基于深度学习的雷达辐射源识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 常规特征参数研究现状 | 第18-19页 |
| 1.2.2 脉内特征提取研究现状 | 第19-21页 |
| 1.3 论文主要内容及章节安排 | 第21-23页 |
| 第二章 雷达信号建模与仿真 | 第23-33页 |
| 2.1 雷达辐射源信号模型仿真 | 第23-27页 |
| 2.1.1 常规脉冲信号 | 第23-24页 |
| 2.1.2 线性调频信号 | 第24-25页 |
| 2.1.3 非线性调频信号 | 第25页 |
| 2.1.4 相位编码信号 | 第25-26页 |
| 2.1.5 频率编码信号 | 第26-27页 |
| 2.2 雷达信号无意调制建模与仿真 | 第27-32页 |
| 2.2.1 脉内有意调制 | 第27-28页 |
| 2.2.2 脉内无意调制 | 第28-29页 |
| 2.2.3 无意调制仿真 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 深度学习的建模与分析 | 第33-49页 |
| 3.1 深度学习概述 | 第33-36页 |
| 3.1.1 自动编码器 | 第33-34页 |
| 3.1.2 深度神经网络 | 第34页 |
| 3.1.3 卷积神经网络 | 第34-35页 |
| 3.1.4 循环神经网络 | 第35-36页 |
| 3.2 卷积神经网络 | 第36-40页 |
| 3.2.1 局部感知野 | 第36页 |
| 3.2.2 权值共享 | 第36-37页 |
| 3.2.3 池化 | 第37-38页 |
| 3.2.4 卷积神经网络的激活函数 | 第38-40页 |
| 3.3 卷积神经网络的训练 | 第40-47页 |
| 3.3.1 SoftMax回归 | 第40-41页 |
| 3.3.2 前向传播算法 | 第41-42页 |
| 3.3.3 反向传播算法 | 第42-46页 |
| 3.3.4 防止过拟合 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于时频分析和卷积神经网络的信号识别 | 第49-65页 |
| 4.1 时频分析 | 第49-55页 |
| 4.1.1 短时傅里叶变换 | 第49-50页 |
| 4.1.2 Wigner-Ville时频分布 | 第50-51页 |
| 4.1.3 Cohen类时频分布 | 第51-54页 |
| 4.1.4 典型雷达辐射源信号的时频分析 | 第54-55页 |
| 4.2 时频图像预处理 | 第55-56页 |
| 4.2.1 图像平滑 | 第56页 |
| 4.2.2 图像归一化 | 第56页 |
| 4.3 仿真与分析 | 第56-62页 |
| 4.3.1 不同调制方式的雷达辐射源信号识别 | 第57-61页 |
| 4.3.2 相同调制方式的雷达辐射源信号识别 | 第61-62页 |
| 4.4 本章小节 | 第62-65页 |
| 第五章 基于一维卷积神经网络的信号识别 | 第65-77页 |
| 5.1 一维卷积神经网络的设计 | 第65-66页 |
| 5.2 仿真与分析 | 第66-73页 |
| 5.2.1 数据预处理 | 第66-67页 |
| 5.2.2 网络结构设计 | 第67-68页 |
| 5.2.3 不同调制方式的雷达辐射源信号识别 | 第68-71页 |
| 5.2.4 相同调制方式的雷达辐射源信号识别 | 第71-73页 |
| 5.3 算法对比分析 | 第73-75页 |
| 5.3.1 性能对比 | 第73-74页 |
| 5.3.2 效率对比 | 第74-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
