基于CNN-BiLSTM混合神经网络的雷达信号调制方式识别

摘 要：针对具有时频特性的雷达信号，传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求，因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积－双向长短时记忆（Ｃｏｎｖｏｌｕｔｉｏｎ-Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣＮＮ-ＢｉＬＳＴＭ） 混合神经网络模型，主要通过ＢｉＬＳＴＭ 的时序记忆特性深度挖掘雷达信号的时域特征，结合权值共享特性和ＣＮＮ 层捕获雷达信号的时频特征，再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证，所提方法对若干种雷达信号的识别具有较高的准确度，平均值达到９５． ３４９％ ；优于只使用单一特征的网络和传统算法，具有良好的抗噪声能力。

关键词：深度学习；卷积－双向长短时记忆混合神经网络；雷达信号调制识别

中图分类号：ＴＮ９７１． １ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１４４０－０６

０ 引言

雷达信号调制方式识别技术作为情报侦察系统［１－２］和现代电子对抗［３－４］的关键部分，其功能是对观测截获的雷达信号进行定位、分析和识别处理［５］，以获取对方的战术电子情报和雷侦手段，从而为作战指挥员提供战场态势信息和战术决策行动［６－７］。因此，研究一种能适应复杂电磁环境并识别多种雷达信号调制方式的方法，对于提升国防电子侦察能力具有十分重要的意义。

由于雷达信号调制方式与雷达的用途和功能息息相关，但随着战场电磁环境日益多元化，新型复杂体制雷达地不断涌现，传统的基于脉间五大参数［８］的雷达信号识别方法已经无法满足对信号类型精准识别的需求，因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估［９］。在此情形下，亟需一种能够在雷达信号中提取出更为精细和稳定的时频特征的措施，从而达到对雷达信号调制方式高准确度识别的要求。近年来，依靠着电子信息技术和深度学习技术的快速发展与结合，神经网络凭借着良好的特征学习能力被广泛地应用于雷达信号调制方式识别领域［１０］，主要通过对雷达信号脉内信息进行时频分析［１１］，从而深度挖掘提取信号频率随时间变化的规律。本文设计了一种基于卷积－双向长短时记忆（Ｃｏｎｖｏｌｕｔｉｏｎ-Ｂｉｄｉ-ｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣＮＮ-ＢｉＬＳＴＭ）混合神经网络的雷达信号联合特征提取方法，实现了对雷达信号调制方式较为准确的识别。首先通过ＢｉＬ-ＳＴＭ 网络［１２］提取雷达信号的时域特征，再对信号进行时频变换［１３］，得到信号的时频特征，利用ＣＮＮ 层网络［１４］对信号的时频特征进行分析，最终将二者组合成信号的联合特征［１５－１６］进行识别。通过对比实验证明：相较于单一特征的传统识别方法，本方法提升了雷达信号调制方式识别的准确率，并具有较强的鲁棒性。

１ 模型框架

ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络模型如图１ 所示，其中包含了输入层、ＢｉＬＳＴＭ 层、全连接层、ＣＮＮ 层、Ｄｒｏｐｏｕｔ 层和输出层。该网络模型进行雷达信号的特征提取和联合识别的过程如下：首先输入雷达信号数据集，通过ＢｉＬＳＴＭ 神经网络进行双向传播对雷达信号的时序特征进行选择性筛选；然后传入全连接层后利用时频变换获得一个新的雷达信号时频矩阵，当时频矩阵经过由多个卷积层与最大池化层交替堆叠组成的ＣＮＮ 层后，对雷达信号进行深层特征提取，得到多组时频特征向量后经Ｄｒｏｐｏｕｔ 层进行随机丢弃，继而提高模型识别效果的稳定性；最后完成雷达信号特征的联合并识别。

２ ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络

２． １ 时域特征处理模块（ＢｉＬＳＴＭ 层）

ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络中的时域特征处理模块主要提取的是雷达信号中的时域相关性，其核心是利用记忆块对输入的雷达信号脉冲进行长期或短期的记忆，通过门机制进行管理行成一种多层次的特征选择方法［１７］。时域特征处理模块由ＢｉＬＳＴＭ层完成，ＢｉＬＳＴＭ 层以Ｃ（ｔ）为长记忆时间轴，ｈ（ｔ）为短记忆时间轴，通过长短时记忆功能将时序雷达信号脉冲信息进行选择性的遗忘，从而保留有效特征，剔除无效或重复信息。相较于ＬＳＴＭ，ＢｉＬＳＴＭ 网络具有前向传播和后向传播的结构特性，在双向结构处理时序雷达信号的基础上提高了网络的稳定性［１８］，ＢｉＬＳＴＭ 层的模型如图２ 所示。

