一、一种雷达信号模糊模式识别方法（论文文献综述）
金秋园[1]（2021）在《小样本雷达工作模式的识别研究》文中提出雷达信号识别作为雷达对抗系统中的一个重要环节,在电子侦察中发挥着无可比拟的作用,该环节包括雷达信号分选及雷达工作模式识别两部分。雷达信号分选是将随机交叠的脉冲流分离成各个雷达单独的脉冲串,雷达工作模式识别是根据雷达分选后的结果识别出各个雷达的工作模式。从雷达辐射源信号中获得的信息越多,越能精准识别出对方雷达的工作模式,从而对其行为意图加以预测并进行有效干扰。然而在实际情况中,接收到对方雷达信号的脉冲样本数可能是极少的,这使得对雷达工作模式的识别面临许多困难。传统的雷达工作模式识别方法均是以拥有大量的训练样本为前提,例如基于机器学习的支持向量机算法和基于深度学习的卷积神经网络。以上方法当训练样本数很少时,均会出现准确率下降及泛化性能变差的问题,难以完成小样本场景下的雷达工作模式分类任务。因此,如何在样本量很少的情况下识别出对方雷达的工作模式,并提高识别准确率具有重要研究意义。本文的主要工作和贡献可以归纳为:1.研究了基于多类支持向量机和卷积神经网络的小样本雷达工作模式识别,并进行仿真实验对比,仿真结果表明此两种算法在小样本场景下的识别性能较差。2.提出基于原型网络和图卷积神经网络的小样本雷达工作模式识别算法,并与传统识别方法进行仿真对比,对比结果表明上述两种算法的识别性能均优于传统的多类支持向量机及卷积神经网络。3.提出了将雷达工作模式的特征参数及其变化规律作为先验知识的使用及编码方法,特征参数包括脉冲重复间隔、脉冲载波频率及脉冲宽度。4.提出了将先验知识融入原型网络和图卷积神经网络,从而辅助小样本雷达工作模式识别的方法。仿真结果表明,通过对先验知识的利用,两种网络的识别准确率分别提升了3.7%和8.7%。在此基础上,本文进一步提出了当先验知识不准确及部分缺失时,如何利用上述两种网络完成小样本雷达工作模式识别的方案。
季皓[2]（2021）在《小样本多功能相控阵雷达工作模式分析与智能识别方法研究》文中认为近年来,随着数字信号处理技术、计算机科学技术和集成电路技术的快速发展,各种新体制雷达技术都取得了革命性的技术突破,其中多功能相控阵雷达取得了特别引人注目的发展。多功能相控阵雷达是目前战场中常用雷达体制。多功能相控阵雷达具有波束快速扫描、波位快速捷变、波形复杂、功率管控等特点,导致对多功能相控阵雷达的侦收面临小样本问题,给传统的雷达工作模式识别等问题带来挑战。在复杂的电磁环境中,如何实现小样本多功能相控阵雷达工作模式分析与智能识别,已经成为现代电子战亟待解决的关键问题。本文围绕多功能相控阵雷达边搜索边跟踪（TWS）、搜索加跟踪（TAS）、多目标跟踪（MTT）、单目标跟踪（STT）模式在小样本环境下的智能识别开展研究工作。论文的主要工作和贡献如下:1、在多功能相控阵系统结构的基础上,分析了边搜索边跟踪、搜索加跟踪、多目标跟踪、单目标跟踪模式的时、频、空域特点并完成建模。总结了现有典型的多功能相控阵雷达工作模式识别方法针对小样本环境的不足。2、针对小样本环境下多功能相控阵雷达工作模式识别问题,分析了条件生成对抗网络（CGAN）、深度卷积生成对抗网络（DCGAN）、标准生成对抗网络（GAN）对样本扩展性能的影响及对小样本数量的敏感度,明确CGAN的优势;分析了Alex Net、letet、Resnet网络对多功能相控阵工作模式智能识别性能的影响,明确Resnet网络的优势。提出了基于CGAN与Resnet的小样本多功能相控阵雷达工作模式智能识别方法。通过仿真对比实验,验证了该方法在小样本条件下的有效性。3、分别提出基于深度迁移学习和深度LSTM的小样本多功能相控阵雷达工作模式智能识别方法。研究并比较了已经充分训练的VGG16、VGG19、Dense Net121网络基于模型迁移的方法对小样本多功能相控阵雷达工作模式智能识别性能,仿真实验验证了深度迁移学习方法的有效性。同时对深度LSTM网络在小样本多功能相控阵雷达工作模式智能识别问题进行了研究,仿真实验结果证明了深度LSTM算法的有效性。
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》文中提出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。
贠洁[4]（2021）在《基于深度学习的雷达信号智能分选与工作模式识别》文中研究表明雷达工作模式的识别主要包括对接收机接收到多台混合雷达信号的分选处理以及对分选后单个辐射源信号工作模式的判定。随着电磁环境日趋复杂,常规的侦察手段在雷达信号分选和工作模式的识别上面临着很大挑战。近年来,深度学习飞速发展,将深度学习与雷达侦察技术相结合,有助于提高雷达的智能化水平和改善分选与识别性能。本文对基于深度学习模型的雷达信号智能分选和工作模式识别的方法展开了研究,具体工作如下:1、系统地介绍了雷达信号进行分选以及工作模式识别的整个过程,分析了常见雷达信号的种类,常用于雷达信号分选的特征参数及传统的分选方法,研究了用于雷达工作模式识别的典型方法,并通过实验分析了传统方法的不足。2、研究了基于细微特征的雷达信号智能分选技术,首先提出了基于不同辐射源幅度包络的预分选方法,能够为主分选减少工作量。然后针对辐射源个数较多时,传统参数会导致分选效果差的问题,从信号层面出发,提出了可用于信号分选的细微特征,并使用深度卷积神经网络将信号与特征的组合作为输入,通过实验验证了所提取细微特征对分选的效果,使用细微特征的信号分选准确率比不使用细微特征的分选准确率平均提高了7.5%。3、研究了多功能雷达在出现漏脉冲和虚假脉冲情形下的工作模式识别,通过增加4个特征参数,提出了雷达“字-短语”建模的改进方法,准确描述了雷达字、雷达短语的变换规律,并实现了对错误脉冲的校正,同时将数据挖掘的关联算法运用到雷达工作模式识别的研究中。仿真实验表明,在漏脉冲率为40%时,改进方法的模型准确率提高了8%,在虚假脉冲率为40%时,改进方法的模型准确率提高了6%。在错误脉冲情况下对雷达工作模式识别的平均置信度提高了6%。最后,采用卷积神经网络和循环神经网络相结合的CNN-RNN网络模型实现了对雷达短语序列的识别,结果表明使用CNN-RNN模型比使用单独的网络模型识别准确率平均提高了2.2%,比传统的多参数联合的方法、句法方法识别准确率分别平均提高了7%和5%。
樊南利[5]（2021）在《雷达辐射源精确识别技术研究》文中研究指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。
李永锋[6]（2020）在《基于深度强化学习的干扰决策技术研究》文中认为在现代战场上,随着雷达体制的改变,雷达工作模式的增多和雷达抗干扰能力的增强,战场环境变得更为复杂。干扰方根据侦察的雷达信号实时判断雷达工作模式的难度提升。针对雷达的任意一种工作模式,干扰方可以选择多种干扰样式对其进行干扰。传统干扰决策方法依靠经验或模板匹配选取干扰样式,不能保证选择的干扰样式是最优的。为了提高复杂电磁环境下干扰决策的性能,提出了基于监督抽样的深度强化学习干扰决策方法。本文主要研究了基于深度强化学习的干扰决策技术,建立基于深度强化学习的干扰决策模型,在识别雷达工作模式的基础上,分别研究了基于深度Q学习（Deep Q-network,DQN）的干扰决策方法及其改进方法以及基于深度双Q网络（Double Deep Q-network,DDQN）的干扰决策方法及其改进方法。仿真结果显示本文的方法具有更好的决策性能。论文的主要研究工作如下:1.分析了雷达干扰决策的过程,提出基于深度强化学习的干扰决策模型。分别分析了深度强化学习干扰决策模型里雷达常用的工作模式以及干扰方可采取的干扰样式。研究了干扰方实施干扰后获得的干扰收益并重点讨论了计算干扰收益的方法。2.分析了常用的雷达信号特征参数,根据雷达工作模式的特点,选择差异大的信号特征,并对选取的信号特征建模。探讨了几种常用的雷达工作模式识别方法及其识别雷达工作模式的过程。研究了基于反向传播（Back Propagation,BP）神经网络识别雷达工作模式的过程并构建了基于BP神经网络的雷达工作模式识别模型。最后进行仿真实验,对比不同方法的识别效果。仿真结果表明基于BP神经网络的工作模式识别方法受参数测量误差的影响较小,并且正确率高。3.分析了DQN决策算法决策的基础过程——马尔科夫决策过程、算法基本原理和模型。探讨了基于DQN的干扰决策原理,给出了基于DQN的干扰决策步骤。针对DQN算法由随机抽样导致的训练样本不均衡问题,提出了监督抽样的方法,并研究了基于监督抽样的DQN干扰决策方法。最后进行仿真实验,仿真验证了DQN及其改进方法的决策性能。4.分析了DDQN决策算法模型以及基于DDQN的干扰决策原理,给出了基于DDQN的干扰决策步骤。针对DDQN算法中由随机抽样导致的训练样本不均衡问题,采用本文提出的监督抽样方法进行改进,研究了基于监督抽样的DDQN干扰决策方法。最后进行仿真实验,仿真验证了DDQN及其改进方法决策的有效性,并对比了DQN及其改进方法与DDQN及其改进方法的决策性能。
侯超[7]（2020）在《相控阵雷达行为识别与推理技术研究》文中提出随着电子战在未来军事领域中的地位日益提升,电子侦察作为电子战的先驱愈发显得关键重要。在实际战场环境中,通过运用电子侦察手段,往往能够提前获取到敌方雷达辐射源信息,从而可以快速制定相应的军事策略并采取行动加以防护,极大提升了侦察方的威胁告警以及军事防御能力。然而,从传统的电子侦察手段看,之前所采用的侦察方式大多都是针对辐射源个体的静态信息而进行的,并不能针对辐射源的行为属性及意图进行深入地分析,以实现辐射源动态信息的提取,从而为后续的战情部署提供强而有力的支撑。针对以上问题,本文主要工作如下:1、研究了相控阵雷达行为理论,并且实现了行为模式的建模仿真与特性分析。首先,从相控阵雷达系统的基本原理入手,探究了相控阵雷达的系统组成结构,并针对相控阵雷达在搜索、复合、跟踪等多个状态下的多种工作模式进行了详细地理论分析;其次,依据典型战情场景进行了想定建模,并对各类工作模式进行了仿真;随后,依据相控阵雷达资源调度策略,探究了各类工作模式的切换准则;最后,通过对各类模式工作原理的分析,提出了一组可供后续行为识别及推理的模式描述字。2、研究了相控阵雷达行为识别技术。首先,根据机器学习算法中提升算法Ada Boost和支持向量机SVM各自的优势特点,实现了二者的算法融合,并且以Ada Boost-SVM融合算法为基础,针对各类行为工作模式提出了一个在不同信噪比条件下的最优模式识别模型;随后,通过寻优化MLP网络以及大量的组合实验,提出了一个针对各类工作模式识别的最优网络架构,达到了不错的模式识别效果。3、研究了相控阵雷达行为意图推理技术。首先,依据长短期记忆网络LSTM可对长时间序列进行状态存储的特性,通过探究多层LSTM网络对时序信息流深层变化特征的敏感程度,提出了一个可用于行为模式推理的网络架构;其次,借助一维CNN可对时间序列进行特征提取的优势、Encoder-Decoder框架的语义转换特性、Attention机制的重要特征焦点化特性,通过对LSTM网络的进一步融合改进,最终构建出了一个混合型网络架构,并通过实验验证了相比其他网络结构有着更佳的行为意图预测能力。
蒋雅萍[8]（2020）在《基于集成学习的雷达辐射源识别研究》文中认为电子对抗是现代战争信息战的最为重要的表现形式,其中,雷达辐射源信号识别是电子防御与电子干扰情报保障的关键。传统的手动提取物理特性的雷达辐射源信号识别技术已无法在日益复杂的电磁环境中有效工作。因此,本文利用大量的雷达辐射源数据研究基于数据的机器学习模型,并重点研究了机器学习中的集成学习方法,为有意调制和无意调制的雷达信号分别建立了相关识别模型,自动提取信号特征,实现雷达辐射源信号有效快速的识别。本文的主要工作有:（1）针对雷达信号有意调制的雷达工作模式识别问题,首先建立基于贝叶斯概率框架的变分相关向量机（VRVM）模型,然后引入改进的混沌引力搜索算法（CGSA）增大搜索广度,对变分相关向量机的超参数进行有效的优化,最后采用阈值优化的集成策略（TOVO）过滤无效结果,形成最终的集成模型CGSA-VRVM-TOVO。实验表明,所建立的雷达工作模式识别模型能有效地对四种工作模式进行区分。（2）针对雷达信号无意调制的雷达个体辐射源识别问题,首先以决策树的集成模型轻量梯度提升树（LightGBM）为基础模型,初步提取辐射源信号特征,然后采用堆叠归纳（Stacking）的集成策略形成LightGMB-LR级联模型,进一步学习初步预测结果和实际标签之间的偏差,最后通过经验模态分解法提取雷达信号的各个时间尺度分量,形成最终的融合了最小时间尺度特征的轻量梯度提升与逻辑回归级联模型IMF-LightGMB-LR。实验表明,所建立的雷达个体辐射源信号识别模型能有效提高雷达个体的识别准确率,并减少了大量的训练时间。（3）针对各类样本不平衡的雷达个体辐射源识别问题,综合考虑了数据量和学习难易程度两个方面的数据不平衡对结果造成的影响,提出了一种按照类别损失对各个类别赋予权重的非平衡数据集处理方式Lossweighted。实验表明,Lossweighted在整体资源一定的情况下,能够平衡各类别的识别效果,使得各个类别的召回率方差小于其它平衡方法。
孔明鑫[9]（2020）在《基于深度卷积神经网络的雷达辐射源识别算法研究》文中研究说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。
