基于深度置信网络的雷达辐射源识别
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.3 论文主要内容以及章节安排 | 第21-23页 |
| 第二章 深度学习算法与雷达信号建模 | 第23-39页 |
| 2.1 识别流程分析 | 第23-24页 |
| 2.2 深度学习算法分析 | 第24-31页 |
| 2.2.1 深度学习算法与雷达辐射源识别 | 第24-25页 |
| 2.2.2 自编码器 | 第25-26页 |
| 2.2.3 卷积神经网络 | 第26-28页 |
| 2.2.4 受限玻尔兹曼机 | 第28-31页 |
| 2.3 雷达调制信号分类 | 第31-37页 |
| 2.3.1 常规雷达信号 | 第32-33页 |
| 2.3.2 二相编码信号 | 第33-34页 |
| 2.3.3 四相编码信号 | 第34-35页 |
| 2.3.4 线性调频信号 | 第35-36页 |
| 2.3.5 非线性调频信号 | 第36页 |
| 2.3.6 频率编码信号 | 第36-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 混合信号盲分离 | 第39-51页 |
| 3.1 盲分离模型 | 第40-42页 |
| 3.1.1 瞬态混合信号的盲分离 | 第40-41页 |
| 3.1.2 独立成分分析法 | 第41-42页 |
| 3.2 基于快速独立成分分析的信号分离 | 第42-49页 |
| 3.3 本章小结 | 第49-51页 |
| 第四章 特征提取与识别 | 第51-69页 |
| 4.1 深度置信网络模型 | 第51-53页 |
| 4.2 时频特征提取 | 第53-61页 |
| 4.2.1 短时傅里叶变换 | 第54-56页 |
| 4.2.2 小波变换 | 第56-58页 |
| 4.2.3 魏格纳-威利变换 | 第58-60页 |
| 4.2.4 二次特征的提取 | 第60-61页 |
| 4.3 基于深度置信网络的识别 | 第61-67页 |
| 4.3.1 深度置信网络的训练分析 | 第61-63页 |
| 4.3.2 奇异值谱特征的识别 | 第63-67页 |
| 4.4 结果分析 | 第67-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 基于多特征融合的识别 | 第69-101页 |
| 5.1 信息融合 | 第69-70页 |
| 5.2 多特征联合 | 第70-78页 |
| 5.2.1 多奇异值谱联合 | 第70-74页 |
| 5.2.2 多特征矩阵联合 | 第74-78页 |
| 5.3 特征矩阵的融合 | 第78-97页 |
| 5.3.1 基于和运算的融合 | 第79-91页 |
| 5.3.2 基于积运算的融合 | 第91-97页 |
| 5.4 结果分析 | 第97-98页 |
| 5.5 本章小结 | 第98-101页 |
| 第六章 总结与展望 | 第101-103页 |
| 参考文献 | 第103-107页 |
| 致谢 | 第107-109页 |
| 作者简介 | 第109-110页 |
