基于流形学习的雷达辐射源识别技术
| 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12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外发展及现状 | 第16-17页 |
| 1.3 论文的主要内容和安排 | 第17-19页 |
| 第二章 雷达辐射源识别技术 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 雷达辐射源电磁环境 | 第19-23页 |
| 2.2.1 单载频信号 | 第19-20页 |
| 2.2.2 线性调频信号 | 第20-21页 |
| 2.2.3 相位编码信号 | 第21-23页 |
| 2.3 雷达辐射源特征参数 | 第23-24页 |
| 2.4 雷达侦察系统 | 第24-25页 |
| 2.5 雷达辐射源识别技术 | 第25-31页 |
| 2.5.1 特征参数匹配法 | 第25-26页 |
| 2.5.2 人工智能识别法 | 第26-27页 |
| 2.5.3 脉内特征分析识别法 | 第27-30页 |
| 2.5.4 数据融合识别法 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 流形学习算法 | 第33-51页 |
| 3.1 引言 | 第33页 |
| 3.2 传统数据降维方法 | 第33-38页 |
| 3.2.1 主成分分析PCA | 第33-36页 |
| 3.2.2 多维尺度变换MDS | 第36-38页 |
| 3.3 流形学习概述 | 第38-42页 |
| 3.3.1 流形的有关数学定义 | 第38-39页 |
| 3.3.2 流形学习的基本原理 | 第39-40页 |
| 3.3.3 流形学习方法的应用 | 第40-42页 |
| 3.4 经典的流形学习方法 | 第42-49页 |
| 3.4.1 等距映射（Isomap） | 第42-43页 |
| 3.4.2 局部线性嵌套（LLE） | 第43-44页 |
| 3.4.3 拉普拉斯特征映射（LE） | 第44-46页 |
| 3.4.4 局部切空间排列（LTSA） | 第46-48页 |
| 3.4.5 流形学习算法总结 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 基于流形学习的雷达辐射源识别 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 基于流形学习的雷达辐射源识别系统 | 第51-54页 |
| 4.2.1 信号特征提取 | 第51-52页 |
| 4.2.2 基于流形学习的信号特征选择 | 第52-53页 |
| 4.2.3 分类器选择 | 第53-54页 |
| 4.3 神经网络分类器 | 第54-59页 |
| 4.3.1BP神经网络 | 第54-56页 |
| 4.3.2RBF（径向基）神经网络 | 第56-59页 |
| 4.4 实验仿真 | 第59-66页 |
| 4.4.1 基于LLE算法的辐射源特征选择 | 第59-63页 |
| 4.4.2 辐射源识别效果仿真 | 第63-66页 |
| 4.5 小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
| 1.基本情况 | 第73页 |
| 2.教育背景 | 第73页 |
| 3.攻读硕士学位期间的研究成果 | 第73-74页 |
