雷达辐射源信号智能识别方法研究
| 第1章 绪论 | 第1-34页 |
| ·引言 | 第20页 |
| ·雷达辐射源信号识别问题 | 第20-24页 |
| ·国内外研究现状分析 | 第24-29页 |
| ·研究背景和研究思路 | 第29-30页 |
| ·主要工作 | 第30-33页 |
| ·结构安排 | 第33-34页 |
| 第2章 雷达辐射源信号识别模型结构 | 第34-39页 |
| ·引言 | 第34页 |
| ·现用识别模型结构 | 第34-35页 |
| ·新模型结构 | 第35-39页 |
| 第3章 雷达辐射源信号特征提取 | 第39-65页 |
| ·引言 | 第39页 |
| ·相像系数特征 | 第39-47页 |
| ·相像系数 | 第39-43页 |
| ·特征提取算法 | 第43-44页 |
| ·抗噪性能分析 | 第44-45页 |
| ·仿真实例 | 第45-47页 |
| ·熵特征 | 第47-52页 |
| ·近似熵特征及性能分析 | 第47-50页 |
| ·范数熵特征及性能分析 | 第50-52页 |
| ·复杂度特征提取 | 第52-58页 |
| ·关联维数 | 第52-53页 |
| ·盒维数 | 第53-54页 |
| ·信息维数 | 第54-55页 |
| ·Lempel-Ziv复杂度 | 第55-57页 |
| ·复杂度特征性能分析 | 第57-58页 |
| ·小波变换特征 | 第58-61页 |
| ·几种特征提取方法的比较分析 | 第61-63页 |
| ·小结 | 第63-65页 |
| 第4章 雷达辐射源信号特征选择 | 第65-94页 |
| ·引言 | 第65-66页 |
| ·基于类分离度的特征选择法 | 第66-67页 |
| ·相像系数特征选择法 | 第67-69页 |
| ·满意特征选择法 | 第69-74页 |
| ·特征选择优化策略 | 第74-79页 |
| ·基于粗集理论的特征选择法 | 第79-83页 |
| ·特征排序法 | 第83-86页 |
| ·实验结果及对比分析 | 第86-90页 |
| ·小结 | 第90-94页 |
| 第5章 分类器设计 | 第94-123页 |
| ·引言 | 第94-96页 |
| ·神经网络分类器 | 第96-101页 |
| ·粗集神经网络分类器 | 第101-106页 |
| ·支持向量机分类器 | 第106-117页 |
| ·多分类支持向量机 | 第107-109页 |
| ·复合支持向量机分类器 | 第109-114页 |
| ·Huffman树支持向量机分类器 | 第114-117页 |
| ·粗集支持向量机分类器 | 第117-119页 |
| ·未知信号识别分类器 | 第119-121页 |
| ·小结 | 第121-123页 |
| 第6章 雷达辐射源信号识别实验 | 第123-137页 |
| ·引言 | 第123页 |
| ·实验与结果分析 | 第123-136页 |
| ·小结 | 第136-137页 |
| 第7章 总结与展望 | 第137-142页 |
| ·本文工作的总结与研究成果 | 第137-140页 |
| ·研究问题的思考与展望 | 第140-142页 |
| 致谢 | 第142-144页 |
| 参考文献 | 第144-167页 |
| 攻读博士学位期间发表的论文及科研成果 | 第167-173页 |
