一、应用复双谱对角切片的雷达多目标特征提取（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。
黄宇涛[2]（2020）在《基于深度学习和模糊函数的雷达辐射源信号识别》文中提出电子对抗技术不断朝着智能化、自适应化的对抗方式不断发展革新,其主要任务是截获敌方辐射源信号进行分析处理,达到识别和定位的目的。而随着现代新体制雷达的大量出现以及反侦察技术的不断提高,在当前环境下,以传统的外部特征参数为基础的分选识别方法已无法满足日益恶化的电磁环境。现有的脉内特征提取方法又多数依赖于人为提取,难以达到快速、精准的识别要求。深度学习技术在其他模式识别领域得到了较广泛的应用,他能通过学习数据内部底层的特征来形成高层的抽象特征表达,达到分类的目的。因此本文提出了用深度学习方法挖掘隐藏在信号模糊函数（ambiguity function,AF）内部的抽象特征,从而提高辐射源信号的识别率,主要研究工作如下。（1）提出一种使用栈式自编码机（stacked auto-encoder,SAE）模型学习信号模糊函数主脊（ambiguity function main ridge,AFMR）的算法,先从信号获取其AFMR,进行预处理后作为SAE的输入向量,经过多层的编码与重构提取特征,最后输出分类结果。实验结果表明,该方法在信噪比（signal-noise ratio,SNR）为2 d B以上时,均能保持100%的识别准确率,SNR为-6 d B时,识别准确率仍能保持82.8%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 d B时识别率均稳定在95.0%以上,SNR降低到-4 d B时,识别率也能达到79.0%。证明SAE能有效提取到信号AFMR的深层特征,且具有良好的抗噪性能。（2）使用卷积神经网络（convolutional neural network,CNN）提取模糊函数等高线（Ambiguity Function Contour Line,AFCL）特征的方法,先用高斯滤波器器对信号AF进行降噪处理,并将AF投影至时频联合平面的到其等高线图,最后将其二值化后再降维,输入到CNN网络中。通过CNN多次的卷积和池化操作得到其高阶特征,由全连接层输出分类结果。实验表明,当SNR>0d B时识别率保持在92.0%以上,即使在-6d B的低信噪比环境下仍能达到83.7%的识别率,远高于人工所提取的特征。同时与其他形式的输入做了对比,AFCL的性能也优于这些方法,从而证明了AFCL能更完整地保留信号的内在调制特性以及在低信噪比环境下更强的鲁棒性。
姚佳良[3]（2019）在《基于互信息熵的多雷达系统欺骗干扰识别》文中研究说明电子对抗（ECM）技术被广泛应用于现代电子战,随着电子频率谱密度的日益复杂,越来越多的干扰对雷达的工作性能造成影响,雷达的生存环境遭遇前所未有的挑战。雷达欺骗式干扰是雷达电子战中最主要的干扰手段之一。特别是近年来随着数字射频存储器（DRFM）技术的飞速发展,使得欺骗干扰信号能够高度模拟为被截获雷达目标的相干复制品,导致对雷达假目标的区分更加困难,给雷达正常功能的发挥带来严峻挑战。因此需要针对性地采取抗干扰手段,提取欺骗干扰信号的统计特性参数,对欺骗干扰信号实现分类识别。如何选择有效的抗欺骗干扰手段是目前热门的研究方向。本文考虑从信息论的角度出发,以互信息熵和广义相关函数作为分类特征,并结合融合算法的思想,在多雷达系统下实现对于欺骗干扰信号的检测识别。本文的主要研究工作如下:1、首先,介绍了国内外欺骗干扰检测识别的研究背景以及发展现状。然后,介绍了目前常见的雷达有源欺骗干扰样式并建立了相应的信号模型,以及基于DRFM的雷达干扰技术,对不同欺骗干扰的产生机理和性能优劣进行了阐述,为后续有源欺骗干扰信号的特征提取奠定了理论基础。2、研究了基于互信息熵与广义相关函数的欺骗干扰识别算法。首先,针对皮尔逊相关系数无法描述非线性关系的缺陷,将互信息熵引入到真假目标的检测识别过程中,给出了一种基于互信息熵的欺骗干扰识别算法。仿真实验证明了这种算法的可行性,并与基于高阶谱对角切片方差的方法进行性能对比,结果表明该算法具有更好的识别性能,平均识别概率提升2.72%。