| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文的内容安排 | 第18-20页 |
| 第二章 基于SVM分类器的雷达辐射源识别方法研究 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 雷达辐射源信号描述方式 | 第20-26页 |
| 2.2.1 脉冲到达角 | 第20-21页 |
| 2.2.2 载波频率 | 第21-22页 |
| 2.2.3 到达时间 | 第22-23页 |
| 2.2.4 脉冲重复频率 | 第23-25页 |
| 2.2.5 脉冲宽度 | 第25页 |
| 2.2.6 其他信号特征参数 | 第25-26页 |
| 2.3 基于SVM分类器的雷达辐射源识别 | 第26-29页 |
| 2.4 实验仿真与分析 | 第29-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于深度学习的雷达辐射源识别方法研究 | 第34-58页 |
| 3.1 引言 | 第34页 |
| 3.2 栈式自编码器 | 第34-38页 |
| 3.2.1 自编码器 | 第34-37页 |
| 3.2.2 栈式自编码器 | 第37-38页 |
| 3.3 深度置信网络 | 第38-44页 |
| 3.3.1 限制玻尔兹曼机 | 第38-40页 |
| 3.3.2 基于对比散度的快速学习算法 | 第40-43页 |
| 3.3.3 深度置信网络 | 第43-44页 |
| 3.4 基于深度神经网络的雷达辐射源识别 | 第44-46页 |
| 3.5 实验与分析 | 第46-56页 |
| 3.5.1 仿真数据性能分析 | 第46-51页 |
| 3.5.2 实测数据性能分析 | 第51-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第四章 基于数据挖掘的雷达辐射源工作模式识别方法研究 | 第58-68页 |
| 4.1 引言 | 第58页 |
| 4.2 雷达工作模式分析 | 第58-60页 |
| 4.2.1 搜索模式 | 第58-59页 |
| 4.2.2 跟踪模式 | 第59页 |
| 4.2.3 武器控制模式 | 第59-60页 |
| 4.3 Apriori算法 | 第60-63页 |
| 4.3.1 关联分析基本概念 | 第60-61页 |
| 4.3.2 Apriori算法 | 第61-63页 |
| 4.4 基于Apriori算法的雷达工作模式识别 | 第63-64页 |
| 4.5 实验仿真与分析 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |