雷達(dá)信號(hào)分選識(shí)別是雷達(dá)電子戰(zhàn)中的一個(gè)關(guān)鍵環(huán)節(jié),在電子戰(zhàn)偵察系統(tǒng)中具有舉足輕重的作用。隨著信息技術(shù)的快速發(fā)展,電子對(duì)抗領(lǐng)域的競(jìng)爭(zhēng)越來越激烈,戰(zhàn)場(chǎng)電磁環(huán)境也變得日益復(fù)雜,尤其是以低截獲概率(Low Probability of Intercept,LPI)雷達(dá)為代表的各種新體制雷達(dá)大量裝備應(yīng)用,使得雷達(dá)信號(hào)分選與識(shí)別面臨諸多問題和挑戰(zhàn)。本文主要圍繞雷達(dá)信號(hào)脈內(nèi)特征分析與識(shí)別關(guān)鍵技術(shù)問題展開深入研究,提出了三種雷達(dá)信號(hào)調(diào)制識(shí)別算法,并設(shè)計(jì)了一套雷達(dá)信號(hào)分析與識(shí)別驗(yàn)證系統(tǒng)。主要工作包括:1、針對(duì)傳統(tǒng)脈內(nèi)調(diào)制特征提取算法中存在的計(jì)算復(fù)雜度高、特征參數(shù)普適性較差、識(shí)別準(zhǔn)確率低等不足,提出了一種基于分?jǐn)?shù)階域的雷達(dá)信號(hào)調(diào)制識(shí)別算法。該算法首先使用分?jǐn)?shù)階Fourier變換得到不同階數(shù)下雷達(dá)信號(hào)的分?jǐn)?shù)階域波形,然后從中提取了多組對(duì)稱Holder系數(shù)特征,最后使用支持向量機(jī)分類器實(shí)現(xiàn)了對(duì)雷達(dá)信號(hào)的自動(dòng)調(diào)制識(shí)別。仿真結(jié)果表明,該算法計(jì)算簡(jiǎn)單、識(shí)別準(zhǔn)確率較好、易于工程實(shí)現(xiàn)。2、為進(jìn)一步提升對(duì)復(fù)合調(diào)制雷達(dá)信號(hào)的識(shí)別準(zhǔn)確率和增強(qiáng)抗噪性能,提出了一種基于多域聯(lián)合特征的雷達(dá)信號(hào)調(diào)制識(shí)別算法。該算法首先通過引入的多重同步...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究與發(fā)展現(xiàn)狀
    1.3 論文主要工作和結(jié)構(gòu)安排
第二章 雷達(dá)信號(hào)調(diào)制識(shí)別研究基礎(chǔ)
    2.1 引言
    2.2 雷達(dá)脈內(nèi)調(diào)制信號(hào)模型
        2.2.1 常規(guī)脈沖信號(hào)
        2.2.2 線性調(diào)頻信號(hào)
        2.2.3 非線性調(diào)頻信號(hào)
        2.2.4 頻率編碼信號(hào)
        2.2.5 相位編碼信號(hào)
        2.2.6 復(fù)合調(diào)制信號(hào)
    2.3 時(shí)頻分析方法
        2.3.1 短時(shí)傅里葉變換(STFT)
        2.3.2 Cohen類時(shí)頻分布
    2.4 分類器模型
        2.4.1 支持向量機(jī)(SVM)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
    2.5 本章小結(jié)
第三章 基于多維特征提取的雷達(dá)信號(hào)調(diào)制識(shí)別算法
    3.1 引言
    3.2 基于分?jǐn)?shù)階域的雷達(dá)信號(hào)調(diào)制識(shí)別算法
        3.2.1 分?jǐn)?shù)階Fourier變換(FrFT)
        3.2.2 對(duì)稱Holder系數(shù)特征提取
        3.2.3 分類識(shí)別
        3.2.4 仿真實(shí)驗(yàn)與分析
    3.3 基于多域聯(lián)合特征的雷達(dá)信號(hào)調(diào)制識(shí)別算法
        3.3.1 多重同步壓縮變換(MSST)
        3.3.2 基于MSST的特征提取方法
        3.3.3 分類識(shí)別
        3.3.4 仿真實(shí)驗(yàn)與分析
    3.4 本章小結(jié)
第四章 基于遷移深度學(xué)習(xí)的雷達(dá)信號(hào)調(diào)制識(shí)別算法
    4.1 引言
    4.2 典型預(yù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型
        4.2.1 GoogLeNet網(wǎng)絡(luò)
        4.2.2 ResNet網(wǎng)絡(luò)
        4.2.3 遷移深度學(xué)習(xí)
    4.3 分類識(shí)別
    4.4 仿真實(shí)驗(yàn)與分析
    4.5 本章小結(jié)
第五章 雷達(dá)信號(hào)分析與識(shí)別驗(yàn)證系統(tǒng)設(shè)計(jì)
    5.1 引言
    5.2 系統(tǒng)概述
    5.3 主要功能與技術(shù)指標(biāo)
        5.3.1 主要功能
        5.3.2 主要技術(shù)指標(biāo)
    5.4 系統(tǒng)測(cè)試與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)歷



本文編號(hào)：3742457