一、辐射源识别系统中数据库的设计（论文文献综述）
黄巍,孙盼杰,王思寻[1]（2021）在《陆战场辐射源精确识别的发展》文中认为随着电子技术的飞速发展,电子情报尤其是辐射源识别技术在现代军事对抗中地位越来越重要。介绍辐射源精确识别技术在现代化战争中的作用和意义,详细阐述分析美军在该技术方面的发展历程和体系化应用的情况。依据我军陆战场特点和使用需求,结合陆军电子对抗部队在未来战争中的角色要求,提出建设性的发展建议。
樊南利[2]（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。
陈钰[3]（2020）在《复杂电磁环境中辐射源分选技术的研究》文中认为雷达辐射源信号分选是指对接收机接收、截获到的交错混叠辐射源信号流进行信号处理,从而将同一个辐射源发射出的信号分为相同类别。在目前的信息化时代,辐射源信号分选已经成为电子战中的重要环节,对电子战有着重要影响。当前雷达技术飞速发展,出现了许多新体制雷达,战场上的电磁环境日趋复杂,如何在复杂电磁环境中避免信号混叠、丢失,分选出准确的辐射源信号已经成为亟待解决的问题。本文首先介绍了本课题的研究背景和意义,然后研究了本课题的国内外研究现状,通过对国内外研究现状的分析发现辐射源分选算法在实际应用中面临复杂电磁环境干扰的问题,分选效果仍需提升。随后介绍了辐射源信号分选的基本流程,分析各个维度特征参数以及当前新式雷达中各个参数的变化方式,为辐射源信号分选做数据基础,然后介绍了两种经典的脉冲重复时间去交错估计算法和一种用于主分选的序列搜索算法,分析了传统算法面对复杂电磁环境性能下降的原因,最后介绍了机器学习技术以及在辐射源分选中的应用情况。针对传统分选方法在复杂电磁环境辐射源信号参数严重混叠情况下分选性能下降的问题,将机器学习算法与辐射源分选相结合,改进了相关技术并提出一种新的分选方法。主要工作和研究成果如下:针对传统无监督学习聚类分选方法对辐射源种类需提前获知、聚类中心选择对分选效果影响较大的特点,首先对FCM（Fuzzy C-Means）雷达辐射源信号聚类分选算法进行研究,然后提出将AP（Affinity Propagation）聚类算法引入雷达信号分选的聚类技术,利用其对于吸引-传播特性的应用极大提高了算法的可靠性,同时针对AP算法中的震荡消除问题引入了自适应AP算法。经过实验验证了三种聚类分选算法的可靠性,并分析了三种算法的应用场景。针对AP无监督学习算法无法使用已知信息的问题,将基于AP算法的半监督学习算法 SAP（Semi-supervised Affinity Propagation）算法引入到辐射源分选中,并针对SAP算法结果中可能出现违反约束信息的情况,使用了 Seed-AP算法并对其做出一些改进。实验证明改进算法能够更充分利用约束信息和先验信息,使得聚类效果更好。
强超杰[4]（2020）在《基于深度学习的雷达辐射源智能识别平台设计与实现》文中研究说明雷达辐射源识别是雷达信息对抗处理的重要内容,对电子战的输赢起着决定性的作用。随着战场电磁环境的日益复杂和新体制雷达技术的发展,雷达辐射源信号形式变得日益复杂未知,并且呈现“大数据”趋势,对传统雷达辐射源识别方法提出了严峻挑战。人工智能的发展为雷达辐射源识别技术的发展带来了新的机遇,其中的深度学习理论日趋完善也为识别算法提供了新的研究方向。本文结合深度学习理论研究设计并实现了一种雷达辐射源信号识别平台,提出了基于深度学习网络的雷达辐射源识别算法,并在该平台上测试验证。该平台可以实现对辐射源信号仿真数据和实测数据的处理,也可以完成多种辐射源识别算法的对比测试与验证。本文的主要内容如下:1、提出了基于深度学习的雷达辐射源识别平台架构,分别从系统的软件和硬件层面介绍了各个模块的组成及功能,并详细给出了该平台中雷达辐射源信号处理的详细过程。2、研究分析了雷达辐射源信号形式,设计了雷达辐射源信号采集传输模块,介绍了辐射源信号的产生、采集、传输与存储等数据处理过程。3、研究了几种常见的深度学习架构,提出了基于多层感知器的深度学习网络识别算法。采用短时傅式变换将信号转变到时频域进行分析处理,提取信号的时频域特征可以提高辐射源识别算法的识别率。对深度网络训练耗时较长的问题,本文采用主成分分析的方法对信号降维处理,同时网络结构中加入Dropout函数,随机提出部分神经元的连接,可以有效缓解深度网络过拟合的发生,提高深度学习网络的训练效率。经过多次迭代网络到达设定阈值时停止网路训练并保存多层感知器网络模型,并利用测试数据集测试辐射源识别性能。4、完成了基于多层感知器深度学习雷达辐射源识别平台的测试验证。首先采集雷达辐射源样本数据,然后将采集的辐射源样本数据传输至系统平台,读取采集的辐射源信号并做时频变换和降维处理,调用第三部分训练好的多层感知器网络模型,读取测试数据,启动雷达辐射源识别平台上位机获得信号识别结果。
