一、小波神经网络在雷达信号分选中的应用（论文文献综述）
廖景伊[1]（2021）在《复杂电磁环境下LPI雷达信号智能检测与分选方法研究》文中指出随着大规模集成电路技术的发展和现代有源相控阵雷达的大规模应用,LPI雷达为各国新式武器平台所青睐。因此LPI雷达信号侦察成为雷达电子对抗的重要研究课题。现代电子战中,LPI雷达的广泛使用致使雷达侦察面临低信噪比、波形波束捷变、调制类型复杂繁多的挑战。常规基于统计的LPI雷达信号检测和分选技术往往有脉冲数量多、雷达信号信噪比较高、脉冲重复间隔恒定、雷达信号带宽较窄和雷达信号载频不跳变等约束条件,因此面临检测概率和分选成功率均不高的问题。同时,随着计算机技术的不断进步,人工智能和深度学习是近年来的研究热点。为了解决常规基于统计的雷达信号检测和分选算法在LPI雷达信号侦察中的局限性,本文基于深度学习针对LPI雷达信号智能检测和分选算法展开研究工作。本文分析了典型的LPI信号;研究了基于可视图的LPI雷达智能检测方法;在此基础上进一步研究了基于连接预测的深度残差网络脉内调制类型智能识别方法;最后探讨了基于长短期记忆深度学习网络的信号分选方法。论文的主要工作和贡献如下:1、分析了典型的LPI雷达信号的时频域特点。在列举了传统检测方法局限性的基础上,给出了 LPI雷达信号的智能检测架构,提出了基于可视图,并将可视图邻接矩阵密度和特征值输入FCF卷积神经网络的LPI雷信号智能检测方法。2、针对基于统计的传统脉内调制类型识别方法的局限性,研究了 LPI雷达不同脉内调制类型的可视图的图域特征,引入了图域节点和边的连接预测,实现了多种连接预测,提出了一种基于连接预测矩阵+深度残差网络的LPI雷达信号脉内调制类型智能识别方法,并比较了不同连接预测的性能。3、研究了基于长短期记忆深度学习网络的LPI雷达信号智能分选方法,分析讨论了脉冲描述字的数量、脉冲丢失率和参数估计误差对算法的影响。上述所有算法的有效性都通过了计算机仿真,验证了算法的有效性并给出了算法在不同情况下的性能。实现了 LPI雷达信号的智能检测、LPI雷达信号脉内调制方法的智能分类和LPI雷达信号的智能分选。
补源源[2]（2021）在《基于卷积神经网络的机载雷达信号分选方法研究》文中进行了进一步梳理机载雷达信号分选的主要目的是从截获的混合脉冲流中有效分离出高价值的空中辐射源信号,为后续高威胁目标的识别与分析、作战战略制定等重要作战手段提供可靠的情报信息,是雷达对抗侦察系统的核心环节,为“制电磁权”与“制空权”的顺利夺取奠定坚实基础,已成为国内外的研究热点。本文围绕基于卷积神经网络的机载雷达信号分选问题,重点研究了基于卷积神经网络的机载雷达信号脉内特征提取方法;结合机载雷达信号特点,引入深度学习的方法,改进了传统机载雷达信号分选结构,提高了所提特征的泛化性能,减少了传统信号分选方法的误差累积和对人工经验的依赖,使机载雷达信号分选更智能化。本文主要研究内容为:1.针对传统参数已无法有效应对复杂机载雷达调制信号分选的问题,本文提出一种基于一维卷积神经网络的脉内特征提取方法,构建基于一维卷积神经网络的雷达信号脉内特征提取模型,设计深度卷积神经网络,提取雷达信号脉内调制特征作为机载雷达信号分选的辅助特征。2.针对复杂电磁环境下密集脉冲流的分选难题,结合机载雷达信号参数特征,利用提取到的脉冲描述字,采取基于优化初始聚类中心的K-means聚类算法进行多参数联合聚类,稀释空域中的密集脉冲流,缓解后续信号处理压力。3.针对单一特征已无法有效应对复杂机载雷达调制信号分选的问题,本文提出脉内特征与脉间特征联合分选的方法。建立雷达信号分选新结构,通过深度卷积神经网络提取雷达信号脉内特征;结合序列差值直方图算法,分析雷达信号的脉间特征,实现脉内特征与脉间特征的联合分选。最后,所提方法的可行性通过仿真实验验证,能够实现准确高效的机载雷达信号分选。
张居圆[3]（2021）在《基于机器学习的雷达工作模式识别的研究和应用》文中进行了进一步梳理为了满足空中威胁和任务需求的多样性,传统常规雷达逐渐减少,具有多功能、多用途的新体制雷达大量部署,其中以采用电扫描体制和多任务管理系统的多功能相控阵雷达为典型代表。由于多功能雷达在不同工作模式下对空中目标的威胁差异极大,利用截获的雷达信号识别其工作模式是威胁预警和评估的关键问题,也是实施电子干扰策略选择、干扰资源分配的基础。因此,准确识别雷达工作模式具有重要的军事意义和价值。由于传统的模板匹配法已经无法满足复杂电磁环境下的工作模式识别要求,本文将机器学习方法应用于工作模式识别中,分别研究了无先验信息条件下、大样本数据库和小样本数据库条件下,基于机器学习的雷达工作模式识别方法,并通过仿真实验进行了算法验证。本文提出的雷达工作模式识别方法,对其他电子侦察技术的研究具有重要参考借鉴意义。本文的主要工作如下:本文在无先验信息条件下,实现了基于聚类分析的未知雷达工作模式识别。利用K-均值算法、ISODATA算法、模糊C均值算法及模糊ISODATA算法,开展基于脉冲描述字参数的雷达工作模式识别仿真实验。实验证明验证了聚类分析算法的有效性,并且证明模糊ISODATA算法相对于其他三种算法具有更高的准确率。本文在已知先验信息条件下,实现了基于神经网络的雷达工作模式识别。首先将BP神经网络算法应用于大样本识别中。其次,本文提出了基于卷积网络的孪生神经网络算法,并将该算法应用于小样本识别中。本文分别对两种算法进行了仿真实验,实验表明两种算法均能取得较好的识别效果,平均分类精度均在87%以上。且两种算法的准确率都高于对应仿真场景下的聚类分析算法,充分证明了基于神经网络的雷达工作模式识别算法能够获得比聚类分析算法更好的识别效果。