韩丰娟[10]（2020）在《抗干扰仿真平台搭建及关键技术研究》文中研究表明当前防空系统面临着越来越复杂的作战环境,干扰对抗技术的研制工作迫在眉睫。因此设计一款可扩展性强且接近于真实作战场景的综合抗干扰仿真平台,具有很强的科学研究和工程应用价值。论文设计了一种基于RTX和反射内存技术的分布式协同抗干扰仿真平台。设计了分布式协同抗干扰仿真平台的整体架构,使用c++语言对平台框架进行了搭建与实现,并对平台的性能进行了测试验证。结果显示,仿真平台系统延迟小于10us,数据传输速度超过800Mbps,具有优秀的实时性能。接着着重研究了雷达信号处理算法仿真,并利用多线程处理方法实现了信号处理加速,信号处理时间平均缩短为原来的十分之一,使仿真更加接近于真实场景。在所设计的抗干扰仿真平台上进行了验证,结果显示,仿真平台各模块间能够协同工作,稳定且准确地跟踪目标。最后对基于深度学习的干扰模式识别方法进行了深入研究。将目标+9种单一模式干扰的PD信号MTD输出图像进行采样和归一化后,利用设计的四层卷积神经网络进行训练和识别。分别采用了全局图像识别和细节图象识别方法进行训练,在此基础上提出了二次检测法,即利用全局图象识别分离出大部分干扰,对难以识别的目标回波、距离欺骗干扰和速度欺骗干扰进行细节图象识别。结果显示,采用二次检测法后,所有干扰的识别正确率达96%以上,取得了很好的效果。
二、一种雷达信号模糊模式识别方法（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、一种雷达信号模糊模式识别方法（论文提纲范文）
（1）小样本雷达工作模式的识别研究（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 雷达工作模式识别研究现状 |
| 1.2.2 小样本学习研究现状 |
| 1.3 文章主要工作介绍 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织安排 |
| 第二章 雷达工作模式识别相关技术 |
| 2.1 支持向量机概述 |
| 2.1.1 支持向量机工作原理 |
| 2.1.2 支持向量机的应用优势 |
| 2.2 卷积神经网络基础理论 |
| 2.2.1 卷积运算 |
| 2.2.2 池化 |
| 2.2.3 激活函数 |
| 2.2.4 全连接层 |
| 2.2.5 反向传播算法 |
| 2.3 本章小结 |
| 第三章 基于图神经网络的小样本雷达工作模式识别 |
| 3.1 基于传统算法的小样本雷达工作模式识别算法研究 |
| 3.1.1 基于多类别支持向量机的小样本雷达工作模式识别算法 |
| 3.1.2 基于卷积神经网络的小样本雷达工作模式识别算法 |
| 3.1.3 实验结果分析 |
| 3.2 图神经网络 |
| 3.2.1 图神经网络研究现状及应用 |
| 3.2.2 图卷积神经网络架构 |
| 3.3 基于图卷积神经网络的小样本雷达工作模式识别算法 |
| 3.3.1 数据预处理 |
| 3.3.2 分类算法 |
| 3.3.3 实验结果分析 |
| 3.4 结果对比分析 |
| 3.5 本章小结 |
| 第四章 基于原型网络的小样本雷达工作模式识别 |
| 4.1 原型网络 |
| 4.1.1 原型网络研究现状及应用 |
| 4.1.2 原型网络架构 |
| 4.2 基于原型网络的小样本雷达工作模式识别算法 |
| 4.2.1 数据特征提取 |
| 4.2.2 定义类原型 |
| 4.2.3 损失函数 |
| 4.2.4 模型参数优化 |
| 4.3 实验结果分析 |
| 4.4 结果对比分析 |
| 4.5 本章小结 |
| 第五章 融合先验知识的小样本雷达工作模式识别 |
| 5.1 先验知识的定义 |
| 5.1.1 先验知识的定义及编码 |
| 5.2 基于图卷积知识网络的小样本雷达工作模式识别 |
| 5.2.1 网络模型设计 |
| 5.2.2 先验知识的应用 |
| 5.2.3 算法实现过程 |
| 5.2.4 模型参数优化 |
| 5.2.5 实验结果分析 |
| 5.3 基于原型知识网络的小样本雷达工作模式识别 |
| 5.3.1 网络模型设计 |
| 5.3.2 预训练原型网络 |
| 5.3.3 先验知识嵌入 |
| 5.3.4 先验知识的应用 |
| 5.3.5 算法实现过程 |
| 5.3.6 模型参数优化 |
| 5.3.7 实验结果分析 |
| 5.3.8 先验知识的有效性验证 |
