一、脉内调制信号的分析与自动识别(论文文献综述)
王文洋[1](2021)在《基于深度学习的雷达信号脉内调制类型识别算法研究》文中进行了进一步梳理
杨东升[2](2021)在《雷达辐射源信号脉内调制方式识别研究》文中指出
瞿奇哲[3](2021)在《基于深度学习的雷达信号识别》文中研究表明随着信息技术及电子战的迅猛发展,雷达信号自动调制识别作为电子对抗侦察中重要一环,成为了目前信息化电子战的研究热点。传统的雷达信号自动调制识别方法主要采用脉冲描述字浅层特征和模板匹配过程。当面对日益复杂的战场电磁环境,传统方法往往计算量较大且依赖于专家知识,识别性能难以满足要求。近年来,伴随深度学习的兴起和广泛应用,深度学习神经网络被引入雷达信号识别方法中,尽管基于深度学习的识别方法取得了不错的识别效果,但同时也引入了特征冗余和网络优化等难题。此外,现有基于深度学习的信号识别方法大都着眼于某一特定的域变换或精细的手工特征提取,这些因素影响了其在低信噪比下对复杂多类别电磁信号的识别性能。针对上述问题,本文在研究了近些年基于深度学习的雷达信号自动调制识别方法基础上,从雷达信号脉内调制识别和脉间调制识别两个方向着手,提出了基于二维特征图像与卷积神经网络、一维特征序列与循环神经网络的雷达信号调制识别方法。本文的主要工作与创新点如下:1.对9类典型雷达辐射源脉内调制信号和6类脉间调制信号进行了仿真建模;并提取了各类调制信号的频域、时频域及自相关域等多域特征;参照真实电磁环境,构建了用于神经网络训练、验证及测试的雷达信号仿真数据集。2.针对雷达脉内调制信号识别,设计了多域融合的卷积神经网络。通过引入AC块、残差网络和SE网络,提升了所提出的卷积神经网络的性能;多域融合结构同时利用信号的多域特征,提升了方法的识别性能。仿真及实测结果证明该方法在低信噪下也能获得较好的识别率,并优于现有的4种深度网络方法。3.针对雷达脉内调制信号识别,构建了基于特征序列与循环神经网络的方法。通过整合卷积神经网络的特征提取能力和双向长短时记忆网络的时序处理优势,对输入特征序列进行识别分类。比较了各域特征对识别效果的影响,仿真及实测结果验证了该方法在较低信噪比条件下的优效性,也优于现有的4种深度网络。4.针对雷达脉间调制信号识别,提出了自相关域特征和改进卷积神经网络的方法。通过与时域、频域特征比较,验证了自相关域特征的鲁棒性,文中分析了不同信噪比和脉冲丢失率对所提方法性能的影响。通过对比实验验证了所提方法在高脉冲丢失率和低信噪比时也具有优异的识别表现,同时优于现有的4种方法。
廖景伊[4](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》文中研究表明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。
唐燕[5](2021)在《雷达信号参数侦测与脉内识别》文中进行了进一步梳理雷达体制和雷达信号调制类型都追求日益复杂化,尤其是以低截获概率雷达信号为典型,给雷达信号的侦察、接收与分析提出了更高的要求。本文探索实现对敌方雷达信号的信道化接收、检测、脉冲参数侦测、脉内调制识别以及脉内参数估计的。现将本文的主要研究工作和创新点总结如下:1.对LFM、DLFM、FSK、BPSK、QPSK、Frank、P1、P2、P3、P4、LFM-BPSK、FSK-BPSK这12类雷达信号进行了建模。然后深入研究了Wigner-Ville分布(WVD)和Choi-Williams分布(CWD)这两种时频分析方法,并结合12种雷达信号的WVD变换时频图和CWD变换时频图,分析总结了两种时频变换各自的优势和劣势。2.针对侦察接收机同时截获多种信号的问题,推导了基于多相滤波结构的数字信道化高效接收结构,并讨论了现有的几种信号检测算法的优缺点;最后,给出了脉冲描述字的测量方法,并通过仿真实验,得到各参数的相对误差估计性能曲线。3.本文从传统方法和基于神经网络的方法两个方面,对雷达信号脉内调制识别展开研究。首先,研究了积分二次相位函数(Integral Quadratic Phase Function,IQPF)和分数阶傅里叶变换(Fractional Fourier Transform,FRFT)识别LFM、DLFM、Frank、P1、P2、P3、P4、LFM-BPSK这几类信号的可行性,并设计了调制识别框架,通过仿真证明,该方法在信噪比为-4d B时,整体识别达到90%。然后,结合NP、LFM、DLFM、Frank、P1、P2、P3、P4、LFM-BPSK、FSK、BPSK、QPSK、FSK-BPSK这13类雷达信号的CWD时频分析基础,给出了基于残差网络的雷达信号脉内调制识别方法,通过仿真实现,信噪比-4d B时,整体识别达到92.13%。4.深入研究了FRFT算法,实现了对LFM信号的参数估计;针对基于IQPF和FRFT的多相码参数估计,在低信噪比时对FRFT谱脊线间隔估计误差大的问题,提出基于小波包降噪的改进算法,通过仿真证明降噪前后参数估计性能有着明显改善;针对LFM-BPSK信号,若先通过平方消去BPSK调制,再估计LFM调制参数,平方过程会降低信噪比导致参数估计性能下降。本文提出了一种适用于低信噪比的估计方法,即先利用IQPF估计出LFM调制参数,对原LFM-BPSK信号解线调,再利用改进MAT算法估计BPSK的调制参数。最后通过仿真得到各参数估计性能曲线,证明本文方法在低信噪比下表现良好。
青娅兰[6](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。
补源源[7](2021)在《基于卷积神经网络的机载雷达信号分选方法研究》文中研究说明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。
林付艳[8](2020)在《雷达指纹特征提取与识别方法的研究》文中研究表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。
秦鑫[9](2020)在《雷达辐射源脉内特征分析与识别关键技术研究》文中研究指明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。
杨雯婷[10](2020)在《针对未知雷达辐射源信号的脉内调制识别》文中进行了进一步梳理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。
二、脉内调制信号的分析与自动识别(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、脉内调制信号的分析与自动识别(论文提纲范文)
(3)基于深度学习的雷达信号识别(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 国内外研究现状 |
1.2.1 脉内调制识别方法 |
1.2.2 脉间调制识别方法 |
1.3 本文工作与内容安排 |
第二章 信号建模与特征提取 |
2.1 脉内调制信号建模 |
2.1.1 单频连续波信号 |
2.1.2 幅度调制信号 |
2.1.3 频率调制信号 |
2.1.3.1 频率编码信号 |
2.1.3.2 线性调频信号 |
2.1.3.3 非线性调频信号 |
2.1.3.4 步进频信号 |
2.1.4 相位调制信号 |
2.2 脉间调制信号建模 |
2.2.1 固定PRI调制信号 |
2.2.2 抖动PRI调制信号 |
2.2.3 参差PRI调制信号 |
2.2.4 滑变PRI调制信号 |
2.2.5 捷变PRI调制信号 |
2.2.6 正弦PRI调制信号 |
2.3 多域特征提取 |
2.3.1 时频域特征 |
2.3.2 自相关域特征 |
2.4 本章小结 |
第三章 基于二维特征图像的脉内调制识别方法 |
3.1 深度学习概述 |
3.2 几种经典的卷积神经网络架构 |
3.2.1 残差网络 |
3.2.2 SE网络 |
3.2.3 AC结构 |
3.3 基于多域融合和ACSE网络的识别方法 |
3.3.1 方法思路 |
3.3.2 方法流程 |
3.4 实验结果与对比 |
3.4.1 仿真结果分析 |
3.4.1.1 所提方法的识别性能 |
3.4.1.2 识别指标对比 |
3.4.2 实测结果分析 |
3.4.2.1 实测性能对比 |
3.4.2.2 计算复杂度对比 |
3.5 本章小结 |
第四章 基于一维特征序列的脉内调制识别方法 |
4.1 循环神经网络架构 |
4.1.1 LSTM网络 |
4.1.2 Bi-LSTM网络 |
4.1.3 注意力机制 |
4.2 基于复合网络和自注意力的识别方法 |
4.3 输入特征分析 |
4.4 实验结果与对比 |
4.4.1 仿真结果分析 |
4.4.1.1 所提方法的识别性能 |
4.4.1.2 识别指标对比 |
4.4.2 实测结果分析 |
4.4.2.1 实测性能对比 |
4.4.2.2 计算复杂度对比 |
4.5 本章小结 |
第五章 基于二维特征图像的脉间调制识别方法 |
5.1 基于ACSE网络的识别方法 |
5.2 输入特征分析 |
5.3 实验结果与对比 |
5.3.1 脉冲丢失率的影响 |
5.3.2 信噪比的影响 |
