雷達(dá)信號(hào)識(shí)別是電子對(duì)抗及電子偵察中的重要環(huán)節(jié),在電子戰(zhàn)中具有十分重要的地位和作用。只有充分掌握敵方雷達(dá)的信息,才能贏得現(xiàn)代戰(zhàn)爭(zhēng)的主動(dòng)權(quán),從而占據(jù)電子戰(zhàn)領(lǐng)域的制高點(diǎn),這就使得雷達(dá)信號(hào)調(diào)制識(shí)別成為現(xiàn)代電子偵察系統(tǒng)中重要的研究方向。本文對(duì)雷達(dá)信號(hào)時(shí)頻分析、圖像預(yù)處理、特征提取、支持向量機(jī)與深度卷積神經(jīng)網(wǎng)絡(luò)等關(guān)鍵性的技術(shù)進(jìn)行了深入研究。主要研究?jī)?nèi)容概括如下:首先,對(duì)雷達(dá)信號(hào)調(diào)制類型與時(shí)頻分析技術(shù)進(jìn)行研究。給出了常見的雷達(dá)信號(hào)數(shù)學(xué)模型,探討了非平穩(wěn)信號(hào)的時(shí)頻分析方法,給出了九種雷達(dá)調(diào)制信號(hào)在低信噪比下基于CWD分布的時(shí)頻圖。其次,對(duì)基于時(shí)頻圖像的支持向量機(jī)調(diào)制識(shí)別算法進(jìn)行研究,系統(tǒng)地闡述了時(shí)頻圖像預(yù)處理與特征提取技術(shù),在分析支持向量機(jī)相關(guān)原理的基礎(chǔ)上,針對(duì)支持向量機(jī)進(jìn)行分類時(shí)存在參數(shù)選擇不當(dāng)導(dǎo)致分類效果下降的問題,利用改進(jìn)粒子群尋優(yōu)算法兼顧對(duì)局部最優(yōu)解和全局最優(yōu)解的搜索,克服了傳統(tǒng)優(yōu)化方法易陷入局部最優(yōu)解的缺陷,以聯(lián)合四類圖像特征為識(shí)別特征,在此基礎(chǔ)上提出了一種基于改進(jìn)粒子群尋優(yōu)的支持向量機(jī)調(diào)制識(shí)別算法,進(jìn)一步提升了調(diào)制識(shí)別的正確率。然后,對(duì)基于時(shí)頻圖像的卷積神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別算法進(jìn)行研究,簡(jiǎn)述了... 