| 5.4 基于部分先验知识的小样本雷达工作模式识别 |
| 5.4.1 先验知识不准确 |
| 5.4.2 先验知识部分缺失 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（2）小样本多功能相控阵雷达工作模式分析与智能识别方法研究（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 多功能相控阵雷达工作模式仿真现状 |
| 1.2.2 多功能相控阵雷达工作模式识别现状 |
| 1.2.3 小样本条件下智能识别方法现状 |
| 1.3 论文主要工作及结构安排 |
| 第二章 小样本多功能相控阵雷达工作模式分析 |
| 2.1 多功能相控阵雷达工作模式分析 |
| 2.1.1 边搜索边跟踪(TWS)模式 |
| 2.1.2 搜索加跟踪(TAS)模式 |
| 2.1.3 多目标跟踪(MTT)模式 |
| 2.1.4 单目标跟踪模式(STT)模式 |
| 2.2 多功能相控阵雷达建模 |
| 2.2.1 天线方向图 |
| 2.2.2 脉冲信号参数 |
| 2.2.3 空域波位编排 |
| 2.2.4 资源调度 |
| 2.3 小样本相控阵雷达工作模式仿真建模分析 |
| 2.3.1 小样本边跟踪边搜索模式分析 |
| 2.3.2 小样本搜索加跟踪模式分析 |
| 2.3.3 小样本多目标跟踪模式分析 |
| 2.3.4 小样本单目标跟踪分析 |
| 2.4 脉冲丢失条件下的脉冲幅度变化分析 |
| 2.5 典型相控阵雷达工作模式识别方法 |
| 2.6 小结 |
| 第三章 基于CGAN与 Resnet的小样本多功能相控阵雷达工作模式智能识别 |
| 3.1 常见深度学习算法 |
| 3.1.1 卷积神经网络(CNN) |
| 3.1.2 深度残差网络 |
| 3.1.3 条件生成对抗网络(CGAN) |
| 3.2 算法仿真 |
| 3.2.1 CGAN参数设置 |
| 3.2.2 Res Net参数设置 |
| 3.2.3 小样本数据集参数设置 |
| 3.2.4 算法仿真 |
| 3.3 小结 |
| 第四章 基于迁移学习和LSTM的小样本多功能相控阵雷达工作模式智能识别 |
| 4.1 迁移学习和LSTM算法 |
| 4.1.1 迁移学习 |
| 4.1.2 LSTM网络 |
| 4.2 基于迁移学习的小样本多功能相控阵雷达工作模式智能识别方法 |
| 4.2.1 迁移学习方法 |
| 4.2.2 算法仿真 |
| 4.3 基于LSTM的小样本多功能相控阵雷达工作模式智能识别方法 |
| 4.3.1 特征参数预处理 |
| 4.3.2 算法仿真 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
（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）基于深度学习的雷达信号智能分选与工作模式识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 雷达脉冲分选技术研究现状 |
| 1.2.2 雷达工作模式识别技术研究现状 |
| 1.3 本文研究内容及章节安排 |
| 2 基础知识 |
| 2.1 雷达工作模式识别过程概述 |
| 2.2 雷达信号PRI种类描述 |
| 2.2.1 固定PRI信号 |
| 2.2.2 抖动PRI信号 |
| 2.2.3 参差PRI信号 |
| 2.2.4 滑变PRI信号 |
| 2.3 雷达信号常规参数分析 |
| 2.3.1 载频 |
| 2.3.2 脉宽 |
| 2.3.3 脉冲到达时间 |
| 2.3.4 脉冲幅度 |
| 2.3.5 脉冲调制方式 |
| 2.4 雷达信号分选方法分析 |
| 2.4.1 直方图法 |
| 2.4.2 PRI变换法 |
| 2.4.3 序列搜索法 |
| 2.5 雷达工作模式识别方法分析 |
| 2.5.1 工作模式分析 |
| 2.5.2 识别方法 |
| 2.5.3 仿真实验 |
| 2.6 本章小结 |
| 3 基于细微特征参数的雷达信号智能分选 |
| 3.1 基于雷达辐射源幅度包络的预分选 |
| 3.1.1 混叠信号 |
| 3.1.2 交错信号 |
| 3.2 雷达信号细微特征提取 |
| 3.2.1 脉冲包络特征 |
| 3.2.2 高阶谱特征 |
| 3.2.3 熵特征 |
