雷達輻射源信號表示學習識別技術

第1章 概 論 1
1.1 雷達輻射源信號識別概述 1
1.2 雷達輻射源信號識別基本概念 2
1.2.1 雷達偵察 2
1.2.2 雷達輻射源信號識別 3
1.3 雷達輻射源信號識別相關流程 4
1.3.1 雷達輻射源信號特點 4
1.3.2 雷達輻射源信號截獲 6
1.3.3 雷達輻射源信號分選 7
1.3.4 雷達輻射源信號識別 10
1.4 國內外研究現狀 11
1.4.1 表示學習技術研究現狀 13
1.4.2 雷達輻射源信號識別技術研究現狀 18
1.5 雷達輻射源信號表示學習技術應用 22
1.5.1 在認知電子戰系統中的應用 22
1.5.2 在偵幹探通一體化系統中的應用 23
1.5.3 在反輻射武器系統中的應用 23
1.6 本書的主要內容及架構 23
參 考 文 獻 25
第2章 雷達輻射源信號預處理 技術及識別架構 34
2.1 引言 34
2.2 相關基礎技術 34
2.2.1 分選技術 35
2.2.2 常規機器學習識別技術 40
2.3 信號模型及指標參數 43
2.4 時頻分析技術 47
2.4.1 短時傅裏葉變換 47
2.4.2 崔-威廉斯分布 48
2.4.3 維格納-威爾分布 49
2.4.4 Gabor變換 50
2.4.5 小波變換 51
2.5 時頻預處理技術 52
2.5.1 降采樣加權技術 53
2.5.2 稀疏域降噪技術 55
2.5.3 二次時頻分布 56
2.6 無監督非線性降維技術 59
2.6.1 核主成分分析 60
2.6.2 棧式降維技術 62
2.7 多層次表示學習識別架構 63
2.7.1 基於聯合降維表示與字典學習的識別架構 64
2.7.2 基於神經網絡表示與判別學習的識別架構 65
2.7.3 基於神經網絡表示與字典學習的聯合識別架構 66
2.8 本章小結 67
參 考 文 獻 67
第3章 基於降維表示與線性字典 學習的識別方法 72
3.1 引言 72
3.2 識別方法概述 73
3.3 基於棧式降維與強化判別字典學習的識別方法 74
3.3.1 理論模型 74
3.3.2 模型優化 75
3.3.3 仿真實驗與分析 77
3.4 基於鑒別投影與協同表示分類的識別方法 83
3.4.1 理論模型 83
3.4.2 模型優化 84
3.4.3 仿真實驗與分析 86
3.5 本章小結 94
參 考 文 獻 95
第4章 基於核空間聯合降維學習與字典學習的識別方法 97
4.1 引言 97
4.2 識別方法概述 97
4.2.1 基於JPDL的識別系統 97
4.2.2 基於KCRDP的識別系統 98
4.3 基於聯合投影字典學習的識別方法 99
4.3.1 理論模型 99
4.3.2 模型優化 100
4.3.3 仿真實驗與分析 102
4.4 基於核協同表示與鑒別投影的識別方法 107
4.4.1 理論模型 107
4.4.2 模型優化 109
4.4.3 仿真實驗與分析 110
4.5 聯合降維表示與字典學習算法對比分析 115
4.6 本章小結 117
參 考 文 獻 117
第5章 基於神經網絡表示與判別 學習的識別方法 119
5.1 引言 119
5.2 識別方法概述 120
5.3 棧式稀疏降噪自編碼算法 122
5.3.1 稀疏降噪自編碼 122
5.3.2 SSDAE模型及優化 124
5.4 SSDAE仿真實驗及分析 127
5.4.1 網絡參數分析 127
5.4.2 算法對比 128
5.4.3 魯棒性與時效性分析 131
5.5 多尺度卷積神經網絡 132
5.5.1 網絡模型及優化 132
5.5.2 仿真實驗及分析 137
5.6 本章小結 143
參 考 文 獻 144
第6章 基於神經網絡表示與字典 學習的聯合識別方法 145
6.1 引言 145
6.2 遷移學習概述 146
6.3 基於Inception-v3表示和EDDL的識別方法 148
6.3.1 系統概述 148
6.3.2 特征遷移學習與EDDL分類 148
6.3.3 仿真實驗及分析 151
6.4 基於CNN-KCRDP的識別方法 155
6.4.1 系統概述 155
6.4.2 CNN遷移學習和KCRDP分類 156
6.4.3 實驗環境及模型分析 158
6.4.4 算法對比及分析 161
6.5 本章小結 166
參 考 文 獻 166
附錄A 英文縮略語索引 169