【摘要】：1.信號識別及分類技術是當前信號處理領域的核心問題之一,該技術旨在對未知信號源進行準確的分辨,為提高信號的分類及識別性能提供理論和技術支撐。本文以時頻分析理論為基礎,以民航氣象雷達信號為對象,結(jié)合工程應用,分析信號的個體特征,從而唯一地識別信號源,為民航機場管理和民用飛機探測等關鍵問題提供指導支持和預測分析。本文主要工作及研究成果包括:2.研究了雷達信號無意調(diào)制產(chǎn)生機理,從而分析氣象雷達信號個體特征的產(chǎn)生根源。根據(jù)雷達發(fā)射機內(nèi)部結(jié)構(gòu)特點,總結(jié)歸納相位噪聲對雷達發(fā)射源個體特征的影響。并針對單頻信號、線性調(diào)頻信號、相位調(diào)制信號等三種雷達信號模型,進行仿真建模并加入相位噪聲,從而實現(xiàn)每種信號的無意調(diào)制仿真。3.提出了一種基于壓縮感知的模糊函數(shù)掩模個體特征。本文利用壓縮感知思想,提取模糊域內(nèi)主要能量作為特征,從而以更少的數(shù)據(jù)量,選取雷達輻射源信號模糊函數(shù)圖中最豐富的時頻特征。與模糊函數(shù)代表性切片特征相比,該特征包含更多的信號時變細節(jié),具有更高的信息表達能力。實驗結(jié)果表明,模糊函數(shù)掩模特征能夠獲得更精確、更穩(wěn)定的雷達信號分類結(jié)果,是有效的雷達輻射源細微特征。同時,該特征還能夠進行時頻重構(gòu)及瞬時頻率估計。此外,通過壓縮感知范數(shù)優(yōu)化獲得的模糊函數(shù)掩模特征,有效避免了特征冗余。4.提出了模糊函數(shù)掩模的兩種快速優(yōu)化方法。其一,根據(jù)信號本身特點確定模糊函數(shù)掩模特征。其二,根據(jù)信號能量占比確定模糊函數(shù)掩模特征。從仿真實驗結(jié)果分析,兩種算法都擁有較高的識別率,雖然識別精度略微低于基于壓縮感知的模糊函數(shù)掩模特征提取方法,但在運行時間上具有較大優(yōu)勢。從工程角度而言,兩種方法可有效提高運算效率并節(jié)約存儲空間。5.建立了雷達信號數(shù)據(jù)庫。該數(shù)據(jù)庫包括實測民航氣象雷達發(fā)射源數(shù)據(jù)以及半物理仿真數(shù)據(jù),為研究方法的實驗驗證提供了較好的條件。在此基礎上,設計了基于matlab-GUI的雷達回波數(shù)據(jù)顯示軟件,方便對數(shù)據(jù)庫數(shù)據(jù)的觀察分析。
【圖文】：

力的信號個體特征。國內(nèi)雖對雷達細微特征的研究相對較晚，并且究的初級階段。但對個體特征的研究從未停止，且有一定的研究達輻射源個體識別系統(tǒng)框架節(jié)給出雷達發(fā)射源個體識別系統(tǒng)的主要流程及步驟。雷達輻射源識，主要子模塊包括：數(shù)據(jù)預處理、特征級處理、智能分類器設計。擁有接口友好、匹配度較高且易于批處理的優(yōu)勢，為后級端口傳輸理主要包括特征提取、特征優(yōu)化、特征融合。特征提取的關鍵在于取，也是特征級處理的核心技術。傳統(tǒng)特征包括頻率、脈寬、頻譜波變換[17]、模糊函數(shù)、模糊函數(shù)代表性切片[18]、三維分布[19]等。電磁環(huán)境，這些理論會存在針對性較差、可區(qū)分度較弱、維度較高陷。在第三章中，本文將針對時頻特征進行改進，提出基于壓縮感特征[20]，對其展開詳細研究，以得到更為魯棒的個體特征。本節(jié)將對每個子系統(tǒng)模塊進行理論概述。

第一章 緒論智能分類器按照學習方法分通常分為有監(jiān)督學習、無監(jiān)督學習及半監(jiān)督學習。監(jiān)督學習指，測試前已知數(shù)據(jù)類別和標簽。通過訓練先驗數(shù)據(jù)，學習出數(shù)據(jù)規(guī)則，，再對新數(shù)據(jù)進行測試分類。監(jiān)督學習通常應用在分類、回歸、擬合、預測問題當中。常見的方法有邏輯回歸和反向傳播網(wǎng)絡。而非監(jiān)督學習預先不知道數(shù)據(jù)類別和標簽，也不了解數(shù)據(jù)應該分為幾大類，由數(shù)據(jù)根據(jù)自身特征學習并分類，通常有 K 均值聚類、模糊聚類、譜聚類等。半監(jiān)督學習不像監(jiān)督學習僅僅對分類結(jié)果進行判斷，更多的側(cè)重在線更新，輸出數(shù)據(jù)結(jié)果直接反饋回模型內(nèi)部，并調(diào)整參數(shù)，實時更新調(diào)整。如在線學習等。機器學習算法很多，根據(jù)不同流派有不同分類方式。文獻中給出基于機器學習的雷達輻射源識別算法分類。再加上現(xiàn)有深度學習、支持向量機等新型分類器。目前國內(nèi)外應用于信號分類識別的機器學習算法框架如圖 1.3 所示。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN957.51

【參考文獻】

相關期刊論文 前10條

1 徐t

本文編號：2589707