一、复AR双谱及在常规雷达目标分类中的应用(论文文献综述)
邓衍顺[1](2019)在《基于物理驱动与数据驱动特征的飞机目标分类方法研究》文中进行了进一步梳理目标的微多普勒调制效应包含了目标微动部件几何结构及微运动等细节信息,其为雷达自动目标识别提供了新的途径。三类飞机目标(直升机、螺旋桨飞机、喷气机)微动部件的结构,如旋翼长度、转速、个数均具有明显差异性,导致其窄带雷达回波中的微多普勒调制特性各不相同,可据此从回波中提取相关特征,实现对三类飞机目标的分类。常用的分类特征包括反映目标微动部件物理结构参数的物理机理特征以及不具有明确物理含义的数据驱动特征。本文针对这两类特征进行研究,分别提出了相应的特征提取方法。内容概括为如下三个方面:1.在窄带雷达远场的实际工作场景下,基于飞机目标参数化微动部件的坐标系,分析推导了飞机微动部件的回波模型;利用电磁仿真软件检验了该模型的有效性;分析了直升机、螺旋桨飞机、喷气机微多普勒调制特性的差异。2.对现有飞机目标旋翼物理参数提取方法的适应场景进行分析,指出其要求的高重频条件在实际中往往难以满足。针对该问题提出一种较低重频条件下的旋翼物理参数特征提取方法。该方法首先通过重频抖动的方式获取非均匀采样回波;再利用时频分析中滑窗内信号的短时稀疏性,借助稀疏重构算法恢复出无模糊条件下的时频谱,最后基于该时频谱提取瞬时多普勒曲线并反演出旋翼的物理参数。仿真实验结果表明该方法在能够在平均重频较低的条件下实现对飞机旋翼物理特征的提取。3.传统数据驱动特征过于依赖人为设计,一方面在不同波段的雷达数据间通用性较差,另一方面对特征提取人员也提出了较高的要求。针对该问题,本文研究了基于深度网络的数据驱动特征提取方法。深度网络具有强大的非线性特征提取能力,在图像,语音等领域已取得优于传统方法所提取特征的效果。文中分别提出了基于卷积神经网络和深度置信网络的特征提取方法,并比对了其与经典数据驱动特征在多种不同实验条件下的性能,结果表明基于深度网络所提取的特征,在短驻留以及低信噪比条件下具有更好的分类能力。
亢朋朋[2](2019)在《基于JEM特征的雷达飞机目标识别》文中提出现代战争中,飞机目标种类繁多,不同类别飞机,其功能和威胁程度不同,雷达在探测到目标后对目标进行进一步的识别,对保障战争胜利具有十分重要意义。飞机在飞行过程中,其旋转部件会对雷达信号产生周期性的调制,这种调制现象被称为喷气引擎调制(Jet Engine Modulation,JEM),利用飞机目标雷达回波调制特性的差异提取相应的JEM特征便可以实现窄带雷达飞机目标识别。论文的主要内容由以下三大部分组成:第一部分介绍了飞机雷达回波调制原理,依据原理建立了飞机目标雷达回波数学模型,然后依据数学模型对飞机雷达回波信号进行了仿真分析,并讨论了相关雷达参数对雷达回波调制特性的影响。第二部分研究了基于JEM特征的飞机目标分类,先是介绍了几种现有的JEM特征提取方法,然后依据飞机雷达回波信号归一化幅度分布差异,从统计分析角度,创造性地提取了飞机雷达回波的峰度偏度特征,并结合小波分析和线性判别分析方法,实现雷达飞机目标的分类,并且仿真分析证明此方法具有较强的抗噪声能力,且对脉冲重复频率及观测时间要求不高,是一种较好的飞机目标分类特征。第三部分是针对飞机目标型号级识别的研究。先是对近年来目标识别领域比较热门的流形学习做了简单介绍;然后根据飞机雷达回波特点,介绍了比较适合JEM 特征提取的邻域保持投影(Neighborhood Preserving Projection,NPP)算法,并分析了该算法存在的没有利用样本类别信息问题;在该算法基础上,引入“差异距离”的概念,并通过“核”进一步将该算法推广到非线性形式,得到增强核邻域保持投影(Enhanced Kernel Neighborhood Preserving Projection,EKNPP)算法;最后通过仿真实验,对EKNPP算法的有效性和识别性能进行了分析,结果表明,EKNPP是一种非常有效的JEM特征提取方法,可以得到很好的识别效果。
陈恒[3](2018)在《基于机器学习算法的雷达信号分选的研究》文中提出雷达信号分选是雷达对抗侦察系统中的关键技术,雷达对抗信息处理技术先进程度的最重要衡量指标之一就是信号分选水平。在设法提高雷达接收机参数测量精度的同时,高效准确的分选方法也是研究的重点。而近些年来,机器学习算法成为各领域研究的热点,而且取得了许多实用有效的成果,同时,它还大大促进了人工智能领域的迅速发展。如何在以传统的雷达信号分选技术为基础的同时,将机器学习算法应用到信号分选当中,成为当前解决复杂电磁环境下雷达信号分选的重要研究方向之一。针对参数交叠严重而常规三参数(脉宽PW、到达角DOA、载频RF)分选方法分选准确率低的问题,本文研究了小波包特征提取法,并提取了具有非常好的类内聚集度和类间分离度特性的雷达信号脉内特征,即小波包特征Wpt6,并对具体的提取步骤作了分析。针对常规参数相似,信号调制方式也相同,只有细微特征不一样的两个辐射源,本文从雷达发射机的角度出发,通过提取雷达信号的双谱特征(也称个体特征),并利用利于机器学习算法识别处理的双谱对角切片进行优化,摒除不必要的冗余信息,最后利用支持向量机(SVM)算法对多组对角切片数据进行分选仿真,仿真结果表明,这种特征可以有效区分这两种差异性很小的辐射源信号。针对传统地利用单一分选算法分选准确率不高的问题,本文提出了将自组织特征映射神经(SOFM,Self-Organizing feature Map)网络与k-means算法结合后的SOFM-kmeans算法对常规三参数进行分选。该方法主要采用先分后合的思想,两个算法之间相互取长补短,可以降低时空域的复杂度,具有更加稳健的分类识别能力。仿真结果表明,SOFM-kmeans算法相比于这两种单一算法,分选准确率得到了提高。针对SOFM网络分选之前需要提前确定分选规模的问题,提出了一种规模自调整的SOFM网络改进算法,并在常规三参数的基础之上,提出加入脉内特征参数Wpt6参与信号分选,并比较相同的算法对不同参数仿真的结果,仿真结果表明,对于常规三参数交叠特别严重,甚至非常相近而导致分选准确率很低的问题,加入的信号脉内特征有效地提高了分选准确率。
杜兰,李林森,李玮璐,王宝帅,史蕙若[4](2015)在《基于时域回波相关性特征的飞机目标分类方法》文中研究说明该文研究了常规窄带雷达体制下利用时域回波调制周期的差异实现直升机、螺旋桨飞机和喷气式飞机3类飞机目标的分类问题。首先分析3类飞机时域回波调制周期的差异;然后针对3类飞机目标时域回波调制周期的不同,基于时域回波相关性提取了2维特征向量;最后基于仿真数据和实测数据,利用支持向量机(Support Vector Machine,SVM)分类器的分类结果证明了在脉冲重复频率较低时,多普勒谱有一定程度混叠的情况下,时域相关性特征仍能表现出相对较好的分类性能。
田茂[5](2013)在《基于监控信号小波包双谱特征融合的钻削质量分类评估》文中研究指明钻削过程处于封闭或半封闭环境,直接采集质量特征数据难度大,很难实现加工过程质量监控。目前针对批量钻孔质量检测,大部分情况下都是采用传统的加工后人工抽检的方法来实现,既存在一定的漏检质量隐患,也无法控制加工过程中出现的质量问题。因此,发展和研究加工过程中的批量钻孔质量一致性检测方法和理论具有重要的实际意义。本文采用传感器监控批量钻削过程,通过分析批量钻孔过程中传感器检测信号的一致性来研究批量钻孔质量的一致性。主要研究工作如下:1、针对钻削加工处于封闭或半封闭环境的特点和不同传感器在灵敏度、安装方式、信号分析方法等方面存在差异的特性,本文采用声发射传感器和三轴加速度传感器采集钻削加工过程监控信号。2、根据钻削加工过程传感器信号不规则性和非平稳性的特点,依据小波包分析方法多尺度分解的性质和双谱分析方法抑制高斯噪音的能力,综合两种分析方法的长处达到双层去噪的目的,提取钻削工步传感器信号的小波包双谱切片特征,建立其与钻孔质量之间的映射关系。3、将提取的特征进行归一化处理,运用ReliefF算法对不同的特征依据它们之间的相似性赋予不同的权值,采用模糊聚类算法进行聚类分析,最后利用F-measure方法评价聚类结果的准确度。分析结果表明:运用本文提出方法能够有效实现钻削工步质量的分类检测,且比单独采用双谱切片法以及传统的模糊聚类方法有更高的检测率。