如果在ｔ 时刻ＢｉＬＳＴＭ 前向传播输出的隐藏状态为ａ，而反向的输出隐藏状态为ｂ，则ＢｉＬＳＴＭ 总输出的隐藏状态如式（１）所示，输出是前向网络与后向网络在每个时刻的综合输出。

ｈｔ ＝ ｈａ + ｈｂ ， （１）

式中：+为全连接操作。

２． ２ 时频特征处理模块（ＣＮＮ 层）

在ＣＮＮ 层提取雷达信号的时频特征时［１９］，通过ＣＷＤ 变换获得雷达信号时频特征矩阵Ｆ，其中包含具有时频特征的雷达信号数组Ｘ｛ｘ１ ，ｘ２ ，…，ｘｍ ｝和每组所对应的特征标签Ｙ｛ｙ１ ，ｙ２ ，…，ｙｍ ｝，雷达信号数组ｘｉ 由ｎ 个雷达信号脉冲元素组成，在此表示为｛ｘｉ１ ，ｘｉ２ ，…，ｘｉｎ｝，目标函数如下：

Ｐ（Ｙ｜ Ｘ） ＝ ａｒｇｍａｘ ｆ（Ｙ｜ Ｘ；θ）。（２）

当单通道雷达信号时频矩阵作为输入时，具有时频特征的雷达信号数组里元素向量为ｘｉ，ｘｉ ∈Ｒｎ×ｄ，其中ｎ 是雷达信号元素数量，ｄ 是矢量维度。通过设置的过滤器提取输入雷达信号的时频特征，计算如下：

Ｊｉ ＝ ｆ（ω × ｘｉ：ｉ＋ｇ －１ ＋ ｂ）， （３）

式中：ω 为卷积核，ｇ 为卷积核的大小，ｘｉ：ｉ＋ｇ－１ 为由ｉ ～ ｉ＋ｇ－１ 个雷达信号脉冲元素组成的数组向量，ｂ为偏差项。

在经过卷积层处理后，特征矩阵Ｊ 可由式（４）表示：

Ｊ ＝ ［ｃ１ ｃ２ … ｃｎ －ｇ ＋１ ］。（４）

将其通过池化层对雷达信号的局部特征矩阵Ｃ进行下采样处理，生成局部值的最佳解。此处使用最大池化技术，如式（５）所示：

Ｍ ＝ ｍａｘ（ｃ１ ，ｃ２ ，…，ｃｎ －ｇ ＋１ ） ＝ ｍａｘ｛Ｊ｝。（５）

经过池化操作后，每个卷积核提取的特征向量在一定程度上有所减少，但仍保留了雷达信号核心的时频特征相关信息。

２． ３ Ｄｒｏｐｏｕｔ 运算

由于ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络从雷达信号时频矩阵中获取时频特征时，ＣＮＮ 层的输出结果易出现过拟合，在ＣＮＮ 层后增加Ｄｒｏｐｏｕｔ 运算［２０］，从每个训练批次中随机忽略少部分的特征神经元，可以减少其中产生的相互作用，使得混合神经网络不会形成依赖状况，最终有效地降低网络识别结果的过拟合现象，提高网络模型的泛化能力。标准神经网络模型结构与包含Ｄｒｏｐｏｕｔ 运算的神经网络模型结构的对比如图３ 所示。

Ｄｒｏｐｏｕｔ 运算使得当前层的神经元不必遍历下一层所有的神经元即可构成连接，形成一种局部连接的结构，降低了网络的复杂度，因此Ｄｒｏｐｏｕｔ 运算不仅解决了识别结果的过拟合现象，而且大幅减少了网络运算的时间。在考虑ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络模型结构与深度后，使用Ｄｒｏｐｏｕｔ 运算忽略的特征神经元比例设置为２０％ 左右时，网络运算效果达到最优。

３ 实验与讨论

本次实验采用长度为５１２ 的调制雷达信号作为数据集，时频矩阵的架构设定为５１２×５１２，循环层数为１６ 层，以交叉熵损失函数作为分类计算方法，实验设计的ＢｉＬＳＴＭ 网络、ＣＮＮ 网络与分类网络结构如表１ ～ 表３ 所示。