刘峻臣,胡进[4]（2021）在《基于神经网络与时域校验的信号分选方法》文中进行了进一步梳理针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号（未知雷达信号）识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息（脉冲重复间隔）,进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。
谢婉婷[5]（2021）在《基于演化神经网络的雷达信号分选与识别方法研究》文中提出近年来美国颁布了一系列新的电子战条令,这一举措推动了现代战争作战重心向电磁频谱空间转移的进程,雷达电子侦察是电磁频谱作战中的一个重要环节,而雷达辐射源的分选与识别直接决定了雷达电子侦察系统的优劣。此外,现代战争会发生在各种环境和天气下,复杂的噪声会影响雷达辐射源分选与识别方法的正确率,考虑恶劣情况下,例如海杂波噪声、大气噪声等冲击性较强的噪声,这些噪声并不是服从高斯分布的,所以一些基于高斯噪声环境的雷达分选和识别方法的正确率会有明显下降,探索和研究不同环境下各种体制雷达辐射源信号的分选与识别方法有着切实的意义和迫切的需求。本文结合群智能优化算法和神经网络,设计了基于演化神经网络的雷达辐射源信号分选与识别方法,主要内容可以分为以下三个方面:（1）本文结合量子计算和群智能优化算法,设计了量子群智能优化算法,利用测试函数对其进行了性能测试,结果表明新算法解决了原算法的早期易陷入局部极值或收敛速度慢的问题,同时还提高了收敛精度。本文分别利用设计的量子群智能优化算法优化BP神经网络和概率神经网络,与原网络模型相比,优化后的网络模型拥有更优越、更稳定的网络性能。（2）针对基于脉内调制特征的雷达辐射源识别问题,本文选取了近似熵、范数熵、调和平均盒维数和信息维数进行研究和分析,结果表明它们在高斯噪声环境不同信噪比条件下具有较好的类内聚集度和类间离散度。本文利用设计的量子水蒸发优化算法寻找概率神经网络的最优平滑因子,最后利用以上四种特征参数和优化后的概率神经网络对七种典型雷达辐射源调制信号进行识别,结果表明该方法在信噪比-5d B至20d B区间内的识别正确率可以达到99%。（3）针对在服从Alpha稳定分布的冲击噪声环境下基于二阶以上高阶统计量的传统方法性能下降甚至失效问题,本文提出了基于分数低阶统计量的雷达辐射源信号识别方法。首先对截获的雷达辐射源信号进行分数低阶矩计算,然后在这个基础上再进行傅里叶变换等处理得到雷达辐射源信号的脉内调制特征,最后对七种典型的雷达辐射源调制信号进行识别,结果表明当Alpha值大于1时,该方法在广义信噪比5d B至20d B区间内的识别正确率可以达到80%以上。
马聪聪[6]（2020）在《雷达辐射源信号指纹特征智能分析和识别》文中研究表明随着雷达技术的发展研究,新体制雷达辐射源信号的识别方法已经迫在眉睫。雷达辐射源的指纹特征表征了每部雷达的独有特征,通过对指纹特征识别,可以获取雷达辐射源个体信息,进而对雷达辐射源个体进行定位和跟踪,从而获得敌方作战意图。但由于指纹特征非常细微而且寄生在有意调制特征中,现代雷达有意调制参数多变使得指纹特征识别效果非常不理想。同时,由于深度学习能够自适应的提取雷达辐射源信号指纹特征并对其智能分析和识别,因此本文将深度学习算法应用于雷达辐射源信号指纹识别,对指纹特征进行智能分析与识别,多种环境下对算法进行仿真实验,结果表明算法具有识别率高、泛化性能好等优点。论文的主要工作如下:1.对雷达辐射源信号指纹特征的产生机理、表现形式进行研究,将雷达辐射源信号指纹特征中的包络特征和相位噪声特征建模并寄生在有意调制方式中,建立雷达辐射源信号模型。2.结合雷达辐射源信号指纹特征研究深度学习网络模型,分析和探究不同网络在雷达辐射源信号指纹特征识别中的用途,研究深度神经网络优化和训练算法。3.由于指纹特征寄生在有意调制特征中,为了充分对雷达辐射源信号进行分析,提出一种改进的一维卷积神经网络（I＿1D＿CNN）对雷达辐射源信号进行预处理,获得雷达辐射源信号的有意调制特征信息。I＿1D＿CNN网络模型能够使得网络的特征信息被充分利用,并且网络在某些神经元或者网络层失效时,网络的性能仍然良好。实验结果验证了算法不仅具有高识别率,低运行时间的特点,而且具有很高的泛化性能。4.提出一种Transformer网络实现雷达辐射源信号指纹特征识别,Transformer网络模型特有的注意力机制可以有效解决雷达辐射源信号指纹特征细微问题,另外Transformer网络让雷达信号序列中的每一个时间步与信号序列其它时间步建立起依赖关系,并且所有时间步之间都是并行运算的,模型的训练速度也非常快。仿真实验表明该算法具有较好的识别率和较强的泛化性能。
杨雯婷[7]（2020）在《针对未知雷达辐射源信号的脉内调制识别》文中研究指明在日趋复杂的电磁环境背景下,传统的工程算法已无法满足当今电子战信息处理的需求。针对密集雷达信号在复杂电磁环境下难以直接识别的问题,本文提出先分选后识别的算法流程。首先提出一种以脉冲幅度为主要参数的雷达信号预分选算法,以提高后续雷达信号识别的准确率和运算效率。预分选后,提出了基于深度学习框架的雷达辐射源信号脉内调制方式识别算法。本文主要工作如下:（1）信号调制类型对比分析及特征提取。本文研究了九种不同调制方式的雷达信号,其中包括线性调频信号、频移键控信号、相移键控信号等,分别建立信号的数学模型,分析了不同调制信号的时域、频域以及相位域的特征。此外,本文对比了不同的时频变换方法对信号特征提取的效果,经过比较最终选取ChoiWilliams分布对信号进行时频变换,提取信号的时频域特征。（2）脉冲幅度预分选。针对在复杂电磁环境下信号密集,难以直接识别的问题,在识别前提出一种以脉冲幅度为主要参数的雷达辐射源信号预分选算法。根据脉冲幅度的变化特性,采用K-Means聚类算法对雷达辐射源信号进行粗分选,并利用分段埃尔米特插值法及幅度差提取包络算法对雷达辐射源信号的脉冲幅度进行包络提取,实现在交叠严重的情况下雷达辐射源信号的分选。通过预分选算法,对信号进行稀释,能够有效提升后续识别算法的准确率。（3）基于深度置信网络的脉内调制识别算法。由于传统的识别方法在低信噪比时准确率低,本文提出了基于深度置信网络的雷达信号调制方式识别算法以提高准确率。在脉冲幅度预分选后,根据（1）中的理论基础,生成九种调制信号的时频图像数据集,通过对深度置信网络进行训练及测试,使深度置信网络具备识别雷达信号调制方式的能力。经过实验证明,本算法能够在提高未知雷达辐射源信号识别准确率的同时提高识别效率,同时该方法具有良好的普适性。（4）基于残差神经网络的脉内调制识别算法。由于人工提取信号特征的计算量大、主观性强且会丢失信号原本的信息,因此提出直接以雷达的时域信号为输入,由残差神经网络提取特征进行识别的雷达信号脉内调制算法。算法建立九种雷达信号的时域信号数据集,输入到残差神经网络进行训练、分类及识别。经实验证明,算法节省了生成时频图像特征的大量时间,抗噪声能力更强。
李雪琼[8]（2020）在《基于机器学习的雷达辐射源分选与识别技术研究》文中提出雷达辐射源分选与识别一直是电子侦察监视、电子对抗等领域的热点研究问题。随着各类辐射源和有意无意干扰的增多,并伴随着雷达低截获概率技术的发展、工作体制的复杂化以及抗干扰技术的综合应用等,导致截获信号呈现出信噪比低、干扰脉冲多、观测误差大等特点,雷达脉冲序列规律性被严重破坏,使得模型驱动类的传统分选与识别方法面临严重挑战。机器学习是由数据驱动的信号处理与信息获取工具,近年来在图像处理、数据挖掘、自然语言处理、语音识别等领域得到了广泛应用并取得了较大成果。由于数据驱动方法对含有误差的大样本数据具有很好的适应能力,且在前期训练后能够满足实时性处理的需求,拟将机器学习方法引入非合作雷达信号与数据处理（军用领域又称雷达侦察信号与数据处理）领域,以解决传统方法对复杂环境适应能力弱的问题。本文重点研究机器学习技术在复杂电磁环境雷达脉冲分选和识别方面的应用,主要工作与创新性成果归纳如下:（1）针对部分参数已知的重点目标快速分选问题,考虑复杂电磁环境下丢失脉冲和虚假脉冲比例高且测量误差大的情况,从雷达辐射源脉冲混叠模型出发,利用自编码器对信息的压缩和重构能力,提出基于自编码器（Autoencoder,AE）的无监督脉冲序列去噪方法和基于降噪自编码器（Denoising Autoencoder,DAE）的分选方法。在去噪过程中,主要利用自编码器编码过程对有用信息的压缩提取,以及解码过程对原始信息的重构,实现对虚假脉冲的抑制、丢失脉冲的修补和测量误差的校正。该方法不需要原始脉冲序列作为标签数据,而是直接分析并提取带噪声数据之间的共同特征进行无监督去噪,与传统去噪方法相比,对噪声适应能力更强。基于降噪自编码器的快速分选方法主动增加噪声作为网络输入,通过自编码器对脉冲到达时间序列（Time-of-Arrival,TOA）逐层提取出具有鲁棒性的有效特征进行分选,仿真实验证明,与传统方法相比,新方法具有模型简单、收敛速度快、鲁棒性强等显着优势。（2）针对常规脉冲分选问题,提出基于迭代卷积神经网络（Iterative Convolutional Neural Networks,ICNN）的分选新结构。网络结构中的迭代单元每次将分选输出的单个脉冲序列从原始交叠的脉冲序列中删去,以达到简化原始序列的目的,实现迭代分选。ICNN不仅能够逐个输出分选结果,且可以处理目标源个数不确定的分选问题。此外,由于分选过程中输出目标与样本目标顺序无法确定,本文提出多目标训练（Multi-target Training,MTT）方法,使得ICNN可以解决训练过程中目标与输出的匹配问题。仿真实验表明,在同样的参数设置下,ICNN比传统方法具有更高的分选准确性和对误差更强的适应性。（3）面向高比例丢失脉冲和虚假脉冲等复杂条件,本文提出基于卷积神经网络的重频类型识别方法CNN-PRIR（Convolutional Neural Networks based Pulse Repetitive Interval Recognition）,该方法利用深度学习强大的表示能力建立辐射源脉冲与重频类型之间的映射关系进行识别。辐射源的重频具有多种类型,在低信噪比环境下难以被准确识别,但由于重频序列具有周期性和局部性,而深度卷积神经网络可以提取输入的局部特征,且对噪声带来的形变具有良好的容忍度,因此非常适合解决重频类型识别问题。仿真实验表明,CNN-PRIR方法较传统统计方法和一般深度神经网络具有更高的识别准确率和对误差的适应性,且对于训练数据集之外的目标识别也具有良好的泛化能力。（4）针对复杂场景下的雷达辐射源型号识别问题,包括低截获概率技术和雷达周期旋转导致的观测信息不均匀,以及多功能体制雷达和复杂模式雷达部分模式相同或相似的情况,提出基于注意力机制的多循环神经网络（Attention-based Multi-RNNs,ABMR）型号识别方法。该模型首先针对辐射源的多维特征分配循环神经网络,并利用注意力机制合理分配神经网络的权重,在识别过程中充分聚焦有利于识别的真实脉冲信息,并忽略噪声和未观测到相关信息的部分。ABMR模型将脉冲描述字（Pulse Repetitive Words,PDWs）中的高维特征作为网络输入进行训练,收敛后的网络可以对获取的脉冲序列进行识别。由于注意力机制可以通过调整网络权重来关注脉冲序列的关键信息,因此可以充分挖掘和分析辐射源特征的微小差别和高噪声环境中较少的真实脉冲,从而对复杂场景下雷达辐射源型号进行高效识别。实验表明,新方法在低信噪比条件下的识别性能远优于已有传统方法和一般神经网络方法。
