首页--工业技术论文--无线电电子学、电信技术论文--电子对抗(干扰及抗干扰)论文--雷达电子对抗论文

基于深度学习的雷达辐射源识别技术

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

论文共82页,点击 下载论文
上一篇:锻造操作机提升机构误差标定及灵敏度分析研究
下一篇:新型自动化浇钢车的设计与开发