基于深度学习的雷达干扰识别技术
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 缩略语表 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 干扰机理和识别的研究现状 | 第12-13页 |
| 1.2.2 深度学习的干扰信号识别研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 本文章节安排 | 第14-16页 |
| 第二章 雷达有源干扰模型和数据集设计 | 第16-43页 |
| 2.1 雷达干扰的分类 | 第16-17页 |
| 2.2 雷达LFM信号 | 第17-18页 |
| 2.3 雷达干扰机理和模型 | 第18-32页 |
| 2.3.1 噪声调幅干扰 | 第18-20页 |
| 2.3.2 噪声调频干扰 | 第20-21页 |
| 2.3.3 梳状谱干扰 | 第21-22页 |
| 2.3.4 频谱弥散干扰 | 第22-24页 |
| 2.3.5 切片重构干扰 | 第24-26页 |
| 2.3.6 间歇采样转发干扰 | 第26-27页 |
| 2.3.7 密集复制假目标干扰 | 第27-29页 |
| 2.3.8 噪声卷积干扰 | 第29-30页 |
| 2.3.9 噪声乘积干扰 | 第30-32页 |
| 2.4 雷达干扰数据集设计 | 第32-41页 |
| 2.4.1 预处理 | 第32-34页 |
| 2.4.2 频域滤波 | 第34-35页 |
| 2.4.3 时频变换 | 第35-37页 |
| 2.4.4 自适应裁剪 | 第37-39页 |
| 2.4.5 数据集参数设置 | 第39-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第三章 基于信号特征提取的干扰识别 | 第43-58页 |
| 3.1 干扰特征分析 | 第43-51页 |
| 3.1.1 时域特征 | 第43-46页 |
| 3.1.2 频域特征 | 第46-49页 |
| 3.1.3 时频域特征 | 第49-51页 |
| 3.2 基于支持向量机的干扰识别 | 第51-57页 |
| 3.2.1 支持向量机理论 | 第51-54页 |
| 3.2.2 基于支持向量机的干扰识别模型 | 第54-55页 |
| 3.2.3 干扰识别仿真分析 | 第55-57页 |
| 3.3 本章小结 | 第57-58页 |
| 第四章 基于CNN的干扰信号深度学习和识别 | 第58-70页 |
| 4.1 卷积神经网络CNN原理 | 第58-61页 |
| 4.2 基于CNN和 GAP-CNN的干扰识别 | 第61-69页 |
| 4.2.1 CNN模型结构设计 | 第61-63页 |
| 4.2.2 GAP-CNN模型结构设计 | 第63-64页 |
| 4.2.3 实验分析 | 第64-69页 |
| 4.3 本章小结 | 第69-70页 |
| 第五章 基于GAN的干扰信号半监督识别 | 第70-81页 |
| 5.1 生成对抗网络原理 | 第70-73页 |
| 5.1.1 GAN原理 | 第70-73页 |
| 5.2 基于半监督生成对抗网络的干扰识别 | 第73-80页 |
| 5.2.1 SSGAN结构设计和损失函数优化 | 第73-75页 |
| 5.2.2 基于生成控制的SSGAN设计 | 第75-76页 |
| 5.2.3 实验分析 | 第76-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第六章 工作总结与展望 | 第81-83页 |
| 6.1 工作总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
| 攻读硕士期间的研究成果 | 第87页 |