5.3.3 计算复杂度分析 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(4)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 |
(5)雷达信号参数侦测与脉内识别(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 雷达信号脉内调制识别国内外研究现状 |
1.2.2 雷达信号参数估计国内外研究现状 |
1.3 本文主要内容和结构安排 |
第二章 雷达信号脉内分析理论基础 |
2.1 截获雷达信号建模与仿真 |
2.1.1 线性调频信号 |
2.1.2 频移键控信号 |
2.1.3 相位编码信号 |
2.1.4 多相码信号 |
2.1.5 复合调制信号 |
2.2 分数阶傅里叶变换 |
2.3 时频分析 |
2.3.1 Wigner-Ville分布 |
2.3.2 Choi-Williams分布 |
2.3.3 雷达信号时频分析总结 |
2.4 本章小结 |
第三章 雷达信号的数字接收与脉冲检测 |
3.1 基于多相滤波器的数字信道化接收 |
3.1.1 信道划分和抽取因子的选取 |
3.1.2 多相滤波结构 |
3.2 信号检测 |
3.3 脉冲参数测量 |
3.4 仿真与分析 |
3.5 本章小结 |
第四章 雷达信号脉内调制识别 |
4.1 基于IQPF和FRFT的雷达信号脉内调制识别 |
4.1.1 基于IQPF的调制识别可行性分析与实现 |
4.1.2 基于FRFT的线性调频类雷达信号调制类型识别 |
4.1.3 非线性调频类雷达信号脉内调制识别 |
4.1.4 仿真与分析 |
4.2 基于残差网络的雷达信号脉内调制识别 |
4.2.1 残差网络原理 |
4.2.2 时频图像预处理 |
4.2.3 残差网络结构 |
4.2.4 仿真与分析 |
4.3 本章小结 |
第五章 雷达信号脉内参数估计 |
5.1 基于FRFT的LFM参数估计 |
5.2 基于IQPF和FRFT多相码参数估计的改进算法 |
5.2.1 基于IQPF和FRFT的多相码参数估计 |
5.2.2 算法改进与实现 |
5.2.3 算法仿真与分析 |
5.3 一种低信噪比下的LFM-BPSK参数估计方法 |
5.3.1 LFM-BPSK信号的调频斜率估计 |
5.3.2 LFM-BPSK信号的载频估计 |
5.3.3 LFM-BPSK信号的码速率和码元估计 |
5.3.4 算法仿真与实现 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(6)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 |
(7)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 |
(8)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 |
(9)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 |
(10)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 |
四、脉内调制信号的分析与自动识别(论文参考文献)
- [1]基于深度学习的雷达信号脉内调制类型识别算法研究[D]. 王文洋. 哈尔滨工程大学, 2021
- [2]雷达辐射源信号脉内调制方式识别研究[D]. 杨东升. 哈尔滨工程大学, 2021
- [3]基于深度学习的雷达信号识别[D]. 瞿奇哲. 电子科技大学, 2021(01)
- [4]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)
- [5]雷达信号参数侦测与脉内识别[D]. 唐燕. 电子科技大学, 2021(01)
- [6]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)
- [7]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)
- [8]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)
- [9]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)
- [10]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)