然后,提出了一种基于广义相关函数的欺骗干扰识别算法,该算法利用等间距算法对互信息熵进行估计,并对互信息熵进行了归一化,进一步改善了识别性能,平均识别概率提升 2.53%。3、研究了基于互信息熵与广义相关函数的多雷达系统欺骗干扰识别方法。首先,介绍了多雷达系统中信息融合的基础知识。随后,以互信息熵和广义相关函数作为各个成员分类器中的分类特征,根据不同的融合规则,将各子分类器中的数据信息进行关联,在融合中心进行统一处理,从决策层和特征层的角度实现了信息融合,得到判决结果。仿真实验验证了算法的有效性,与单基地雷达相比,当以互信息熵作为分类特征时,贝叶斯估计法、Bagging算法、DS证据理论这三种决策层融合算法对于欺骗干扰的平均正确识别率分别提升9.18%、11.04%、17.43%,加权平均法、主成分分析法这两种特征层融合算法分别提升16.59%、21.31%,而以广义相关函数作为分类特征时,三种决策层融合算法的平均识别概率提升9.85%、12.45%、17.03%,两种特征层融合算法识别率提升15.19%、22.64%,证明了融合算法的有效性。
李楠[4]（2019）在《基于对角切片特征提取和深度学习的辐射源识别》文中研究表明针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。
陈恒[5]（2018）在《基于机器学习算法的雷达信号分选的研究》文中提出雷达信号分选是雷达对抗侦察系统中的关键技术,雷达对抗信息处理技术先进程度的最重要衡量指标之一就是信号分选水平。在设法提高雷达接收机参数测量精度的同时,高效准确的分选方法也是研究的重点。而近些年来,机器学习算法成为各领域研究的热点,而且取得了许多实用有效的成果,同时,它还大大促进了人工智能领域的迅速发展。如何在以传统的雷达信号分选技术为基础的同时,将机器学习算法应用到信号分选当中,成为当前解决复杂电磁环境下雷达信号分选的重要研究方向之一。针对参数交叠严重而常规三参数（脉宽PW、到达角DOA、载频RF）分选方法分选准确率低的问题,本文研究了小波包特征提取法,并提取了具有非常好的类内聚集度和类间分离度特性的雷达信号脉内特征,即小波包特征Wpt6,并对具体的提取步骤作了分析。针对常规参数相似,信号调制方式也相同,只有细微特征不一样的两个辐射源,本文从雷达发射机的角度出发,通过提取雷达信号的双谱特征（也称个体特征）,并利用利于机器学习算法识别处理的双谱对角切片进行优化,摒除不必要的冗余信息,最后利用支持向量机（SVM）算法对多组对角切片数据进行分选仿真,仿真结果表明,这种特征可以有效区分这两种差异性很小的辐射源信号。针对传统地利用单一分选算法分选准确率不高的问题,本文提出了将自组织特征映射神经（SOFM,Self-Organizing feature Map）网络与k-means算法结合后的SOFM-kmeans算法对常规三参数进行分选。该方法主要采用先分后合的思想,两个算法之间相互取长补短,可以降低时空域的复杂度,具有更加稳健的分类识别能力。仿真结果表明,SOFM-kmeans算法相比于这两种单一算法,分选准确率得到了提高。针对SOFM网络分选之前需要提前确定分选规模的问题,提出了一种规模自调整的SOFM网络改进算法,并在常规三参数的基础之上,提出加入脉内特征参数Wpt6参与信号分选,并比较相同的算法对不同参数仿真的结果,仿真结果表明,对于常规三参数交叠特别严重,甚至非常相近而导致分选准确率很低的问题,加入的信号脉内特征有效地提高了分选准确率。
杨恬甜[6]（2018）在《低频辐射源识别方法研究》文中认为低频辐射源识别是电子侦察范畴中一个重要的探讨课题,通过对采集到的辐射源发出的信号进行特征提取,进而根据已有信息确定辐射源的类别。因为构成辐射源的各类元器件之间存在差异,即使同型号的辐射源也并非完全相同,这些由硬件带来的差异会叠加在发射信号上。辐射源识别的目的在于提取信号中隐含的有区分度的各类杂散特征,选择合适的分类器来给出识别结果。本文的研究对象是同型号同工作模式下的辐射源,研究的主要内容如下:首先,设计D类功放及电源电路,并在消声水池中进行实验,采集课题所需的各类信号。其次,研究了基于时频分析的特征提取方法,计算EEMD时频瑞利熵特征以及结合EEMD与FFT的频谱特征,通过对白噪声和模拟海洋环境噪声下的信号分析,EEMD+FFT频谱特征比时频熵特征更稳定更有效。然后,研究了基于高阶统计量的特征提取方法,提取循环双谱切片矩阵的奇异值特征以及四阶累积量一维对角切片的谱图特征,各类信号分析结果表明,这两种特征都具有较好的可分性。最后,通过局部线性嵌入算法对高维特征进行降维,简化计算。在分类识别阶段,研究了支持向量机（SVM）和证据理论（DS理论）,采用DS-SVM组合分类器,通过混淆矩阵构建基本概率分配函数。通过仿真信号和实测信号实验分析,该组合分类器获得了较好的识别效果。本文研究了低频辐射源的特征提取及分类识别方法,对解决个体识别问题有一定的应用价值。