李雪琼[5]（2020）在《基于机器学习的雷达辐射源分选与识别技术研究》文中研究表明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。
常杰[6]（2020）在《基于放大器行为建模的辐射源个体识别方法》文中研究表明特定辐射源识别（Specific Emitter Identification,SEI）,是指对接收的电磁信号进行特征测量,根据已有的先验信息确定产生信号的辐射源个体的技术。在复杂多变的电磁环境中对侦察到的辐射源进行正确识别具有极其重要的军事意义。同时,随着5G和物联网时代的到来,无线网络的安全也迎来了巨大的挑战。辐射源个体识别技术可以应用于无线接入认证、电磁环境监管等项目中,可以有效地提高无线网络的安全。本文主要以功率放大器为例,对辐射源个体识别方法进行深入研究,具体研究内容如下。首先,本文对功率放大器不可避免的非线性和记忆效应进行了分析,并对功率放大器的非线性行为建模基本理论进行了研究。行为建模主要涉及无记忆Saleh模型、无记忆多项式模型和有记忆多项式模型。针对放大器行为建模,采集了BLT53A放大器的实测数据作为建模的数据基础。使用三种模型对放大器数据进行行为建模,对比分析得到一个最优的模型。将模型参数改变来模拟实际应用中近似的放大器,并利用该模型生成用于个体识别的仿真数据集。其次,本文研究了基于非线性特征提取的个体识别方法。利用生成的仿真数据集验证了方法的有效性,实验结果表明该方法可以有效地将八个放大器模型区分。在此基础上,采集了实际的八个相同型号和相同批次的放大器数据,并使用基于非线性特征提取的方法进行识别,深入分析了识别的影响因素,包括信号的FFT点数、分类器以及调制方式。实验结果表明,该方法在信噪比为20d B时,对八个放大器的识别率可以达到85%。最后,本文研究了基于图片与深度学习结合的辐射源个体识别方法。以等势星球图作为信号转变成图片的桥梁,得到图片数据集之后,利用深度学习方法进行分类。本文使用了Alex Net、Squeeze Net、Res Net-18和VGG16网络进行了分类识别。实验结果表明,该方法对设备的分类识别相比基于非线性特征提取方法获得了一定的提升,在信噪比为5d B时,识别率大于90%。
张平[7]（2019）在《基于通信辐射源的目标平台活动监控系统设计与实现》文中认为随着无线通信技术的快速发展,传统的基于通信信号分析和解译进行目标平台信息获取变得越来越困难。利用通信辐射源活动信息对其所在的目标平台进行活动分析,并结合多传感器关联融合技术,获得更加准确的目标平台属性信息,对于平台活动监视和目标身份识别具有重大意义。该理论在军用方面可以为电子侦察、指挥控制提供重要信息支持,在民用方面可应用于民航或船舶的活动监测、活动管制以及平台活动告警预测等系统。本文论述了基于通信辐射源的目标平台活动监控系统的研究背景和意义,对国内外通信辐射源和多源融合技术的发展现状进行了对比,阐述和提出了现有系统的现状和存在的问题。同时对航迹关联技术、面向服务技术和数据分发服务技术进行了相关研究。分析了基于通信辐射源的目标平台活动监控系统的组成、功能和性能需求,绘制了数据订阅、目标编批、航迹关联和重点目标监视等功能的用例图,提出了系统实时处理的性能指标。采用实时信息交换架构和基于组件的集成框架,设计了一种模块耦合度低、处理时效性强的软件平台。在平台基础上,设计了基于通信辐射源的目标平台活动监控系统的软件功能和流程,通过编批的通信辐射源的目标数据同雷达探测目标数据（时间和位置信息）进行比对、航迹关联处理,找到最优的雷达探测目标,获得通信辐射源的平台信息,从而完成移动目标的平台识别。实现了基于通信辐射源的目标平台活动监控系统各项功能模块编码和集成。搭建了系统测试环境,编写了测试用例和方法,对系统功能和性能进行了充分测试,结合实际数据,验证了该系统的可行性和有效性,达到了设计目的,满足用户功能和性能指标要求。
吴龙文[8]（2020）在《脉冲体制辐射源无意调制特征分析及个体识别》文中研究指明在现代电子战中,为了准确做出战略判断和战术决策,就必须获取准确的战场信息,这就对辐射源识别提出了明确的需求。辐射源识别能够提供电磁目标的体制类型、波段和调制方式等基本信息,但是无法解决对同类型辐射源不同个体的区分问题,甚至无法识别启用战时参数的辐射源,目前辐射源识别技术已无法满足日益精细化的识别需求。基于此,本文结合实际项目需求,从理论分析、半实物实验和实测数据验证出发,建立一种全新的辐射源个体识别框架,并对脉冲体制辐射源无意调制特征分析及个体识别技术展开系统性研究,具体研究内容包括以下四个部分:（1）针对辐射源个体识别中存在的多个个体脉冲信号叠加问题,对所构成的多分量脉冲信号时频特性进行分析,获取各个脉冲信号的时频信息,为后续特征提取与增强奠定基础。首先,结合实际脉冲信号的特点,对多分量脉冲信号进行建模,为后续多分量信号分析与特征提取提供输入。然后,针对多分量信号时频信息交叉干扰、模糊问题,对基于自适应分数阶谱图法的瞬时频率估计算法展开研究,准确获取各个分量的时频信息,为后文脉间频率漂移特征提取与特征提取增强提供支撑。