于蒙[9]（2020）在《基于深度学习的雷达信号识别技术研究》文中认为随着雷达技术的快速发展及抗干扰能力的不断提升,低截获、超宽带、信号快速捷变等技术得到普遍应用。电子侦察面临的信号环境日益复杂,给雷达信号截获和分析带来了很大的困难。由于雷达信号波形是雷达的主要特征,因此,对雷达信号波形的识别是电子侦察的一项重要研究内容。本文的研究课题将基于深度学习进行雷达信号识别技术研究。针对实际环境中雷达信号采集困难、样本量稀少的问题,论文在分析经典深度学习算法对雷达信号识别效果的基础上,提出了在小样本条件下采用生成模型及迁移学习两种方法,本文主要工作如下:1.建立雷达信号模型,并对其中的6种常见的雷达信号从时域、频域进行仿真分析。随后采用短时傅里叶以及小波变换两种时频分析技术,对6种雷达信号进行时频分析,通过在不同信噪比下的对比实验,得出短时傅里叶变换对雷达信号在不同信噪比下具有更好的性能。2.分析了基于经典深度学习网络的雷达信号识别方法。并对CNN进行了详细的分析。在训练集分别为20000和500的条件下,分别采用VGG16与Res Net18两种CNN对雷达信号时频图进行识别。结果表明,Res Net18网络性能较好,但两类网络均无法适用于训练样本稀缺的雷达信号识别问题。3.研究采用生成模型从数据层面解决样本稀缺问题,分析了VAE和GAN两类生成模型。基于时频图,采用VAE、GAN根据少量的真实雷达信号,生成大量的训练样本,分别训练Res Net18网络,进行对比实验。对比分析可知,生成模型一定程度上提高了深度学习模型的识别效果,但由于GAN生成的数据较为不稳定,VAE生成的数据较为单一,两类网络用于识别雷达信号效果较差。4.提出一种使用迁移学习思想并优化Softmax分类器的方法,同样基于雷达信号的时频图,进行稀缺样本条件下的雷达信号识别。结果表明,同样以500个训练样本为例,在-10d B的条件下,该网络识别率可达89.1%,且训练时长较短。实验结果表明,在稀缺样本条件下,该方法有效提高了网络识别率。
孔明鑫[10]（2020）在《基于深度卷积神经网络的雷达辐射源识别算法研究》文中研究指明随着电磁环境日益复杂,新型体制雷达信号不断涌现,使得基于传统参数的雷达信号识别无法满足现代电子侦察的需求。已有的脉内特征分析方法采用人工提取特征的方式对信号进行识别,计算量较大。因此,为适应多样化电磁环境,解决雷达信号识别上存在的问题,本文提出了一种基于深度卷积神经网络（DCNN）的雷达辐射源识别方法。该方法自主学习雷达信号特征,将特征提取与目标识别结合,实现“端到端”学习方式。本文具体研究内容如下:（1）对雷达信号参数进行设计和分析,产生雷达数据源。对8类复杂雷达信号:线性调频信号（LFM）、线性调频连续波（LFMCW）信号、LFM-BC信号、Frank-LFM信号、S型NLFM信号、Costas编码信号、P3码编码信号、FSK/PSK信号进行建模及其时域、频域的波形仿真与分析。通过改变雷达信号模型中具有通信物理意义的参数,为之后识别算法的研究提供数据基础。（2）提出一种基于DCNN的单通道雷达辐射源识别算法。主要思想是:对8类雷达信号做短时傅里叶变换,将得到的频谱图进行数据增强和图像预处理。针对雷达实部波形和频谱图分别作为输入,设计不同的网络模型,对DCNN的训练次数、学习率等参数进行分析和比较。并验证了雷达信号在经过STFT和图像预处理之后,识别率和运行效率有一定的提高。（3）提出一种基于DCNN的双通道雷达辐射源识别算法。此方法对单通道网络结构进行优化,设计出更适合雷达信号的双通道网络结构。将雷达信号的实部、虚部信息全部输入到网络,不同于DCNN单通道雷达信号识别算法。通过仿真实验验证了双通道网络在识别效率上具有一定的优势,验证了信号识别率与样本数量呈正相关,而且该算法在低信噪比下识别效果也能达到85%以上,对比SVM和Adaboost算法,双通道模型识别率更高。
二、小波神经网络在雷达信号分选中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波神经网络在雷达信号分选中的应用（论文提纲范文）
（1）复杂电磁环境下LPI雷达信号智能检测与分选方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 LPI雷达信号检测国内外研究现状 |
| 1.2.2 LPI雷达信号分选国内外研究现状 |
| 1.3 主要内容和结构安排 |
| 第二章 LPI雷达信号 |
| 2.1 LPI雷达信号模型 |
| 2.2 LPI雷达信号的脉内调制类型 |
| 2.3 LPI雷达信号的重频调制类型 |
| 2.4 本章小结 |
| 第三章 LPI雷达信号智能检测 |
| 3.1 概述 |
| 3.2 常规雷达信号检测方法 |
| 3.3 基于可视图的LPI雷达信号智能检测 |
| 3.3.1 可视图 |
| 3.3.2 归一化和离散化 |
| 3.3.3 基于卷积神经网络的智能检测 |
| 3.4 仿真及实验分析 |
| 3.5 本章小结 |
| 第四章 LPI雷达信号脉内调制类型智能识别 |
| 4.1 概述 |
| 4.2 常规雷达调制类型识别方法 |
| 4.3 基于预测链接的LPI雷达调制类型智能识别 |
| 4.3.1 连接预测 |
| 4.3.2 基于ResNet的调制类型智能识别 |
| 4.4 仿真及实验分析 |
| 4.5 本章小结 |
| 第五章 LPI雷达信号智能分选 |
| 5.1 概述 |
| 5.2 常规雷达信号分选方法 |
| 5.3 基于LSTM的LPI雷达信号智能分选 |
| 5.4 仿真及实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文结论 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读研究生学位期间取得的成果 |
（2）基于卷积神经网络的机载雷达信号分选方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于脉内特征的雷达信号分选 |
| 1.2.2 基于脉间特征的雷达信号分选 |
| 1.2.3 基于神经网络的雷达信号分选 |
| 1.3 本文主要工作 |
