基于循环谱和支持向量机的雷达信号调制类型识别
摘要 | 第5-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第10-18页 |
1.1 课题研究背景 | 第10-12页 |
1.2 课题国内外研究现状 | 第12-15页 |
1.2.1 统计模式识别方法 | 第12-14页 |
1.2.2 基于似然比的识别方法 | 第14-15页 |
1.3 雷达信号调制识别方法思路 | 第15-16页 |
1.4 本文主要内容与章节安排 | 第16-18页 |
第2章 本文识别信号类型及脉内特征识别 | 第18-27页 |
2.1 常见雷达脉冲信号的性质 | 第18-23页 |
2.1.1 常规(NS)信号 | 第18-19页 |
2.1.2 线性调频信号 | 第19-20页 |
2.1.3 二相编码信号 | 第20-21页 |
2.1.4 四相编码信号 | 第21-22页 |
2.1.5 2FSK信号 | 第22-23页 |
2.1.6 混合调制信号 | 第23页 |
2.2 雷达调制信号脉内特征识别 | 第23-26页 |
2.3 本章小结 | 第26-27页 |
第3章 调制信号的循环谱计算 | 第27-37页 |
3.1 雷达信号降噪预处理 | 第27-31页 |
3.1.1 主成分分析法(PCA)的基本原理 | 第27-29页 |
3.1.2 PCA降噪处理信号 | 第29-31页 |
3.2 循环谱的基本原理 | 第31-33页 |
3.2.1 循环平稳理论 | 第31-32页 |
3.2.2 循环谱密度函数的特点 | 第32-33页 |
3.3 信号循环谱密度的计算 | 第33-35页 |
3.4 完整循环谱方法识别雷达信号 | 第35-36页 |
3.5 本章小结 | 第36-37页 |
第4章 雷达信号循环谱特征的提取 | 第37-46页 |
4.1 马氏距离判别选取循环谱行信号 | 第37-40页 |
4.1.1 马氏距离的选择 | 第37页 |
4.1.2 马氏距离判别的原理 | 第37-39页 |
4.1.3 循环谱行信号的选取 | 第39-40页 |
4.2 LDA降维提取循环谱行信号特征 | 第40-44页 |
4.2.1 线性判别分析(LDA)的原理 | 第40-42页 |
4.2.2 循环谱行信号特征提取 | 第42-44页 |
4.3 本章小结 | 第44-46页 |
第5章 支持向量机实现调制信号的分类 | 第46-64页 |
5.1 支持向量机基本理论 | 第46-49页 |
5.1.1 统计学习理论 | 第46-47页 |
5.1.2 非线性可分支持向量机 | 第47-49页 |
5.2 二次规划算法的选取 | 第49-51页 |
5.2.1 选块算法 | 第49页 |
5.2.2 分解算法 | 第49-50页 |
5.2.3 序列最小优化算法(SMO) | 第50-51页 |
5.3 核函数和多分类方法的选取 | 第51-59页 |
5.3.1 核函数 | 第51-52页 |
5.3.2 一对多支持向量机(OAA-SVMs) | 第52-54页 |
5.3.3 一对一支持向量机(OAO-SVMs) | 第54-55页 |
5.3.4 二叉树分类方法 | 第55-59页 |
5.4 参数的选取 | 第59页 |
5.5 雷达信号调制类型识别 | 第59-63页 |
5.6 本章小结 | 第63-64页 |
结论 | 第64-66页 |
参考文献 | 第66-69页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
致谢 | 第70页 |