钟怡[7]（2017）在《基于无线通信信号的目标识别关键技术研究》文中指出基于无线通信信号的目标识别技术可以同时兼顾数据传输以及对周围环境目标的探测,其应用前景十分广阔。而如何选用适合叶簇场景的无线通信信号,并提取有效的目标特征对其进行准确的分类识别是其中重要的关键技术,本文选题具有重要的理论意义和应用价值。本文深入研究了基于无线通信信号的目标识别技术,主要完成了以下具有创新性的研究成果:针对叶簇环境的目标探测问题,本文提出了一种基于无线通信信号的叶簇环境目标检测及识别算法。首先,分析和比较了现有的各种无线通信信号的性能特点,选择适合当前场景的超宽带（Ultra-Wideband,UWB）无线通信信号作为目标的探测信号;然后,提取了采集的UWB信号的多径分量统计参数,并利用概率密度函数选择了可分性最优的参数来表征目标信号;最后,利用不同的分类识别算法结合所选择的特征向量对目标进行识别。实验结果表明,所选择的UWB信号能够在叶簇环境下实现对目标的有效识别,并且所选择的特征具备区分人体目标和动物目标的良好可分性能。针对强杂波下的目标特征提取问题,本文提出了一种基于高阶统计量（Higher-order Statistics, HOS）的特征提取算法,利用其对高斯有色噪声的不敏感性能来对抗背景噪声。首先,通过计算信号的四阶累积量一维对角切片来提取表征目标的特征信息。然后,采用不同的分类识别算法对基于高阶统计量的特征向量的识别性能进行了验证。叶簇强杂波环境下测量的实验结果表明,所提取的基于高阶统计量的目标特征不仅具有很好的可分性,同时提高了强杂波环境下目标识别的准确率,表现出良好的抗噪性能。针对叶簇环境目标识别性能容易受到气候天气变化因素影响的问题,本文提出了一种基于优化支持向量机（Support Vector Machine,SVM）的多场景多目标检测及识别算法。由于SVM的参数选择会对分类识别性能造成很大的影响,并且传统的SVM参数选择方法容易陷入局部最优解,因此本文提出了基于差分进化的花粉授粉优化算法（Hybrid Differential Evolution and Flower Pollination Algorithm, DEFPA）,通过花粉授粉算法（Flower Pollination Algorithm,FPA ）对种群中每个个体优化寻优,并通过差分进化算法（Differential Evolution, DE）引入变异机制,提高种群的多样性,使种群得到进一步进化,提高算法的寻优性能。多种天气情况下测量的实验结果表明,基于DEFPA优化的SVM分类算法不仅加快了训练学习分类模型的效率,而且显着提高了叶簇多场景多目标的识别准确率。论文最后总结了全文的研究工作,并且展望了基于无线通信信号的目标识别技术未来的研究方向。
闫云珍[8]（2016）在《基于射频指纹特征提取的卫星导航欺骗干扰识别》文中研究指明卫星导航系统能够为人类提供全天候的定时、定位和导航等服务,已经在军事和民用方面发挥了重要作用。然而在被广泛应用的同时,其脆弱性和易损性也逐步显现出来。其中欺骗式干扰由于实现简单、隐蔽性强等优点,日益成为卫星导航系统面临的主要威胁。本文借助射频指纹识别的思想,主要研究卫星导航抗欺骗干扰识别算法,论文的主要工作如下:本文首先系统的阐述了GNSS的发展及其脆弱性,回顾了国内外GNSS干扰和抗干扰技术的研究现状,明确了研究的目的与意义。其次研究了基于时频分析和双谱分析的特征提取方法。在分析了常用的时频分析方法的原理和特性以及优缺点后,针对传统时频分析方法的缺点,引入了双谱分析方法对信号进行分析。本文阐述了双谱的定义和性质,分析了双谱的缺点,并针对双谱在计算过程中存在计算量大、运算速度慢等缺点,研究了积分双谱和双谱的对角切片等降维方法。Wigner高阶谱是高阶谱与Wigner时频分布相结合得到的,同时具备了高阶累积量和时频分布的优良性能。