| 3.3 基于深度卷积神经网络的雷达信号分选技术 |
| 3.3.1 VGGNet |
| 3.3.2 基于VGG-16 的雷达信号分选 |
| 3.4 实验设计与结果分析 |
| 3.5 本章小结 |
| 4 雷达工作模式识别技术研究 |
| 4.1 雷达信号建模 |
| 4.1.1 雷达脉冲层建模 |
| 4.1.2 雷达字建模 |
| 4.1.3 雷达短语建模 |
| 4.2 基于关联分析的雷达工作模式识别 |
| 4.2.1 关联分析 |
| 4.2.2 基于关联算法的雷达工作模式识别 |
| 4.3 基于深度学习的雷达工作模式识别 |
| 4.3.1 卷积神经网络和循环神经网络 |
| 4.3.2 基于CNN-RNN的雷达工作模式识别 |
| 4.4 实验设计与结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 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 |
（5）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 |
（6）基于深度强化学习的干扰决策技术研究（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 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和结构安排 |
| 第二章 基于深度强化学习的雷达干扰决策模型 |
| 2.1 基于深度强化学习的干扰决策模型 |
| 2.1.1 深度强化学习基本原理 |
| 2.1.2 雷达干扰决策模型建模 |
| 2.2 雷达常用工作模式 |
| 2.2.1 搜索模式 |
| 2.2.2 跟踪模式 |
| 2.2.3 综合工作模式 |
| 2.2.4 武器控制模式 |
| 2.3 常用的雷达干扰样式 |
| 2.3.1 压制干扰 |
| 2.3.2 欺骗干扰 |
| 2.4 干扰收益 |
| 2.4.1 工作模式转移概率 |
| 2.4.2 工作模式转移奖励 |
| 2.5 总结 |
| 第三章 雷达工作模式识别方法 |
| 3.1 信号特征参数建模 |
| 3.1.1 常用的雷达信号特征参数 |
| 3.1.2 信号特征选取 |
| 3.1.3 特征序列组建模 |
| 3.2 常用的雷达工作模式识别方法 |
| 3.2.1 基于聚类的雷达工作模式识别方法 |
| 3.2.2 基于决策树的雷达工作模式识别方法 |
| 3.3 基于BP神经网络的雷达工作模式识别方法 |
| 3.4 仿真实验及结果分析 |
| 3.4.1 实验样本数据设置 |
| 3.4.2 实验结果及分析 |
| 3.5 总结 |
| 第四章 基于DQN的干扰决策方法 |
| 4.1 DQN决策算法研究 |
| 4.1.1 马尔科夫决策过程 |
| 4.1.2 Q-learning算法 |
| 4.1.3 DQN算法与模型 |
| 4.2 基于DQN的干扰决策 |
| 4.2.1 DQN干扰决策原理分析 |
| 4.2.2 DQN干扰决策步骤 |
| 4.3 基于监督抽样的DQN干扰决策 |
| 4.3.1 监督抽样方法 |
| 4.3.2 监督抽样的DQN干扰决策步骤 |
| 4.4 仿真实验及结果分析 |
| 4.5 总结 |
| 第五章 基于DDQN的干扰决策方法 |
| 5.1 基于DDQN的干扰决策 |
| 5.1.1 DDQN算法模型 |
| 5.1.2 DDQN干扰决策原理分析 |
| 5.1.3 DDQN干扰决策流程步骤 |
| 5.2 基于监督抽样的DDQN干扰决策 |
| 5.3 基于DDQN算法的干扰决策仿真实验 |
| 5.4 干扰决策算法性能对比仿真实验及结果分析 |
| 5.5 总结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）相控阵雷达行为识别与推理技术研究（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 国内外研究与现状 |
| 1.2.1 相控阵雷达建模与仿真 |
| 1.2.2 辐射源行为识别 |
| 1.2.3 辐射源行为意图推理 |
| 1.3 论文的主要内容和结构安排 |
| 第二章 相控阵雷达行为特性研究 |
| 2.1 相控阵雷达系统 |
| 2.1.1 相控阵雷达概述 |
| 2.1.2 相控阵雷达系统结构 |