| 第二章 机载雷达信号分选研究基础 |
| 2.1 机载雷达工作模式 |
| 2.2 机载雷达信号特征参数 |
| 2.2.1 时域参数 |
| 2.2.2 频域参数 |
| 2.2.3 空域参数 |
| 2.3 机载雷达信号脉内调制类型 |
| 2.4 机载雷达信号脉间调制类型 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的脉内特征提取 |
| 3.1 卷积神经网络概述 |
| 3.2 脉内特征提取CNN网络模型 |
| 3.2.1 脉内特征提取网络模型 |
| 3.2.2 网络结构设计 |
| 3.2.3 网络训练算法 |
| 3.3 计算复杂度分析 |
| 3.4 实验与性能分析 |
| 3.4.1 数据集简介与数据预处理 |
| 3.4.2 网络性能验证 |
| 3.5 本章小结 |
| 第四章 脉内特征与脉间特征联合的机载雷达信号分选 |
| 4.1 机载雷达信号分选结构概述 |
| 4.2 多域参数联合预分选 |
| 4.2.1 聚类方法概述 |
| 4.2.2 优化初始聚类中心的K-Means算法 |
| 4.2.3 仿真分析 |
| 4.3 基于PRI信息的机载雷达信号主分选 |
| 4.3.1 PRI分选算法概述 |
| 4.3.2 序列检索 |
| 4.3.3 捷变频识别与参差鉴别 |
| 4.3.4 仿真分析 |
| 4.4 综合分选实验与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（3）基于机器学习的雷达工作模式识别的研究和应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电子侦察技术研究发展现状 |
| 1.2.2 基于机器学习的电子侦察技术研究现状 |
| 1.3 本文的主要研究内容和组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 多功能雷达工作模式及信号特征分析 |
| 2.1 引言 |
| 2.2 多功能雷达设计使用原理 |
| 2.2.1 多功能雷达设计原则 |
| 2.2.2 多功能雷达的工作过程 |
| 2.3 多功能雷达空间探测原理 |
| 2.3.1 多功能雷达探测信号形式 |
| 2.3.2 多功能雷达工作时序 |
| 2.3.3 多功能雷达空间扫描方式 |
| 2.4 雷达工作模式识别特征参数 |
| 2.5 本章小结 |
| 第三章 基于聚类分析的雷达工作模式识别 |
| 3.1 引言 |
| 3.2 聚类算法分析 |
| 3.2.1 K-均值聚类算法 |
| 3.2.2 ISODATA算法 |
| 3.2.3 模糊C均值聚类算法 |
| 3.2.4 模糊ISODATA算法 |
| 3.3 实验与分析 |
| 3.3.1 实验一 |
| 3.3.2 实验二 |
| 3.4 本章小结 |
| 第四章 基于神经网络的雷达工作模式识别 |
| 4.1 引言 |
| 4.2 神经网络算法分析 |
| 4.2.1 BP神经网络 |
| 4.2.2 卷积神经网络 |
| 4.2.3 孪生神经网络 |
| 4.3 实验与分析 |
| 4.3.1 实验一 |
| 4.3.2 实验二 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
（4）基于神经网络与时域校验的信号分选方法（论文提纲范文）
| 0 引言 |
| 1 改进的全连接神经网络 |
| 1.1 全连接神经网络输入特征 |
| 1.2 改进的全连接神经网络结构 |
| 1.3 置信度神经元设定 |
| 1.4 损失函数 |
| 2 时域校验 |
| 3 方法设计 |
| 4 雷达信号预分选实验 |
| 4.1 神经网络训练与测试 |
| 4.2 未知雷达信号判定测试 |
| 5 结束语 |
（5）基于演化神经网络的雷达信号分选与识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究发展与现状 |
| 1.2.1 基于神经网络的雷达辐射源信号分选与识别方法 |
| 1.2.2 基于群体智能优化算法的演化神经网络 |
| 1.3 论文的研究工作和结构安排 |
| 第2章 传统雷达信号分选方法 |
| 2.1 雷达辐射源信号常规特征参数 |
| 2.2 常见的雷达PRI调制样式 |
| 2.3 基于直方图的传统分选方法 |
| 2.3.1 累积差值直方图(CDIF)算法 |
| 2.3.2 序列差值直方图(SDIF)算法 |
| 2.3.3 CDIF 算法和SDIF 算法的仿真实验分析 |
| 2.4 传统PRI变换法 |
| 2.4.1 定义和原理 |
| 2.4.2 离散PRI变换 |
| 2.4.3 PRI变换法的仿真实验分析 |
| 2.5 本章小结 |
| 第3章 量子鸽群演化BP神经网络的雷达信号分选研究 |
| 3.1 BP神经网络 |
| 3.1.1 理论基础 |
| 3.1.2 基本结构和学习机制 |
| 3.1.3 待解决问题 |
| 3.2 量子鸽群优化算法 |
| 3.2.1 鸽群优化算法介绍 |
| 3.2.2 量子鸽群优化算法 |
| 3.2.3 量子鸽群优化算法性能测试 |
| 3.3 基于常规特征参数的雷达信号分选方法 |
| 3.3.1 基于量子鸽群优化算法的演化BP神经网络 |
| 3.3.2 仿真实验及分析 |
| 3.4 本章小结 |
| 第4章 量子水蒸发演化概率神经网络的雷达信号识别研究 |
| 4.1 雷达辐射源脉内调制特征 |
| 4.1.1 熵特征 |
| 4.1.2 分形维数特征 |
| 4.2 概率神经网络 |
| 4.2.1 理论基础 |
| 4.2.2 基本结构 |
| 4.3 量子水蒸发优化算法 |
| 4.3.1 水蒸发优化算法介绍 |
