本文關(guān)鍵詞：低頻輻射源雜散特征提取及分類方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：輻射源的個體識別作為電子對抗的一種重要技術(shù),近些年受到廣泛的關(guān)注。個體識別技術(shù)主要分為特征提取和分類識別。同類型低頻輻射源由于硬件差異使得發(fā)射信號差異很小且信號特征更多地表現(xiàn)出非線性和非平穩(wěn)性。隨著電子設(shè)施逐漸增多,現(xiàn)代電子環(huán)境趨于復(fù)雜化。個體識別技術(shù)的關(guān)鍵問題變成了如何從信號中得到有效的雜散特征,而且能夠?qū)ζ溥M(jìn)行來源分類。本文主要研究內(nèi)容如下:低頻輻射源行為建模研究,相同型號、相同模式下不同輻射源的雜散特征提取,用分類器對提取的特征進(jìn)行有效分類。針對低頻輻射源行為建模,本文主要研究了功率放大電路的行為建模,將深度學(xué)習(xí)理論引入非線性系統(tǒng)建模中,分別與反向傳播神經(jīng)網(wǎng)絡(luò)(BP)、Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出了BP-RBMs模型和深度重構(gòu)模型(DRM),對比了Volterra-Laguerre模型、Kautz-Volterra模型和Elman神經(jīng)網(wǎng)絡(luò)模型用于功率放大電路行為建模的性能。針對輻射源特征提取,本文研究了高階累積量及雙譜的算法,提取了雙譜對角切片。提出了基于深度學(xué)習(xí)理論的特征提取方法。通過分形理論,研究了盒維數(shù)的具體算法。并設(shè)計了一種基于雙譜對角切片及其分形維數(shù)的特征提取方法。通過實(shí)驗驗證了此方法的可實(shí)施性。針對分類識別問題,研究了支持向量機(jī)(SVM)分類器和AdaBoost算法。將兩者有效的結(jié)合,提出了基于SVM的AdaBoost組合分類器,通過與以上單一算法分類識別進(jìn)行對比,得到了不錯的識別效果。實(shí)驗證明,本文所提出的方法,可以精確有效地對低頻輻射源進(jìn)行特征提取與分類。
【關(guān)鍵詞】：雜散特征 行為建模 深度學(xué)習(xí) 深度重構(gòu)模型 雙譜切片 分形理論 組合分類器
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN722.75;TP18
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 縮略詞11-13
• 第一章 緒論13-17
• 1.1 背景和意義13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.3 本文主要內(nèi)容和結(jié)構(gòu)安排15-17
• 第二章 低頻輻射源行為建模17-43
• 2.1 引言17
• 2.2 聲納發(fā)射機(jī)簡介17-20
• 2.2.1 聲納發(fā)射機(jī)的基本結(jié)構(gòu)17
• 2.2.2 D類功率放大器17-18
• 2.2.3 D類功放電路設(shè)計18-20
• 2.3 發(fā)射機(jī)行為建模及分析20-28
• 2.3.1 Volterra-Laguerre模型20-22
• 2.3.2 Kautz-Volterra模型22
• 2.3.3 ENN模型22-24
• 2.3.4 基于深度學(xué)習(xí)理論模型24-28
• 2.3.4.1 限制玻爾茲曼機(jī)25-26
• 2.3.4.2 BP-RBMs模型26
• 2.3.4.3 深度重構(gòu)模型26-28
• 2.4 仿真結(jié)果與分析28-41
• 2.4.1 模擬電路實(shí)驗28-40
• 2.4.1.1 VL模型和KV模型對比28-29
• 2.4.1.2 不同初始化權(quán)值的BPNN模型對比29
• 2.4.1.3 ENN模型和DRM模型對比29-31
• 2.4.1.4 五種模型對比31-40
• 2.4.2 實(shí)際電路實(shí)驗40-41
• 2.5 本章小結(jié)41-43
• 第三章 雜散特征提取方法43-61
• 3.1 引言43
• 3.2 雙譜估計算法43-46
• 3.2.1 高階累積量及雙譜43-46
• 3.2.2 雙譜切片46
• 3.3 基于深度學(xué)習(xí)理論的特征提取方法46-47
• 3.4 分形理論算法47-48
• 3.4.1 Hausdorff維數(shù)47-48
• 3.4.2 盒維數(shù)48
• 3.5 基于雙譜切片及其分形維數(shù)特征提取48-49
• 3.6 仿真結(jié)果與分析49-60
• 3.6.1 模擬電路實(shí)驗49-57
• 3.6.1.1 雙譜估計仿真結(jié)果50-52
• 3.6.1.2 基于深度學(xué)習(xí)理論的特征提取52-54
• 3.6.1.3 基于雙譜切片及其分形維數(shù)特征提取54-57
• 3.6.2 實(shí)際電路實(shí)驗57-60
• 3.7 本章小結(jié)60-61
• 第四章 分類器設(shè)計61-71
• 4.1 引言61-62
• 4.2 支持向量機(jī)62-64
• 4.3 Ada Boost算法64-65
• 4.4 基于SVM的Ada Boost組合分類器65-66
• 4.5 仿真結(jié)果與分析66-70
• 4.5.1 模擬電路實(shí)驗66-68
• 4.5.2 實(shí)際電路實(shí)驗68-70
• 4.6 本章小結(jié)70-71
• 第五章 總結(jié)與展望71-73
• 5.1 本文工作總結(jié)71
• 5.2 后期工作展望71-73
• 參考文獻(xiàn)73-77
• 致謝77-78
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文78

