论文目录 | |
摘要 | 第1-7页 |
abstract | 第7-12页 |
第1章 绪论 | 第12-20页 |
1.1 课题研究背景和研究意义 | 第12-15页 |
1.1.1 雷达调制信号识别技术发展分析 | 第13页 |
1.1.2 卷积神经网络技术及发展 | 第13-15页 |
1.2 雷达调制信号识别技术国内外研究现状 | 第15-18页 |
1.2.1 雷达调制信号识别技术国内研究现状 | 第15-16页 |
1.2.2 雷达调制信号识别技术国外研究现状 | 第16-18页 |
1.3 论文主要内容安排及研究成果介绍 | 第18-20页 |
1.3.1 论文主要内容安排 | 第18-19页 |
1.3.2 论文主要研究成果 | 第19-20页 |
第2章 AlexNet模型和雷达信号模型基础理论介绍 | 第20-33页 |
2.1 机器学习算法的基本理论 | 第20-22页 |
2.1.1 机器学习算法的兴起 | 第20-21页 |
2.1.2 深度学习算法基本概念和构架 | 第21页 |
2.1.3 深度学习算法的训练过程 | 第21-22页 |
2.2 AlexNet模型 | 第22-27页 |
2.2.1 AlexNet模型结构 | 第22-23页 |
2.2.2 AlexNet模型结构与其他模型的比较 | 第23-24页 |
2.2.3 AlexNet模型工作过程 | 第24-26页 |
2.2.4 AlexNet模型参数分析 | 第26-27页 |
2.3 雷达调制信号模型 | 第27-32页 |
2.3.1 常规信号(NS) | 第28页 |
2.3.2 二相编码信号(BPSK) | 第28页 |
2.3.4 线性调频信号(LFM) | 第28-29页 |
2.3.5 非线性调频信号(NLFM) | 第29页 |
2.3.6 跳频信号(Costas) | 第29页 |
2.3.7 多相编码(Frank) | 第29-30页 |
2.3.8 多时编码信号(T1-T4) | 第30-32页 |
2.4 本章小结 | 第32-33页 |
第3章 基于SPWVD时频分析的雷达信号时频图像预处理 | 第33-42页 |
3.1 时频分析方法分析 | 第33-36页 |
3.1.1 短时傅里叶变换 | 第33-34页 |
3.1.2 Choi-Williams变换 | 第34页 |
3.1.3 Wigner-Ville变换 | 第34-35页 |
3.1.4 伪Wigner-Ville变换 | 第35页 |
3.1.5 平滑伪Wigner-Ville变换 | 第35-36页 |
3.2 基于SPWVD时频分析的时频图像预处理 | 第36-41页 |
3.2.1 时频图像生成 | 第37-38页 |
3.2.2 时频图像去噪 | 第38-39页 |
3.2.3 时频图像剪切 | 第39-41页 |
3.3 本章小结 | 第41-42页 |
第4章 基于轻量化AlexNet模型的雷达信号识别算法 | 第42-54页 |
4.1 雷达调制信号识别系统概述 | 第42-43页 |
4.2 基于轻量化AlexNet模型雷达信号识别 | 第43-45页 |
4.2.1 轻量化的AlexNet模型结构 | 第43-44页 |
4.2.2 轻量化AlexNet模型参数分析 | 第44-45页 |
4.3 基于轻量化AlexNet雷达信号识别算法仿真和性能分析 | 第45-53页 |
4.3.1 参数设置和仿真 | 第45-46页 |
4.3.2 仿真结果与分析 | 第46-53页 |
4.4 本章小结 | 第53-54页 |
第5章 基于轻量化AlexNet-ERF改进模型的雷达信号识别算法 | 第54-64页 |
5.1 随机森林RF和改进的随机森林ERF算法 | 第54-57页 |
5.1.1 Bagging算法 | 第54-55页 |
5.1.2 决策树学习算法 | 第55-56页 |
5.1.3 决策树特征选择 | 第56-57页 |
5.2 基于轻量化AlexNet-ERF算法模型 | 第57-59页 |
5.2.1 基于轻量化AlexNet-ERF算法模型的训练过程 | 第57-58页 |
5.2.2 基于轻量化AlexNet-ERF算法的测试过程 | 第58-59页 |
5.3 算法仿真与比较分析 | 第59-63页 |
5.4 本章小结 | 第63-64页 |
结论 | 第64-65页 |
参考文献 | 第65-70页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第70-71页 |
致谢 | 第71页 |