為應(yīng)對(duì)現(xiàn)有雷達(dá)的復(fù)雜化及認(rèn)知化的發(fā)展,世界各國(guó)先后提出認(rèn)知電子戰(zhàn)的結(jié)構(gòu)和概念。在認(rèn)知電子戰(zhàn)處理雷達(dá)脈沖信號(hào)的過程中,當(dāng)接收到的輻射源信號(hào)來(lái)自的對(duì)象具有認(rèn)知能力或混合程度和復(fù)雜程度較高時(shí),傳統(tǒng)電子偵察在處理效率和處理準(zhǔn)確性方面都會(huì)逐漸無(wú)法達(dá)到要求,為此,眾多研究者在認(rèn)知電子戰(zhàn)的結(jié)構(gòu)基礎(chǔ)上提出認(rèn)知偵察的概念。論文主要針對(duì)認(rèn)知偵察模塊進(jìn)行研究,根據(jù)現(xiàn)有資料完善認(rèn)知偵察結(jié)構(gòu)和功能,對(duì)認(rèn)知偵察中的信號(hào)分選及作為其輔助環(huán)節(jié)的偵察數(shù)據(jù)庫(kù)進(jìn)行改進(jìn),利用具有認(rèn)知能力的數(shù)據(jù)庫(kù)以及基于卷積神經(jīng)網(wǎng)絡(luò)的單脈沖參數(shù)信號(hào)分選的方法,使得認(rèn)知偵察中的信號(hào)分選在信號(hào)處理效率以及信號(hào)處理準(zhǔn)確率上都得到提高。在論文的第二章中,為提升認(rèn)知偵察中信號(hào)分選的處理效率,論文中將現(xiàn)有偵察數(shù)據(jù)庫(kù)改進(jìn)為具有認(rèn)知能力的數(shù)據(jù)庫(kù),結(jié)合基于層次的聚類算法從數(shù)據(jù)庫(kù)的索引模式到調(diào)用形式及存儲(chǔ)內(nèi)容方面進(jìn)行改進(jìn),通過和現(xiàn)有數(shù)據(jù)庫(kù)存儲(chǔ)的對(duì)比仿真,表明在信號(hào)處理過程中當(dāng)數(shù)據(jù)量達(dá)到一定值時(shí),信號(hào)分選效率有顯著的提高。解決了分選效率的問題后,還需要解決信號(hào)分選準(zhǔn)確率不高的問題,為此論文中為解決現(xiàn)有因信號(hào)預(yù)分選誤差過大導(dǎo)致的最終分選錯(cuò)誤的問題,將現(xiàn)有的信號(hào)分選中... 

【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)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

具有認(rèn)知能力的數(shù)據(jù)庫(kù)第一層

105% 1%滑變 1 [2,4] 2.6PRI 均值 1100滑變方式：Asinx滑變 2 [26,18] 5PRI 均值 1200滑變方式：Asinx捷變頻 1 12捷變頻中心：6捷變范圍：10%1150捷變頻 2 7.5捷變頻中心：12捷變范圍：5%800參差 1 [2.2,2.7] [0.8,1.2]參差子周期：[280,390,320,360]參差 2 [3,16] [1.3,1.5]參差子周期：[500,550,600,630]選用如表 2.6 所示的雷達(dá)參數(shù)數(shù)據(jù)作為數(shù)據(jù)庫(kù)的輸入，利用 STING 算法對(duì)其進(jìn)行仿真，得到具有認(rèn)知能力的數(shù)據(jù)庫(kù)存儲(chǔ)模型第一層和第二層的結(jié)果如圖 2.6 和 2.7 所示：

第 2 章 認(rèn)知偵察中信號(hào)分選的輔助環(huán)節(jié)圖 2.7 中可以看出，在具有認(rèn)知能力的數(shù)據(jù)庫(kù)第一層中據(jù)進(jìn)行大致的分類。其中，根據(jù)本文數(shù)據(jù)得到，A 區(qū)域達(dá)范圍；C 區(qū)域?yàn)槎秳?dòng)雷達(dá)范圍；D 區(qū)域?yàn)榛兝走_(dá)范能力的數(shù)據(jù)庫(kù)第二層是具體的雷達(dá)參數(shù)，分布在不同的數(shù)據(jù)存儲(chǔ)在現(xiàn)有數(shù)據(jù)庫(kù)和具有認(rèn)知能力的數(shù)據(jù)庫(kù)中的數(shù)實(shí)驗(yàn)中數(shù)據(jù)量不是很大，所以存儲(chǔ)和調(diào)用的方式采用四PRI 和索引信息直接完成，來(lái)和具有認(rèn)知能力的數(shù)據(jù)庫(kù)中，具有認(rèn)知能力的數(shù)據(jù)庫(kù)選用兩張 Excel 表格分別存別代表數(shù)據(jù)庫(kù)的第一層和第二層。對(duì)比如圖 2.8 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)關(guān)聯(lián)處理的重頻參差雷達(dá)信號(hào)分選方法[J]. 柳征,高超,李悅.  電子與信息學(xué)報(bào). 2018(05)
[2]基于VGGNet和標(biāo)簽分布學(xué)習(xí)的航拍目標(biāo)分類方法[J]. 戚銀城,趙振兵,杜麗群,喬弘,王磊.  電力建設(shè). 2018(02)
[3]利用脈沖TDOA的雷達(dá)信號(hào)分選方法[J]. 鄭惠文,黃建沖.  現(xiàn)代防御技術(shù). 2017(02)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[5]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)
[6]一種新的k-means聚類雷達(dá)信號(hào)分選算法[J]. 張冉,夏厚培.  現(xiàn)代防御技術(shù). 2015(06)
[7]一種脈沖重復(fù)間隔復(fù)雜調(diào)制雷達(dá)信號(hào)分選方法[J]. 李英達(dá),肖立志.  電子與信息學(xué)報(bào). 2013(10)
[8]基于SQLServer數(shù)據(jù)庫(kù)的大量雷達(dá)目標(biāo)信息的存儲(chǔ)和查詢分析技術(shù)[J]. 練學(xué)輝.  雷達(dá)與對(duì)抗. 2012(01)
[9]認(rèn)知技術(shù)在電子戰(zhàn)裝備中的發(fā)展分析[J]. 沈妮,肖龍,謝偉,石敖廣.  電子信息對(duì)抗技術(shù). 2011(06)
[10]BP神經(jīng)網(wǎng)絡(luò)研究[J]. 王昱.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2010(15)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012
[2]基于STING與支持向量回歸機(jī)的網(wǎng)絡(luò)安全預(yù)警技術(shù)研究[D]. 梁玉翰.解放軍信息工程大學(xué) 2008



本文編號(hào)：3101382