基于集成深度学习的雷达信号识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 深度学习的研究现状 | 第12页 |
| 1.2.2 雷达信号识别方法研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第2章 深度学习算法及实验数据介绍 | 第16-31页 |
| 2.1 深度学习算法 | 第16-21页 |
| 2.1.1 深度学习原理与结构 | 第16-18页 |
| 2.1.2 深度学习基本模型 | 第18-21页 |
| 2.2 深度信念网络 | 第21-24页 |
| 2.2.1 DBN原理与结构 | 第21-23页 |
| 2.2.2 半监督学习过程 | 第23-24页 |
| 2.3 常用分类器介绍 | 第24-28页 |
| 2.3.1 SoftMax分类器 | 第24-26页 |
| 2.3.2 支持向量机 | 第26-28页 |
| 2.4 雷达信号数据集介绍 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于深度信念网络的雷达信号识别方法 | 第31-42页 |
| 3.1 基于深度信念网络的信号识别 | 第31-34页 |
| 3.1.1 深度信念网络模型 | 第31-32页 |
| 3.1.2 基于层级特征学习的雷达信号分析 | 第32-34页 |
| 3.2 网络参数优化实验 | 第34-37页 |
| 3.2.1 网络结构参数对分类效果的影响 | 第34-36页 |
| 3.2.2 学习率对分类效果的影响 | 第36-37页 |
| 3.2.3 训练数据量的影响 | 第37页 |
| 3.3 算法性能分析 | 第37-41页 |
| 3.3.1 抗噪性能分析 | 第37-38页 |
| 3.3.2 时间效率分析 | 第38-40页 |
| 3.3.3 调优策略实验 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于层叠深度学习的雷达信号识别方法 | 第42-50页 |
| 4.1 集成学习算法研究 | 第42-45页 |
| 4.1.1 集成学习基本思想 | 第42-43页 |
| 4.1.2 集成学习结构 | 第43页 |
| 4.1.3 集成学习方法介绍 | 第43-45页 |
| 4.2 层叠泛化在雷达信号识别中的应用 | 第45-48页 |
| 4.2.1 基于层叠泛化的信号识别模型 | 第46页 |
| 4.2.2 StackingDBN过程 | 第46-48页 |
| 4.3 仿真实验与结果分析 | 第48-49页 |
| 4.3.1 堆叠模型个数对分类效果的影响 | 第48页 |
| 4.3.2 不同分类方法性能比较 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于线性集成深度学习的雷达信号识别方法 | 第50-59页 |
| 5.1 集成深度学习方法的研究 | 第50-53页 |
| 5.1.1 线性集成学习理论 | 第50页 |
| 5.1.2 线性集成规则 | 第50-52页 |
| 5.1.3 线性集成深度学习框架 | 第52-53页 |
| 5.2 仿真实验与结果分析 | 第53-57页 |
| 5.2.1 深度学习网络参数的影响 | 第53-55页 |
| 5.2.2 抗噪性能分析 | 第55-56页 |
| 5.2.3 异构集成学习分析 | 第56-57页 |
| 5.2.4 不同分类方法性能比较 | 第57页 |
| 5.3 其它数据集的实验 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的学术论文和参与的项目 | 第66页 |
