雷达干扰感知技术研究及其GPU实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景意义 | 第16-17页 |
| 1.1.1 雷达干扰感知 | 第16-17页 |
| 1.1.2 GPU平台及通用并行运算 | 第17页 |
| 1.2 国内外发展现状 | 第17-19页 |
| 1.2.1 国内发展现状 | 第18页 |
| 1.2.2 国外发展现状 | 第18-19页 |
| 1.3 本文主要工作及结构安排 | 第19-22页 |
| 第二章 干扰信号建模 | 第22-40页 |
| 2.1 引言 | 第22-23页 |
| 2.2 压制式干扰 | 第23-26页 |
| 2.2.1 射频噪声干扰 | 第23-24页 |
| 2.2.2 噪声调频干扰 | 第24-25页 |
| 2.2.3 噪声调幅干扰 | 第25-26页 |
| 2.3 欺骗式干扰 | 第26-38页 |
| 2.3.1 距离欺骗干扰 | 第32-33页 |
| 2.3.2 速度欺骗干扰 | 第33-35页 |
| 2.3.3 角度欺骗干扰 | 第35-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 干扰信号的特征提取 | 第40-52页 |
| 3.1 引言 | 第40页 |
| 3.2 时频域特征提取 | 第40-46页 |
| 3.2.1 时域特征提取 | 第40-44页 |
| 3.2.2 频域特征提取 | 第44-46页 |
| 3.3 基于熵理论的特征提取 | 第46-51页 |
| 3.3.1 信息熵 | 第46-48页 |
| 3.3.2 指数熵 | 第48页 |
| 3.3.3 范数熵 | 第48-49页 |
| 3.3.4 近似熵 | 第49-51页 |
| 3.4 小结 | 第51-52页 |
| 第四章 雷达干扰的类型感知 | 第52-70页 |
| 4.1 引言 | 第52页 |
| 4.2 基于朴素贝叶斯分类器的干扰感知 | 第52-57页 |
| 4.2.1 贝叶斯分类器原理 | 第52页 |
| 4.2.2 朴素贝叶斯分类器 | 第52-54页 |
| 4.2.3 仿真与分析 | 第54-57页 |
| 4.3 基于BP神经网络分类器的干扰感知 | 第57-63页 |
| 4.3.1 BP神经网络 | 第57-59页 |
| 4.3.2 仿真与分析 | 第59-62页 |
| 4.3.3 结论 | 第62-63页 |
| 4.4 基于随机森林分类器的干扰感知 | 第63-68页 |
| 4.4.1 随机森林分类器 | 第63-64页 |
| 4.4.2 仿真与分析 | 第64-68页 |
| 4.4.3 结论 | 第68页 |
| 4.5 三种分类器的性能比较 | 第68-69页 |
| 4.6 小结 | 第69-70页 |
| 第五章 雷达干扰感知的GPU实现 | 第70-76页 |
| 5.1 引言 | 第70页 |
| 5.2 GPU运算与CUDA架构 | 第70-72页 |
| 5.2.1 GPU运算的出现 | 第70-71页 |
| 5.2.2 CUDA架构 | 第71-72页 |
| 5.3 GPU算法实现 | 第72-75页 |
| 5.3.1 GPU算法实现过程 | 第72-74页 |
| 5.3.2 GPU算法实现结果 | 第74-75页 |
| 5.4 小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文总结 | 第76-77页 |
| 6.2 未来展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-85页 |