最后,针对一维时间序列表征个体能力有限的问题,利用经验模态分解算法将其分解成若干固有模态函数,为后续特征提取提供多维输入;针对经验模态分解算法存在的模态混叠问题,提出自滤波经验模态分解算法,相比先进的掩盖信号法经验模态分解算法,本文所提方法模态混叠抑制性能提升约26%,为后文特征提取提供技术基础。（2）针对经典辐射源特征无法表征个体差异性的问题,对脉内无意调制特征提取技术展开研究,提出了固有模态函数不同原生属性（Intrinsic Mode Function Distinct Native Attribute,IMF-DNA）指纹特征和分形特征,为后续个体多域表征与识别奠定基础。首先,结合实际辐射源系统结构,对无意调制特征进行来源分析,并建立具有无意调制特征的信号模型,为后续特征分析与提取提供输入。然后,针对脉冲包络无意调制,对射频不同原生属性（Radio-Frequency Distinct Native Attribute,RF-DNA）指纹特征进行局限性分析,将RF-DNA指纹特征拓展至固有模态函数,并提出基于多数投票算法的联合特征选择算法,构建了IMF-DNA指纹特征向量。仿真结果表明,IMF-DNA获得了比RF-DNA更好的个体识别性能,并具有良好的主信号调制参数泛化能力。最后,针对脉内相位噪声无意调制,利用分形的自相似性特性,提出基于盒维数和方差维数的相位噪声特征提取算法。用仿真信号源进行验证,相比RF-DNA特征和经典的围线积分双谱特征,分形特征具有更高的正确识别率;用实测数据进行验证,基于方差维数的正确识别率为83.7%,IMF-DNA的正确识别率约为85.3%。（3）为了更全面地表征辐射源个体,对脉间无意调制特征提取技术展开研究。由于实际辐射源的关键器件普遍存在频率漂移现象,该特性可用于表征辐射源个体,基于此,本文重点对脉间频率漂移无意调制特征进行研究,获取辐射源频率漂移个体特征,为后续个体多域表征及识别奠定基础。首先,结合关键器件的频率漂移特性,建立具有频率漂移特性的信号模型;然后,利用前文所提瞬时频率估计算法对较长时间内的连续脉冲进行频率估计,获取频率漂移曲线;最后,提出具有抗时间伸缩特性的频率漂移曲线几何特征的提取算法,该算法通过对时频漂移曲线的分割、选取特征点与构建特征等过程,实现了对频漂移曲线的个体表征,解决了频率漂移曲线横向不确定伸缩造成的识别困难问题。仿真与实测数据实验结果均表明,该特征能有效区分辐射源个体。（4）由于辐射源无意调制个体特征易受主信号调制参数的影响,对辐射源个体特征提取技术进行改进研究。根据乘性包络特征跟随主信号、加性相位噪声特征与主信号相互独立的规律,提出基于阶时变短时分数阶傅里叶变换的时变滤波算法,将主信号和噪声进行分离。基于此,并提出辐射源个体特征提取增强算法,分别对主信号进行包络特征提取,对噪声进行相位噪声特征提取。仿真结果表明,经过特征提取增强,个体正确识别率有了显着提高,增强效果明显。另外,针对高维特征导致分类器过拟合并恶化识别性能的问题,利用多核学习对时域包络特征、相位噪声分形域特征、相位噪声频域特征（双谱）和脉间频率漂移频域特征等特征进行多域融合,提升最终个体识别效果。仿真结果表明,多核学习对辐射源个体正确识别率的提升大于5%。实测数据验证结果表明,个体特征提取增强后会提升个体正确识别率,经过多核学习特征融合后,个体识别正确率会进一步提升,提升幅度约为4%。
杨凯[9]（2019）在《特定辐射源智能识别技术研究》文中提出特定辐射源识别是一种利用接收信号中蕴含的无意调制信息来识别其所属辐射源个体的技术。由于信号的无意调制信息（也被称作辐射源的指纹特征）具备唯一标识性,使得特定辐射源识别技术在军事和民用领域得到了广泛的应用。然而,传统基于人工预定义指纹特征的特定辐射源识别系统在实际应用时却存在系统开发效率低、系统有效性无法保证等难以克服的问题,其根本原因是当前无法建立关于辐射源指纹特征统一、精确的数学模型,使得传统基于人工预定义方法提取的指纹特征存在通用性差、适用范围不明确等诸多问题。为有效解决传统特定辐射源识别系统存在的不足,本文将深度学习方法引入到特定辐射源识别领域中,研究了基于深度学习的暂态智能表征方法和稳态智能表征方法。为了进一步提高特定辐射源识别系统的通用性,本文研究了特定辐射源识别预处理操作中智能化的信号检测和信噪比估计方法。此外,本文还对辐射源个体的分类系统设计和弱标注条件下辐射源个体智能表征方法进行了研究。归纳起来,本文的主要工作和贡献可总结如下:（1）研究提出了特定辐射源智能识别系统处理框架和一般处理流程。本文首先分析了传统基于人工预定义指纹特征的特定辐射源识别系统存在的不足以及根本原因,在此基础上,提出了基于深度学习的特定辐射源智能识别系统处理框架。然后,阐述了特定辐射源智能识别系统的组成和处理流程,分析了特定辐射源智能识别系统不同与优势。最后,介绍了特定辐射源智能识别处理新方法。