| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 雷达辐射源信号识别研究现状 | 第12-14页 |
| 1.2.2 自动机器学习研究现状 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 第2章 雷达信号的特征提取 | 第17-30页 |
| 2.1 特征提取与实验数据概述 | 第17-19页 |
| 2.1.1 雷达信号特征提取概述 | 第17-18页 |
| 2.1.2 实验数据 | 第18-19页 |
| 2.2 脉内特征提取 | 第19-23页 |
| 2.2.1 脉内有意调制特征 | 第20-22页 |
| 2.2.2 脉内特征提取方案 | 第22-23页 |
| 2.3 基于降噪自编码器的雷达信号特征提取 | 第23-29页 |
| 2.3.1 深度学习的基本思想 | 第23-24页 |
| 2.3.2 深度学习的训练过程 | 第24-25页 |
| 2.3.3 降噪自编码器 | 第25-27页 |
| 2.3.4 实验与结果分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于AUTO-SKLEARN的雷达信号识别 | 第30-40页 |
| 3.1 机器学习中的CASH问题 | 第30-31页 |
| 3.2 AUTO-SKLEARN对CASH问题的解决方法 | 第31-34页 |
| 3.2.1 AUTO-SKLEARN系统 | 第31-32页 |
| 3.2.2 贝叶斯优化方案 | 第32页 |
| 3.2.3 元学习(Meta-learning)及其实施方案 | 第32-33页 |
| 3.2.4 自动模型集成构建 | 第33-34页 |
| 3.3 实验与结果分析 | 第34-39页 |
| 3.3.1 模型选择与超参数优化 | 第35-37页 |
| 3.3.2 基于集成模型的雷达信号识别 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于TPOT的雷达信号识别 | 第40-51页 |
| 4.1 基于树结构的机器学习流程优化(TPOT) | 第40-43页 |
| 4.1.1 操作算子 | 第41-42页 |
| 4.1.2 流程的构建 | 第42-43页 |
| 4.2 遗传编程方案 | 第43-45页 |
| 4.3 实验与结果分析 | 第45-50页 |
| 4.3.1 机器学习流程的优化 | 第45-47页 |
| 4.3.2 基于优化流程的雷达信号识别 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于自动机器学习的雷达信号特征处理 | 第51-60页 |
| 5.1 基于AUTO-SKLEARN的雷达信号特征处理 | 第51-52页 |
| 5.2 基于TPOT的雷达信号特征处理 | 第52-55页 |
| 5.3 基于TPOT与AUTO-SKLEARN相结合的雷达信号识别 | 第55-59页 |
| 5.3.1 AUTO-SKLEARN优化结果 | 第55-57页 |
| 5.3.2 雷达信号识别实验结果 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 主要工作总结 | 第60-61页 |
| 研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的学术论文和参与的项目 | 第68-69页 |