| 2.2 天线特性分析 |
| 2.2.1 线阵天线 |
| 2.2.2 面阵天线 |
| 2.3 波位编排分析 |
| 2.4 资源调度分析 |
| 2.4.1 雷达事件优先级 |
| 2.4.2 相控阵雷达搜索资源管理 |
| 2.4.3 相控阵雷达跟踪资源管理 |
| 2.4.4 相控阵雷达事件调度与负载分配 |
| 2.5 各类工作模式分析 |
| 2.5.1 搜索状态的工作模式 |
| 2.5.2 复合状态的工作模式 |
| 2.5.3 跟踪状态的工作模式 |
| 2.6 本章小结 |
| 第三章 相控阵雷达行为建模仿真与特性分析 |
| 3.1 典型战情场景仿真想定建模 |
| 3.2 相控阵雷达各类工作模式仿真 |
| 3.2.1 速度搜索模式 |
| 3.2.2 高重频边测距边搜索模式 |
| 3.2.3 中重频边测距边搜索模式 |
| 3.2.4 边搜索边跟踪模式 |
| 3.2.5 搜索加跟踪模式 |
| 3.2.6 态势感知模式 |
| 3.2.7 单目标跟踪模式 |
| 3.3 相控阵雷达行为切换准则分析 |
| 3.4 各类工作模式特性分析 |
| 3.4.1 平滑度/离散度特征分析 |
| 3.4.2 波束驻留数特征分析 |
| 3.4.3 回照信息特征分析 |
| 3.4.4 重频组变/脉内调制特征分析 |
| 3.4.5 脉宽/占空比特征分析 |
| 3.5 本章小结 |
| 第四章 相控阵雷达行为识别技术 |
| 4.1 基于AdaBoost-SVM融合算法的行为识别 |
| 4.1.1 支持向量机SVM与提升算法AdaBoost |
| 4.1.2 基于SVM和AdaBoost算法融合的行为识别模型构建 |
| 4.1.3 实验流程及结果分析 |
| 4.1.4 实验总结 |
| 4.2 基于寻优化MLP网络的行为识别 |
| 4.2.1 MLP网络概述 |
| 4.2.2 基于寻优化MLP网络的行为识别模型构建 |
| 4.2.3 实验流程及结果分析 |
| 4.2.4 实验总结 |
| 4.3 本章小结 |
| 第五章 相控阵雷达行为意图推理技术 |
| 5.1 基于LSTM网络的行为意图推理 |
| 5.1.1 循环神经网络概述 |
| 5.1.2 基于LSTM网络的行为意图推理模型构建 |
| 5.1.3 实验流程及结果分析 |
| 5.1.4 实验总结 |
| 5.2 基于改进的CNN-LSTM混合网络的行为意图推理 |
| 5.2.1 CNN-LSTM混合网络及改进方法概述 |
| 5.2.2 基于改进的CNN-LSTM混合网络的行为意图推理模型构建 |
| 5.2.3 实验流程及结果分析 |
| 5.2.4 实验总结 |
| 5.3 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 |
（8）基于集成学习的雷达辐射源识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源识别研究现状 |
| 1.2.2 集成学习发展现状 |
| 1.3 本文研究内容与结构安排 |
| 2 基于变分相关向量机集成模型的雷达工作模式识别研究 |
| 2.1 引言 |
| 2.2 相关向量机分类模型 |
| 2.2.1 标准相关向量机 |
| 2.2.2 变分相关向量机 |
| 2.3 引力搜索优化算法及其改进 |
| 2.3.1 标准引力搜索算法 |
| 2.3.2 改进的混沌引力搜索算法 |
| 2.4 优化的相关向量机集成模型 |
| 2.5 实验与分析 |
| 2.5.1 雷达工作模式数据集介绍 |
| 2.5.2 评价指标介绍 |
| 2.5.3 实验结果与分析 |
| 2.6 本章小结 |
| 3 基于轻量梯度提升树的雷达个体辐射源识别研究 |
| 3.1 引言 |
| 3.2 提升算法 |
| 3.2.1 Bagging与Boosting |
| 3.2.2 梯度提升决策树模型 |
| 3.2.3 轻量梯度提升模型 |
| 3.3 LihtGMB-LR级联模型 |
| 3.3.1 Stacking集成策略 |
| 3.3.2 级联模型 |
| 3.4 基于经验模态分解的雷达辐射源指纹特征提取 |
| 3.5 实验与分析 |
| 3.5.1 雷达个体辐射源数据集介绍 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 4 雷达个体辐射源非平衡数据识别研究 |
