雷达信号工作模式识别研究
| 摘要 | 第4-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 复杂雷达信号分选现状 | 第16页 |
| 1.2.2 雷达模式识别现状 | 第16-18页 |
| 1.2.3 特征提取技术研究现状 | 第18-19页 |
| 1.3 本章小结 | 第19-22页 |
| 第2章 复杂环境中雷达信号分选 | 第22-30页 |
| 2.1 雷达信号分选概述 | 第22-23页 |
| 2.2 雷达信号传统分选算法 | 第23-24页 |
| 2.3 基于层次聚类的雷达信号分选算法 | 第24-28页 |
| 2.3.1 Chameleon算法 | 第24-25页 |
| 2.3.2 基于Chameleon的雷达脉冲分选 | 第25-28页 |
| 2.4 实验仿真与分析 | 第28-29页 |
| 2.4.1 仿真数据 | 第28-29页 |
| 2.4.2 仿真结果及分析 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 单辐射源雷达信号窗口划分 | 第30-40页 |
| 3.1 自适应滑动窗口划分 | 第30-35页 |
| 3.1.1 雷达信号常规窗口划分方法 | 第30-31页 |
| 3.1.2 自适应滑动窗口 | 第31-35页 |
| 3.2 基于雷达信号相参处理周期的窗口滑分 | 第35-36页 |
| 3.2.1 CPI概述 | 第35页 |
| 3.2.2 CPI窗口划分 | 第35-36页 |
| 3.3 仿真结果及分析 | 第36-39页 |
| 3.3.1 仿真数据 | 第36-37页 |
| 3.3.2 仿真实验结果 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 雷达窗口序列工作模式分类 | 第40-51页 |
| 4.1 基于特征选择的SVM分类 | 第41-43页 |
| 4.1.1 特征选择 | 第41-43页 |
| 4.1.2 SVM分类器学习 | 第43页 |
| 4.2 基于多任务的SVM分类 | 第43-49页 |
| 4.2.1 支持向量机简介 | 第44-45页 |
| 4.2.2 单任务学习与多任务学习对比 | 第45-46页 |
| 4.2.3 基于SVM的多任务学习模型 | 第46-49页 |
| 4.3 仿真结果及分析 | 第49-50页 |
| 4.3.1 仿真数据 | 第49页 |
| 4.3.2 仿真结果 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 雷达信号工作模式动态识别 | 第51-58页 |
| 5.1 融合概率计算方法 | 第51-52页 |
| 5.2 工作模式决策规则 | 第52-55页 |
| 5.3 仿真结果及分析 | 第55-56页 |
| 5.3.1 仿真数据 | 第55页 |
| 5.3.2 仿真结果 | 第55-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第6章 雷达工作模式识别增量算法 | 第58-64页 |
| 6.1 雷达增量学习算法 | 第58-62页 |
| 6.1.1 增量学习思想 | 第58页 |
| 6.1.2 简单的雷达增量算法 | 第58-60页 |
| 6.1.3 基于遗忘因子的增量雷达识别算法 | 第60-62页 |
| 6.1.4 雷达增量学习算法复杂度分析 | 第62页 |
| 6.2 仿真结果及分析 | 第62-63页 |
| 6.2.1 仿真数据 | 第62页 |
| 6.2.2 仿真结果 | 第62-63页 |
| 6.3 本章小结 | 第63-64页 |
| 第7章 雷达工作模式实时识别系统 | 第64-67页 |
| 7.1 系统主要功能模块 | 第64-66页 |
| 7.1.1 界面呈现 | 第64-65页 |
| 7.1.2 算法实现 | 第65-66页 |
| 7.2 本章小结 | 第66-67页 |
| 第8章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