本次实验使用的雷达信号调制方式包含７ 种，分别为单载频、线性调频、非线性调频、二相编码、四相编码、二频编码和四频编码［２１］。调制雷达信号采用归一化处理后的频率和带宽表示，包含５１２ 个采样点。在－１０ ～ １０ ｄＢ 信噪比变化范围内，对于每一种调制类型的雷达信号以２ ｄＢ 为间隔生成５ ０００ 个样本，并赋予特征类型的标签［２２］，调制的雷达信号数据集以７ ∶ ２ ∶ １ 的比例随机分配为训练集、验证集与测试集。网络训练设置的参数如下：迭代次数为１００，其中每一次迭代包含３２ 个调制雷达信号，学习率为０． ００１，采用的优化器为ＳＧＤ［２３］。在训练过程中ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络的损失值和识别率的变化情况如图４ 和图５ 所示。

从图４ 与图５ 的变化情况可以看出，随着训练轮次的叠加，ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络的损失值逐渐降低，而识别率则会逐渐提高；当训练轮次达到３０后，损失值与识别率均会临近于一个稳定值，而后继续增加训练轮次对２ 个指标的影响逐渐减小，网络运行速度下降；当训练轮次达到１００ 时，ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络的损失值为０． １１８，识别率为９５． ３４９ １％ 。从训练集与验证集的对比情况可以看出，本模型的拟合情况良好，避免了出现过拟合现象。

从ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络对测试集的训练过程中分析，提取７ 种雷达信号调制方式的识别度结果如表４ 所示。可以看出ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络对于形式简单的雷达信号调制方式（例如单载频、线性调频和非线性调频）在网络训练稳定后识别结果十分理想，在训练２０ 次后即达到了９５％ 左右的识别率，在训练１００ 次时达到了９９％ 左右的识别率。而对于时频特性相对复杂的相位编码和频率编码，在网络训练次数较少时很难达到合格的识别率，但当网络训练后趋近于稳定时，识别率也有较大的提升；当训练次数达到１００ 时，识别率提高到了９０％ 以上。其中由于加入了Ｄｒｏｐｏｕｔ 运算，使得网络在训练３０ 次左右时就达到较为稳定的状态，但由于部分神经元的随机性丢失，网络对识别率在４０ ～７０ 次有轻微的波动。当网络稳定后由平均值可见，ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络对于若干种雷达信号调制方式的识别率在训练１００ 次后提高至９５． ３４９１％ ，已经基本满足了对雷达信号调制方式的识别要求。

将ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络与使用单一特征的网络进行对比，在使用同样的雷达信号数据集和设置同等参数的情况下，分别对ＣＮＮ 模型、ＬＳＴＭ 模型和ＢｉＬＳＴＭ 模型进行训练并测试，比较４ 种模型在不同信噪比下的识别准确率与运行时间，对比结果如图６ 和表５ 所示。

由图６ 可知，在－ １０ ～ １０ ｄＢ 信噪比范围内，ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络模型对于雷达信号调制识别的准确率高于ＢｉＬＳＴＭ 网络、ＬＳＴＭ 网络和ＣＮＮ网络。而因信噪对于雷达信号的频域特征影响要小于时域特征，导致在信噪比较高的情况下，捕获更多时域特征的ＢｉＬＳＴＭ 模型识别准确率高于ＣＮＮ 模型；相反在信噪比较低的情况下，捕获更多频域特征的ＣＮＮ 模型识别准确率要高于ＢｉＬＳＴＭ 模型。再者，由于ＢｉＬＳＴＭ 模型具有双向结构的稳定性，在整个信噪比范围内对于信号识别的准确率均高于ＬＳＴＭ 模型。由表５ 可知，ＣＮＮ-ＢｉＬＳＴＭ 模型在４ 种模型中的结构最为复杂，运算时间最长。

