發(fā)布時間：2021-05-08 08:19

　　在現(xiàn)代電子戰(zhàn)中使用電子對抗偵察獲得更多的戰(zhàn)場情報是獲取勝利的首要條件�；诶走_信號脈內(nèi)細微特征對輻射源進行個體識別是進一步獲取戰(zhàn)場情報的有力手段,也是及時實施準確干擾的前提和保障�，F(xiàn)代偵察面臨的電磁信號環(huán)境復(fù)雜多變,很多情況下截獲信號的信噪比較低且調(diào)制樣式多樣化,但是在復(fù)雜環(huán)境下的雷達輻射源個體識別研究相對缺乏。為了實現(xiàn)復(fù)雜環(huán)境下雷達輻射源個體的高效識別,本文研究了采用小波變換降噪的Hilbert脈沖包絡(luò)特征提取算法,提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）的雷達輻射源個體識別方法,分別對脈沖包絡(luò)特征波形和對信號時域特征波形進行了分類識別,實驗結(jié)果驗證了該方法的有效性。以下是本文的主要工作內(nèi)容:1、研究了深度學習理論基礎(chǔ),給出了深度學習體系的基本結(jié)構(gòu),深入研究了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的模型和各個功能層的作用,分析了RNN的神經(jīng)元結(jié)構(gòu)和RNN的基本結(jié)構(gòu),重點討論了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的準則及方法。2、針對低信噪比下Hilbert變換法提取信號包絡(luò)特征不明顯等問題,采用小波變換法對信號包絡(luò)做降... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)雷達輻射源個體識別方法
        1.2.2 基于深度學習的雷達輻射源個體識別方法
    1.3 論文主要工作及安排
第二章 深度學習理論基礎(chǔ)
    2.1 深度學習體系結(jié)構(gòu)
    2.2 人工神經(jīng)網(wǎng)絡(luò)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 池化層
    2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.5 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.5.1 訓(xùn)練準則
        2.5.2 反向傳播算法
        2.5.3 小批量隨機梯度下降
    2.6 本章小結(jié)
第三章 雷達輻射源個體特征分析
    3.1 包絡(luò)特征分析
        3.1.1 脈沖調(diào)制器數(shù)學模型
        3.1.2 包絡(luò)波形特征分析
        3.1.3 包絡(luò)角度特征分析
    3.2 Hilbert變換法提取信號包絡(luò)
        3.2.1 滑窗平均降噪
        3.2.2 小波變換降噪
        3.2.3 仿真實驗
    3.3 功率放大器的非線性特征分析
        3.3.1 Saleh模型
        3.3.2 Taylor級數(shù)模型
    3.4 功率放大器處理后的信號模型
        3.4.1 經(jīng)功放Saleh模型處理后信號模型
        3.4.2 經(jīng)功放Taylor級數(shù)模型處理后信號模型
        3.4.3 仿真實驗
    3.5 本章小結(jié)
第四章 基于深度學習的雷達輻射源個體識別
    4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的雷達輻射源個體識別
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計
        4.1.2 基于CNN和信號包絡(luò)的雷達輻射源個體識別方法
        4.1.3 基于CNN和功放非線性的雷達輻射源個體識別方法
    4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的雷達輻射源個體識別
        4.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計
        4.2.2 基于RNN和信號包絡(luò)的雷達輻射源個體識別方法
        4.2.3 基于RNN和功放非線性的雷達輻射源個體識別方法
    4.3 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的功率放大器指紋特征識別[J]. 劉程,陳斌,瞿珊瑚.  通信技術(shù). 2019(10)
[2]一種改進RetinaNet的室內(nèi)人員檢測算法[J]. 王璐璐,張為,孫琦龍.  西安電子科技大學學報. 2019(05)
[3]基于包絡(luò)前沿特性的干擾源個體識別研究[J]. 羅彬珅,劉利民,劉璟麒.  電光與控制. 2019(12)
[4]一種深度強化學習的雷達輻射源個體識別方法[J]. 冷鵬飛,徐朝陽.  兵工學報. 2018(12)
[5]應(yīng)用動態(tài)時間規(guī)整算法實現(xiàn)雷達輻射源個體識別[J]. 陳沛鉑,李綱.  信號處理. 2015(08)
[6]基于個體特征的雷達輻射源識別方法研究[J]. 廖宇鵬,周仕成,舒汀.  現(xiàn)代雷達. 2015(03)
[7]基于模糊函數(shù)的雷達輻射源個體識別[J]. 李林,姬紅兵.  電子與信息學報. 2009(11)
[8]基于小波變換的聲波信號包絡(luò)提取[J]. 楊慧娟,曲喜強,韓焱.  華北工學院學報. 2004(04)
[9]一種新的雷達信號識別方法[J]. 劉愛霞,趙國慶.  航天電子對抗. 2003(01)

博士論文
[1]基于結(jié)構(gòu)化深度學習的語音識別自適應(yīng)技術(shù)研究[D]. 譚天.上海交通大學 2018
[2]脈沖信號輻射源個體識別技術(shù)研究[D]. 韓韜.國防科學技術(shù)大學 2013
[3]輻射源指紋機理及識別方法研究[D]. 許丹.國防科學技術(shù)大學 2008
[4]雷達輻射源識別技術(shù)研究[D]. 張國柱.國防科學技術(shù)大學 2005

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人體生命體征和多目標檢測算法研究[D]. 李劍菡.北京郵電大學 2019
[2]基于移動平臺的深度學習優(yōu)化計算方法研究[D]. 趙天理.哈爾濱理工大學 2019
[3]深度學習方法在雷達信號識別若干問題上的研究與應(yīng)用[D]. 陳俊達.電子科技大學 2019
[4]基于信號指紋的輻射源個體識別技術(shù)研究[D]. 張靖志.戰(zhàn)略支援部隊信息工程大學 2018
[5]雷達輻射源個體識別技術(shù)研究[D]. 麻鵬飛.西安電子科技大學 2018
[6]雷達輻射源細微特征提取方法研究[D]. 李策.西安電子科技大學 2018
[7]基于深度學習的雷達輻射源識別技術(shù)[D]. 冷鵬飛.中國艦船研究院 2018
[8]基于DCGAN算法的圖像生成技術(shù)研究[D]. 蔡曉龍.青島理工大學 2018
[9]雷達輻射源特征提取和個體識別[D]. 楊凡.西安電子科技大學 2017
[10]不平衡數(shù)據(jù)的深度遷移學習分類算法[D]. 徐洋洋.華南理工大學 2017



本文編號：3174999