针对卫星导航信号的非线性、非平稳等特点,本文创新性的将Wigner双谱应用到卫星导航欺骗干扰识别中,提出了两种基于Wigner双谱的欺骗干扰识别方法。第一种方法是基于Wigner积分双谱奇异值分解的欺骗干扰识别算法,利用积分的思想对Wigner双谱进行降维,并利用奇异值分解提取特征;第二种方法是基于Wigner双谱对角切片特征融合的欺骗干扰识别算法,提取出Wigner双谱对角切片中的多种特征进行融合构成特征向量。对仿真信号和实测信号欺骗干扰识别的仿真实验表明,在加性高斯白噪声条件下,两种算法都能够有效的识别欺骗干扰,且表现出良好的识别效果,第二种算法表现的更加优异。
张姣[9]（2015）在《雷达辐射源脉内无意调制特征提取及识别》文中指出从近年来的战争形式上看,雷达对抗成为战场电子对抗的主导力量,作为雷达对抗中至关重要的一部分,雷达侦察技术的先进程度甚至可以决定一场战争的胜败,辐射源识别则是雷达侦察中最重要的一部分。由于雷达发射机的不稳定的个性特征,信号源会附带有能表征其发射机特性的“指纹特征”,即脉内无意调制特征。本文主要研究了加入频率漂移和相位噪声无意调制特征的信号源建模、频率漂移无意调制特征提取、相位噪声无意调制特征提取以及分类识别方法来完成对雷达辐射源无意调制特征提取及识别。首先,对雷达发射机的辐射源的无意调制特征形成的原理进行研究,在理想信号源的基础上加入无意调制特征,该部分的无意调制特征主要包括频率漂移和相位噪声两种,完成信号源的建模。在信道部分,采用高斯白噪声信道。其次,研究利用自适应分数阶谱图法对信号进行时频分析的原理,分析了其相对于传统的时频分析方法的优势,实验结果证明了AFS对单分量线性调频信号和多分量线性调频信号中间时刻频率估值误差小于3%,并且具有分离多分量非线性调频信号方面的优势。对于有频率漂移无意调制特征的信号源,间隔相同时间,对信号进行侦察,用自适应分数阶谱图法分析各个时刻信号源的时频分布特性,提取出特征频率点组合成一条曲线,然后对曲线进行特征提取,仿真结果表明了采用的曲线特征提取方法的有效性。接下来,研究用希尔伯特黄变换方法对加入简单相位噪声的信号源进行相位噪声和有用信号分离的原理,对其结果进行了分析。而对于加入复杂相位噪声无意调制特征的信号源,用双谱正反对角切片联合特征分析方法进行无意调制特征提取,并分析了其相对于双谱方法的优势。用主成分分析方法对得到的双谱切片特征进行了降维处理以提高识别效率。最后在本课题研究背景下,对比了支持向量机方法和BP（Back Propagation）神经网络方法识别性能。对上述方法得到的雷达辐射源的频率漂移曲线特征和经过降维的双谱正反对角切片联合特征,用性能较好的支持向量机分类识别方法完成了雷达辐射源的识别,当信噪比为15 d B时,有频率漂移的辐射源正确识别概率可达99.17%,有相位噪声的辐射源正确识别概率可达100%。
闫海,李国辉,李建勋[10]（2015）在《雷达抗欺骗式干扰信号特征提取方法》文中研究说明欺骗式干扰由于与雷达回波特征相近,对军用雷达造成严重威胁,迫切需要研究雷达抗欺骗式干扰新方法。为了分析提取欺骗式干扰和目标回波信号之间的不同特征,从而实现雷达抗欺骗式干扰,该文通过对欺骗式干扰和目标回波数学模型进行分析和仿真,比较了欺骗式干扰和目标回波在幅度起伏、高阶累积量和双谱特征方面的不同特征;并提出了特征提取方法,定义3组特征因子,构建了抗欺骗式干扰特征参数集。通过仿真和外场试验的数据对部分特征进行了验证。
二、应用复双谱对角切片的雷达多目标特征提取（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、应用复双谱对角切片的雷达多目标特征提取（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）基于深度学习和模糊函数的雷达辐射源信号识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 论文研究内容及结构安排 |
| 第二章 模糊函数主脊与等高线提取方法 |
| 2.1 引言 |
| 2.2 模糊函数理论基础 |
| 2.2.1 模糊函数概念及性质 |
| 2.2.2 模糊函数与分数自相关 |
| 2.3 模糊函数主脊与等高线提取 |
| 2.3.1 模糊函数主脊提取 |