（2）研究提出了基于深度学习的智能化预处理方法。针对非合作场景下特定辐射源智能识别预处理中信号检测和信噪比估计的需求,本文在深入分析典型的信号检测方法和信噪比估计方法后,引入了深度学习理论,分别提出了一种基于深度学习的信号检测方法和基于深度学习的信噪比估计方法。实验结果表明,本文提出的信号检测方法和信噪比估计方法性能更优、通用性更强。（3）研究提出了基于深度学习的辐射源个体智能表征方法。本文首先分析了辐射源指纹特征产生的机理,然后针对非合作场景下基于暂态信号和稳态信号的特定辐射源识别任务需求,分别提出了基于深度学习的暂态智能表征方法和基于深度学习的稳态智能表征方法。最后通过实采数据证明本文提出的辐射源个体智能表征方法的性能更优、鲁棒性更好、通用性更强。此外,可视化的分析表明,基于深度神经网络提取的DNN特征具有类间差异大、类内聚集性好的特点。（4）研究提出了一种具备开集识别能力的辐射源个体分类系统。针对特定辐射源智能识别系统的开集识别任务需求,本文首先分析了基于深度神经网络提取的特征的特点,并针对该特点,提出了相应的辐射源个体分类系统架构。然后,研究提出了一种基于MGMM的异常目标样本检测模型和基于SD-DPC的聚类分析方法。实验结果表明,本文提出的辐射源个体分类系统能够从待分类样本集中有效地发现异常目标样本,提升已知目标的识别正确率,减少虚假新目标的产生以及筛选提取新目标的核心样本。（5）研究提出了弱标注条件下辐射源个体智能表征方法。针对特定辐射源智能识别系统在弱标注条件下的特定辐射源识别任务需求,本文首先分析了对抗训练方法能够提升深度神经网络泛化能力的原因,然后介绍了虚拟对抗训练方法,最后阐述了弱标注条件下基于虚拟对抗训练的辐射源个体智能表征方法。实验结果表明,该方法能够有效提升弱标注场景下基于深度学习方法表征辐射源个体的性能。
鱼轩瑞[10]（2019）在《基于卷积神经网络的雷达辐射源识别方法研究》文中进行了进一步梳理雷达辐射源识别是雷达侦察系统的重要组成部分,及时有效的雷达辐射源识别能够获取敌方雷达的方位、型号、威胁等级等信息,在现代电子战中取得先机。但是随着各种新体制雷达和复杂体制雷达的不断投入使用,电磁环境极度恶化,传统的辐射源识别方法已经难以满足瞬息万变的战场环境对于识别性能的要求。针对这一问题,本文提出了一种基于深度学习的辐射源识别算法,根据雷达辐射源信号的特点设计了一种优化的卷积神经网络,并在决策层进行了特征融合处理,使得识别效果有了非常大的提升,同时也增强了识别系统的鲁棒性。本文的主要工作如下:从雷达侦察系统出发,分析进行信号预处理的原因,分别对信号降噪、信号归一化处理、信号脉内调制方式识别、多径信号检测与抑制的方法深入研究,为辐射源信号特征的提取奠定基础。针对辐射源个体特征提取,研究分析了辐射源信号的时域包络特征、频域特征、模糊函数切片特征和循环谱特征的提取方法,为辐射源信号识别提供了稳定可靠的分类特征。通过分析卷积神经网络的网络结构和优势,根据实际雷达数据样本数量较少的特点,设计了一种含有三层卷积层、三层池化层和两个全连接层的卷积神经网络。通过实测雷达数据的实验证明该网络能够提取辐射源信号更加细节性的可辨别性特征。为了防止本文设计的卷积神经网络出现过拟合现象,对其进行改进,引入数据增强、随机失活策略和多任务学习策略,通过实测雷达数据的实验证明了这三种策略能有效地防止过拟合现象,提高了雷达辐射源信号的识别率。提出了一种基于决策层的多特征融合算法,将多个特征通过卷积神经网络输出的结果进行融合,使得它们之间的特征信息能够互补,提高了系统的容错率。实测雷达数据的实验证明了融合后的识别率高于任意一个单一特征的识别率,而且具有很强的鲁棒性。
二、辐射源识别系统中数据库的设计（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、辐射源识别系统中数据库的设计（论文提纲范文）
（1）陆战场辐射源精确识别的发展（论文提纲范文）
| 1 引言 |
| 2 外军辐射源识别发展情况 |
| 2.1 美军第一代辐射源个体识别设备 |
| 2.2 美军第二代辐射源个体识别设备 |
| 2.3 美军第三代辐射源个体识别设备 |
| 3 美军辐射源识别体系 |
| 4 我军陆战场辐射源识别特点及发展建议 |
| (1)加强辐射源识别部队编配 |
| (2)统筹规划辐射源识别装备 |
| (3)开展辐射源数据工程建设 |
| (4)构建辐射源精确识别体系 |
| 5 结束语 |
（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）复杂电磁环境中辐射源分选技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统算法的信号分选方法 |
| 1.2.2 基于机器学习算法的信号分选方法 |
| 1.3 论文主要内容 |
| 第二章 辐射源信号分选概述 |
| 2.1 雷达电子侦察概述 |
