【摘要】：1.信號(hào)識(shí)別及分類技術(shù)是當(dāng)前信號(hào)處理領(lǐng)域的核心問(wèn)題之一,該技術(shù)旨在對(duì)未知信號(hào)源進(jìn)行準(zhǔn)確的分辨,為提高信號(hào)的分類及識(shí)別性能提供理論和技術(shù)支撐。本文以時(shí)頻分析理論為基礎(chǔ),以民航氣象雷達(dá)信號(hào)為對(duì)象,結(jié)合工程應(yīng)用,分析信號(hào)的個(gè)體特征,從而唯一地識(shí)別信號(hào)源,為民航機(jī)場(chǎng)管理和民用飛機(jī)探測(cè)等關(guān)鍵問(wèn)題提供指導(dǎo)支持和預(yù)測(cè)分析。本文主要工作及研究成果包括:2.研究了雷達(dá)信號(hào)無(wú)意調(diào)制產(chǎn)生機(jī)理,從而分析氣象雷達(dá)信號(hào)個(gè)體特征的產(chǎn)生根源。根據(jù)雷達(dá)發(fā)射機(jī)內(nèi)部結(jié)構(gòu)特點(diǎn),總結(jié)歸納相位噪聲對(duì)雷達(dá)發(fā)射源個(gè)體特征的影響。并針對(duì)單頻信號(hào)、線性調(diào)頻信號(hào)、相位調(diào)制信號(hào)等三種雷達(dá)信號(hào)模型,進(jìn)行仿真建模并加入相位噪聲,從而實(shí)現(xiàn)每種信號(hào)的無(wú)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(gè)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(dá)輻射源信號(hào)模糊函數(shù)圖中最豐富的時(shí)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(hào)時(shí)變細(xì)節(jié),具有更高的信息表達(dá)能力。實(shí)驗(yàn)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(dá)信號(hào)分類結(jié)果,是有效的雷達(dá)輻射源細(xì)微特征。同時(shí),該特征還能夠進(jìn)行時(shí)頻重構(gòu)及瞬時(shí)頻率估計(jì)。此外,通過(guò)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(hào)本身特點(diǎn)確定模糊函數(shù)掩模特征。其二,根據(jù)信號(hào)能量占比確定模糊函數(shù)掩模特征。從仿真實(shí)驗(yàn)結(jié)果分析,兩種算法都擁有較高的識(shí)別率,雖然識(shí)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(yùn)行時(shí)間上具有較大優(yōu)勢(shì)。從工程角度而言,兩種方法可有效提高運(yùn)算效率并節(jié)約存儲(chǔ)空間。5.建立了雷達(dá)信號(hào)數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包括實(shí)測(cè)民航氣象雷達(dá)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(shí)驗(yàn)驗(yàn)證提供了較好的條件。在此基礎(chǔ)上,設(shè)計(jì)了基于matlab-GUI的雷達(dá)回波數(shù)據(jù)顯示軟件,方便對(duì)數(shù)據(jù)庫(kù)數(shù)據(jù)的觀察分析。
【圖文】：

力的信號(hào)個(gè)體特征。國(guó)內(nèi)雖對(duì)雷達(dá)細(xì)微特征的研究相對(duì)較晚，并且究的初級(jí)階段。但對(duì)個(gè)體特征的研究從未停止，且有一定的研究達(dá)輻射源個(gè)體識(shí)別系統(tǒng)框架節(jié)給出雷達(dá)發(fā)射源個(gè)體識(shí)別系統(tǒng)的主要流程及步驟。雷達(dá)輻射源識(shí)，主要子模塊包括：數(shù)據(jù)預(yù)處理、特征級(jí)處理、智能分類器設(shè)計(jì)。擁有接口友好、匹配度較高且易于批處理的優(yōu)勢(shì)，為后級(jí)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(guān)鍵在于取，也是特征級(jí)處理的核心技術(shù)。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(huì)存在針對(duì)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(duì)時(shí)頻特征進(jìn)行改進(jìn)，提出基于壓縮感特征[20]，對(duì)其展開(kāi)詳細(xì)研究，以得到更為魯棒的個(gè)體特征。本節(jié)將對(duì)每個(gè)子系統(tǒng)模塊進(jìn)行理論概述。

第一章 緒論智能分類器按照學(xué)習(xí)方法分通常分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)及半監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)指，測(cè)試前已知數(shù)據(jù)類別和標(biāo)簽。通過(guò)訓(xùn)練先驗(yàn)數(shù)據(jù)，學(xué)習(xí)出數(shù)據(jù)規(guī)則，，再對(duì)新數(shù)據(jù)進(jìn)行測(cè)試分類。監(jiān)督學(xué)習(xí)通常應(yīng)用在分類、回歸、擬合、預(yù)測(cè)問(wèn)題當(dāng)中。常見(jiàn)的方法有邏輯回歸和反向傳播網(wǎng)絡(luò)。而非監(jiān)督學(xué)習(xí)預(yù)先不知道數(shù)據(jù)類別和標(biāo)簽，也不了解數(shù)據(jù)應(yīng)該分為幾大類，由數(shù)據(jù)根據(jù)自身特征學(xué)習(xí)并分類，通常有 K 均值聚類、模糊聚類、譜聚類等。半監(jiān)督學(xué)習(xí)不像監(jiān)督學(xué)習(xí)僅僅對(duì)分類結(jié)果進(jìn)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(shí)時(shí)更新調(diào)整。如在線學(xué)習(xí)等。機(jī)器學(xué)習(xí)算法很多，根據(jù)不同流派有不同分類方式。文獻(xiàn)中給出基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識(shí)別算法分類。再加上現(xiàn)有深度學(xué)習(xí)、支持向量機(jī)等新型分類器。目前國(guó)內(nèi)外應(yīng)用于信號(hào)分類識(shí)別的機(jī)器學(xué)習(xí)算法框架如圖 1.3 所示。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN957.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐t

本文編號(hào)：2589707