| 2.3.2 模糊函数等高线提取 |
| 2.4 本章小结 |
| 第三章 深度神经网络 |
| 3.1 引言 |
| 3.2 深度学习概述 |
| 3.2.1 神经网络 |
| 3.2.2 反向传播算法 |
| 3.2.3 梯度下降算法 |
| 3.3 栈式自编码机 |
| 3.4 卷积神经网络 |
| 3.5 本章小结 |
| 第四章 算法流程及实验分析 |
| 4.1 引言 |
| 4.2 基于栈式自编码机和模糊函数主脊的辐射源信号识别 |
| 4.2.1 算法流程 |
| 4.2.2 实验方案与分析 |
| 4.2.3 实验小结 |
| 4.3 基于卷积神经网络和模糊函数等高线的辐射源信号识别 |
| 4.3.1 算法流程 |
| 4.3.2 实验方案与分析 |
| 4.3.3 实验小结 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 论文的主要研究工作总结 |
| 5.2 后续研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间研究成果 |
| 附录 B 攻读硕士学位期间所获荣誉 |
（3）基于互信息熵的多雷达系统欺骗干扰识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单基地雷达抗欺骗干扰研究现状 |
| 1.2.2 多基地雷达抗欺骗干扰研究现状 |
| 1.3 本文工作系统及章节安排 |
| 第2章 雷达有源欺骗干扰 |
| 2.1 引言 |
| 2.2 欺骗干扰样式 |
| 2.2.1 距离欺骗干扰 |
| 2.2.2 速度欺骗干扰 |
| 2.2.3 RGPO欺骗干扰 |
| 2.2.4 VGPO欺骗干扰 |
| 2.2.5 角度欺骗 |
| 2.2.6 组合式欺骗干扰 |
| 2.3 基于DRFM的雷达干扰技术 |
| 2.4 本章小结 |
| 第3章 基于互信息熵与广义相关函数的欺骗干扰识别算法 |
| 3.1 引言 |
| 3.2 信号模型 |
| 3.3 基于互信息熵的欺骗干扰识别算法 |
| 3.3.1 欺骗干扰算法流程 |
| 3.3.2 Wigner双谱的定义 |
| 3.3.3 奇异值分解 |
| 3.3.4 互信息熵计算 |
| 3.3.5 支持向量机 |
| 3.3.6 软件仿真实验与分析 |
| 3.4 基于广义相关函数的欺骗干扰识别算法 |
| 3.4.1 欺骗干扰算法流程 |
| 3.4.2 广义相关函数 |
| 3.4.3 等间距算法 |
| 3.4.4 软件仿真实验与分析 |
| 3.5 本章小结 |
| 第4章 基于互信息熵的组网雷达欺骗干扰识别 |
| 4.1 引言 |
| 4.2 信号模型 |
| 4.3 决策层融合 |
| 4.3.1 贝叶斯估计法 |
| 4.3.2 Bagging算法 |
| 4.3.3 DS证据理论法 |
| 4.4 特征层融合 |
| 4.4.1 主成分分析法 |
| 4.4.2 加权平均法 |
| 4.5 软件仿真实验与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于对角切片特征提取和深度学习的辐射源识别（论文提纲范文）
| 1 引言 |
| 2 理论基础 |
| 2.1 双谱及对角切片 |
| 2.2 信号双谱分析 |
| 3 深度学习及分类算法 |
| 4 基于对角切片特征和深度学习的辐射源识别算法 |
| 5 仿真与性能分析 |
| 6 结束语 |
（5）基于机器学习算法的雷达信号分选的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 模板匹配法 |
| 1.2.2 PRI分选法 |
| 1.2.3 多参数关联比较法及多参数分选 |
| 1.2.4 基于脉内特征的信号分选算法 |
| 1.2.5 聚类分选算法 |
| 1.2.6 神经网络算法 |
| 1.3 本文的主要研究内容 |
| 第2章 机器学习十大算法简要概述 |
| 2.1 引言 |
| 2.2 监督学习 |
| 2.2.1 决策树 |
| 2.2.2 朴素贝叶斯 |
| 2.2.3 支持向量机(SVM) |
| 2.2.4 K-nn算法 |
| 2.2.5 神经网络 |