徐杰[6](2013)在《综合识别系统中飞机微多普勒特性研究及仿真系统实现》文中指出当今科技战争中,敌我识别环境日趋复杂,传统的单一传感器识别存在缺陷,研究利用多传感器信息融合的目标综合识别系统具有重要意义。本文依托具体的科研项目,研究了目标综合识别系统中飞机目标雷达回波的微多谱勒特性,同时完成了综合识别仿真软件系统实现。主要内容如下:1、飞机目标微多谱勒特性分析及特征提取。建立了飞机调制回波参数模型,并讨论了实际飞机及雷达参数对理想模型的影响,仿真证实了模型的正确性,证实周期调制特征具有稳定性且只与飞机桨叶个数、长度、速度有关,与姿态角无关。在建立回波模型的基础上,研究了多种提取周期调制特征方法,其中,复AR双谱法效果较好。同时还研究了飞机旋翼结构特征与多普勒谱的对称性和能量特征,仿真结果证明这两个特征能较好地识别固定翼和旋转翼飞机。另外通过仿真证明桨叶角及姿态角对JEM调制特征没有影响,仅仅改变频谱幅度及对称性。过低的脉冲重复频率和雷达脉冲驻留时间会导致回波频谱混叠。2、讨论了JEM效应在目标综合识别中的应用。通过实测雷达回波提取到目标周期调制特征与运动及结构特征(桨叶个数、长度、转速),结合一维距离像特征可得到目标身份信息,为特征层提供目标身份报告。仿真结果证实,可提高决策层判决准确性。我们利用飞机目标的周期调制特征、多普勒谱的对称性和能量特征,采用最近邻分类器,有效地区分出了飞机的类型(直升机、螺旋桨、喷气式)。3、通过混合编程,将MATLAB下的算法程序和VC的可视化编程风格相结合,完成目标综合识别仿真系统的开发工作。仿真系统采用基于HLA的分布式仿真架构,实现目标的动态仿真、雷达信号级仿真、IFF行为级仿真,并能完成基于信息融合与D-S证据理论的目标系统仿真。最后,给出了在目标综合识别过程中的部分仿真应用结果。
张彦龙,张登福,王世强,陈雕[7](2013)在《一种雷达辐射源双谱二次特征提取方法》文中研究指明针对常规参数进行复杂体制雷达辐射源信号分选时存在的问题,对信号双谱图分别进行频率分区和奇异值分解,二次提取其双谱分布熵和奇异谱熵作为雷达辐射源特征参数。该方法利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,并有机地融合了双谱理论、奇异值分解和信息熵理论的各自优点,反映出信号的本质信息。采用模糊C均值聚类算法对不同信噪比条件下6种典型调制类型的雷达辐射源信号进行聚类分选实验。实验结果表明,该方法取得了较好的分选效果,克服了传统图像特征提取算法特征维数过高和聚集性差的缺点,验证了该方法的有效性。
杨自豪[8](2013)在《基于微多普勒的窄带飞机目标分类方法研究》文中指出近年来,微动特性在雷达目标探测与识别中受到广泛关注。微动是指雷达目标除质心平动以外的振动或转动,由微动产生的多普勒频率为微多普勒频率。不同的微运动会产生不同的微多普勒,微多普勒效应可以反映目标结构部件的几何构成和运动特性,是目标本质的特征。因此,基于目标微动差异可以提取具有良好分类性能的特征,从而实现对目标的分类和识别。本论文主要研究了如何利用窄带信号微多普勒特征实现对喷气式飞机、螺旋桨飞机和直升机目标的分类。主要工作概括如下:论文首先介绍了微多普勒和微动的相关概念,并简要说明了利用微多普勒特征进行飞机目标分类的相关研究背景。第二章介绍了研究工作的理论基础。首先推导了飞机旋翼的参数模型包括线模型和面模型,然后详细分析了旋翼结构、飞行姿态及雷达参数对参数模型的影响。第三章深入研究了基于微动特征的三类飞机的分类算法。因为微动调制特性跟载频密切相关,所以论文分析了不同波段下分类算法对雷达参数的指标要求,并验证了该算法的可行性。第四章针对微多普勒特征的姿态敏感性问题,给出了基于角域划分的分类方法。
廖欢[9](2012)在《飞机目标雷达回波微多普勒特性分析及应用研究》文中研究表明防空雷达飞机目标自动分类与识别技术的研究是雷达目标识别中的研究重点,有助于提高现役防空预警系统的性能。由于受低分辨率性能的限制,利用常规防空雷达回波特征识别飞机目标的能力有限,若能从常规防空雷达回波中精确获取目标特征,并应用于目标识别系统中,必将具有重大意义。由于飞机为具有多散射中心的复杂目标,雷达接收到的目标回波中包含了目标微小振动产生的微多普勒特征,不同目标其微多普勒特征不一样,因此研究飞机目标旋转部件的微动特性及相应的微多普勒特征,有重要的理论及应用价值。本文在分析了飞机目标雷达回波的微多普勒形成机理及特性形态的基础上研究了飞机目标雷达回波参数模型及基于回波的特征提取技术。具体研究内容如下:(1)分析了飞机目标识别技术在国内外的研究现状及发展趋势,简述了目标识别系统基本原理,并详细分析了目标电磁散射特性与其物理特性之间的关系。(2)通过对飞机旋翼调制特性的分析,完善了飞机雷达回波数学模型,并分析了飞机目标相关参数(如发动机个数,扇叶桨叶角、姿态角)对雷达回波信号的影响及雷达相关参数(如雷达脉冲重复频率、回波数)对回波谱分辨力的影响,仿真验证了该模型的正确性。(3)研究了飞机目标调制特征的提取技术,在分析雷达回波频谱特性的基础上,提取了表征目标姿态及旋翼调制信息的能量及对称性特征;研究了基于时域、频域及时频域分析技术的目标微动特征提取方法,获取周期调制特征,并以螺旋桨飞机回波为例,仿真比较了各方法的特征估计性能,结果说明利用复AR双谱算法可获得最佳的估计效果。(4)研究了飞机目标自动分类与识别方法,在分析比较了其他飞机目标粗分类方法之后,提出了一种新的快速分类识别飞机目标的方法,仿真证实了该分类识别方法的有效性。
