| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 论文研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-11页 |
| 1.3 雷达信号脉内调制类型概述及脉内分析流程 | 第11-12页 |
| 1.4 深度学习的研究与应用 | 第12-14页 |
| 1.5 论文研究内容及结构安排 | 第14-15页 |
| 第二章 雷达辐射源信号识别基础 | 第15-22页 |
| 2.1 引言 | 第15页 |
| 2.2 雷达信号数学模型 | 第15页 |
| 2.3 雷达辐射源信号脉内调制类型分析 | 第15-21页 |
| 2.3.1 常规信号 | 第16-17页 |
| 2.3.2 线性调频信号 | 第17-18页 |
| 2.3.3 非线性调频信号 | 第18-19页 |
| 2.3.4 频率编码信号 | 第19-20页 |
| 2.3.5 相位编码信号 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 雷达信号脉内特征分析方法 | 第22-43页 |
| 3.1 引言 | 第22页 |
| 3.2 基于瞬时自相关的雷达信号脉内特征分析 | 第22-35页 |
| 3.2.1 瞬时自相关算法及其改进 | 第22-24页 |
| 3.2.2 典型信号的瞬时频率特征 | 第24-29页 |
| 3.2.3 分类特征向量提取的级联归一化处理 | 第29-32页 |
| 3.2.4 基于瞬时频率的派生特征识别 | 第32-35页 |
| 3.3 基于短时傅里叶的雷达信号脉内特征分析 | 第35-42页 |
| 3.3.1 算法原理 | 第35页 |
| 3.3.2 瞬时频率特征提取 | 第35页 |
| 3.3.3 基于归一化瞬时频率的特征选择及自动识别判断 | 第35-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于神经网络的雷达辐射源信号分类识别 | 第43-60页 |
| 4.1 引言 | 第43页 |
| 4.2 神经网络概述 | 第43-48页 |
| 4.2.1 BP神经网络 | 第43-44页 |
| 4.2.2 PNN神经网络 | 第44-46页 |
| 4.2.3 GRNN神经网络 | 第46页 |
| 4.2.4 基于交叉验证法改进神经网络 | 第46-48页 |
| 4.3 仿真分析 | 第48-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于联合时频特征的雷达信号调制类型识别 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 深度学习结构 | 第60-61页 |
| 5.3 基于深度学习的雷达辐射源识别 | 第61-67页 |
| 5.3.1 随机投影 | 第61-62页 |
| 5.3.2 主成分分析 | 第62-64页 |
| 5.3.3 深度联合时频特征提取 | 第64-66页 |
| 5.3.4 有监督精度调谐和识别 | 第66页 |
| 5.3.5 仿真实验和结论分析 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-69页 |
| 6.1 全文总结 | 第68页 |
| 6.2 未来展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 作者简介 | 第76页 |