| 2.2 雷达辐射源信号特征参数分析 |
| 2.2.1 脉冲重复周期(PRI) |
| 2.2.2 脉冲到达时间(TOA) |
| 2.2.3 载波频率(RF) |
| 2.2.4 脉冲到达角(DOA) |
| 2.2.5 脉冲宽度(PW) |
| 2.2.6 脉冲幅度(PA) |
| 2.3 雷达辐射源信号电磁环境的复杂性分析 |
| 2.3.1 测量误差 |
| 2.3.2 虚假脉冲 |
| 2.3.3 脉冲丢失交叠 |
| 2.4 雷达辐射源信号传统分选算法 |
| 2.4.1 累计差值直方图(CDIF) |
| 2.4.2 序列差直方图法(SDIF) |
| 2.4.3 信号分选的序列搜索 |
| 2.5 机器学习技术概述 |
| 2.6 本章小结 |
| 第三章 无监督辐射源信号分选技术研究 |
| 3.1 引言 |
| 3.2 FCM分选算法 |
| 3.2.1 算法简介 |
| 3.2.2 模糊C均值聚类算法的关键参数分析 |
| 3.3 AP分选算法 |
| 3.3.1 AP分选算法简述 |
| 3.3.2 改进AP算法简述 |
| 3.4 实验及分析 |
| 3.4.1 辐射源信号分选环境 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 半监督辐射源信号分选技术研究 |
| 4.1 引言 |
| 4.2 半监督学习概述 |
| 4.3 S-AP分选算法 |
| 4.4 Seed-AP分选算法 |
| 4.5 评价指标 |
| 4.6 实验及分析 |
| 4.6.1 辐射源信号分选环境 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
（4）基于深度学习的雷达辐射源智能识别平台设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 |
| 1.3 论文章节安排 |
| 第二章 辐射源智能识别平台系统设计 |
| 2.1 识别平台整体框架 |
| 2.2 辐射源识别平台软件架构 |
| 2.3 辐射源信号采集传输模块 |
| 2.4 辐射源信号处理模块 |
| 2.5 本章小结 |
| 第三章 雷达辐射源信号采集传输 |
| 3.1 雷达辐射源信号分析 |
| 3.1.1 常规脉冲信号 |
| 3.1.2 二相编码 |
| 3.1.3 脉间捷变 |
| 3.1.4 线性调频 |
| 3.2 雷达辐射源信号采集存储 |
| 3.2.1 采集传输模块硬件电路 |
| 3.2.2 高速采样模块设计 |
| 3.2.3 辐射源数据存储模块设计 |
| 3.3 辐射源数据传输 |
| 3.3.1 辐射源数据传输模块 |
| 3.3.2 辐射源数据位宽转换 |
| 3.3.3 辐射源传输模块配置 |
| 3.4 本章小结 |
| 第四章 基于深度学习的雷达辐射源信号处理 |
| 4.1 雷达辐射源处理模块 |
| 4.1.1 辐射源信号时频变换 |
| 4.1.2 辐射源信号降维处理 |
| 4.2 深度学习框架 |
| 4.2.1 TensorFlow深度学习框架 |
| 4.2.2 Keras深度学习框架 |
| 4.2.3 PyTorch深度学习框架 |
| 4.3 基于多层感知器的雷达辐射源识别 |
| 4.3.1 多层感知器深度学习网络 |
| 4.3.2 基于多层感知器辐射源识别 |
| 4.4 本章小结 |
| 第五章 识别平台实现与测试验证 |
| 5.1 辐射源识别流程 |
| 5.2 辐射源信号的产生与采集 |
| 5.2.1 雷达信号模拟器 |
| 5.2.2 辐射源采集传输模块 |
| 5.3 辐射源信号识别 |
| 5.3.1 基于MLP的雷达辐射源识别 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）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 |
（6）基于放大器行为建模的辐射源个体识别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 辐射源个体识别技术研究现状 |
| 1.2.2 基于放大器行为建模的个体识别方法研究现状 |
| 1.2.3 存在的技术挑战和研究思路 |
| 1.3 论文主要内容与章节安排 |
| 第2章 功率放大器非线性行为建模方法 |
| 2.1 功率放大器的非线性和记忆效应分析 |
| 2.2 非线性行为模型 |
| 2.2.1 Saleh函数模型 |
| 2.2.2 无记忆多项式模型 |
| 2.2.3 有记忆多项式模型 |
| 2.2.4 非线性行为模型评价标准 |
| 2.3 行为建模实验结果与分析 |
| 2.3.1 行为建模实验结果与分析 |
| 2.3.2 个体识别仿真数据集生成 |
| 2.4 本章小结 |
| 第3章 基于功率放大器信号非线性特征提取的识别方法 |
| 3.1 个体识别技术分析 |
| 3.2 基于放大器非线性的特征提取算法 |
| 3.2.1 Welch法 |
| 3.2.2 Yule-Walker法 |
| 3.2.3 最大熵估计法 |
| 3.3 仿真数据下的个体识别实验结果与分析 |
| 3.4 实测数据下的个体识别实验结果与分析 |
| 3.4.1 个体识别实测数据集采集 |
| 3.4.2 非线性特征提取 |
| 3.4.3 不同FFT点数实验 |
| 3.4.4 不同信号调制方式实验 |
| 3.4.5 分类器影响 |
| 3.5 本章小结 |
| 第4章 基于等势星球图和深度学习的个体识别方法 |
| 4.1 信号域到图域的转换 |
| 4.2 卷积神经网络 |
| 4.2.1 AlexNet |
| 4.2.2 轻量化网络SqueezeNet |
| 4.2.3 残差网络ResNet-18 |
| 4.2.4 VGG16网络 |
| 4.3 神经网络识别结果与分析 |
| 4.4 混合信噪比下的识别结果 |
| 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 |
（7）基于通信辐射源的目标平台活动监控系统设计与实现（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 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.3 论文内容与章节安排 |
| 第二章 相关技术概述 |
| 2.1 航迹关联技术 |
| 2.2 数据分发服务(DDS)技术 |
| 2.3 面向服务(SOA)技术 |
| 2.4 本章小节 |
| 第三章 目标平台活动监控系统需求分析 |
| 3.1 系统功能与组成 |
| 3.2 功能需求分析 |
| 3.2.1 外部数据订阅功能 |
| 3.2.2 目标编批功能 |
| 3.2.3 航迹关联功能 |
| 3.2.4 重点目标监视功能 |
| 3.3 性能需求分析 |
| 3.4 本章小节 |
| 第四章 目标平台活动监控系统设计 |
| 4.1 系统总体设计 |
| 4.1.1 系统架构组成 |
| 4.1.2 关键技术设计 |
| 4.2 软件设计 |
| 4.2.1 数据订阅分发设计 |
| 4.2.2 目标编批设计 |
| 4.2.3 目标航迹处理设计 |
| 4.2.4 航迹关联处理设计 |
| 4.2.5 态势显示处理设计 |
| 4.2.6 重点目标监视设计 |
| 4.3 数据库设计 |
| 4.4 可靠性设计 |
| 4.5 本章小节 |
| 第五章 目标平台活动监控系统实现 |
| 5.1 数据订阅分发实现 |
| 5.1.1 类组成 |
| 5.1.2 类交互关系 |
| 5.2 通信辐射源编批处理实现 |
| 5.2.1 类组成 |
| 5.2.2 类交互关系 |
| 5.3 通信辐射源态势显示实现 |
| 5.3.1 类组成 |
| 5.3.2 类交互关系 |
| 5.4 航迹关联综合实现 |
| 5.4.1 类组成 |
| 5.4.2 类交互关系 |
| 5.5 重点目标监视分析实现 |
| 5.5.1 类组成 |
| 5.5.2 类交互关系 |
| 5.6 本章小节 |
| 第六章 目标平台活动监控系统测试 |
| 6.1 测试环境与方法 |
| 6.1.1 硬件配置 |
| 6.1.2 软件环境 |
| 6.1.3 测试方法 |
| 6.2 测试内容与结果 |
| 6.2.1 通信辐射源目标显示测试用例及结果 |
| 6.2.2 航迹关联处理测试用例及结果 |
| 6.2.3 重点目标监视测试用例及结果 |
| 6.3 本章小节 |
| 第七章 总结和展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）脉冲体制辐射源无意调制特征分析及个体识别（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 脉冲多分量分析技术研究现状 |
| 1.2.2 辐射源无意调制特征分析研究现状 |
| 1.2.3 辐射源个体识别研究现状 |
| 1.2.4 相关应用系统现状 |
| 1.3 本文的主要内容 |
| 1.3.1 应用背景分析 |
| 1.3.2 本文研究目标特性分析 |
| 1.3.3 实验系统搭建 |
| 1.3.4 主要研究内容与章节安排 |
| 第2章 脉冲信号建模及多分量时频特性分析 |
| 2.1 引言 |
| 2.2 多分量脉冲信号建模 |
| 2.2.1 多分量信号数学模型 |
| 2.2.2 多分量信号时频分布 |
| 2.3 基于自适应分数阶谱图法的多分量瞬时频率估计 |
| 2.3.1 时频分布理论研究 |
| 2.3.2 多分量时频信息提取 |