程荣刚[10](2012)在《基于JEM特征的空中飞机目标分类方法研究》文中指出随着现代科技的飞速进步,现代战争已转型为信息化战争,因此,夺取现代战争主动权的关键便是夺取信息优势。雷达作为获取信息优势的手段之一,更是起着举足轻重的作用。现代雷达的改进和发展为雷达目标识别的产生和发展提供了先决条件。而窄带雷达目标识别的不断提高更为目标识别提供了新的途径。同时,数字技术的快速发展也促使雷达目标识别从理论迈向工程。本文基于窄带雷达回波的喷气发动机调制(Jet Engine Modulation, JEM)特征对空中三类飞机目标的分类方法进行了研究,具体内容概括如下:论文首先介绍了研究背景及意义,并说明了基于回波波形的直接特征提取方法等窄带雷达目标识别的常用方法。论文概述了对空中三类飞机目标的窄带雷达回波数据仿真研究,介绍了JEM的调制特征产生机理和旋翼回波理想参数模型,分析了实际飞机对理想参数模型的影响,并在此基础上,研究了脉冲重复频率和驻留时间等相关参数对JEM调制特征的影响。论文详细说明了三类飞机目标的窄带雷达回波特征提取及分类算法,简要概述了模式识别技术及其在雷达目标识别中的应用,具体介绍了三类飞机运动特征和旋转部件调制周期特征的提取方法,概括总结了三类飞机的SVM(支持向量机)分类,包括机器学习的理论、支持SVM算法的原理和SVM的多类别分类方法三部分内容,从三类飞机实测数据、三类飞机二维特征和三类飞机识别结果三方面的分析入手研究了基于实测数据的空中三类飞机目标的分类。论文还描述了窄带雷达回波仿真和自动目标分类辅助设计软件,包括设计背景及工作意义、Matlab GUI编程介绍、软件功能及系统特点和软件使用介绍四个模块,其中,软件使用部分涵盖了软件安装、软件操作介绍、加载测试数据、生成仿真数据、数据特征管理、目标识别分类、数据备份和数据恢复八项内容。最后,对整篇论文的工作进行了总结,并指出今后有待于进一步研究的问题。
二、复AR双谱及在常规雷达目标分类中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、复AR双谱及在常规雷达目标分类中的应用(论文提纲范文)
(1)基于物理驱动与数据驱动特征的飞机目标分类方法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 雷达自动目标识别背景及意义 |
1.2 微多普勒效应在飞机目标分类中的应用 |
1.2.1 微多普勒的发展历史 |
1.2.2 雷达自动目标识别的分类 |
1.2.3 飞机目标的分类流程 |
1.3 目标分类特征的研究现状 |
1.4 论文研究内容的安排 |
第二章 旋翼回波的建模及微动调制分析 |
2.1 引言 |
2.2 飞机旋翼的雷达回波建模 |
2.2.1 理想旋翼参数模型的建立及分析 |
2.2.2 实际模型中桨叶角及姿态角的影响 |
2.2.3 三类飞机回波的微动特性分析及回波仿真对比 |
2.2.4 雷达实际的工作参数对回波的影响 |
2.3 本章小结 |
第三章 低重频条件下的旋翼参数特征提取 |
3.1 引言 |
3.2 理想条件下的旋翼参数估计 |
3.2.1 理想条件下的旋翼物理参数估计流程 |
3.2.2 基于CLEAN算法的旋翼回波分离 |
3.2.3 基于STFT的时频分析 |
3.2.4 瞬时多普勒曲线提取 |
3.2.5 反演出实际飞机目标旋翼的物理参数 |
3.3 低重频条件下旋翼物理参数估计 |
3.3.1 旋翼信号的短时稀疏性 |
3.3.2 利用OMP恢复无混叠时频谱 |
3.3.3 利用重频抖动解多普勒模糊 |
3.3.4 低重频条件下的旋翼物理参数估计流程 |
3.4低重频条件下旋翼物理参数估计实验 |
3.5 本章小结 |
第四章 基于深度网络的特征提取与分类方法 |
4.1 引言 |
4.2 深度置信网络DBN |
4.2.1 深度置信网络模型 |
4.2.2 受限玻尔兹曼机(RBM) |
4.3 卷积神经网络CNN |
4.3.1 卷积神经网络模型 |