| 4.3.2 量子水蒸发优化算法 |
| 4.3.3 量子水蒸发优化算法性能测试 |
| 4.4 基于脉内调制特征参数的雷达信号识别方法 |
| 4.4.1 脉内调制特征提取和分析 |
| 4.4.2 基于量子水蒸发优化算法的演化概率神经网络 |
| 4.4.3 仿真实验与分析 |
| 4.5 本章小结 |
| 第5章 冲击噪声环境下的演化神经网络雷达信号识别研究 |
| 5.1 服从α-稳定分布的冲击噪声基础理论 |
| 5.1.1 α-稳定分布的定义 |
| 5.1.2 α-稳定分布的性质 |
| 5.1.3 α-稳定分布的特例 |
| 5.1.4 服从α-稳定分布的冲击噪声 |
| 5.2 基于分数低阶统计量的脉内调制特征研究 |
| 5.2.1 分数低阶统计量 |
| 5.2.2 脉内调制特征的提取与分析 |
| 5.2.3 冲击噪声环境下的雷达信号识别方法 |
| 5.3 实验仿真与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）雷达辐射源信号指纹特征智能分析和识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要章节及安排 |
| 第二章 雷达辐射源信号建模 |
| 2.1 雷达辐射源信号有意特征建模 |
| 2.1.1 常规脉冲信号 |
| 2.1.2 线性调频信号 |
| 2.1.3 非线性调频信号 |
| 2.1.4 二相编码信号 |
| 2.1.5 四相编码信号 |
| 2.1.6 二频编码信号 |
| 2.1.7 四频编码信号 |
| 2.1.8 有意特征提取算法 |
| 2.2 雷达辐射源信号指纹特征概述 |
| 2.2.1 雷达指纹特征产生机理 |
| 2.2.2 雷达辐射源信号指纹特征特性 |
| 2.3 脉冲包络特征 |
| 2.3.1 脉冲包络概述 |
| 2.3.2 脉冲包络特征建模 |
| 2.3.3 传统包络提取算法 |
| 2.4 相位噪声特征 |
| 2.4.1 相位噪声定义 |
| 2.4.2 相位噪声建模 |
| 2.4.3 传统相位噪声提取算法 |
| 2.5 雷达辐射源信号建模 |
| 2.6 本章小结 |
| 第三章 深度学习算法研究与分析 |
| 3.1 深度学习发展历程 |
| 3.2 深度学习网络 |
| 3.2.1 多层感知机 |
| 3.2.2 卷积神经网络 |
| 3.2.3 循环神经网络 |
| 3.2.4 生成对抗网络 |
| 3.3 网络训练方法 |
| 3.3.1 数据预处理 |
| 3.3.2 批归一化 |
| 3.3.3 激活函数 |
| 3.3.4 优化算法 |
| 3.3.5 正则化 |
| 3.4 本章小结 |
| 第四章 雷达辐射源信号指纹特征识别预处理 |
| 4.1 I_1D_CNN网络结构设计 |
| 4.2 实验流程 |
| 4.3 实验结果和分析 |
| 4.3.1 实验一 |
| 4.3.2 实验二 |
| 4.3.3 实验三 |
| 4.4 本章小结 |
| 第五章 雷达辐射源信号指纹特征识别 |
| 5.1 传统雷达辐射源信号指纹特征识别方法 |
| 5.2 Transformer网络设计 |
| 5.2.1 Transformer网络 |
| 5.2.2 比例点积注意力 |
| 5.2.3 多头注意力 |
| 5.2.4 基于位置的前馈神经网络 |
| 5.2.5 编码器 |
| 5.2.6 解码器 |
| 5.2.7 全局平均池化(GAP) |
| 5.3 雷达辐射源信号指纹特征智能分析与识别实验流程 |
| 5.4 实验结果和分析 |
| 5.4.1 实验一 |
| 5.4.2 实验二 |
| 5.4.3 实验三 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）针对未知雷达辐射源信号的脉内调制识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题的提出与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源信号的脉冲幅度预分选现状 |
| 1.2.2 雷达辐射源信号脉内调制识别现状 |
| 1.2.3 存在的主要问题 |
| 1.3 本文的主要内容与结构安排 |
| 1.3.1 研究目标及主要任务 |
| 1.3.2 科研项目资助情况 |
| 1.3.3 主要研究问题 |
| 1.3.4 章节安排 |
| 第2章 雷达信号脉内调制识别理论基础 |
| 2.1 引言 |
| 2.2 辐射源信号的数学模型 |
| 2.2.1 线性调频信号 |
| 2.2.2 频移键控信号 |
| 2.2.3 相移键控信号 |
| 2.2.4 多相编码信号 |
| 2.3 时频分析基本理论 |
| 2.3.1 Cohen类时频分布 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 Choi-Williams分布 |
| 2.4 本章小结 |
| 第3章 雷达辐射源信号的脉冲幅度预分选 |
| 3.1 引言 |
| 3.2 脉冲幅度模型的建立 |
| 3.3 脉冲幅度的包络提取算法 |
| 3.3.1 埃尔米特插值提取包络 |
| 3.3.2 幅度差提取包络 |
| 3.4 脉冲幅度分选算法的结构 |
| 3.5 实验及分析 |
| 3.5.1 包含混叠信号分选实验及分析 |
| 3.5.2 多种混叠方式的信号分选实验及分析 |
| 3.6 本章小结 |
| 第4章 基于深度置信网络的脉内调制识别 |
| 4.1 引言 |
| 4.2 深度学习理论基础 |
| 4.2.1 人工神经网络基础 |
| 4.2.2 网络学习基准 |
| 4.3 深度置信网络原理 |