| 2.3.3 多分量信号瞬时频率估计实验结果与分析 |
| 2.4 基于自滤波经验模态分解的多分量信号分析 |
| 2.4.1 EMD存在的问题 |
| 2.4.2 自滤波经验模态分解算法 |
| 2.4.3 基于能量分离算法的Teager-Kaiser谱计算 |
| 2.4.4 自滤波经验模态分解抗混叠实验结果及分析 |
| 2.5 本章小结 |
| 第3章 脉内无意调制特征提取技术研究 |
| 3.1 引言 |
| 3.2 脉内无意调制特征建模 |
| 3.2.1 来源分析 |
| 3.2.2 脉冲包络无意调制特征建模 |
| 3.2.3 相位噪声无意调制特征建模 |
| 3.3 基于IMF-DNA的脉冲包络特征提取技术 |
| 3.3.1 RF-DNA指纹特征构建原理 |
| 3.3.2 IMF-DNA指纹的特征提取算法 |
| 3.3.3 联合特征选择算法 |
| 3.3.4 仿真实验及实测数据验证 |
| 3.4 基于盒维数和方差维数的相位噪声特征提取技术 |
| 3.4.1 经典围线积分法双谱特征提取算法 |
| 3.4.2 盒维数和方差维数特征提取算法 |
| 3.4.3 仿真实验及实测数据验证 |
| 3.5 本章小结 |
| 第4章 脉间无意调制特征提取技术研究 |
| 4.1 引言 |
| 4.2 脉间频率漂移无意调制特征建模 |
| 4.2.1 频率漂移来源分析 |
| 4.2.2 频率漂移模型建立 |
| 4.2.3 多普勒频移的影响分析 |
| 4.3 基于曲线几何特征的频率漂移特征提取技术 |
| 4.3.1 问题分析与算法提出 |
| 4.3.2 特征构建原理 |
| 4.3.3 特征提取算法 |
| 4.4 仿真实验及实测数据验证 |
| 4.5 本章小结 |
| 第5章 特征提取增强与多域融合个体识别技术研究 |
| 5.1 引言 |
| 5.2 基于阶时变短时分数阶傅里叶变换的时变滤波算法 |
| 5.2.1 分数阶傅里叶变换 |
| 5.2.2 基于短时傅里叶变换的时变滤波过程 |
| 5.2.3 基于阶时变短时分数阶傅里叶变换的时变滤波过程 |
| 5.2.4 时变滤波恢复信号分量实验 |
| 5.3 基于时变滤波算法的辐射源个体特征提取增强技术 |
| 5.3.1 个体特征提取增强算法 |
| 5.3.2 个体特征提取增强实验结果 |
| 5.3.3 特征提取增强算法适用性分析 |
| 5.4 基于多域特征融合的辐射源个体识别 |
| 5.4.1 支持向量机核方法 |
| 5.4.2 支持向量机的多核学习 |
| 5.4.3 Simple MKL多核学习 |
| 5.4.4 多域特征融合及个体识别实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其他成果 |
| 致谢 |
| 个人简历 |
（9）特定辐射源智能识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 特定辐射源智能识别系统研究的主要问题 |
| 1.3 主要问题的研究现状 |
| 1.3.1 预处理研究现状 |
| 1.3.2 辐射源个体表征方法研究现状 |
| 1.3.3 特定辐射源分类系统研究现状 |
| 1.4 本文的主要工作和内容 |
| 第二章 特定辐射源智能识别系统处理框架 |
| 2.1 引言 |
| 2.2 特定辐射源识别智能化动机 |
| 2.3 特定辐射源智能识别系统处理新流程 |
| 2.4 特定辐射源智能识别处理新方法 |
| 2.5 本章小结 |
| 第三章 特定辐射源识别智能化预处理方法研究 |
| 3.1 引言 |
| 3.2 基于深度学习的信号检测方法 |
| 3.2.1 信号检测问题概述 |
| 3.2.2 基于深度学习的信号检测模型 |
| 3.3 基于深度学习的信噪比估计方法 |
| 3.3.1 最大似然信噪比估计器 |
| 3.3.2 基于深度学习的信噪比估计模型 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 基于深度学习的信号检测性能评估 |
| 3.4.3 基于深度学习的信噪比估计性能评估 |
| 3.5 本章小结 |
| 第四章 基于深度学习的辐射源个体智能表征方法研究 |
| 4.1 引言 |
| 4.2 辐射源指纹特征产生的机理分析 |
| 4.3 基于深度学习的暂态智能表征方法研究 |
| 4.3.1 基本思想 |
| 4.3.2 基于深度学习的暂态智能表征方法 |
| 4.4 基于深度学习的稳态智能表征方法研究 |
| 4.4.1 基本思想 |
| 4.4.2 基于深度学习的稳态智能表征方法 |
| 4.5 实验及结果分析 |
| 4.5.1 实验数据集 |
| 4.5.2 基于深度学习的暂态智能表征方法性能评估 |
| 4.5.3 基于深度学习的稳态智能表征方法性能评估 |
