摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
第一章 绪论 | 第14-21页 |
1.1 研究背景、目的及意义 | 第14-15页 |
1.2 国内外研究现状 | 第15-19页 |
1.2.1 国内外通信辐射源个体识别系统发展历史 | 第15-16页 |
1.2.2 基于瞬态信号特征的指纹特征提取与个体识别研究 | 第16-17页 |
1.2.3 基于稳态统计特征的指纹特征提取与个体识别研究 | 第17-19页 |
1.3 论文研究内容及结构安排 | 第19-21页 |
第二章 通信辐射源指纹机理与个体功放模型建立 | 第21-31页 |
2.1 功放非线性特性分析 | 第21-24页 |
2.1.1 非线性失真 | 第21-23页 |
2.1.2 记忆效应 | 第23-24页 |
2.2 功放行为建模分析 | 第24-30页 |
2.2.1 无记忆功放模型 | 第24-27页 |
2.2.2 记忆功放模型 | 第27-30页 |
2.3 本章小结 | 第30-31页 |
第三章 基于HHT时频谱的指纹特征提取 | 第31-44页 |
3.1 HHT时频分析法 | 第31-33页 |
3.1.1 经验模态分解(EMD) | 第31-32页 |
3.1.2 Hilbert谱分析 | 第32-33页 |
3.2 基于HHT时频谱的多种指纹特征提取 | 第33-36页 |
3.2.1 基于HHT时频谱能量熵和颜色矩的指纹特征 | 第33-34页 |
3.2.2 基于HHT时频谱相关度的指纹特征 | 第34页 |
3.2.3 基于HHT时频谱Fisher块的指纹特征 | 第34-36页 |
3.3 分类器设计 | 第36-38页 |
3.3.1 支持向量机分类器概念 | 第36页 |
3.3.2 SVM多类分类器设计 | 第36-38页 |
3.4 仿真实验与性能分析 | 第38-42页 |
3.4.1 仿真参数设定 | 第38页 |
3.4.2 指纹特征空间分布 | 第38-41页 |
3.4.3 识别性能曲线分析 | 第41-42页 |
3.5 本章小结 | 第42-44页 |
第四章 基于时域信号非线性复杂度的指纹特征提取 | 第44-60页 |
4.1 近似熵及改进的近似熵算法分析 | 第44-47页 |
4.1.1 近似熵(ApEn)概念 | 第44-45页 |
4.1.2 差分近似熵(dApEn)算法 | 第45-46页 |
4.1.3 分极近似熵(spApEn)算法 | 第46-47页 |
4.2 近似熵算法性能分析 | 第47-52页 |
4.2.1 相对一致性 | 第47-50页 |
4.2.2 抗噪性 | 第50-52页 |
4.3 基于EMD的多维近似熵指纹特征提取 | 第52-53页 |
4.4 仿真实验与性能分析 | 第53-59页 |
4.4.1 指纹特征空间分布 | 第53-56页 |
4.4.2 识别概率对参数r鲁棒性分析 | 第56-57页 |
4.4.3 识别性能曲线分析 | 第57-59页 |
4.5 本章小结 | 第59-60页 |
第五章 基于流形学习和稀疏描述思想的个体指纹识别 | 第60-79页 |
5.1 高阶谱理论及双谱估计 | 第61-62页 |
5.1.1 高阶谱理论 | 第61页 |
5.1.2 双谱估计 | 第61-62页 |
5.2 基于流形学习中保局投影(LPP)的指纹降维算法 | 第62-67页 |
5.2.1 局部保持投影算法(LPP) | 第62-64页 |
5.2.2 二维判别监督保局投影(2DDSLPP) | 第64-65页 |
5.2.3 双谱降维特性分析 | 第65-67页 |
5.3 基于稀疏描述思想的指纹识别算法 | 第67-72页 |
5.3.1 全局描述分类算法(GDC) | 第68-69页 |
5.3.2 K近邻稀疏描述分类算法(K-SDC) | 第69-70页 |
5.3.3 K近邻特征空间分类算法(K-FSC) | 第70-71页 |
5.3.4 算法比较 | 第71-72页 |
5.4 仿真实验与性能分析 | 第72-77页 |
5.4.1 基于K近邻的稀疏描述的近邻个数选择 | 第72-73页 |
5.4.2 识别性能曲线分析 | 第73-74页 |
5.4.3 不同原理的个体识别系统的性能综合比较 | 第74-77页 |
5.5 本章小结 | 第77-79页 |
总结与展望 | 第79-81页 |
致谢 | 第81-83页 |
参考文献 | 第83-87页 |
作者在学期间取得的学术成果 | 第87页 |