4.3.2 Softmax回归模型 |
4.4 反向传播算法(Back Propagation,BP) |
4.5 分类器设计 |
4.5.1 支持向量机(SVM)分类器 |
4.5.2 随机森林(RF)分类器 |
4.6基于深度网络的数据特征分类实验 |
4.6.1 深度网络特征可分性分析 |
4.6.2深度网络分类实验 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 工作展望 |
参考文献 |
致谢 |
作者简介 |
(2)基于JEM特征的雷达飞机目标识别(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究的背景及意义 |
1.2 基于JEM特征的雷达目标识别的发展现状 |
1.2.1 概述 |
1.2.2 飞机目标分类的JEM特征提取方法 |
1.2.3 飞机目标识别的JEM特征提取方法 |
1.3 论文研究内容及结构安排 |
第二章 飞机目标JEM回波信号建模及仿真研究 |
2.1 概述 |
2.2 水平旋翼的雷达回波参数模型 |
2.2.1 点目标JEM回波参数模型 |
2.2.2 水平旋翼雷达回波推导 |
2.2.3 水平旋翼回波的多普勒域分析 |
2.3 垂直旋翼的雷达回波参数模型 |
2.3.1 垂直旋翼的雷达回波推导 |
2.3.2 垂直旋翼雷达回波模型的改进 |
2.4 飞机JEM回波特性分析 |
2.4.1 典型飞机JEM回波特性仿真分析 |
2.4.2 不同类别飞机JEM回波特性仿真分析 |
2.4.3 不同型号飞机JEM回波特性分析 |
2.5 相关因素对JEM回波的影响 |
2.5.1 桨叶角对参数模型的影响 |
2.5.2 旋翼结构对JEM回波的影响 |
2.5.3 雷达参数对JEM回波的影响 |
第三章 基于JEM特征的飞机目标分类 |
3.1 基于JEM特征的飞机目标分类概述 |
3.2 几种现有的JEM特征提取方法 |
3.2.1 JEM周期特征 |
3.2.2 JEM波形特征 |
3.2.3 特征谱散度特征 |
3.3 基于峰度偏度和WD-LDA的JEM特征提取方法 |
3.3.1 峰度偏度 |
3.3.2 小波分解 |
3.3.3 线性判别分析 |
3.3.4 特征提取方法 |
3.4 飞机目标分类实验 |
3.4.1 基于峰度偏度和WD-LDA的飞机目标分类 |
3.4.2 算法性能比较 |
3.5 本章小结 |
第四章 基于增强核邻域保持投影算法的飞机目标识别 |
4.1 流形学习概述 |
4.2 NPP算法 |
4.3 ENPP算法 |
4.3.1 差异距离 |
4.3.2 ENPP算法步骤 |
4.4 EKNPP算法 |
4.4.1 EKNPP算法推导 |
4.4.2 EKNPP算法步骤 |
4.5 基于EKNPP的飞机目标识别方法 |
4.6 飞机目标识别实验 |
4.6.1 EKNPP算法的有效性 |
4.6.2 EKNPP算法的飞机目标识别性能 |
4.7 本章小结 |
第五章 结束语 |
5.1 全文总结 |
5.2 本文创新点 |
5.3 不足与下一步计划 |
参考文献 |
致谢 |
在学期间发表的学术论文及取得的研究成果 |
(3)基于机器学习算法的雷达信号分选的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状分析 |
1.2.1 模板匹配法 |
1.2.2 PRI分选法 |
1.2.3 多参数关联比较法及多参数分选 |
1.2.4 基于脉内特征的信号分选算法 |
1.2.5 聚类分选算法 |
1.2.6 神经网络算法 |
1.3 本文的主要研究内容 |
第2章 机器学习十大算法简要概述 |
2.1 引言 |
2.2 监督学习 |
2.2.1 决策树 |
2.2.2 朴素贝叶斯 |
2.2.3 支持向量机(SVM) |
2.2.4 K-nn算法 |
2.2.5 神经网络 |
2.2.6 集成学习 |
2.2.7 关联规则学习 |
2.3 无监督学习 |
2.3.1 k-means算法 |
2.3.2 聚类 |
2.3.3 主成分分析法 |
2.4 雷达信号仿真环境设计 |
2.5 本章小结 |
第3章 雷达信号脉内特征和个体特征的提取 |
3.1 引言 |
3.2 脉内特征参数提取 |
3.2.1 相像系数 |
3.2.2 熵值 |
3.2.3 复杂度 |
3.2.4 小波包特征 |
