| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究历史及现状 | 第11-13页 |
| 1.2.1 特征提取 | 第11-12页 |
| 1.2.2 分类器的设计 | 第12-13页 |
| 1.3 本文工作安排 | 第13-15页 |
| 第2章 深度神经网络结构及算法 | 第15-27页 |
| 2.1 引言 | 第15-16页 |
| 2.2 模型 | 第16-20页 |
| 2.2.1 神经元模型 | 第16-17页 |
| 2.2.2 非线性激活函数 | 第17-19页 |
| 2.2.3 多分类任务模型 | 第19-20页 |
| 2.3 最优化准则 | 第20-21页 |
| 2.4 最优化算法 | 第21-24页 |
| 2.5 权值的初始化 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于监督式深度学习的辐射源识别方法 | 第27-46页 |
| 3.1 引言 | 第27页 |
| 3.2 基于卷积神经网络(CNN)的识别方法 | 第27-32页 |
| 3.2.1 网络结构模型 | 第27-31页 |
| 3.2.2 卷积神经网络在辐射源识别中的应用 | 第31-32页 |
| 3.3 基于循环神经网络(RNN)的识别方法 | 第32-35页 |
| 3.3.1 应用背景分析 | 第32-33页 |
| 3.3.2 具体模型 | 第33-35页 |
| 3.4 基于长短记忆网络(LSTM)的识别方法 | 第35-39页 |
| 3.4.1 长期依赖问题 | 第35-38页 |
| 3.4.2 一种基于LSTM的辐射源识别模型 | 第38-39页 |
| 3.5 模型训练与测试 | 第39-44页 |
| 3.5.1 实验环境 | 第39页 |
| 3.5.2 样本集 | 第39-40页 |
| 3.5.3 模型说明 | 第40-41页 |
| 3.5.4 训练模型 | 第41-43页 |
| 3.5.5 测试模型 | 第43-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于深度强化学习的辐射源识别方法 | 第46-66页 |
| 4.1 引言 | 第46-47页 |
| 4.2 强化学习模型及其算法 | 第47-53页 |
| 4.2.1 基本模型 | 第47页 |
| 4.2.2 策略的评估 | 第47-49页 |
| 4.2.3 策略的改进 | 第49页 |
| 4.2.4 最优策略的求解 | 第49-53页 |
| 4.3 深度强化学习在辐射源识别中的应用 | 第53-62页 |
| 4.3.1 模型应用背景分析 | 第53页 |
| 4.3.2 基于DQN(Deep Q Network)的识别模型 | 第53-57页 |
| 4.3.3 基于DDQN(Double DQN)的识别模型 | 第57-59页 |
| 4.3.4 基于Dueling Network的识别模型 | 第59-62页 |
| 4.4 模型训练与测试 | 第62-65页 |
| 4.4.1 实验简述 | 第62页 |
| 4.4.2 模型说明 | 第62-63页 |
| 4.4.3 模型性能分析 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 一种辐射源识别的深度网络实现方案及实测性能 | 第66-75页 |
| 5.1 引言 | 第66-67页 |
| 5.2 一种基于CNN的已知辐射源识别方法 | 第67-71页 |
| 5.2.1 网络模型 | 第67-68页 |
| 5.2.2 硬件平台实现方法 | 第68-71页 |
| 5.3 一种基于深度强化学习的未知辐射源识别方法 | 第71-74页 |
| 5.3.1 总体方案 | 第71-72页 |
| 5.3.2 网络模型及其实现 | 第72-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本文内容总结 | 第75-76页 |
| 6.2 未来展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第82页 |
