| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源及研究的背景和意义 | 第9-10页 |
| 1.2 研究现状及发展分析 | 第10-12页 |
| 1.2.1 卫星对抗研究现状及发展分析 | 第10页 |
| 1.2.2 干扰信号检测与识别技术研究现状及发展分析 | 第10-12页 |
| 1.2.3 信号参数估计技术研究现状及发展分析 | 第12页 |
| 1.3 主要研究内容与章节安排 | 第12-15页 |
| 第2章 干扰信号识别理论基础 | 第15-34页 |
| 2.1 引言 | 第15页 |
| 2.2 干扰信号模式分析 | 第15-22页 |
| 2.2.1 音频干扰模式分析 | 第15-17页 |
| 2.2.2 同频带窄带干扰模式分析 | 第17页 |
| 2.2.3 脉冲干扰模式分析 | 第17-19页 |
| 2.2.4 扫频干扰模式分析 | 第19-20页 |
| 2.2.5 扩频干扰模式分析 | 第20-22页 |
| 2.3 能量检测算法 | 第22-24页 |
| 2.4 深度学习网络 | 第24-33页 |
| 2.4.1 深度学习网络的基本原理 | 第25页 |
| 2.4.2 前馈神经网络 | 第25-26页 |
| 2.4.3 反向传播算法 | 第26-27页 |
| 2.4.4 自动编码机 | 第27-29页 |
| 2.4.5 卷积神经网络 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 干扰信号检测技术研究 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 能量检测检测进行干扰检测 | 第34-37页 |
| 3.2.1 恒虚警检测 | 第34-35页 |
| 3.2.2 仿真验证 | 第35-37页 |
| 3.3 深度学习网络干扰检测 | 第37-44页 |
| 3.3.1 激活函数的选择 | 第37-40页 |
| 3.3.2 冲量方法 | 第40-41页 |
| 3.3.3 网络结构 | 第41-42页 |
| 3.3.4 仿真验证 | 第42-44页 |
| 3.4 能量算法与深度学习网络性能对比 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 干扰信号分类识别技术研究 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 大动态鲁棒性自动特征提取 | 第46-50页 |
| 4.2.1 卷积神经网络提取特征 | 第47-48页 |
| 4.2.2 特征分析 | 第48-50页 |
| 4.3 多维尺度分析 | 第50-52页 |
| 4.4 特征分类与结果分析 | 第52-54页 |
| 4.4.1 单一干扰分类结果分析 | 第52-53页 |
| 4.4.2 并存干扰分类结果分析 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 干扰信号特征参数估计技术研究 | 第56-64页 |
| 5.1 引言 | 第56页 |
| 5.2 干扰信号特征参数提取方案 | 第56-58页 |
| 5.3 实验结果与分析 | 第58-63页 |
| 5.3.1 窄带信号中心频率估计 | 第59-61页 |
| 5.3.2 宽带信号带宽估计 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |