一、雷达信号细微特征时频分析法(论文文献综述)
青娅兰[1](2021)在《雷达辐射源脉内特征分析与分类识别》文中认为随着现代电子信息技术的快速发展,新体制雷达不断涌现,如何从雷达接收信号中开展特征提取和目标识别成为当前电子侦察的重要研究内容。本文从雷达辐射源脉内特征提取与识别方法展开研究,主要工作与成果包括:1.本文首先介绍了两种雷达脉内调制方式的产生机理,并分析了影响雷达辐射源指纹特征的主要原因。由于频偏和寄生调相两类因素具有可测性、稳定性强等特点,本文将这两类主要因素用于对指纹模型的建模,作为基础和前提。2.针对不同的调制方式,通常会采取不同的特征提取处理方法。本文研究了一种基于时频分析的有意调制特征提取方法,该方法通过利用不同调制信号的频谱以及时频分布差异并结合决策树来进行识别。实验证明,本文采用的调制识别方法能够表现不同调制方式的时频信息,在6d B时,样本的平均识别准确率可以达到96%以上。3.为了反映辐射源个体的本质差异,本文以频率稳定度作为指纹特征,并针对CW信号和LFM信号提出了两种改进的精准测频方法。为了改善周期图法谱线间隔带来的误差,本文应用了一种CZT频率精估方法实现了对CW信号频率的精确估计,该方法通过在粗估值周围进行频谱细分来提高分辨率,同时减小了采样间隔误差。对于线性调频信号(LFM),本文提出一种改进的智能粒子群寻优方法来完成对频率特征的提取,保证了精度的同时,极大提高了局部搜索最大似然法的运行效率。此外,本文还推导了指纹模型参数估计的CRLB理论性能界。实验表明,本文采用的频率参数精估算法可以逼近CRLB界,在7d B时,对雷达辐射源的识别准确率达到90%以上。4.为了充分刻画辐射源个体指纹的非线性特征,进一步减少传统人工特征提取的难度,本文研究了一种基于一维残差网络和特征增强的个体识别方法。该方法利用了双谱的抗噪能力,通过提取双谱的三种特征矢量:奇异向量、对角切片和SIB矢量,并结合接收的一维时序信号,联合送入设计的残差网络种进行训练和学习。实验证明,本文提出的方法有效利用了有限的信息,相比仅利用时序信号或双谱特征的传统方法,得到了更高的识别准确率。
樊南利[2](2021)在《雷达辐射源精确识别技术研究》文中研究说明雷达辐射源个体识别技术近年来长期作为电子侦察领域的热点话题,得到了众多研究者的学习和研究。通过对这项技术的研究,为使用者提供了区分具有一定相似性的不同个体的技术手段。在更深入和专业的使用领域,可以辅助使用者准确判定雷达辐射源所属平台,对平台的活动数据信息进行记录和积累,以掌握和分析某目标区域内的态势信息。开展辐射源个体识别技术研究,在应用领域具有非常重要的价值。本文系统地对雷达辐射源个体特征产生机理、信号预处理和个体特征分析等研究内容进行了总结,主要研究内容分为以下部分:首先,分析了雷达在脉冲包络、杂散输出和相位噪声三个方面的个体特征的产生机理,为工作流程中的个体特征提取与识别提取依据;研究了接收机在实现个体识别技术时,对其本身性能的要求。接着,对雷达辐射源信号在预处理阶段的工作进行了介绍;通过分析雷达信号在实际侦收中存在的与理论情况的差异,分析了处理前降噪的必要性,并对降噪和归一化的方法流程和应用效果进行了说明;在多径信号的参数估计与抑制阶段研究了基于遗传算法和基于L-Wigner分布的方法。随后,介绍了调制识别在个体识别技术中的作用和常用方法;研究了基于模糊函数的多径信道下的调制识别方法,尝试将该方法与小波包能量和高阶统计量进行比较,通过对仿真产生的多种调制信号进行实验,得到三种方法在不同信噪比下的识别率比较。最后,研究了时频域、小波包变换、模糊函数切片、循环谱、循环双谱、时频重构等方法对时频域的特征提取方法;通过仿真对方法性能有了初步的直观认识并确定后续实验中选用的方法;通过针对实测数据的实验,得到了其中最具有效性的几种特征提取方法,并对后续研究给出了建议。
林付艳[3](2020)在《雷达指纹特征提取与识别方法的研究》文中研究指明雷达指纹识别旨在通过提取由雷达内部元器件差异造成的发射信号区别于其他同型号雷达的细微特征,实现雷达个体的判别和追踪。与传统雷达个体识别或调制方式识别相比,雷达指纹识别具有指纹信息极其细微、隐匿度较高的特点。目前,基于机器学习的雷达指纹特征提取与识别方法逐渐崭露头角,然而已有的研究多基于仿真数据,模型和参数设置偏差较大,在实际场景中的识别率低、稳定性差;另外,电子战日趋智能化、自动化,对雷达指纹识别的实时性和自适应性提出了更高的要求。针对上述挑战,本文首先阐述了雷达指纹产生机理;然后基于实测雷达数据对雷达指纹特征提取与识别方法展开研究,并评估了所提方法的有效性。论文主要创新点和工作如下:1.针对传统方法中存在的特征有效性和代表性差、在实际场景中识别效果不理想的问题,提出基于变分模式分解(Variational Mode Decomposition,VMD)的多域特征提取与识别方法。为充分挖掘信号中隐含的指纹信息,该方法首先利用VMD将雷达信号分解为不同的子信号,然后对各分量进行多域特征提取;在分类器设计方面,提出基于随机森林的雷达指纹识别,通过理论论证和实验分析与其他分类器进行比较,研究了随机森林中决策树数量设置问题;最后研究了脉内采样点数对识别效果的影响,通过对比实验对所提方法进行评估。实验表明该方法可实现基于部分脉内稳态信号的高准确率雷达指纹识别;随采样点数增加,识别率不断提高,其中截取脉内3000个采样点进行特征提取,即可实现高于99%的识别率;模型具有较强的泛化能力,算法简单,容易实现。2.为实现细微雷达指纹自动特征提取与识别,提高算法的实时性和普适性,提出一种基于卷积神经网络的雷达指纹识别方法。通过将时域雷达信号转换成二维时频图,输入卷积神经网络实现雷达指纹特征的提取和识别。针对传统时频分析方法存在的时频聚集性和频率分辨率较差,易丢失细微雷达指纹信息的问题,引入一种基于变分模式分解-希尔伯特变换(Variational Mode Decomposition and Hilbert Transform,VMD-HT)的时频分析方法;为降低运算量同时保证细微指纹信息的完整性,研究了时频图预处理问题;针对时频图的特殊性,研究了卷积神经网络的参数设置、时频图尺寸影响、网络结构优化和卷积层数影响四方面内容;基于实测数据的研究表明优化后的网络具有较高的识别准确率和泛化能力。
苏飞宇[4](2020)在《基于小波与混沌理论的辐射源个体识别方法研究》文中指出在电子侦察技术中,正确处理和分析敌方信号并将其分类识别是非常有意义但又充满挑战的一个环节,它将直接影响后期战场情势的把控和对抗策略的研制,在特定的时间空间内截获的敌方信号是不同种信号的混合体,在经典的信号处理识别后,它们可能仍然表现为信号调制类型和调制参数一致、频谱特征类似等等,正确识别信号的发射设备,利用区分于普通信号特征、深入探索其机理和特性来识别辐射源个体并获取战场信息是及其有意义的一个课题。特定辐射源信号识别仅仅关注于探测信号的无意调制特征,信号发射机各个器件在工作中由于温湿度环境和长时间工作的影响,会产生一些特定的变化,而这些变化将以某种形式体现在各种发射信号中,细微的信号特征正是这些器件差异性的体现。本文基于实测数据,通过对小波频域和相空间域的研究提取了多种特征进行个体识别,具体研究内容如下所示:首先,结合辐射源发射机系统的构造从振荡器和功放入手针对不同个体间具有固定区分度的无意识调制产生机理进行了研究并完成信号仿真。对实测数据进行预处理,研究其时域、频谱、包络、包络幅度分布、均值和方差等基本特征。在指纹机理的基础上,研究了实测数据的频率放大曲线,并分析了利用该曲线提取特征的可行性,在此基础上根据功放非线性对频率的影响提出了自适应能量窗和特定特征序列。其次,在统计了实测数据归一化包络幅度分布的基础上研究了偏度和峰度特征,利用三种不同的序列即完整脉冲、能量窗内全频段和特征序列完成特征提取,分析了各自的特点。进一步在含噪序列下研究了基于小波的偏峰度特征并进行降维处理。此外选取性能更优的小波包分解对于不同种输入方式研究了对应的分量熵作为辐射源个体识别的另一特征,对于这种能量特征本文选取Relief F和K-S特征降维算法。研究各种输入方式的各个维度偏度、峰度和小波熵特征,分别在KNN分类算法中进行分类识别。最后,基于辐射源个体间的差异性来源于系统器件非线性作用这一事实采用混沌理论处理本课题的实测数据并提取特征完成个体识别过程。在了解混沌基本理论的前提下验证了实测数据具有混沌性并利用经典算法得到了嵌入时间延迟和维数参数,基于此进行相空间重构并提取了相应的特征完成个体识别。
秦鑫[5](2020)在《雷达辐射源脉内特征分析与识别关键技术研究》文中提出雷达辐射源识别是对预分选后的脉冲进行特征提取,并通过与数据库中已知信号特征参数进行对比和分析来确定辐射源种类的过程,是雷达侦察的核心任务之一。然而随着雷达技术不断发展,大量新体制雷达投入到装备应用中,信号环境日益恶劣,常规特征参数已远不能满足现代作战电子情报的需求。而雷达辐射源脉内特征分析通过获取更丰富本质的特征参数,成为雷达辐射源识别的研究热点和发展趋势,对雷达辐射源识别具有重要意义。本文主要围绕雷达辐射源脉内特征分析与识别关键技术展开深入研究,针对调制识别、调制参数估计和个体识别提出了相应地解决算法,并设计了一套雷达辐射源脉内特征分析与识别验证系统。主要工作包括:1、针对低信噪比条件下,复杂多类雷达辐射源信号调制识别存在特征提取困难、识别正确率低的问题,提出了一种基于时频分析和扩张残差网络的雷达辐射源调制识别算法。该算法利用时频变换Choi-Williams分布(CWD)将雷达辐射源信号一维时域波形转换成二维时频图像,并对时频图像进行预处理后,构建扩张残差网络来自动提取信号时频图像特征,实现调制识别。仿真结果表明,该算法抗噪性能好、泛化能力强,且提高了时频图像特征相似的类线性调频(LFM)信号识别正确率。2、针对高效分数阶傅里叶变换(FRFT)实现LFM信号参数估计时存在应用限制的问题,提出了一种基于功率谱分析和高效FRFT的LFM信号参数估计快速算法。该算法在利用功率谱粗估计信号带宽和中心频率的基础上,采用动态选取旋转角度、去中心频率和高斯平滑滤波对高效FRFT进行改进以有效估计归一化FRFT长度,进而利用不同旋转角度下FRFT的几何关系实现了LFM信号参数快速估计。仿真结果表明,该算法普适通用,抗噪性能好,估计精度高且具有较好的实时处理性能。3、针对基于无意调相特性实现雷达辐射源个体识别时存在分类性能不佳的问题,提出了一种基于无意调相特性分析和长短时记忆加全卷积网络的雷达辐射源个体识别方法。该算法首先对观测相位进行去调制处理和贝塞尔平滑,精确提取了无意调相特征曲线,然后构建长短时记忆加全卷积网络自动提取无意调相序列的联合特征实现了辐射源个体识别。仿真结果表明,该算法具有较好的抗噪性能,泛化能力强,在小样本下也能取得较好的识别效果。4、针对当前雷达辐射源识别领域普遍存在重理论研究、轻工程应用的不足,设计了一套雷达辐射源脉内特征分析与识别验证系统。该系统利用不同波形发生器模拟雷达辐射源发射脉冲信号,并以实时频谱分析仪作为信号采集平台进行数据采集和存储,最后在实测数据上验证了前述章节算法可行有效,且具有一定的工程应用价值。
牛浩楠[6](2020)在《雷达辐射源信号精细化特征分析与识别》文中认为当今世界,随着信息化时代的到来,电子科学技术发展飞快。军事作战也越来越依靠电子信息,因此世界各国都在不断更新作战装备。其中,最重要的就是雷达的发展更新。在各种新体制和新种类的雷达大量涌现的背景下,电磁环境变得越来越复杂多变,给电子对抗带来了很大的挑战。针对复杂电磁环境下的辐射源精确识别问题,本文将基于相控阵雷达辐射源的精细化特征,主要是包络特征和相噪特征,利用高阶谱和小波变换对其进行分析,并结合有监督学习方法完成雷达辐射源识别任务。最后本文还提出了一种基于雷达信号中频数据和一维卷积神经网络的雷达辐射源识别方法。主要内容分为以下几部分:1、研究了相控阵雷达的结构组成并进行了数学建模。着重对相控阵雷达的发射系统和天线系统进行了分析和建模,然后根据信号产生过程和相控阵天线扫描原理,按照调制、混频、放大、波束合成等过程给出雷达发射信号模型,并仿真实现了常见的几种雷达辐射源信号。最后通过接收机噪声叠加形成侦收信号。2、研究了雷达辐射源精细化特征。本文重点从时域、频域和变换域研究了雷达辐射源个体的精细化特征。首先分析了包络特征和相噪特征的产生机理和特征模型,然后利用Morlet小波变换法提取信号包络特征,利用非参数化双谱估计间接法和围线积分提取了相噪特征,最后通过频谱小波变换提取频谱特征,构建了八维特征向量。3、研究了雷达辐射源识别方法。针对提取的雷达信号的精细化特征,构建八维特征向量,利用K近邻算法、支持向量机算法和栈式自编码器网络三种分类算法对不同雷达辐射源个体进行分类识别,三种方法各有优劣,但仍能实现较好的分类识别结果。在信噪比为20d B的条件下,各种信号的识别率均达到了90%以上。4、针对低信噪比条件下识别率低的问题,根据雷达辐射源信号中频数据的一维特性提出使用一维卷积神经网络模型来进行分类识别。通过调整网络参数,得到了比较高的识别正确率,在信噪比为0d B条件下,识别率能达到90%以上,比之前的分类器识别效果好。并且网络在高信噪比数据训练,低信噪比数据测试的仿真实验中表现出良好的鲁棒性和抗噪性,达到了很好的分类识别效果。
张晓丽[7](2020)在《基于时频图像的雷达信号调制识别研究》文中认为认知无线电和雷达电子战的发展对提升复杂电磁环境中调制信号的识别能力提出了重要需求。在复杂频谱电磁环境下,只有充分感知和分析敌方电磁频谱资源的使用情况,才能有针对性地削弱非合作方雷达设备的使用效能,从而在电子战中处于制高点。但是,随着复杂体制雷达的出现,现有的调制识别技术已经不能广泛的适用于不同调制类型的信号识别框架。论文针对复杂电磁环境下雷达信号调制识别系统,围绕时频分析、图像融合和深度学习理论,设计了一种基于时频图像的调制识别算法,深入研究了低信噪比条件下雷达信号调制识别问题。主要研究内容如下:首先,介绍了典型的十二种雷达信号调制类型,分析了其时域、频域特性和模糊性能;探讨了非平稳雷达信号的时频分析手段,研究了低信噪比情况下信号通过减少交叉项分布(Reduced Interference Distribution,RID)分析后的时频效果;阐述了深度学习算法的基本理论,并对本文涉及的深度学习算法进行基本介绍,为后续识别算法的特征提取与识别模块提供了理论基础。其次,针对现有的调制识别技术提取特征困难、低信噪比条件下识别效果不理想等问题,提出了一种基于图像融合和卷积神经网络的调制识别算法。该算法在信号时频分析的基础上,从图像融合理论入手,分析了Karhunen-Loeve(K-L)变换的基本原理,将RID分析得到的不同时频图像采用基于主分量分析的图像融合算法进行融合;简述了卷积神经网络的基本原理,结合迁移学习理论,研究了预训练的Alex Net网络模型,提出了基于时频融合图像和Alex Net模型迁移的雷达信号调制识别算法,解决了小样本训练深层网络难的问题,实现了特征的自动提取,降低了训练复杂度。仿真结果表明,该算法识别效果明显优于传统的人工提取信号特征的识别算法。最后,针对上述所提出的识别算法的优势和存在的问题,在此提出了一种基于融合特征的调制识别算法。该算法基于特征融合思想,分别将基于迁移学习的Alex Net模型和栈式自动编码器作为特征提取器,自动提取时频融合图像的特征;将不同特征提取器提取的特征运用概率主成分分析算法进行降维,最大限度地保留有效信息的同时,去掉对分类决策无用的冗余信息;采用串行特征融合算法对降维后的特征进行融合处理,该过程在保证特征有效性的同时,有效提升了整体的识别成功率。仿真结果表明该算法具有很好的泛化性。
刘文健[8](2020)在《基于深度学习的雷达信号脉内特征提取算法研究》文中研究说明现代战场上常规雷达开始逐渐被新体制雷达取代,传统的基于雷达特征五参数的雷达信号分选和识别算法已经失效,而通过对雷达辐射源信号脉内有意特征和无意特征的分析,可以实现基于短时观测数据的雷达信号的分选和识别。因此,近些年来对于如何在密集环境中截获信号并进行脉内特征提取成为雷达信号分选和识别的重要研究内容。与传统的方法相比,基于深度神经网络的雷达信号脉内特征分析不仅可以减少人工提取特征的巨大工作量,而且在低信噪比的环境下能够取得与人工提取特征效果相似甚至更好的效果。通过借鉴深度学习在图像识别和语音信号识别上的应用,本文结合雷达信号有意特征和无意特征各自的特点,分别使用了卷积神经网络和稀疏自编码网络分别对雷达信号进行有意特征提取和无意特征提取。在雷达信号有意特征分析方面,首先使用CWD(Choi-Williams分布)时频分析对8种常用的雷达信号进行时频分析,并且建立起由8种雷达信号时频图像组成的小规模的图像数据集,并且本文使用了迁移学习的方式有效避免了神经网络在小样本的数据集上容易过拟合的风险。最终的实验结果表明三种网络进行迁移学习的整体识别率均能达到90%以上。为进一步提高识别率,本文通过特征融合的方法对基于迁移学习的雷达信号识别算法进行了改进,改进算法对8种信号的整体识别率提高到了95%以上。根据雷达信号无意调制特征的特点,本文首先对实测的雷达信号进行双谱分析,并且对双谱数据进行预处理,利用堆叠式稀疏自编码器(s SAE)对预处理后的双谱数据进行特征的自动提取。为了提高分类性能,本文使用了XGBoost作为分类器对神经网络提取到的特征进行识别分类。对三种实际雷达发射信号的实验结果表明,总体识别率可达95%以上。本文提出的算法能够很好地提取雷达信号的无意特征。
曹晓航[9](2020)在《基于时频图像的信号识别技术研究》文中研究指明由于通信信号、无线电信号、遥控遥测信号、雷达信号等信号的干扰,造成了战场复杂多变的电磁信号环境。为了监测战场电磁信号,从众多干扰源中准确识别信号的调制类型显得尤为重要,是进行信号分析的关键一步。只有先识别出信号的调制类型,才能对信号进行后续分析,以便于信号的解调和其他信息的获取。因此在复杂电磁环境下,对于信号的识别和检测具有重要的意义。本文主要针对6种常用的雷达辐射源信号,分别从图像的不变矩和纹理特征着手对信号进行识别,同时对LFM信号进行了检测与估计,具体包括以下工作:(1)利用不变矩的特征,提出了一种基于时频分布的小波不变矩特征向量提取和识别分类方法。该方法首先对雷达辐射源信号时频图像进行处理,利用小波不变矩的相关性质,从雷达辐射源信号的时频图像中提取小波不变矩的特征向量,由于大量小波不变矩的特征值是无效的,需从中筛选出代表性的特征值,最后采用支持向量机分类识别的方法对特征值进行训练,从而达到信号分类识别的目的。对6种常见雷达辐射源信号进行分类,仿真结果显示,在SNR=-3d B时,识别正确率仍达到90%以上。与其他基于图像不变矩的特征值分类方法相比,该方法在信噪比低于-4d B条件下具有较好的分类效果。(2)提出一种基于Tamura纹理特征和支持向量机相结合的雷达辐射源信号识别方法。该算法针对信号的时频图像先进行图像预处理,再利用Tamura纹理特征法对处理后的时频图像进行特征提取,得到粗糙度、线性度、方向度、对比度和规整度等5个参数的特征值,最后利用支持向量机对所得到的5个方面的特征值进行识别分类,仿真结果显示该方法在低信噪比条件下分类效果较为理想。(3)针对低信噪比条件下线性调频信号的参数估计,提出一种基于Choi-Williams时频分布图像与Hough变换相结合的信号参数提取方法。该方法首先利用CW时频分布对线性调频信号进行时频变换,得到时频图像,根据最大类间方差法选取合适的阈值进行二值化,然后利用形态学的方法对图像加以平滑,再对图像使用Hough变换,最后根据峰值检测的结果对信号进行评估,从而实现对LFM信号参数的估计。仿真结果显示,在SNR<-6d B的情况下,该方法对于单分量LFM信号初始频率估计误差仍小于0.8%,调频斜率的估计值更为准确。
陈俊达[10](2019)在《深度学习方法在雷达信号识别若干问题上的研究与应用》文中指出自从上世纪30年代英国人发明雷达后,相关技术和应用日新月异。不管是在国防军事还是在航空航天上,雷达都具有不可替代的作用。各个国家在竭力开发更强大的雷达技术的同时,也在发展相应的对抗技术。雷达辐射源信号识别作为雷达对抗系统中的一个重要功能,在电子侦察中发挥着不可比拟的作用,我们从雷达辐射源信号中获得的信息越多,对我方的军事行动提供的支持就越多。然而随着科学技术和雷达体制的发展,现今大部分雷达都具备较强的反侦察和反干扰特性,这使得我们进行雷达辐射源识别面临许多困难。在传统的方法渐渐难以满足雷达辐射源识别任务的情况下,如何提高雷达辐射源识别的准确率具有重大意义。本文首先概述了雷达辐射源信号识别的研究背景与意义,然后对国内外的相关研究方法进行了总结分析。在理解雷达辐射源识别的相关理论的基础上,将深度学习和聚类等机器学习知识用于对辐射源的分类识别任务,并取得了很好的效果。本文的主要研究工作包括:(1)针对雷达型号分类问题,本文提出了一种基于一维卷积神经网络的识别方法,并通过实验确定了最适合本课题需求的卷积网络结构,使得我们可以在不知道信号调制类型的情况下对雷达的型号进行分类。(2)针对于雷达信号的标注成本较高,标注较复杂的问题,我们使用了基于生成式对抗网络的半监督学习方法,在对有标注样本进行学习的同时,通过生成模型对无标注样本进行学习,大大减小了训练过程中所需要的有标注数据。(3)针对训练集中没有见过的未知信号,我们利用深度度量学习通过已知类别数据学到已知类别之间的度量关系,并使用生成式对抗网络提升特征学习的效果,再利用这种度量关系去区分已知与未知类别,然后对未知样本通过度量网络使用k-means++进行聚类。
二、雷达信号细微特征时频分析法(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、雷达信号细微特征时频分析法(论文提纲范文)
(1)雷达辐射源脉内特征分析与分类识别(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 引言 |
1.2 雷达辐射源个体识别研究意义及背景 |
1.3 国内外研究现状 |
1.3.1 常规特征参数研究现状 |
1.3.2 脉内特征提取研究现状 |
1.3.3 分类器研究现状 |
1.4 本论文的研究内容以及各章节的安排 |
第二章 雷达辐射源个体识别基础 |
2.1 引言 |
2.2 雷达辐射源脉内调制类型 |
2.2.1 雷达信号有意调制类型 |
2.2.2 雷达信号无意调制类型 |
2.3 雷达辐射源个体识别方案 |
2.4 本章小结 |
第三章 基于时频分析的有意调制识别方法研究 |
3.1 引言 |
3.2 有意调制识别问题模型 |
3.3 基于时频分析的有意调制识别方法研究 |
3.3.1 时频分析方法概述 |
3.3.2 六种调制类型的时频特性 |
3.3.3 基于时频分析的调制识别 |
3.4 有意调制识别实验结果 |
3.4.1 LFM信号的识别 |
3.4.2 有意调制方式识别结果 |
3.5 本章小结 |
第四章 基于指纹模型的无意调制特征提取方法研究 |
4.1 引言 |
4.2 无意调制识别问题模型 |
4.3 CRLB理论性能界推导 |
4.4 基于CZT的高精度频偏特征提取方法 |
4.4.1 CW信号的FFT频率估计原理和性能分析 |
4.4.2 基于CZT的频率精估方法 |
4.4.3 基于CZT的频率精估算法性能 |
4.5 基于粒子群寻优的最大似然频偏特征提取方法 |
4.5.1 LFM信号的最大似然估计与性能分析 |
4.5.2 基于粒子群寻优的最大似然频率精估方法 |
4.5.3 基于粒子群寻优的最大似然频率精估算法性能 |
4.6 无意调制识别实验结果 |
4.6.1 不同调制信号的指纹特征提取结果 |
4.6.2 不同频点信号的指纹特征提取结果 |
4.6.3 分类识别结果 |
4.7 本章小结 |
第五章 基于残差网络的雷达辐射源个体识别 |
5.1 引言 |
5.2 基于神经网络的个体识别问题模型 |
5.3 一维残差网络的设计 |
5.4 双谱的性质和特征表示 |
5.4.1 高阶累积量及谱 |
5.4.2 双谱的重要性质与积分双谱 |
5.5 基于残差网络和特征融合的个体识别 |
5.6 基于残差网络的个体识别实验结果 |
5.6.1 指纹参数对双谱特征的影响 |
5.6.2 分类识别结果 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 研究总结 |
6.2 前景展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(2)雷达辐射源精确识别技术研究(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 辐射源识别技术的研究历史与现状 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 个体特征产生机理 |
2.1 雷达发射机的基本构成 |
2.2 个体特征产生机理 |
2.3 脉冲包络 |
2.4 杂散输出 |
2.5 相位噪声 |
2.6 个体识别对侦察接收机的功能要求 |
2.7 本章小结 |
第三章 辐射源信号预处理 |
3.1 辐射源信号降噪与归一化 |
3.1.1 信号降噪 |
3.1.2 归一化处理 |
3.2 多径信号检测与抑制 |
3.2.1 基于GA的多径参数估计 |
3.2.2 基于LWD的多径参数估计 |
3.3 实验结果及分析 |
3.4 本章小结 |
第四章 多径信道下的脉内调制方式识别 |
4.1 调制识别的作用和常用方法 |
4.2 基于模糊函数的多径信道下的调制识别 |
4.3 实验结果及分析 |
4.4 本章小结 |
第五章 辐射源个体特征提取与分类 |
5.1 时频域的个体特征提取 |
5.2 基于小波包变换的个体特征提取 |
5.3 基于模糊函数切片的个体特征提取 |
5.4 基于循环谱域的个体特征提取 |
5.5 基于循环双谱的个体特征提取 |
5.6 基于EMD时频重构的个体特征提取 |
5.6.1 EMD算法 |
5.6.2 基于EMD时频重构的个体特征提取 |
5.7 PCA降维及SVM分类 |
5.8 实验结果及分析 |
5.8.1 数据基本信息介绍 |
5.8.2 实验结果及分析 |
5.9 本章小结 |
第六章 全文总结与展望 |
6.1 全文工作总结 |
6.2 未来研究展望 |
致谢 |
参考文献 |
(3)雷达指纹特征提取与识别方法的研究(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 特征提取 |
1.2.2 分类器设计 |
1.3 雷达指纹识别系统 |
1.4 论文研究内容及结构安排 |
第二章 雷达指纹产生机理 |
2.1 引言 |
2.2 雷达发射机基本结构 |
2.3 有意调制与无意调制 |
2.3.1 有意调制 |
2.3.2 无意调制 |
2.4 雷达指纹概述 |
2.4.1 雷达指纹的表现形式 |
2.4.2 雷达指纹特性 |
2.5 本章小结 |
第三章 基于变分模式分解的多域特征提取与识别 |
3.1 引言 |
3.2 信号分解方法概述 |
3.2.1 小波包分解 |
3.2.2 经验模式分解 |
3.2.3 变分模式分解 |
3.2.4 三种分解方法对比 |
3.3 基于VMD的多域特征提取 |
3.3.1 预处理 |
3.3.2 多域特征提取 |
3.4 基于随机森林的雷达指纹识别 |
3.4.1 随机森林分类器设计 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第四章 基于卷积神经网络的雷达指纹识别 |
4.1 引言 |
4.2 典型时频分析 |
4.2.1 短时傅里叶变换 |
4.2.2 连续小波变换 |
4.2.3 Wigner-Ville分布 |
4.2.4 希尔伯特黄变换 |
4.2.5 典型时频分析比较 |
4.3 VMD-HT时频分析 |
4.3.1 VMD-HT基本原理 |
4.3.2 基于VMD-HT的雷达信号预处理 |
4.4 卷积神经网络 |
4.4.1 深度学习概述 |
4.4.2 卷积神经网络的基本结构和训练 |
4.4.3 基于卷积神经网络的雷达指纹识别方案 |
4.5 面向雷达指纹识别的卷积神经网络优化设计与实验分析 |
4.5.1 卷积神经网络参数设置研究 |
4.5.2 时频图尺寸对雷达指纹识别影响研究 |
4.5.3 卷积神经网络结构优化研究 |
4.5.4 卷积层数量对雷达指纹识别影响研究 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 下一步工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(4)基于小波与混沌理论的辐射源个体识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外的研究现状及分析 |
1.2.1 辐射源个体识别研究现状 |
1.2.2 小波的研究现状 |
1.2.3 混沌理论研究现状 |
1.3 本文的主要研究内容及章节安排 |
第2章 无意调制机理及特征序列的提取 |
2.1 引言 |
2.2 无意调制机理的研究 |
2.2.1 振荡器产生的无意调制 |
2.2.2 功放产生的无意调制 |
2.2.3 无意调制的仿真 |
2.3 实测数据特征序列的提取 |
2.3.1 数据预处理 |
2.3.2 信号特征序列的提取 |
2.4 KNN分类算法 |
2.5 本章小结 |
第3章 基于小波理论的辐射源个体识别 |
3.1 引言 |
3.2 基于小波和特征降维的偏度峰度特征 |
3.2.1 峰度和偏度 |
3.2.2 小波分解 |
3.2.3 线性判别分析 |
3.2.4 特征提取方法 |
3.3 基于特征选择的小波熵特征 |
3.3.1 小波熵特征 |
3.3.2 Relief F特征选择算法 |
3.3.3 K-S特征评价准则 |
3.4 实验结果及分析 |
3.5 本章小结 |
第4章 基于混沌理论的辐射源个体识别 |
4.1 引言 |
4.2 混沌理论的基础 |
4.2.1 相空间重构 |
4.2.2 混沌信号基本特征 |
4.3 混沌信号的特征提取 |
4.3.1 分量重排 |
4.3.2 分段均值方差特征 |
4.3.3 特征提取方法 |
4.4 实验结果及分析 |
4.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(5)雷达辐射源脉内特征分析与识别关键技术研究(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 国内外研究与发展现状 |
1.2.1 调制识别研究现状 |
1.2.2 调制参数估计研究现状 |
1.2.3 个体识别研究现状 |
1.3 现有研究存在的问题 |
1.4 论文主要工作和结构安排 |
第二章 基于扩张残差网络的雷达辐射源调制识别 |
2.1 引言 |
2.2 雷达辐射源信号模型 |
2.3 雷达辐射源信号预处理 |
2.3.1 信号时频分析 |
2.3.2 时频图像预处理 |
2.4 特征提取与分类识别 |
2.4.1 卷积神经网络概述 |
2.4.2 扩张残差网络模型 |
2.4.3 网络训练 |
2.4.4 算法流程 |
2.5 仿真实验与结果分析 |
2.6 本章小结 |
第三章 基于功率谱和高效FRFT的 LFM信号参数估计 |
3.1 引言 |
3.2 高效FRFT实现LFM信号参数估计原理 |
3.2.1 FRFT及 LFM信号参数估计 |
3.2.2 最优旋转角度估计 |
3.3 归一化FRFT长度估计 |
3.3.1 基于功率谱分析的α1、α2选取 |
3.3.3 去中心频率 |
3.3.4 高斯平滑降噪 |
3.3.5 参数估计步骤 |
3.4 仿真实验与结果分析 |
3.5 本章小结 |
第四章 基于无意调相特性的雷达辐射源个体识别 |
4.1 引言 |
4.2 UPMOP特征曲线提取 |
4.2.1 相位观测模型 |
4.2.2 UPMOP提取流程 |
4.3 识别算法 |
4.3.1 LSTM和 FCN |
4.3.2 网络模型框架 |
4.3.3 算法流程 |
4.4 仿真实验与结果分析 |
4.5 本章小结 |
第五章 雷达辐射源脉内特征分析与识别验证系统设计 |
5.1 引言 |
5.2 系统概述 |
5.3 系统测试与分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
作者简历 |
(6)雷达辐射源信号精细化特征分析与识别(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 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 雷达辐射源个体识别研究现状 |
1.2.2 雷达辐射源指纹特征研究现状 |
1.2.3 雷达辐射源识别算法研究现状 |
1.3 论文主要内容及章节安排 |
第二章 相控阵雷达建模 |
2.1 相控阵雷达系统 |
2.2 发射机建模 |
2.3 相控阵天线建模 |
2.3.1 线阵分析 |
2.3.2 面阵分析 |
2.4 信号建模 |
2.4.1 雷达发射信号建模 |
2.4.2 侦察接收机侦收信号建模 |
2.5 本章小结 |
第三章 雷达辐射源个体细微特征分析与提取 |
3.1 包络波形特征分析 |
3.1.1 包络特征产生机理 |
3.1.2 包络特征参数分析 |
3.1.3 包络特征参数提取 |
3.1.4 仿真实验及结果分析 |
3.2 高阶统计量分析 |
3.2.1 相位噪声产生机理 |
3.2.2 相位噪声建模 |
3.2.3 双谱特征分析及提取 |
3.2.4 仿真实验及结果分析 |
3.3 频域小波分析 |
3.3.1 频谱小波变换 |
3.3.2 小波变换尺度间相关性去噪 |
3.3.3 特征提取 |
3.3.4 仿真实验及结果分析 |
3.4 本章小结 |
第四章 基于细微特征的雷达辐射源识别 |
4.1 基于KNN的雷达辐射源识别 |
4.1.1 KNN算法原理 |
4.1.2 KNN算法流程 |
4.1.3 基于KNN的雷达辐射源识别仿真分析 |
4.2 基于SVM的雷达辐射源识别 |
4.2.1 SVM算法原理 |
4.2.2 SVM算法流程 |
4.2.3 基于SVM的雷达辐射源识别仿真分析 |
4.3 基于SAE的雷达辐射源识别 |
4.3.1 SAE算法原理 |
4.3.2 SAE算法流程 |
4.3.3 基于SAE的雷达辐射源识别仿真分析 |
4.4 本章小结 |
第五章 基于中频数据的雷达辐射源个体识别 |
5.1 基于中频数据的识别分析 |
5.2 卷积神经网络概述 |
5.3 D-CNN网络结构 |
5.3.1 卷积层 |
5.3.2 池化层 |
5.3.3 全连接层 |
5.3.4 激活函数 |
5.3.5 softmax层 |
5.4 1D-CNN训练算法 |
5.4.1 前向传播 |
5.4.2 反向传播 |
5.4.3 损失函数 |
5.4.4 1D-CNN训练流程 |
5.5 仿真实验结果与分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
(7)基于时频图像的雷达信号调制识别研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 雷达信号调制识别技术研究现状 |
1.2.2 图像融合研究现状 |
1.2.3 深度学习研究现状 |
1.3 论文研究工作及内容安排 |
第2章 雷达信号识别基础 |
2.1 典型雷达信号调制类型 |
2.1.1 频率调制类信号 |
2.1.2 二相编码类信号 |
2.1.3 多相编码类信号 |
2.1.4 多时编码类信号 |
2.2 时频分析 |
2.2.1 时频分析概述 |
2.2.2 Wigner-Ville分布 |
2.2.3 减少交叉项分布 |
2.3 深度学习算法的基础理论 |
2.3.1 深度学习算法概述 |
2.3.2 卷积神经网络 |
2.3.3 自动编码器 |
2.4 本章小结 |
第3章 基于图像融合和卷积神经网络的调制识别研究 |
3.1 算法概述 |
3.2 基于非多尺度分解的时频图像融合 |
3.2.1 Karhunen-Loeve变换 |
3.2.2 基于K-L算法的图像变换 |
3.2.3 基于主分量分析的时频图像融合仿真 |
3.3 卷积神经网络 |
3.3.1 卷积运算与降采样 |
3.3.2 反向传播算法 |
3.4 基于迁移学习的卷积神经网络调制识别研究 |
3.4.1 迁移学习 |
3.4.2 预训练Alex Net网络模型 |
3.4.3 支持向量机 |
3.4.4 基于时频图像的FT-Alex Net-SVM调制识别算法 |
3.5 基于迁移学习的卷积神经网络调制识别仿真分析 |
3.5.1 仿真参数设置 |
3.5.2 调制识别算法仿真分析 |
3.6 本章小结 |
第4章 基于融合特征的调制识别研究 |
4.1 算法概述 |
4.2 基于栈式自编码器的时频图像特征提取 |
4.2.1 自动编码器 |
4.2.2 栈式自动编码器 |
4.2.3 基于SAE的时频图像特征提取 |
4.3 基于CNN和 SAE特征融合的调制识别算法 |
4.3.1 基于概率主成分分析的特征降维 |
4.3.2 基于串行特征融合的调制识别算法 |
4.4 基于融合特征的调制识别算法仿真分析 |
4.4.1 图像融合性能仿真分析 |
4.4.2 特征融合性能仿真分析 |
4.4.3 调制识别算法对比仿真分析 |
4.4.4 算法泛化性能仿真分析 |
4.5 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 |
(8)基于深度学习的雷达信号脉内特征提取算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 脉内有意特征分析研究现状 |
1.2.2 脉内无意特征分析研究现状 |
1.2.3 深度学习研究现状 |
1.3 本论文研究工作和内容安排 |
第2章 深度学习理论和信号模型介绍 |
2.1 深度学习基本理论 |
2.1.1 机器学习算法的兴起 |
2.1.2 深度学习算法的基本概念 |
2.1.3 常用深度学习算法模型介绍 |
2.1.4 迁移学习 |
2.2 雷达调制信号模型 |
2.2.1 线性调频信号(LFM) |
2.2.2 BPSK信号 |
2.2.3 Frank信号 |
2.2.4 跳频信号(Costas) |
2.2.5 多时编码信号(T1-T4) |
2.3 本章小结 |
第3章 基于深度迁移学习和特征融合的雷达信号有意特征分析 |
3.1 常用的时频分析方法 |
3.1.1 短时傅里叶变换(STFT) |
3.1.2 小波变换(WT) |
3.1.3 S变换(ST) |
3.1.4 Wigner-Ville分布(WVD) |
3.1.5 Choi-Williams变换(CWD) |
3.2 基于CWD的雷达信号分析和时频图像处理 |
3.2.1 基于CWD的雷达信号时频分析 |
3.2.2 时频图像预处理 |
3.3 基于迁移学习的雷达信号识别算法仿真和性能分析 |
3.3.1 参数设置 |
3.3.2 实验结果分析 |
3.4 基于迁移学习和特征融合的雷达信号识别 |
3.4.1 基于迁移学习和特征融合的雷达信号识别算法流程 |
3.4.2 CWD图像特征 |
3.4.3 SVM分类器 |
3.4.4 实验结果与分析 |
3.5 本章小结 |
第4章 基于稀疏自编码器的雷达信号无意特征分析 |
4.1 雷达信号无意特征提取算法整体框架 |
4.1.1 双谱分析定义和特性 |
4.1.2 稀疏自编码器 |
4.1.3 XGBoost分类器 |
4.2 基于稀疏自编码的雷达辐射源识别 |
4.2.1 实验参数设置 |
4.2.2 实验结果分析 |
4.3 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 |
(9)基于时频图像的信号识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 雷达辐射源信号识别的概念 |
1.2.2 雷达辐射源信号特征分析研究现状 |
1.3 论文主要内容 |
第2章 雷达信号分析与仿真 |
2.1 辐射源信号脉内调制类型分析 |
2.1.1 脉内无意调制 |
2.1.2 脉内有意调制 |
2.2 雷达辐射源信号模型 |
2.2.1 常规脉冲信号 |
2.2.2 线性调频信号 |
2.2.3 频率编码信号 |
2.2.4 偶二次调频信号 |
2.2.5 相位编码信号 |
2.2.6 多相编码信号 |
2.3 时频分布 |
2.3.1 短时傅里叶变换 |
2.3.2 Wigner-Ville时频分布 |
2.3.3 Cohen类时频分布 |
2.3.4 重排类时频分布 |
2.4 支持向量机 |
2.4.1 结构风险最小化 |
2.4.2 支持向量机分类器原理 |
2.5 本章小结 |
第3章 基于小波不变矩的雷达辐射源信号识别 |
3.1 时频图像处理 |
3.1.1 图像平滑 |
3.1.2 图像二值化 |
3.1.3 形态学处理 |
3.2 特征提取 |
3.2.1 小波变换的基本理论 |
3.2.2 小波矩不变量 |
3.3 算法实现及结果分析 |
3.4 本章小结 |
第4章 基于Tamura纹理特征的信号时频图像识别方法 |
4.1 Tamura纹理特征描述 |
4.1.1 粗糙度 |
4.1.2 对比度 |
4.1.3 方向度 |
4.1.4 线性度 |
4.1.5 规整度 |
4.2 算法实现及结果分析 |
4.3 本章小结 |
第5章 基于改进的Hough变换的LFM信号参数估计 |
5.1 Hough变换 |
5.2 Choi-Williams-Hough变换 |
5.3 信号参数估计及结果分析 |
5.3.1 单分量LFM信号 |
5.3.2 双分量LFM信号 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 作者在读期间发表的学术论文及参加的科研项目 |
(10)深度学习方法在雷达信号识别若干问题上的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文研究内容与组织结构 |
1.3.1 主要研究内容及创新点 |
1.3.2 章节安排 |
第二章 相关技术介绍 |
2.1 引言 |
2.2 神经网络与反向传播算法 |
2.3 卷积神经网络 |
2.4 生成式对抗网络 |
2.5 度量学习及深度度量学习 |
2.6 聚类算法 |
2.7 本章小结 |
第三章 基于一维卷积的雷达型号识别方法及其神经网络设计 |
3.1 引言 |
3.2 本章方法介绍 |
3.2.1 方法整体框架 |
3.2.2 信号时频转换 |
3.2.3 网络结构设计 |
3.2.4 网络训练方法 |
3.3 实验设计与分析 |
3.3.1 数据集介绍 |
3.3.2 硬件环境介绍 |
3.3.3 评价指标 |
3.3.4 实现细节 |
3.3.5 网络结构研究性实验 |
3.3.6 性能分析 |
3.4 本章小结 |
第四章 基于生成式对抗网络的雷达信号识别半监督学习方法 |
4.1 引言 |
4.2 本章方法介绍 |
4.2.1 基于生成式对抗网络的雷达信号半监督学习 |
4.2.2 网络结构设计 |
4.2.3 网络训练方法 |
4.3 实验设计与分析 |
4.3.1 数据集设置 |
4.3.2 实现细节 |
4.3.3 研究性实验 |
4.3.4 性能分析 |
4.4 本章小结 |
第五章 基于深度度量学习的已知与未知雷达信号识别方法 |
5.1 引言 |
5.2 本章方法介绍 |
5.2.1 方法整体流程 |
5.2.2 深度度量学习网络 |
5.2.3 已知类别分类与未知信号区分 |
5.2.4 未知信号聚类与聚类数目的估计 |
5.3 实验设计与分析 |
5.3.1 数据集设置 |
5.3.2 评价指标 |
5.3.3 实现细节 |
5.3.4 研究性实验 |
5.3.5 性能分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
四、雷达信号细微特征时频分析法(论文参考文献)
- [1]雷达辐射源脉内特征分析与分类识别[D]. 青娅兰. 电子科技大学, 2021(01)
- [2]雷达辐射源精确识别技术研究[D]. 樊南利. 电子科技大学, 2021(01)
- [3]雷达指纹特征提取与识别方法的研究[D]. 林付艳. 北京邮电大学, 2020(01)
- [4]基于小波与混沌理论的辐射源个体识别方法研究[D]. 苏飞宇. 哈尔滨工业大学, 2020(01)
- [5]雷达辐射源脉内特征分析与识别关键技术研究[D]. 秦鑫. 战略支援部队信息工程大学, 2020(01)
- [6]雷达辐射源信号精细化特征分析与识别[D]. 牛浩楠. 西安电子科技大学, 2020(05)
- [7]基于时频图像的雷达信号调制识别研究[D]. 张晓丽. 哈尔滨工程大学, 2020(05)
- [8]基于深度学习的雷达信号脉内特征提取算法研究[D]. 刘文健. 哈尔滨工程大学, 2020(05)
- [9]基于时频图像的信号识别技术研究[D]. 曹晓航. 杭州电子科技大学, 2020(02)
- [10]深度学习方法在雷达信号识别若干问题上的研究与应用[D]. 陈俊达. 电子科技大学, 2019(01)