3.3 小波包特征提取分析 |
3.4 个体特征提取 |
3.5 双谱估计法 |
3.6 仿真与分析 |
3.7 本章小结 |
第4章 基于多参数的雷达信号分选 |
4.1 引言 |
4.2 组合算法分选 |
4.2.1 自组织特征映射神经网络 |
4.2.2 神经元的侧向交互原理 |
4.2.3 二维SOFM网络模型 |
4.2.4 SOFM网络算法 |
4.2.5 k-means算法 |
4.2.6 SOFM-kmeans算法 |
4.3 SOFM网络改进算法 |
4.4 仿真实验 |
4.4.1 仿真条件 |
4.4.2 仿真实验一 |
4.4.3 仿真实验二 |
4.4.4 仿真实验三 |
4.4.5 仿真实验四 |
4.4.6 仿真实验五 |
4.4.7 仿真结果分析 |
4.5 本章小结 |
总结与展望 |
本文工作及成果 |
需要进一步研究的问题 |
参考文献 |
攻读硕士期间发表论文 |
致谢 |
(4)基于时域回波相关性特征的飞机目标分类方法(论文提纲范文)
1 引言 |
2 飞机旋翼时域回波周期分析 |
3 基于时域回波相关性的时域特征提取 |
4 实验结果 |
5 结论 |
(5)基于监控信号小波包双谱特征融合的钻削质量分类评估(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 钻削工步质量检测研究背景 |
1.2 钻削工步质量检测研究现状 |
1.3 高阶谱的发展及研究现状 |
1.3.1 高阶谱的发展 |
1.3.2 国内高阶谱研究现状 |
1.3.3 小波双谱切片的相关研究 |
1.4 数据融合的发展及研究现状 |
1.5 论文研究内容及课题来源 |
第2章 钻削监控信号双谱特征提取及质量映射分析 |
2.1 钻削监控信号描述 |
2.2 钻削监控信号的高阶累积量及其谱 |
2.2.1 钻削监控信号高阶累积量的计算 |
2.2.2 钻削监控信号高斯分量的高阶累计量 |
2.2.3 钻削监控信号高阶累积量谱的计算 |
2.3 钻削监控信号的双谱估计 |
2.4 钻削监控信号的双谱对角切片提取及质量映射分析 |
2.5 小结 |
第3章 钻削监控信号小波包双谱特征提取及质量分类研究 |
3.1 钻削监控信号小波变换描述 |
3.2 钻削监控信号小波包变换描述 |
3.2.1 钻削监控信号的小波包函数 |
3.2.2 钻削监控信号的小波包分解和重构算法 |
3.3 钻削信号的小波包双谱对角切片提取及质量分类研究 |
3.4 小结 |
第4章 钻削质量检测数据融合及分类结果评价 |
4.1 数据融合的基本原理 |
4.1.1 数据融合的定义 |
4.1.2 数据融合的结构形式 |
4.2 基于模糊聚类分析的多传感器数据融合 |
4.3 钻削监控信号融合及分类结果评价 |
4.4 小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
参考文献 |
致谢 |
个人简历、在校期间发表的学术论文与研究成果 |
(6)综合识别系统中飞机微多普勒特性研究及仿真系统实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 飞机目标识别研究现状 |
1.3 调制特征的研究与应用 |
1.4 目标综合识别新方法 |
1.5 论文主要内容 |
第二章 目标识别理论及HLA建模 |
2.1 引言 |
2.2 雷达目标识别基础理论 |
2.2.1 识别系统原理 |
2.2.2 旋转部件调制产生机理 |
2.2.3 回波信号特征提取 |
2.2.4 目标识别主要方法 |
2.3 HLA基本原理 |
2.3.1 HLA主要概念 |
2.3.2 HLA基本思想 |
2.3.3 运行支撑环境 |
2.3.4 HLA对象模型模板 |
2.4 HLA开发流程 |
2.4.1 HLA设计步骤 |
2.4.2 联邦的执行过程 |
2.5 小结 |
第三章 飞机目标微多普勒特性分析与特征提取 |
3.1 引言 |
3.2 JEM调制机理与特性建模 |
3.2.1 理想参数模型推导 |
3.2.2 仿真分析 |
3.3 目标回波特征提取 |
3.3.1 频谱特征提取 |
3.3.2 JEM周期调制特征提取 |
3.3.3 旋翼结构及运动特征提取 |
3.3.4 仿真分析 |
3.4 相关参数对理想模型影响 |
3.4.1 实际旋翼飞机对参数模型影响 |
3.4.2 雷达脉冲重复频率需求分析 |