| 4.3.1 受限玻尔兹曼机 |
| 4.3.2 改进的深度置信网络 |
| 4.4 实验及分析 |
| 4.4.1 实验数据及网络设置 |
| 4.4.2 网络参数对识别率的影响分析 |
| 4.4.3 信噪比对识别率的影响分析 |
| 4.5 本章小结 |
| 第5章 基于残差神经网络的脉内调制识别 |
| 5.1 引言 |
| 5.2 残差神经网络原理 |
| 5.2.1 卷积神经网络 |
| 5.2.2 残差神经网络 |
| 5.2.3 改进的残差神经网络 |
| 5.3 实验及分析 |
| 5.3.1 实验数据构成 |
| 5.3.2 单一信噪比训练对比试验 |
| 5.3.3 混合信噪比训练对比实验 |
| 5.4 本章小结 |
| 第6章 全文总结 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（8）基于机器学习的雷达辐射源分选与识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 复杂信号环境给分选与识别带来挑战 |
| 1.1.2 基于机器学习的雷达辐射源分选与识别方法研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源分选研究现状 |
| 1.2.2 雷达辐射源识别研究现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 基于机器学习的雷达信号处理基础 |
| 2.1 引言 |
| 2.2 非合作雷达信号与数据处理基础 |
| 2.2.1 传统雷达信号与数据处理流程 |
| 2.2.2 雷达辐射源脉冲模型 |
| 2.3 基于机器学习方法的辐射源分选与识别 |
| 2.3.1 经典机器学习模型 |
| 2.3.2 机器学习方法的分选与识别框架 |
| 2.3.3 模型正确率评价准则 |
| 2.4 本章小结 |
| 第三章 已知参数雷达脉冲分选 |
| 3.1 引言 |
| 3.2 无监督条件下数据预处理方法 |
| 3.2.1 雷达脉冲序列预处理模型 |
| 3.2.2 基于自编码器的数据预处理方法 |
| 3.2.3 仿真实验与分析 |
| 3.3 已知参数辐射源分选方法 |
| 3.3.1 降噪自编码器分选模型 |
| 3.3.2 基于降噪自编码器的分选方法 |
| 3.3.3 仿真实验与分析 |
| 3.4 本章小结 |
| 第四章 未知参数雷达脉冲分选 |
| 4.1 引言 |
| 4.2 基于迭代卷积神经网络的常规雷达脉冲分选方法 |
| 4.2.1 雷达脉冲序列常规分选模型 |
| 4.2.2 卷积神经网络分选原理 |
| 4.2.3 迭代算法模块设计 |
| 4.2.4 迭代卷积神经网络的结构设计 |
| 4.2.5 多目标训练计算目标函数 |
| 4.3 仿真实验与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 雷达辐射源重频类型识别 |
| 5.1 引言 |
| 5.2 重频体制识别问题描述 |
| 5.2.1 辐射源型号识别模型 |
| 5.2.2 重频参数范围设置 |
| 5.3 基于卷积神经网络的重频识别方法 |
| 5.3.1 卷积神经网络结构 |
| 5.3.2 卷积神经网络识别流程 |
| 5.4 仿真实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 典型场景识别结果 |
| 5.4.3 网络泛化性能分析 |
| 5.5 本章小结 |
| 第六章 显着噪声环境下雷达型号识别 |
| 6.1 引言 |
| 6.2 噪声环境下多参数辐射源识别问题描述 |
| 6.2.1 辐射源脉冲识别模型 |
| 6.2.2 误差条件分析 |
| 6.3 基于注意力机制的多循环神经网络识别方法 |
| 6.3.1 循环神经网络识别模型 |
| 6.3.2 雷达型号识别网络结构 |
| 6.3.3 雷达型号识别网络训练 |
| 6.3.4 注意力机制抑制噪声原理 |
| 6.4 仿真实验与分析 |
| 6.4.1 仿真数据设置 |
| 6.4.2 仿真实验结果 |
| 6.4.3 模型性能比较 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于深度学习的雷达信号识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征参数匹配法 |
| 1.2.2 脉内特征提取法 |
| 1.2.3 人工智能分析法 |
| 1.3 论文主要章节及安排 |
| 第二章 雷达信号建模仿真与信号预处理 |
| 2.1 常见雷达信号的建模与分析 |
| 2.1.1 线性调频信号 |
| 2.1.2 非线性调频信号 |
| 2.1.3 二频编码信号 |
| 2.1.4 四频编码信号 |
| 2.1.5 二相编码信号 |
| 2.1.6 四相编码信号 |
| 2.2 基于时频分析的雷达侦察信号预处理 |
| 2.2.1 小波变换 |
| 2.2.2 短时傅里叶变换 |
| 2.2.3 基于时频分析的雷达侦察信号预处理 |
| 2.3 本章小结 |
| 第三章 基于经典深度学习网络的雷达信号识别技术研究 |
| 3.1 经典深度学习网络 |
| 3.1.1 多层感知机 |
| 3.1.2 循环神经网络 |
| 3.1.3 卷积神经网络 |
| 3.2 常见的经典卷积神经网络 |
| 3.2.1 二维卷积神经网络 |
| 3.2.2 VGG16网络 |
| 3.2.3 Res Net18 网络 |
| 3.3 基于卷积神经网络的雷达信号识别分析 |
| 3.3.1 VGG16网络实验 |
| 3.3.2 Res Net18 网络实验 |