| 4.1 引言 |
| 4.2 机器学习非平衡数据集处理方式 |
| 4.2.1 数据层面 |
| 4.2.2 算法层面 |
| 4.3 基于类别损失的非平衡数据集处理方式 |
| 4.4 实验与分析 |
| 4.4.1 雷达个体辐射源非平衡数据集介绍 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（9）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 |
（10）抗干扰仿真平台搭建及关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 导弹武器系统研究现状 |
| 1.2.2 系统仿真技术研究现状 |
| 1.2.3 干扰识别方法研究现状 |
| 1.3 论文的主要工作与结构安排 |
| 2 RTX技术及反射内存技术 |
| 2.1 RTX技术 |
| 2.1.1 RTX架构 |
| 2.1.2 RTX的中断管理 |
| 2.1.3 RTX下进程和线程管理 |
| 2.1.4 RTX的通信机制 |
| 2.1.5 RTX编程 |
| 2.2 反射内存技术 |
| 2.2.1 反射内存网 |
| 2.2.2 反射内存卡的中断控制 |
| 2.2.3 反射内存网的优势 |
| 2.3 本章小结 |
| 3 基于RTX和反射内存的抗干扰仿真平台 |
| 3.1 仿真平台需求分析与方案设计 |
| 3.2 仿真平台系统架构 |
| 3.3 仿真系统硬件平台 |
| 3.3.1 VMIC-PCIE-5565 反射内存卡 |
| 3.3.2 反射内存卡安装及配置 |
| 3.3.3 数据传输过程 |
| 3.4 仿真系统软件平台 |
| 3.4.1 RTX的安装及配置 |
| 3.4.2 RTX与 Win32 的数据通讯 |
| 3.4.3 RTX下多机间数据通讯 |
| 3.5 系统测试 |
| 3.6 本章小结 |
| 4 基于仿真平台的雷达信号处理实现及加速 |
| 4.1 回波建模 |
| 4.2 信号处理流程 |
| 4.3 RTX下多线程加速处理 |
| 4.4 仿真验证 |
| 4.4.1 信号处理仿真分析 |
| 4.4.2 加速效果验证分析 |
| 4.4.3 仿真平台下跟踪结果 |
| 4.5 本章小结 |
| 5 基于深度学习的干扰模式识别研究 |
| 5.1 雷达回波与干扰信号模型 |
| 5.1.1 回波建模 |
| 5.1.2 干扰建模 |
| 5.2 机器学习模型 |
| 5.2.1 网络结构 |
| 5.2.2 网络训练 |
| 5.3 本章小结 |
| 6 基于深度学习的干扰模式识别实验与结果分析 |
| 6.1 实验参数设置和数据预处理 |
| 6.1.1 实验参数设置 |
| 6.1.2 数据预处理 |
| 6.2 干扰模式识别 |
| 6.2.1 全局图像与细节图像分析 |
| 6.2.2 基于全局图像的识别实验 |
| 6.2.3 基于细节图像的识别实验 |
| 6.2.4 二次检测 |
| 6.2.5 二次检测识别实验 |
| 6.3 本章小结 |
| 7 总结 |
| 致谢 |
| 参考文献 |
| 附录 |
四、一种雷达信号模糊模式识别方法（论文参考文献）
- [1]小样本雷达工作模式的识别研究[D]. 金秋园. 电子科技大学, 2021(01)
- [2]小样本多功能相控阵雷达工作模式分析与智能识别方法研究[D]. 季皓. 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]基于深度学习的雷达信号智能分选与工作模式识别[D]. 贠洁. 杭州电子科技大学, 2021
- [5]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)
- [6]基于深度强化学习的干扰决策技术研究[D]. 李永锋. 西安电子科技大学, 2020(05)
- [7]相控阵雷达行为识别与推理技术研究[D]. 侯超. 西安电子科技大学, 2020(05)
- [8]基于集成学习的雷达辐射源识别研究[D]. 蒋雅萍. 浙江大学, 2020(02)
- [9]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
- [10]抗干扰仿真平台搭建及关键技术研究[D]. 韩丰娟. 南京理工大学, 2020(01)