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 黨安朋;劉占峰;朱延玲;楊遠(yuǎn)滿;;基于BP與Elman神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)缸壁間隙檢測[J];山東交通學(xué)院學(xué)報;2015年01期

2 宋濤;湯寶平;李鋒;;基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機(jī)械故障診斷方法[J];振動與沖擊;2013年05期

3 辛芳芳;焦李成;王桂婷;;非局部均值加權(quán)的動態(tài)模糊Fisher分類器的遙感圖像變化檢測[J];測繪學(xué)報;2012年04期

4 劉明騫;李兵兵;吳啟軍;;基于矩形積分雙譜和核主分量分析的電臺指紋識別[J];西北大學(xué)學(xué)報(自然科學(xué)版);2011年01期

5 徐書華;黃本雄;徐麗娜;;基于SIB/PCA的通信輻射源個體識別[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2008年07期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 毛莎莎;基于貪婪優(yōu)化和投影變換的集成分類器算法研究[D];西安電子科技大學(xué);2014年

2 任春輝;通信電臺個體特征分析[D];電子科技大學(xué);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 鄧莎;功率集成電路中電機(jī)驅(qū)動電路和數(shù)控功率放大器的研究與設(shè)計[D];中國科學(xué)技術(shù)大學(xué);2015年

2 王麗;低頻輻射源細(xì)微特征分析[D];南京航空航天大學(xué);2014年

3 盧婷;基于AdaBoost的分類器學(xué)習(xí)算法比較研究[D];華東理工大學(xué);2014年

4 李楊;基于神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計及優(yōu)化[D];安徽農(nóng)業(yè)大學(xué);2013年

5 王建明;基于參數(shù)和轉(zhuǎn)換域的輻射源個體識別[D];電子科技大學(xué);2013年

6 林妙真;基于深度學(xué)習(xí)的人臉識別研究[D];大連理工大學(xué);2013年

7 曾珍;通信電臺個體雜散特征提取算法研究[D];西安電子科技大學(xué);2013年

8 安瑞;相位噪聲測量中的譜估計方法研究[D];西安電子科技大學(xué);2011年

9 續(xù)元君;水下目標(biāo)探測關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2011年

10 郭瑞;通信電臺個體特征的研究[D];山東科技大學(xué);2011年

  本文關(guān)鍵詞：低頻輻射源雜散特征提取及分類方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：304055