雷达有源干扰分类与识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 本文主要工作与内容安排 | 第18-21页 |
| 第二章 雷达有源干扰信号的分类及建模 | 第21-39页 |
| 2.1 概述 | 第21-22页 |
| 2.2 遮盖性干扰 | 第22-28页 |
| 2.2.1 射频噪声干扰 | 第23-24页 |
| 2.2.2 噪声调幅干扰 | 第24-26页 |
| 2.2.3 噪声调频干扰 | 第26-28页 |
| 2.3 欺骗性干扰 | 第28-37页 |
| 2.3.1 距离欺骗干扰 | 第31-33页 |
| 2.3.2 速度欺骗干扰 | 第33-36页 |
| 2.3.3 角度欺骗干扰 | 第36-37页 |
| 2.4 小结 | 第37-39页 |
| 第三章 雷达有源干扰信号的特性分析 | 第39-53页 |
| 3.1 概述 | 第39页 |
| 3.2 时域特征分析 | 第39-46页 |
| 3.3 频域特征分析 | 第46-51页 |
| 3.4 干扰信号特征参数对比分析 | 第51-52页 |
| 3.5 小结 | 第52-53页 |
| 第四章 雷达有源干扰信号的识别 | 第53-81页 |
| 4.1 概述 | 第53页 |
| 4.2 基于决策树的有源干扰类型识别方法 | 第53-57页 |
| 4.2.1 决策树模型 | 第53-54页 |
| 4.2.2 基于决策树的干扰类型识别 | 第54-56页 |
| 4.2.3 仿真及分析 | 第56-57页 |
| 4.3 基于BP神经网络的有源干扰类型识别 | 第57-64页 |
| 4.3.1 BP神经网络模型 | 第57-59页 |
| 4.3.2 基于BP神经网络的干扰类型识别 | 第59-62页 |
| 4.3.3 仿真及分析 | 第62-64页 |
| 4.4 基于支持向量机的有源干扰类型识别 | 第64-74页 |
| 4.4.1 基于支持向量机的分类模型 | 第64-68页 |
| 4.4.2 基于支持向量机的干扰类型识别 | 第68-70页 |
| 4.4.3 仿真及分析 | 第70-72页 |
| 4.4.4 三种干扰信号分类方法性能对比分析 | 第72-74页 |
| 4.5 实测数据分析 | 第74-79页 |
| 4.5.1 特性分析 | 第74-78页 |
| 4.5.2 样本信号类型识别 | 第78-79页 |
| 4.6 小结 | 第79-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 本文总结 | 第81-82页 |
| 5.2 研究展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89-90页 |