| 2.2.6 集成学习 |
| 2.2.7 关联规则学习 |
| 2.3 无监督学习 |
| 2.3.1 k-means算法 |
| 2.3.2 聚类 |
| 2.3.3 主成分分析法 |
| 2.4 雷达信号仿真环境设计 |
| 2.5 本章小结 |
| 第3章 雷达信号脉内特征和个体特征的提取 |
| 3.1 引言 |
| 3.2 脉内特征参数提取 |
| 3.2.1 相像系数 |
| 3.2.2 熵值 |
| 3.2.3 复杂度 |
| 3.2.4 小波包特征 |
| 3.3 小波包特征提取分析 |
| 3.4 个体特征提取 |
| 3.5 双谱估计法 |
| 3.6 仿真与分析 |
| 3.7 本章小结 |
| 第4章 基于多参数的雷达信号分选 |
| 4.1 引言 |
| 4.2 组合算法分选 |
| 4.2.1 自组织特征映射神经网络 |
| 4.2.2 神经元的侧向交互原理 |
| 4.2.3 二维SOFM网络模型 |
| 4.2.4 SOFM网络算法 |
| 4.2.5 k-means算法 |
| 4.2.6 SOFM-kmeans算法 |
| 4.3 SOFM网络改进算法 |
| 4.4 仿真实验 |
| 4.4.1 仿真条件 |
| 4.4.2 仿真实验一 |
| 4.4.3 仿真实验二 |
| 4.4.4 仿真实验三 |
| 4.4.5 仿真实验四 |
| 4.4.6 仿真实验五 |
| 4.4.7 仿真结果分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 本文工作及成果 |
| 需要进一步研究的问题 |
| 参考文献 |
| 攻读硕士期间发表论文 |
| 致谢 |
（6）低频辐射源识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容和结构安排 |
| 第二章 声纳发射机及实验数据准备 |
| 2.1 引言 |
| 2.2 D类功放原理及电路设计 |
| 2.3 水池实验环境 |
| 2.4 仿真信号产生 |
| 2.5 海洋环境噪声仿真 |
| 2.6 本章小结 |
| 第三章 基于时频分析的特征提取 |
| 3.1 引言 |
| 3.2 EEMD算法 |
| 3.3 基于EEMD时频分布的特征提取 |
| 3.4 基于EEMD+FFT的特征提取 |
| 3.5 本章小结 |
| 第四章 基于高阶统计量的特征提取 |
| 4.1 引言 |
| 4.2 基于循环双谱的特征提取 |
| 4.2.1 高阶循环累积量及循环双谱切片 |
| 4.2.2 仿真及实测信号结果分析 |
| 4.2.3 基于循环双谱切片的特征提取 |
| 4.3 基于高阶累积量的特征提取 |
| 4.3.1 四阶累积量一维对角切片 |
| 4.3.2 仿真及实测信号结果分析 |
| 4.4 本章小结 |
| 第五章 组合分类器设计 |
| 5.1 引言 |
| 5.2 特征降维 |
| 5.2.1 流形学习概述 |
| 5.2.2 局部线性嵌入法 |
| 5.2.3 降维结果分析 |
| 5.3 支持向量机 |
| 5.4 DS证据理论基本原理 |
| 5.5 BPA函数的确定 |
| 5.6 基于DS-SVM组合分类器的识别结果分析 |
| 5.6.1 仿真信号识别 |
| 5.6.2 实测信号识别 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后期工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于无线通信信号的目标识别关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 叶簇环境目标检测及识别研究现状 |
| 1.3 基于无线通信信号的目标检测及识别研究现状 |
| 1.4 论文主要研究内容 |
| 1.5 论文的章节安排 |
| 参考文献 |
| 第2章 基于无线通信信号的叶簇目标检测及识别 |
| 2.1 引言 |
| 2.2 基于叶簇环境的目标信号的选取分析 |
| 2.2.1 超宽带技术的发展历史 |
| 2.2.2 超宽带技术的定义和特点 |
| 2.2.3 超宽带技术的应用现状 |
| 2.3 基于超宽带信号的叶簇目标检测及识别方法 |
