深度学习下的雷达辐射源信号分类识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 论文的主要工作 | 第19-22页 |
| 第二章 雷达信号分析与仿真 | 第22-36页 |
| 2.1 雷达辐射源信号模型 | 第22页 |
| 2.2 信号分析与仿真 | 第22-28页 |
| 2.2.1 常规脉冲信号 | 第22-24页 |
| 2.2.2 线性调频信号 | 第24-25页 |
| 2.2.3 相位编码信号 | 第25-26页 |
| 2.2.4 频率编码信号 | 第26-28页 |
| 2.3 雷达辐射源信号时频分析 | 第28-34页 |
| 2.3.1 Margenau-Hill时频分布 | 第28-30页 |
| 2.3.2 Wigner-Ville时频分布 | 第30-34页 |
| 2.4 时频图像预处理 | 第34页 |
| 2.5 小结 | 第34-36页 |
| 第三章 基于自动编码器的信号分类识别 | 第36-56页 |
| 3.1 深度学习的来源和发展 | 第36-38页 |
| 3.2 深度学习的理论框架 | 第38-43页 |
| 3.2.1 深度学习与神经网络 | 第39-42页 |
| 3.2.2 深度学习的训练过程 | 第42-43页 |
| 3.3 自动编码器的网络结构 | 第43-45页 |
| 3.4 基于自动编码器的识别流程 | 第45-46页 |
| 3.5 实验结果与分析 | 第46-56页 |
| 3.5.1 MH分布分类结果与分析 | 第46-52页 |
| 3.5.2 SPWVD分布分类结果与分析 | 第52-56页 |
| 第四章 基于深度置信网络的信号分类识别 | 第56-70页 |
| 4.1 限制玻尔兹曼机的结构 | 第56-59页 |
| 4.2 深度置信网络的结构 | 第59-61页 |
| 4.3 基于深度置信网络的识别流程 | 第61-63页 |
| 4.4 实验结果与分析 | 第63-70页 |
| 4.4.1 MH分布分类结果与分析 | 第63-66页 |
| 4.4.2 SPWVD分布分类结果与分析 | 第66-70页 |
| 第五章 基于卷积神经网络的信号分类识别 | 第70-86页 |
| 5.1 卷积神经网络 | 第70-73页 |
| 5.1.1 卷积神经网络的结构 | 第70-71页 |
| 5.1.2 卷积网络的优势 | 第71-73页 |
| 5.2 卷积神经网络的设计与实现 | 第73-75页 |
| 5.2.1 网络设计 | 第73-74页 |
| 5.2.2 卷积网络的反向传播 | 第74-75页 |
| 5.3 基于卷积神经网络的识别流程 | 第75-76页 |
| 5.4 实验结果与分析 | 第76-86页 |
| 5.4.1 MH分布分类结果与分析 | 第76-81页 |
| 5.4.2 SPWVD分布分类结果与分析 | 第81-86页 |
| 第六章 总结与展望 | 第86-90页 |
| 6.1 工作总结 | 第86-87页 |
| 6.2 未来研究方向 | 第87-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-96页 |
| 作者简介 | 第96-97页 |