| 4.5.4 基于深度学习的DNN特征可视化分析 |
| 4.6 本章小结 |
| 第五章 辐射源个体分类系统设计 |
| 5.1 引言 |
| 5.2 辐射源个体分类系统架构 |
| 5.3 基于MGMM的异常目标样本检测 |
| 5.3.1 混合高斯模型 |
| 5.3.2 基于MGMM的异常目标样本检测模型 |
| 5.4 基于BTS的已知辐射源个体分类 |
| 5.5 基于SD-DPC的聚类分析 |
| 5.5.1 密度峰值聚类(DPC) |
| 5.5.2 基于SD-DPC的聚类分析算法 |
| 5.6 实验与结果分析 |
| 5.6.1 实验数据 |
| 5.6.2 基于MGMM的异常目标样本检测性能评估 |
| 5.6.3 基于BTS的已知特定辐射源识别 |
| 5.6.4 基于SD-DPC的异常目标样本集聚类分析 |
| 5.7 本章小结 |
| 第六章 弱标注条件下基于虚拟对抗训练的辐射源个体智能表征方法研究 |
| 6.1 引言 |
| 6.2 基本思想 |
| 6.3 虚拟对抗训练 |
| 6.3.1 对抗训练 |
| 6.3.2 虚拟对抗训练 |
| 6.4 基于虚拟对抗训练的辐射源个体智能表征方法 |
| 6.5 实验与结果分析 |
| 6.5.1 不同标注训练数据数目 |
| 6.5.2 不同信噪比条件 |
| 6.5.3 可视化分析 |
| 6.6 本章小节 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）基于卷积神经网络的雷达辐射源识别方法研究（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 |
| 1.3 论文主要工作及安排 |
| 第二章 雷达辐射源信号预处理 |
| 2.1 引言 |
| 2.2 雷达信号降噪处理 |
| 2.3 信号归一化处理 |
| 2.4 雷达信号脉内调制识别 |
| 2.5 多径信号检测与抑制 |
| 2.6 本章小结 |
| 第三章 辐射源信号个体特征提取 |
| 3.1 引言 |
| 3.2 时域个体特征提取 |
| 3.3 频域个体特征提取 |
| 3.4 基于模糊函数的个体特征提取 |
| 3.4.1 模糊函数的基本概念和性质 |
| 3.4.2 模糊函数切片 |
| 3.5 基于循环谱的个体特征提取 |
| 3.5.1 循环平稳过程的定义 |
| 3.5.2 循环谱切片 |
| 3.6 本章小结 |
| 第四章 基于深度学习的雷达辐射源个体识别 |
| 4.1 引言 |
| 4.2 深度学习概述 |
| 4.3 卷积神经网络 |
| 4.3.1 卷积神经网络结构 |
| 4.3.2 卷积神经网络的优点 |
| 4.3.3 激活函数 |
| 4.3.4 Softmax分类器 |
| 4.3.5 卷积神经网络的训练 |
| 4.4 基于CNN的雷达辐射源识别 |
| 4.4.1 数据预处理和特征提取 |
| 4.4.2 卷积神经网络设计 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 改进的卷积神经网络 |
| 5.1 引言 |
| 5.2 过拟合 |
| 5.2.1 数据增强 |
| 5.2.2 随机失活(Dropout) |
| 5.2.3 多任务学习 |
| 5.3 改进后的卷积神经网络 |
| 5.4 实验结果与分析 |
| 5.5 多特征融合 |
| 5.5.1 决策层融合算法 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、辐射源识别系统中数据库的设计（论文参考文献）
- [1]陆战场辐射源精确识别的发展[J]. 黄巍,孙盼杰,王思寻. 电子信息对抗技术, 2021(06)
- [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]复杂电磁环境中辐射源分选技术的研究[D]. 陈钰. 北京邮电大学, 2020(01)
- [4]基于深度学习的雷达辐射源智能识别平台设计与实现[D]. 强超杰. 西安电子科技大学, 2020(05)
- [5]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)
- [6]基于放大器行为建模的辐射源个体识别方法[D]. 常杰. 哈尔滨工程大学, 2020(05)
- [7]基于通信辐射源的目标平台活动监控系统设计与实现[D]. 张平. 西安电子科技大学, 2019(07)
- [8]脉冲体制辐射源无意调制特征分析及个体识别[D]. 吴龙文. 哈尔滨工业大学, 2020(01)
- [9]特定辐射源智能识别技术研究[D]. 杨凯. 国防科技大学, 2019(01)
- [10]基于卷积神经网络的雷达辐射源识别方法研究[D]. 鱼轩瑞. 西安电子科技大学, 2019(02)