基于时频域分析的电子干扰识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状和发展动态 | 第11-13页 |
| 1.3 本文的研究内容和章节安排 | 第13-15页 |
| 第二章 雷达有源干扰建模分析 | 第15-42页 |
| 2.1 概述 | 第15-16页 |
| 2.2 雷达发射信号模型 | 第16-18页 |
| 2.3 电子干扰建模分析 | 第18-41页 |
| 2.3.1 SMSP干扰 | 第18-21页 |
| 2.3.2 正弦调频预加重干扰 | 第21-23页 |
| 2.3.3 C&I干扰 | 第23-26页 |
| 2.3.4 锯齿波调频预加重干扰 | 第26-30页 |
| 2.3.5 梳状谱干扰 | 第30-33页 |
| 2.3.6 基于间歇采样的正弦加权调频干扰 | 第33-37页 |
| 2.3.7 噪声调幅干扰 | 第37-39页 |
| 2.3.8 噪声调频干扰 | 第39-41页 |
| 2.4 小结 | 第41-42页 |
| 第三章 多域联合特征提取干扰识别 | 第42-67页 |
| 3.1 提取各类干扰特征参数 | 第42-57页 |
| 3.1.1 时域特征参数 | 第42-44页 |
| 3.1.2 频域特征参数 | 第44-51页 |
| 3.1.3 波形域特征参数 | 第51-53页 |
| 3.1.4 小波域特征 | 第53-57页 |
| 3.2 基于决策树的识别算法 | 第57-62页 |
| 3.2.1 决策树定义 | 第57-58页 |
| 3.2.2 决策树的生成 | 第58-59页 |
| 3.2.3 仿真分析 | 第59-62页 |
| 3.3 基于BP神经网络干扰识别算法 | 第62-66页 |
| 3.3.1 BP神经网络结构 | 第62页 |
| 3.3.2 BP神经网络原理 | 第62-64页 |
| 3.3.3 仿真结果分析 | 第64-66页 |
| 3.4 小结 | 第66-67页 |
| 第四章 基于卷积神经网络电子干扰识别 | 第67-85页 |
| 4.1 时频分析GWT算法 | 第68-70页 |
| 4.2 卷积神经网络结构和原理 | 第70-73页 |
| 4.3 基于时频分析-深度学习电子干扰识别方法 | 第73-83页 |
| 4.3.1 卷积神经网络结构设计 | 第79-80页 |
| 4.3.2 仿真结果分析 | 第80-83页 |
| 4.4 小结 | 第83-85页 |
| 第五章 工作总结和展望 | 第85-87页 |
| 5.1 工作总结 | 第85页 |
| 5.2 展望 | 第85-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 攻读硕士学位期间取得的成就 | 第92页 |