3.4.3 雷达脉冲驻留时间需求分析 |
3.4.4 仿真分析 |
3.5 小结 |
第四章 JEM效应在目标综合识别中的应用 |
4.1 引言 |
4.2 信息融合层次 |
4.3 JEM在特征层应用 |
4.3.1 JEM与一维距离像协同得到目标身份报告 |
4.3.2 仿真分析 |
4.4 JEM飞机目标分类识别 |
4.4.1 JEM在决策层提供类型信息 |
4.4.2 多普勒谱特征的飞机目标分类分析 |
4.4.3 基于特征矢量的综合目标分类与识别 |
4.4.4 仿真分析 |
4.5 小结 |
第五章 目标综合识别仿真系统实现 |
5.1 引言 |
5.2 VC++与MATLAB混合编程 |
5.3 仿真软件功能介绍 |
5.4 仿真系统组成结构 |
5.5 仿真系统各联邦成员设计 |
5.5.1 主控平台联邦成员 |
5.5.2 目标解算平台联邦成员 |
5.5.3 地基(机载)综合识别平台联邦成员 |
5.6 仿真软件系统工作流程 |
5.7 目标综合识别过程 |
5.7.1 场景想定 |
5.7.2 仿真系统验证 |
5.8 小结 |
第六章 结束语 |
6.1 工作总结 |
6.2 工作展望 |
致谢 |
参考文献 |
(8)基于微多普勒的窄带飞机目标分类方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 论文主要内容及工作安排 |
第二章 基于微多普勒的窄带雷达飞机目标理论 |
2.1 理想旋翼参数模型及其仿真 |
2.1.1 旋翼线模型及其仿真 |
2.1.2 旋翼面模型及其仿真 |
2.2 实际飞机对参数模型的影响 |
2.2.1 飞机结构参数对参数模型的影响 |
2.2.2 飞机飞行姿态对参数模型的影响 |
2.3 雷达相关参数对微动调制特征的影响 |
2.3.1 驻留时间的影响 |
2.3.2 脉冲重复频率的影响 |
2.3.3 其他因素的影响 |
2.4 小结 |
第三章 基于微多普勒的窄带飞机目标分类 |
3.1 基于微动特征的分类算法 |
3.1.1 速度判决 |
3.1.2 杂波抑制 |
3.1.3 特征提取 |
3.1.4 目标分类 |
3.2 C 波段窄带飞机目标分类参数分析 |
3.2.1 C 波段相关参数 |
3.2.2 脉冲重复频率和识别率的关系 |
3.2.3 驻留时间和识别率的关系 |
3.2.4 信噪比和识别率的关系 |
3.2.5 总结 |
3.3 米波波段窄带飞机目标分类参数分析 |
3.3.1 米波波段相关参数 |
3.3.2 脉冲重复频率和识别率的关系 |
3.3.3 驻留时间和识别率的关系 |
3.3.4 信噪比和识别率的关系 |
3.3.5 总结 |
3.4 毫米波波段窄带飞机目标分类参数分析 |
3.4.1 毫米波波段相关参数 |
3.4.2 脉冲重复频率和识别率的关系 |
3.4.3 驻留时间和识别率的关系 |
3.4.4 信噪比和识别率的关系 |
3.4.5 总结 |
3.5 小结 |
第四章 基于角域划分的窄带飞机目标分类 |
4.1 角域划分算法 |
4.2 C 波段角域划分仿真 |
4.3 小结 |
第五章 总结展望 |
5.1 本文总结 |
5.2 工作展望 |
致谢 |
附录 |
参考文献 |
作者在读期间研究成果 |
(9)飞机目标雷达回波微多普勒特性分析及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外飞机目标识别研究现状 |
1.3 调制特征的飞机识别研究现状 |
1.4 本文结构及研究内容 |
第二章 目标电磁特性与识别理论基础 |
2.1 引言 |
2.2 目标识别系统基本原理 |
2.2.1 目标识别系统基本组成 |
2.2.2 雷达目标识别系统的复杂性 |
2.2.3 雷达目标识别的物理机理 |
2.2.4 目标识别性能评估指标 |
2.2.5 目标识别的分类方法 |
2.3 目标雷达特性与物理特征的关系 |
2.3.1 目标雷达特性概述 |
2.3.2 回波RCS特性与目标散射区域关系 |
2.3.3 回波起伏特性与目标运动状态的关系 |
2.3.4 回波特性与雷达系统稳定性的关系 |
2.4 微多普勒信号处理方法简述 |
2.4.1 特征提取中的信号处理技术 |
2.4.2 基于目标回波的特征提取方法 |
2.5 本章小结 |
第三章 飞机目标回波特性分析与建模 |
3.1 引言 |
3.2 飞机目标旋翼调制机理分析 |