| 2.3.1 目标信号的测量和数据预处理 |
| 2.3.2 目标信号的特征提取和选择 |
| 2.3.3 目标信号的检测识别及实验验证分析 |
| 2.4 本章小结 |
| 参考文献 |
| 第3章 基于高阶统计量的目标特征提取 |
| 3.1 引言 |
| 3.2 高阶统计量 |
| 3.2.1 高阶统计量的定义 |
| 3.2.2 高斯信号的高阶统计量 |
| 3.2.3 高阶累积量和高阶谱的性质 |
| 3.3 基于高阶统计量的目标特征提取 |
| 3.3.1 目标信号的测量和获取 |
| 3.3.2 基于四阶累积量一维对角切片的目标特征提取 |
| 3.4 实验验证分析 |
| 3.4.1 目标信号特征可分性验证 |
| 3.4.2 目标信号特征有效性验证 |
| 3.5 本章小结 |
| 参考文献 |
| 第4章 基于优化支持向量机的多场景多目标识别方法研究 |
| 4.1 引言 |
| 4.2 支持向量机 |
| 4.2.1 最优分类超平面 |
| 4.2.2 线性支持向量机 |
| 4.2.3 非线性支持向量机 |
| 4.3 支持向量机参数优化 |
| 4.4 DEFPA优化SVM参数算法研究 |
| 4.4.1 花粉授粉优化算法 |
| 4.4.2 基于差分进化的花粉授粉优化算法 |
| 4.4.3 DEFPA优化SVM参数 |
| 4.5 基于DEFPA优化SVM的多场景多目标的识别方法 |
| 4.5.1 多场景多目标数据的测量和获取 |
| 4.5.2 基于DEFPA优化SVM的多场景多目标识别方法 |
| 4.5.3 实验验证分析 |
| 4.6 本章小结 |
| 参考文献 |
| 第5章 总结与展望 |
| 5.1 论文的主要研究成果 |
| 5.2 下一步工作展望 |
| 图表索引 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于射频指纹特征提取的卫星导航欺骗干扰识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 GNSS干扰的研究现状 |
| 1.2.2 抗欺骗干扰技术的研究现状 |
| 1.2.3 射频指纹识别技术的研究现状 |
| 1.3 本文研究内容及章节安排 |
| 第2章 基于时频分析的特征提取 |
| 2.1 引言 |
| 2.2 短时傅立叶变换 |
| 2.3 Wigner-Ville分布 |
| 2.4 Choi-Williams分布 |
| 2.5 小波变换 |
| 2.6 本章小结 |
| 第3章 基于双谱分析的特征提取 |
| 3.1 引言 |
| 3.2 高阶矩与高阶累积量的定义与性质 |
| 3.3 双谱及其性质 |
| 3.3.1 双谱的定义 |
| 3.3.2 双谱的性质 |
| 3.4 积分双谱 |
| 3.4.1 径向积分双谱 |
| 3.4.2 轴向积分双谱 |
| 3.4.3 圆周积分双谱 |
| 3.4.4 围线积分双谱 |
| 3.5 双谱的对角切片 |
| 3.6 仿真分析 |
| 3.7 本章小结 |
| 第4章 基于Wigner双谱的欺骗干扰识别 |
| 4.1 引言 |
| 4.2 Wigner高阶谱的定义和性质 |
| 4.3 Wigner双谱的交叉项干扰抑制 |
| 4.4 基于Wigner积分双谱奇异值分解的欺骗干扰识别算法 |
| 4.4.1 轴向积分Wigner双谱 |
| 4.4.2 奇异值分解 |
| 4.4.3 支持向量机 |
| 4.4.4 欺骗干扰识别算法流程 |
| 4.4.5 实验仿真与结果分析 |
| 4.4.5.1 GPS模型 |
| 4.4.5.2 性能分析 |
| 4.5 基于Wigner双谱对角切片特征融合的欺骗干扰识别算法 |
| 4.5.1 Wigner 双谱对角切片的特征融合 |
| 4.5.2 欺骗干扰识别算法流程 |
| 4.5.3 实验仿真与结果分析 |
| 4.5.3.1 基于模型仿真的欺骗干扰识别 |
| 4.5.3.2 基于实测信号的欺骗干扰识别 |
| 4.6 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）雷达辐射源脉内无意调制特征提取及识别（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 国内外研究现状及分析 |
