低截获概率雷达波形识别方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 博士学位论文创新成果自评表 | 第9-13页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 课题的研究意义 | 第13-15页 |
| 1.2 LPI雷达波形识别概述 | 第15-17页 |
| 1.3 国内外研究及发展现状 | 第17-23页 |
| 1.3.1 LPI雷达多信号分离的研究与发展现状 | 第18-19页 |
| 1.3.2 单信号条件下的波形识别研究与发展现状 | 第19-23页 |
| 1.3.3 研究与发展现状总结 | 第23页 |
| 1.4 主要研究内容与章节安排 | 第23-26页 |
| 第2章 LPI雷达波形识别相关理论基础 | 第26-54页 |
| 2.1 引言 | 第26页 |
| 2.2 频率调制类信号 | 第26-28页 |
| 2.2.1 线性调频信号 | 第26-27页 |
| 2.2.2 Costas信号 | 第27-28页 |
| 2.3 多相码信号 | 第28-32页 |
| 2.3.1 Frank信号 | 第28-29页 |
| 2.3.2 P1信号 | 第29-30页 |
| 2.3.3 P2信号 | 第30-31页 |
| 2.3.4 P3信号 | 第31页 |
| 2.3.5 P4信号 | 第31-32页 |
| 2.4 多时码信号 | 第32-36页 |
| 2.4.1 T1(n)信号 | 第32-34页 |
| 2.4.2 T2(n)信号 | 第34-35页 |
| 2.4.3 T3(n)信号 | 第35页 |
| 2.4.4 T4(n)信号 | 第35-36页 |
| 2.5 时频技术 | 第36-39页 |
| 2.6 信号处理技术 | 第39-43页 |
| 2.6.1 图像形态学 | 第39-42页 |
| 2.6.2 图像连通域 | 第42-43页 |
| 2.7 分类器设计 | 第43-53页 |
| 2.7.1 人工神经元模型 | 第43-44页 |
| 2.7.2 反向传播算法 | 第44-45页 |
| 2.7.3 限制玻尔兹曼机(RBM)理论 | 第45-49页 |
| 2.7.4 卷积神经网络(CNN)理论 | 第49-52页 |
| 2.7.5 熵特征基本理论 | 第52-53页 |
| 2.8 本章小结 | 第53-54页 |
| 第3章 LPI雷达多信号分离研究 | 第54-78页 |
| 3.1 引言 | 第54页 |
| 3.2 单天线信号分离 | 第54-62页 |
| 3.2.1 DPSS变换 | 第54-57页 |
| 3.2.2 信号分离及重构 | 第57-59页 |
| 3.2.3 仿真结果与分析 | 第59-62页 |
| 3.3 多天线信号分离 | 第62-77页 |
| 3.3.1 多天线模型 | 第63页 |
| 3.3.2 单源点检测算法 | 第63-67页 |
| 3.3.3 混合矩阵估计 | 第67-69页 |
| 3.3.4 基于子空间投影算法的信号重构 | 第69-71页 |
| 3.3.5 混合矩阵估计仿真实验分析 | 第71-73页 |
| 3.3.6 信号重构仿真实验分析 | 第73-77页 |
| 3.4 本章小结 | 第77-78页 |
| 第4章 基于LPI雷达波形特征的识别方法 | 第78-101页 |
| 4.1 引言 | 第78页 |
| 4.2 识别方法概述 | 第78-79页 |
| 4.3 特征提取 | 第79-92页 |
| 4.3.1 特征概览 | 第79页 |
| 4.3.2 基于时域和频域的特征提取 | 第79-83页 |
| 4.3.3 基于时频图像的特征提取 | 第83-92页 |
| 4.4 Elman神经网络 | 第92-94页 |
| 4.5 仿真结果与分析 | 第94-99页 |
| 4.5.1 创建识别样本 | 第94-95页 |
| 4.5.2 识别成功率实验 | 第95-98页 |
| 4.5.3 鲁棒性实验 | 第98页 |
| 4.5.4 时间对比实验 | 第98-99页 |
| 4.6 本章小结 | 第99-101页 |
| 第5章 基于LPI雷达波形结构的识别方法 | 第101-123页 |
| 5.1 引言 | 第101页 |
| 5.2 识别方法概述 | 第101-102页 |
| 5.3 波形的预处理 | 第102-105页 |
| 5.4 CNN-EntropyRBM分类器 | 第105-109页 |
| 5.4.1 卷积结构概述 | 第105-108页 |
| 5.4.2 限制玻尔兹曼机结构 | 第108-109页 |
| 5.5 分类器训练过程 | 第109-111页 |
| 5.5.1 L1-L5的预训练过程 | 第109-110页 |
| 5.5.2 L6-L8的训练过程 | 第110页 |
| 5.5.3 L6-L9的微调 | 第110-111页 |
| 5.6 仿真结果与分析 | 第111-118页 |
| 5.6.1 补充训练样本 | 第111-112页 |
| 5.6.2 识别成功率实验 | 第112-114页 |
| 5.6.3 鲁棒性实验 | 第114-115页 |
| 5.6.4 CNN对比实验 | 第115-116页 |
| 5.6.5 自适应实验 | 第116-117页 |
| 5.6.6 混合信号实验 | 第117-118页 |
| 5.7 波形特征与结构的联合识别方法 | 第118-122页 |
| 5.7.1 联合分类器结构 | 第119页 |
| 5.7.2 联合分类器识别实验 | 第119-121页 |
| 5.7.3 鲁棒性实验 | 第121-122页 |
| 5.8 本章小结 | 第122-123页 |
| 结论 | 第123-126页 |
| 参考文献 | 第126-141页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第141-142页 |
| 致谢 | 第142页 |
