| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 雷达辐射源的脉内调制特征提取的研究现状 | 第15页 |
| 1.2.2 基于机器学习的辐射源识别研究现状 | 第15-16页 |
| 1.3 论文主要内容及章节安排 | 第16-18页 |
| 第二章 雷达信号建模与仿真 | 第18-22页 |
| 2.1 常规脉冲信号 | 第18-19页 |
| 2.2 线性调频信号 | 第19-20页 |
| 2.3 相位编码信号 | 第20页 |
| 2.4 频率编码信号 | 第20-21页 |
| 本章小结 | 第21-22页 |
| 第三章 深度学习网络与算法分析 | 第22-42页 |
| 3.1 深度学习网络 | 第22-25页 |
| 3.1.1 人工神经网络 | 第22-23页 |
| 3.1.2 感知器 | 第23页 |
| 3.1.3 前馈神经网络 | 第23-24页 |
| 3.1.4 卷积神经网络 | 第24页 |
| 3.1.5 循环神经网络 | 第24-25页 |
| 3.2 自动编码器 | 第25-28页 |
| 3.2.1 欠完备自动编码器 | 第26页 |
| 3.2.2 稀疏自动编码器 | 第26-27页 |
| 3.2.3 降噪自动编码器 | 第27-28页 |
| 3.2.4 收缩自动编码器 | 第28页 |
| 3.3 自动编码器训练及优化算法 | 第28-41页 |
| 3.3.1 logistic分类器 | 第29-30页 |
| 3.3.2 softmax分类器 | 第30-31页 |
| 3.3.3 梯度下降算法 | 第31-34页 |
| 3.3.4 前向传播算法 | 第34-35页 |
| 3.3.5 反向传播算法 | 第35-39页 |
| 3.3.6 欠拟合和过拟合 | 第39-41页 |
| 本章小结 | 第41-42页 |
| 第四章 基于时频分析的辐射源仿真 | 第42-56页 |
| 4.1 时频分析方法 | 第42-45页 |
| 4.1.1 短时傅立叶变换 | 第42-43页 |
| 4.1.2 小波变换 | 第43-44页 |
| 4.1.3 魏格纳-威尔分布 | 第44-45页 |
| 4.2 常用辐射源信号时频变换 | 第45-55页 |
| 4.2.1 辐射源的STFT仿真分析 | 第45-48页 |
| 4.2.2 辐射源的小波变换仿真分析 | 第48-51页 |
| 4.2.3 辐射源的WVD仿真分析 | 第51-55页 |
| 本章小结 | 第55-56页 |
| 第五章 基于自动编码器的辐射源识别 | 第56-72页 |
| 5.1 时频分布图像预处理 | 第56-60页 |
| 5.1.1 灰度化处理 | 第56-57页 |
| 5.1.2 图像平滑处理 | 第57-59页 |
| 5.1.3 图像归一化处理 | 第59-60页 |
| 5.2 自动编码器识别性能仿真分析 | 第60-68页 |
| 5.2.1 不同层数自动编码器性能对比 | 第61-64页 |
| 5.2.2 不同学习率下自动编码器识别性能 | 第64-66页 |
| 5.2.3 不同信噪比下自动编码器识别率 | 第66-67页 |
| 5.2.4 自动编码器的时间性能对比 | 第67-68页 |
| 5.3 卷积神经网络与降噪自动编码器性能对比 | 第68-70页 |
| 5.3.1 不同信噪比下识别性能对比 | 第68-69页 |
| 5.3.2 不同信噪比下时间性能对比 | 第69-70页 |
| 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-81页 |