| 1.2.1 特征参数提取研究现状 |
| 1.2.2 脉内无意调制特征的参数提取研究现状 |
| 1.2.3 雷达辐射源分类识别方法研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 信号源建模 |
| 2.1 雷达辐射源无意调制特征形成原因分析 |
| 2.1.1 频率漂移无意调制特征形成原因分析 |
| 2.1.2 相位噪声无意调制特征形成原因分析 |
| 2.2 信号源模型建立原理 |
| 2.2.1 频率漂移无意调制特征模型建立原理 |
| 2.2.2 相位噪声无意调制特征模型建立原理 |
| 2.3 本章小结 |
| 第3章 加入频率漂移无意调制特征的辐射源特征提取 |
| 3.1 传统的时频分析方法原理 |
| 3.1.1 WVD分析方法原理 |
| 3.1.2 分数阶傅里叶变换分析方法原理 |
| 3.2 基于自适应分数阶谱图法的特征提取原理 |
| 3.2.1 时频分布提取 |
| 3.2.2 信号分量提取 |
| 3.3 曲线特征提取算法原理 |
| 3.3.1 曲线特征提取原理 |
| 3.3.2 横向伸缩特征值不变性证明 |
| 3.4 基于AFS和曲线特征提取方法的仿真实验 |
| 3.5 本章小结 |
| 第4章 加入相位噪声无意调制特征的辐射源特征提取 |
| 4.1 基于HHT的简单相位噪声无意调制特征提取原理 |
| 4.1.1 IMF概念 |
| 4.1.2 EMD分解方法 |
| 4.1.3 用Hilbert变换求信号瞬时频率 |
| 4.2 基于双谱切片的复杂相位噪声无意调制特征提取原理 |
| 4.2.1 双谱切片特征提取 |
| 4.2.2 基于PCA的特征降维 |
| 4.3 基于HHT和双谱正反对角切片的特征提取仿真实验 |
| 4.4 本章小结 |
| 第5章 雷达辐射源的分类识别 |
| 5.1 基于支持向量机分类识别方法原理 |
| 5.1.1 SVM原理 |
| 5.1.2 核函数 |
| 5.2 基于BP神经网络分类识别方法原理 |
| 5.2.1 BP神经网络分类器 |
| 5.2.2 BP神经网络的算法流程 |
| 5.3 基于支持向量机和BP神经网络的分类识别性能仿真实验 |
| 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及其他成果 |
| 致谢 |
（10）雷达抗欺骗式干扰信号特征提取方法（论文提纲范文）
| 1 欺骗式干扰与目标回波模型 |
| 2 欺骗式干扰与目标回波信号特征比较 |
| 2.1 幅度起伏特征比较 |
| 2.2 高阶累积量特征比较 |
| 2.3 双谱特征比较 |
| 3 特征提取方法 |
| 3.1 幅度起伏特征因子 |
| 3.2 累积量特征因子 |
| 3.3 双谱特征因子 |
| 3.4 特征参数集 |
| 4 仿真与试验验证 |
| 4.1 特征提取仿真 |
| 4.2 试验实测数据验证 |
| 5 结 论 |
四、应用复双谱对角切片的雷达多目标特征提取（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]基于深度学习和模糊函数的雷达辐射源信号识别[D]. 黄宇涛. 昆明理工大学, 2020(05)
- [3]基于互信息熵的多雷达系统欺骗干扰识别[D]. 姚佳良. 杭州电子科技大学, 2019(01)
- [4]基于对角切片特征提取和深度学习的辐射源识别[J]. 李楠. 电讯技术, 2019(01)
- [5]基于机器学习算法的雷达信号分选的研究[D]. 陈恒. 江苏科技大学, 2018(02)
- [6]低频辐射源识别方法研究[D]. 杨恬甜. 南京航空航天大学, 2018(02)
- [7]基于无线通信信号的目标识别关键技术研究[D]. 钟怡. 北京邮电大学, 2017(02)
- [8]基于射频指纹特征提取的卫星导航欺骗干扰识别[D]. 闫云珍. 杭州电子科技大学, 2016(04)
- [9]雷达辐射源脉内无意调制特征提取及识别[D]. 张姣. 哈尔滨工业大学, 2015(02)
- [10]雷达抗欺骗式干扰信号特征提取方法[J]. 闫海,李国辉,李建勋. 电子科技大学学报, 2015(01)