４ 结束语

本文设计了一种基于ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络的雷达信号联合特征提取方法，在获取与分析雷达信号的时域特征与时频特征的同时，形成了具有多元化信息的联合特征，并添加Ｄｒｏｐｏｕｔ 运算与分类网络对信号进行识别。经过实验的对比研究，ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络在－１０ ～ １０ ｄＢ 信噪比范围内（每２ ｄＢ 为一个步进）的雷达信号识别准确度上比强调时域特征的ＢｉＬＳＴＭ 网络平均提高了１５． ９％ ，比仅有单向时域特征处理的ＬＳＴＭ 网络提高了１９． ６％ ，比未进行时域特征强化处理的ＣＮＮ 网络提高了１３． １％ ，综合雷达信号调制方式识别率达到９５． ３４９％ ；并且ＣＮＮ-ＢｉＬＳＴＭ 混合神经网络具有良好的抗噪声能力，最终能够充分并精确地识别出雷达信号的调制方式。本文对设计的网络结构参数设置没有进行过多的对比研究，在模型的最优化选择和提升处理数据的耗时上值得进一步探讨。

参考文献

［１］ ＸＵ Ｙ Ｌ，ＺＨＡＮＧ Ｍ，ＪＩＮ Ｂ Ｙ． Ｐｕｒｓｕｉｎｇ Ｂｅｎｅｆｉｔｓ ｏｒ Ａｖｏｉｄｉｎｇ Ｔｈｒｅａｔｓ：Ｒｅａｌｉｚｉｎｇ Ｒｅｇｉｏｎａｌ Ｍｕｌｔｉｔａｒｇｅｔ ＥｌｅｃｔｒｏｎｉｃＲｅｃｏｎｎａｉｓｓａｎｃｅ ｗｉｔｈ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：６３９７２－６３９８４．

［２］ 胡建旺，李月武，吉兵． 雷达情报质量评价指标体系研究［Ｊ］． 现代雷达，２０１９，４１（９）：２６－３０．

［３］ ＳＨＡＲＭＡ Ｐ，ＳＡＲＭＡ Ｋ Ｋ，ＭＡＳＴＯＲＡＫＩＳ Ｎ Ｅ． ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ Ａｉｄｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ ＳｙｓｔｅｍｓｒｅｃｅｎｔＴｒｅｎｄｓ ａｎｄ Ｅｖｏｌｖｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，８：２２４７６１－２２４７８０．

［４］ ＷＡＮＧ Ｙ Ｘ，ＨＵＡＮＧ Ｇ Ｃ，ＬＩ Ｗ． Ｗａｖｅｆｏｒｍ Ｄｅｓｉｇｎ ｆｏｒＲａｄａｒ ａｎｄ Ｅｘｔｅｎｄｅｄ Ｔａｒｇｅｔ ｉｎ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ［Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１８，２９（１）：４８－５７．

［５］ 吴迪，徐滢，汪倍宁，等． 深度学习雷达信号处理应用综述———机遇与挑战［Ｊ］． 现代雷达，２０２２，４４（１２）：１－７．

［６］ 张怀国． 雷达信号识别关键技术研究［Ｊ］． 电子技术与软件工程，２０２０（１０）：８５－８７．

［７］ 罗应． 相控阵雷达信号侦察及快速识别［Ｊ］． 舰船电子对抗，２０１０，３３（３）：４３－４６．

［８］ 屈直，黄高明，程远国，等． 基于脉内特征参数的雷达信号调制方式识别方法［Ｊ］． 电子信息对抗技术，２０１２，２７（２）：６－９．

［９］ 董志杰，王晓峰，田润澜． 雷达信号脉内调制识别新方法［Ｊ］． 航天电子对抗，２０１８，３４（２）：３３－３７．

［１０］ ＬＩＵ Ｃ，ＡＮＴＹＰＥＮＫＯ Ｒ，ＳＵＳＨＫＯ Ｉ，ｅｔ ａｌ． Ｍａｒｉｎｅ Ｄｉｓｔｒｉｂｕｔｅｄ Ｒａｄａｒ Ｓｉｇｎａｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｔｒａｉｔｅｍｅｎｔ ｄｕ Ｓｉｇｎａｌ，２０２１，３８（５）：１５４１－１５４８．

［１１］ ＸＩＡＯ Ｚ Ｌ，ＹＡＮ Ｚ Ｙ． Ｒａｄａｒ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｂａｓｅｄｏｎ Ｎｏｖｅｌ Ｔｉｍｅｆｒｅｑｕｅｎｃｙ Ｓｐｅｃｔｒｕｍ ａｎｄ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，２５（８）：２６３４－２６３８．

