阵，其中0、1、2、3、4、5、6分别对应7种信号：无目标、目标回波、前沿复制转发干扰、间歇采样转发干扰、密集假目标、距离速度联合拖引和目标干扰复合信号。在基于改进前的SqueezeNet 识别中，39 个间歇采样转发干扰误分类为目标干扰复合信号，79 个间歇采样转发干扰样本误分类为前沿复制转发干扰；在基于改进1后的SqueezeNet识别中，有4个密集假目标干扰误分类为前沿复制转发干扰，6 个密集假目标干扰误分类为目标干扰复合信号。在基于改进2后的SqueezeNet识别中，有90个密集假目标干扰误分类为前沿复制转发干扰。也就是说，改进前的SqueezeNet 对间歇采样转发干扰的识别效果不是特别好，但其他类型的干扰信号都能被正确识别，改进1 后的SqueezeNet 对各种信号的识别效果都非常好，对密集假目标的识别也仅仅只有2.33%的错误率，改进2 后的SqueezeNet 对密集假目标的识别效果不是特别好，但对其他干扰信号均能准确识别。
图11 基于改进前后SqueezeNet的混淆矩阵
图12给出了25～39 dB 之间每种信噪比下测试样本的识别率，改进1网络的测试识别率在每种信噪比下都明显优于经典的SqueezeNet 和改进2后SqueezeNet 的识别率，说明改进1 后的轻量化网络在进行目标及干扰的识别时效果卓越，具有较强的实践意义，所以选择改进1 后的SqueezeNet 作为本文网络使用。
图12 测试样本的识别率
为验证本文网络的可靠性，在信噪比25～39 dB之间，本文对每个雷达信号产生100个样本作为测试数据，每个信噪比下测试样本总量为700。图13给出了每种信噪比下各种雷达信号的识别率，可以看出在低于32 dB 时，各干扰信号及目标都能被准确识别，大于32 dB 时，密集假目标的识别率稍有变动，但其识别效果仍在95%以上，其他信号也都能被准确识别。
图13 各干扰信号识别率
在表3中将本节方法与文献［12］中的3 种方法进行比较，分别从识别率、总参数量、占用内存以及训练时间四个方面比较，由表中内容可以得出本文采用的改进的SqueezeNet 网络识别算法识别率远高于传统SVM 算法，并且在保持文献［12］中深度学习算法整体识别率的同时，模型参数更少，计算速度更快，占用内存更小，验证了本文算法的有效性。
表3 不同算法比较
算法本文算法总参数量724 935 22 071内存/MB 1.382 7 0.042 1训练时间/s 173.267 110.998文献［12］算法SqueezeNet改进1后的SqueezeNet SVM CNN GAP-CNN识别率96.85%99.73%88.6%98.84%98.94%4 468 873 340 105 8.523 8 0.648 8 255 149.8
4 结束语
本文提出了一种基于改进轻量级网络模型SqueezeNet的雷达信号识别算法，利用人工智能实现高精度复杂干扰信号识别。虽然每次处理的结果都具有一定的随机性，但证明了卷积神经网络用于识别干扰类型的有效性。实验验证改进后的SqueezeNet 网络参数量降为经典SqueezeNet 网络的1/30，节省了大量模型训练时间，保存的权重和网络模型占有更小的内存，使之更适合嵌入式系统，并且每种干扰信号的识别率能够达到95%以上。因此，此算法在干扰识别的硬件存储方面有很好的应用前景。
［1］定少浒.DRFM 有源欺骗干扰识别算法研究［D］.西安：西安电子科技大学，2019.
［2］ FU Ruoran.Compound Jamming Signal Recognition Based on Neural Networks［C］//2016 Sixth International Conference on Instrumentation&Measurement,Computer,Communication and Control（IMCCC）,Harbin,China:IEEE,2016:737-740.
［3］YANG Xingyu,RUAN Huailin,FENG Haoran.A Recognition Algorithm of Deception Jamming Based on Image of Time-Frequency Distribution［C］//2017 7th IEEE International Conference on Electronics Information and Emergency Communication（ICEIEC）,Macao,China:IEEE,2017:275-278.
［4］LIU Qiang,ZHANG Wei.Deep Learning and Recognition of Radar Jamming Based on CNN［C］//2019 12th International Symposium on Computational Intelligence and Design（ISCID）,Hangzhou,China: IEEE,2019:208-212.
［5］尚东东，张劲东，杜盈，等.基于SPWVD 和改进AlexNet的复合干扰识别［J］.数据采集与处理，2021，36（3）：577-586.
［6］刘钇壮.基于时频分析和深度学习的雷达调制方式识别的研究实现［D］.北京：北京工业大学，2020.
［7］YAN He,CHEN Chao,JIN Guodong,et al.Implementation of a Modified Faster R-CNN for Target Detection Technology of Coastal Defense Radar［J］.Remote Sensing,2021,13（9）：1703.
［8］HUANG Chao,NI Siyu,CHEN Gengsheng.A Layer-Based Structured Design of CNN on FPGA［C］//2017 IEEE 12th International Conference on ASIC（ASICON）,Guiyang,China:IEEE,2017：1037-1040.
［9］HAO He,WANG Shicheng,YANG Dongfang,et al.SAR Target Recognition and Unsupervised Detection Based on Convolutional Neural Network［C］//2017 Chinese Automation Congress（CAC）,Jinan,China:IEEE,2017:435-438.
［10］LI Xiangjun,FU Dong,MOU Weihua,et al.An Identification Method of Navigation Signal Interference Type Based on SqueezeNet Model［C］//2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference（ITAIC）,Chongqing,China:IEEE,2020:875-880.
［11］李建，王飞雪，李柏渝，等.一种卫星导航信号干扰类型自动识别方法［C］//第五届中国卫星导航学术年会论文集，南京：［出版者不详］，2014：72-76.
［12］刘强.基于深度学习的雷达干扰识别技术［D］.成都：电子科技大学，2020.
［13］刘慧敏.基于深度学习的有源欺骗干扰特征级识别方法研究［D］.西安：西安电子科技大学，2019.
［14］刘梦杰，代大海，吴昊，等.基于RD算法的机载SAR实测数据成像研究［J］.无线电工程，2019，49（9）:807-811.
［15］IANDOLA F N,HAN S,MOSKEWICZ M W,et al.SqueezeNet:AlexNet-Level Accuracy with 50x Fewer Parameters and ＜0.5MB Model Size［C］//ICLR 2017 Conference,［S.l］:［s.n.］,2016:1-13.