【文章來(lái)源】：哈爾濱工程大學(xué)黑龍江省211工程院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 雷達(dá)信號(hào)調(diào)制識(shí)別技術(shù)的研究現(xiàn)狀
        1.2.2 支持向量機(jī)及參數(shù)尋優(yōu)的研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)技術(shù)的發(fā)展及研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容及安排
第2章 雷達(dá)信號(hào)調(diào)制類型及其時(shí)頻分析
    2.1 雷達(dá)信號(hào)調(diào)制類型
        2.1.1 常規(guī)信號(hào)
        2.1.2 二相編碼信號(hào)
        2.1.3 線性調(diào)頻信號(hào)
        2.1.4 調(diào)頻編碼信號(hào)
        2.1.5 多相編碼信號(hào)
    2.2 時(shí)頻分析
        2.2.1 時(shí)頻分析概述
        2.2.2 魏格納時(shí)頻分布
        2.2.3 魏格納時(shí)頻分布的改進(jìn)
        2.2.4 仿真性能分析
    2.3 本章小結(jié)
第3章 基于時(shí)頻圖像的支持向量機(jī)調(diào)制識(shí)別算法研究
    3.1 時(shí)頻圖像預(yù)處理
    3.2 時(shí)頻圖像人工特征提取
        3.2.1 不變矩特征
        3.2.2 偽Zernike矩特征
        3.2.3 熵特征
        3.2.4 主成分分析
    3.3 支持向量機(jī)分類器及群智能尋優(yōu)算法
        3.3.1 非線性支持向量機(jī)
        3.3.2 人工蜂群算法
        3.3.3 粒子群算法
    3.4 基于改進(jìn)粒子群的支持向量機(jī)調(diào)制識(shí)別算法
        3.4.1 基于支持向量機(jī)的調(diào)制識(shí)別
        3.4.2 改進(jìn)粒子群尋優(yōu)算法基本思想
        3.4.3 基于改進(jìn)粒子群尋優(yōu)的支持向量機(jī)調(diào)制識(shí)別仿真與分析
    3.5 本章小結(jié)
第4章 基于時(shí)頻圖像的卷積神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別算法研究
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)
        4.1.2 卷積與池化運(yùn)算
        4.1.3 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播
        4.1.4 卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
    4.2 預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型
        4.2.1 預(yù)訓(xùn)練VGGNet網(wǎng)絡(luò)模型
        4.2.2 預(yù)訓(xùn)練GoogleNet網(wǎng)絡(luò)模型
    4.3 基于時(shí)頻圖像的特征遷移卷積神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別算法研究
        4.3.1 支持向量機(jī)與卷積神經(jīng)網(wǎng)絡(luò)Softmax分類器的關(guān)系
        4.3.2 基于時(shí)頻圖像的FT-VGGNet-SVM調(diào)制識(shí)別算法
        4.3.3 基于時(shí)頻圖像的FT-GoogleNet-SVM調(diào)制識(shí)別算法
    4.4 基于時(shí)頻圖像的特征遷移卷積神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別仿真分析
        4.4.1 基于FT-VGGNet-SVM的調(diào)制識(shí)別仿真分析
        4.4.2 基于FT-GoogleNet-SVM的調(diào)制識(shí)別仿真分析
    4.5 本章小結(jié)
第5章 基于時(shí)頻圖像的多信號(hào)調(diào)制識(shí)別技術(shù)研究
    5.1 分?jǐn)?shù)階FOURIER變換及其快速離散算法
        5.1.1 分?jǐn)?shù)階Fourier變換
        5.1.2 快速DFRFT方法
    5.2 基于時(shí)頻圖像的多信號(hào)分離與調(diào)制識(shí)別方案
    5.3 基于時(shí)頻圖像的多信號(hào)分離與調(diào)制識(shí)別仿真分析
        5.3.1 多信號(hào)分離仿真分析
        5.3.2 基于時(shí)頻圖像的聯(lián)合分類器多信號(hào)調(diào)制識(shí)別結(jié)果分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Applications of Fractional Lower Order Time-frequency Representation to Machine Bearing Fault Diagnosis[J]. Junbo Long,Haibin Wang,Peng Li,Hongshe Fan.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[2]Wigner-Hough transform based on slice’s entropy and its application to multi-LFM signal detection[J]. Hongwei Wang,Xiangyu Fan,You Chen,Yuanzhi Yang.  Journal of Systems Engineering and Electronics. 2017(04)
[3]Identity-aware convolutional neural networks for facial expression recognition[J]. Chongsheng Zhang,Pengyou Wang,Ke Chen,Joni-Kristian Kmrinen.  Journal of Systems Engineering and Electronics. 2017(04)
[4]Parameterized time-frequency analysis to separate multi-radar signals[J]. Wenlong Lu,Junwei Xie,Heming Wang,Chuan Sheng.  Journal of Systems Engineering and Electronics. 2017(03)
[5]一種改進(jìn)的人工蜂群算法優(yōu)化的支持向量機(jī)[J]. 李紀(jì)麟,謝霖銓.  河南科技. 2017(05)
[6]聯(lián)合時(shí)域和時(shí)頻域特征的數(shù)字調(diào)制信號(hào)自動(dòng)分類[J]. 代翱,張海劍,孫洪.  信號(hào)處理. 2016(11)
[7]Signal classification method based on data mining for multi-mode radar[J]. Qiang Guo,Pulong Nan,Jian Wan.  Journal of Systems Engineering and Electronics. 2016(05)
[8]A Human Body Posture Recognition Algorithm Based on BP Neural Network for Wireless Body Area Networks[J]. Fengye Hu,Lu Wang,Shanshan Wang,Xiaolan Liu,Gengxin He.  中國(guó)通信. 2016(08)
[9]基于隨機(jī)森林的雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別[J]. 劉歌,張國(guó)毅,于巖.  電信科學(xué). 2016(05)
[10]基于平方法的雷達(dá)信號(hào)脈內(nèi)調(diào)制粗識(shí)別[J]. 高興建,盧長(zhǎng)新.  黑龍江科技信息. 2015(04)

碩士論文
[1]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的環(huán)境聲音識(shí)別[D]. 史秋瑩.哈爾濱工業(yè)大學(xué) 2016
[2]基于分布式計(jì)算的AP聚類并行化方法研究與應(yīng)用[D]. 張旭.浙江工業(yè)大學(xué) 2015
[3]基于時(shí)頻分析的雷達(dá)輻射源信號(hào)識(shí)別技術(shù)研究[D]. 白航.解放軍信息工程大學(xué) 2012



本文編號(hào)：3634112