［１２］ 郑渝，沈永健，周云生． 基于多层双向ＬＳＴＭ 的雷达信号脉内调制识别［Ｊ］． 遥测遥控，２０１９，４０（１）：３３－４１．

［１３］ 胡赵成，余思雨，王建涛，等． 基于改进时频变换的雷达二相编码信号脉内特征分析方法［Ｊ］． 信息工程大学学报，２０２２，２３（６）：６５６－６６５．

［１４］ ＹＵ Ｚ Ｙ，ＴＡＮＧ Ｊ Ｌ，ＷＡＮＧ Ｚ． ＧＣＰＳ：Ａ ＣＮＮ ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ ｆｏｒ Ｒａｄａｒ Ｓｉｇｎａｌ ＩｎｔｒａｐｕｌｓｅＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ ］． ＩＥＥＥ ＣｏｍｍｕｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０２１，２５（７）：２２９０－２２９４．

［１５］ 童真，姚群，高墨韵，等． 基于短时频谱与自相关特征的雷达脉内调制识别［Ｊ］． 舰船电子对抗，２０２１，４４（４）：７０－７４．

［１６］ ＳＵＮ Ｈ，ＬＩ Ｍ，ＺＵＯ Ｌ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒａｄａｒ Ｓｃｈｅｄｕｌｉｎｇ ａｎｄＢｅａｍｐａｔｔｅｒｎ Ｄｅｓｉｇｎ ｆｏｒ Ｍｕｌｔｉｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ｉｎ Ｎｅｔｔｅｄ Ｃｏｌｏｃａｔｅｄ ＭＩＭＯ Ｒａｄａｒ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｓｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，２０２１，２８：１８６３－１８６７．

［１７］ 孟磊，曲卫，马爽，等． 基于ＬＳＴＭ 的雷达脉冲重复间隔调制模式识别［Ｊ］． 现代雷达，２０２１，４３（１）：５０－５７．

［１８］ ＷＥＩ Ｓ Ｊ，ＱＵ Ｑ Ｚ，ＺＥＮＧ Ｘ Ｆ，ｅｔ ａｌ． Ｓｅｌｆａｔｔｅｎｔｉｏｎ ＢｉＬＳＴＭ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｒａｄａｒ Ｓｉｇｎａｌ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｉｃｒｏｗａｖｅ Ｔｈｅｏｒｙ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ，２０２１，６９（１１）：５１６０－５１７２．

［１９］ 姚瑶，王战红． 基于时频预处理下卷积网络的雷达信号识别［Ｊ］． 探测与控制学报，２０１８，４０（６）：９９－１０５．

［２０］ 程俊华，曾国辉，鲁敦科，等． 基于Ｄｒｏｐｏｕｔ 的改进卷积神经网络模型平均方法［Ｊ］． 计算机应用，２０１９，３９（６）：１６０１－１６０６．

［２１］ 刘鲁涛，戴亮军，陈涛． 基于频谱复杂度的雷达信号调制方式识别［Ｊ］． 哈尔滨工程大学学报，２０１８，３９（６）：１０８１－１０８６．

［２２］ ＰＡＮ Ｚ Ｓ，ＷＡＮＧ Ｓ Ｆ，ＺＨＵ Ｍ Ｔ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ Ｗａｖｅｆｏｒｍ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｏｖｅｒｌａｐｐｉｎｇ ＬＰＩ Ｒａｄａｒ Ｓｉｇｎａｌｓ Ｂａｓｅｄｏｎ Ｍｕｌｔｉｉｎｓｔａｎｃｅ Ｍｕｌｔｉｌａｂｅｌ Ｌｅａｒｎｉｎｇ ［Ｊ］． ＩＥＥＥ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，２７：１２７５－１２７９．

［２３］ ＫＯＢＡＹＡＳＨＩ Ｔ． ＳＣＷＳＧＤ：Ｓｔｏｃｈａｓｔｉｃａｌｌｙ Ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔｅｄ ＳＧＤ［Ｃ］∥２０２０ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＩＰ ）． Ａｂｕ Ｄｈａｂｉ：ＩＥＥＥ，２０２０：１７４６－１７５０．

作者简介

房崇鑫 男，（１９９５—），硕士，助理工程师。主要研究方向：信息处理技术、无线传感器网络。

盛震宇 男，（１９８９—），硕士，高级工程师。主要研究方向：显示控制、软件框架。

夏 明 男，（１９７８—），硕士，研究员。主要研究方向：物联网安全技术。

周慧成 男，（１９８９—），硕士，工程师。主要研究方向：综合显示与控制。