| 3.3.3 两类网络实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于深度生成模型的雷达信号识别技术研究 |
| 4.1 常见的生成模型 |
| 4.1.1 对抗生成网络 |
| 4.1.2 变分编码器 |
| 4.2 基于深度生成网络的雷达信号识别分析 |
| 4.2.1 对抗生成网络实验 |
| 4.2.2 变分编码器实验 |
| 4.2.3 两类网络实验对比分析 |
| 4.3 本章小结 |
| 第五章 基于迁移学习的雷达信号识别技术研究 |
| 5.1 常见的迁移学习网络 |
| 5.1.1 迁移学习网络 |
| 5.1.2 迁移学习分类 |
| 5.1.3 基于网络模型的迁移学习原理 |
| 5.2 迁移学习网络中Softmax分类算法的优化 |
| 5.2.1 传统Softmax分类算法原理 |
| 5.2.2 角度形式的Softmax原理 |
| 5.3 基于迁移学习网络的雷达信号识别分析 |
| 5.3.1 迁移学习与传统Softmax网络实验 |
| 5.3.2 迁移学习与角度形式的Softmax网络实验 |
| 5.3.3 各类网络实验对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于深度卷积神经网络的雷达辐射源识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及科学意义 |
| 1.2 雷达辐射源信号识别的国内外研究现状 |
| 1.2.1 特征提取技术的研究现状 |
| 1.2.2 分类识别技术的研究现状 |
| 1.3 本文资助背景、研究内容及结构安排 |
| 第2章 基础理论知识 |
| 2.1 卷积神经网络原理分析 |
| 2.2 卷积神经网络结构 |
| 2.2.1 卷积特征提取操作 |
| 2.2.2 池化降采样操作 |
| 2.2.3 权值更新 |
| 2.2.4 CNN中的激活函数 |
| 2.2.5 CNN中的误差反向传播算法 |
| 2.3 分类算法概述 |
| 2.3.1 Softmax分类器算法 |
| 2.3.2 支持向量机算法 |
| 2.4 本章小结 |
| 第3章 雷达信号模型分析与信号产生 |
| 3.1 雷达辐射源信号模型 |
| 3.2 信号分析与仿真 |
| 3.2.1 线性调频信号 |
| 3.2.2 线性调频连续波信号 |
| 3.2.3 线性调频-二相编码信号 |
| 3.2.4 Frank-LFM信号 |
| 3.2.5 S型非线性调频信号 |
| 3.2.6 Costas编码信号 |
| 3.2.7 P3码编码信号 |
| 3.2.8 FSK/PSK编码信号 |
| 3.3 雷达辐射源信号产生 |
| 3.4 本章小结 |
| 第4章 基于单通道的 DCNN 雷达辐射源识别方法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于单通道的 DCNN 信号识别分类方法 |
| 4.3.1 时频分析-短时傅里叶变换 |
| 4.3.2 时频图像预处理 |
| 4.3.2.1 数据增强 |
| 4.3.2.2 图像灰度变换 |
| 4.3.2.3 图像归一化 |
| 4.3.3 雷达信号识别的DCNN结构设计 |
| 4.4 实验结果及分析 |
| 4.4.1 数据产生 |
| 4.4.2 雷达信号的短时傅里叶变换 |
| 4.4.3 网络参数设置 |
| 4.4.4 训练结果分析与比较 |
| 4.4.5 可视化工具与时间效率分析 |
| 4.5 本章小结 |
| 第5章 基于双通道的 DCNN 雷达辐射源识别方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 基于双通道的DCNN信号识别方法 |
| 5.3.1 雷达数据预处理 |
| 5.3.1.1 小波变换去噪 |
| 5.3.1.2 特征向量提取 |
| 5.3.2 双通道网络结构设计 |
| 5.4 实验及分析 |
| 5.4.1 实验条件 |
| 5.4.1.1 数据产生及网络参数设置 |
| 5.4.1.2 雷达信号预处理 |
| 5.4.2 实验仿真结果与分析 |
| 5.4.2.1 不同样本量信号识别效果 |
| 5.4.2.2 特征提取后信号识别效果 |
| 5.4.2.3 噪声雷达信号识别效果 |
| 5.5 与其他分类算法比较 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
四、小波神经网络在雷达信号分选中的应用（论文参考文献）
- [1]复杂电磁环境下LPI雷达信号智能检测与分选方法研究[D]. 廖景伊. 电子科技大学, 2021(01)
- [2]基于卷积神经网络的机载雷达信号分选方法研究[D]. 补源源. 电子科技大学, 2021(01)
- [3]基于机器学习的雷达工作模式识别的研究和应用[D]. 张居圆. 北京邮电大学, 2021(01)
- [4]基于神经网络与时域校验的信号分选方法[J]. 刘峻臣,胡进. 雷达科学与技术, 2021(01)
- [5]基于演化神经网络的雷达信号分选与识别方法研究[D]. 谢婉婷. 哈尔滨工程大学, 2021
- [6]雷达辐射源信号指纹特征智能分析和识别[D]. 马聪聪. 西安电子科技大学, 2020(05)
- [7]针对未知雷达辐射源信号的脉内调制识别[D]. 杨雯婷. 吉林大学, 2020(08)
- [8]基于机器学习的雷达辐射源分选与识别技术研究[D]. 李雪琼. 国防科技大学, 2020(01)
- [9]基于深度学习的雷达信号识别技术研究[D]. 于蒙. 西安电子科技大学, 2020(05)
- [10]基于深度卷积神经网络的雷达辐射源识别算法研究[D]. 孔明鑫. 杭州电子科技大学, 2020