3.2.1 旋转部件散射机理分析及模型 |
3.2.2 旋转部件的理论参数模型推导 |
3.2.3 旋转翼理论参数模型仿真分析 |
3.3 飞机回波调制特性的建模与仿真 |
3.3.1 旋翼结构对理想模型的影响 |
3.3.2 防空雷达对理想模型的影响 |
3.3.3 旋翼及雷达参数对调制模型的影响仿真分析 |
3.4 三类飞机回波调制模型的比较与分析 |
3.4.1 三类飞机旋转部件的物理特征分析 |
3.4.2 三类飞机模型比较与仿真分析 |
3.5 本章小结 |
第四章 飞机目标调制特征分析与提取 |
4.1 引言 |
4.2 防空雷达回波信号性质与特点 |
4.3 基于微多普勒谱的特征分析与提取 |
4.3.1 频谱特征提取 |
4.3.2 三类飞机频谱特征比较与分析 |
4.4 JEM周期调制特征分析与提取 |
4.4.1 时域特征分析与提取 |
4.4.2 频域特征分析与提取 |
4.4.3 时频域特征分析与提取 |
4.5 AR模型双谱法周期调制特征提取 |
4.5.1 AR阶次的确定 |
4.5.2 AR系数的估计 |
4.5.3 AR模型双谱算法 |
4.6 特征估计性能比较分析 |
4.7 相关参数对JEM调制特征的影响 |
4.7.1 脉冲重复频率对特征提取结果的影响分析 |
4.7.2 驻留时间对调制信息的影响分析 |
4.7.3 其他因素的影响 |
4.8 本章小结 |
第五章 飞机目标分类识别方法研究 |
5.1 引言 |
5.2 目标识别方法及系统设计 |
5.3 基于微多普勒谱特征的飞机目标分类分析 |
5.4 基于脉间谱特征的飞机目标分类分析 |
5.5 基于特征矢量的综合目标分类与识别 |
5.5.1 最近邻的分类识别方法 |
5.5.2 仿真分析 |
5.6 调制特征量分类的有效性及局限性分析 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻硕期间取得的研究成果 |
(10)基于JEM特征的空中飞机目标分类方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 窄带雷达目标识别的研究进展 |
1.3 论文主要工作及内容安排 |
第二章 三类飞机目标的窄带雷达回波数据仿真研究 |
2.1 概述 |
2.2 发动机调制特征产生机理和理想参数模型 |
2.3 实际飞机对理想参数模型的影响 |
2.4 典型飞机参数的分析 |
2.5 相关参数对 JEM 调制特征的影响 |
2.5.1 脉冲重复频率的影响 |
2.5.2 驻留时间的影响 |
2.5.4 其他影响 |
2.6 小结 |
第三章 三类飞机目标的窄带雷达回波特征提取及分类算法 |
3.1 概述 |
3.2 模式识别技术简介及其在雷达目标识别中的应用 |
3.3 窄带雷达目标分类特征提取常用方法 |
3.3.1 三类飞机的运动特征提取 |
3.3.2 三类飞机目标旋转部件调制周期的特征提取 |
3.4 基于实测数据的空中三类飞机目标的分类 |
3.4.1 三类飞机实测数据分析 |
3.4.2 三类飞机目标二维特征分析 |
3.4.3 三类飞机识别结果分析 |
3.5 小结 |
第四章 窄带雷达回波仿真和自动目标分类辅助设计软件 |
4.1 设计背景及工作意义 |
4.2 Matlab GUI 编程介绍 |
4.3 软件功能及系统特点 |
4.4 软件使用介绍 |
4.4.1 软件安装 |
4.4.2 软件操作介绍 |
4.4.3 加载测试数据 |
4.4.4 生成仿真数据 |
4.4.5 数据特征管理 |
4.4.6 目标识别分类 |
4.4.7 数据备份 |
4.4.8 数据恢复 |
4.5 本章小结 |
第五章 结束语 |
5.1 本文工作总结 |
5.2 相关问题陈述及展望 |
致谢 |
参考文献 |
研究成果 |
四、复AR双谱及在常规雷达目标分类中的应用(论文参考文献)
- [1]基于物理驱动与数据驱动特征的飞机目标分类方法研究[D]. 邓衍顺. 西安电子科技大学, 2019(02)
- [2]基于JEM特征的雷达飞机目标识别[D]. 亢朋朋. 中国电子科技集团公司电子科学研究院, 2019(02)
- [3]基于机器学习算法的雷达信号分选的研究[D]. 陈恒. 江苏科技大学, 2018(02)
- [4]基于时域回波相关性特征的飞机目标分类方法[J]. 杜兰,李林森,李玮璐,王宝帅,史蕙若. 雷达学报, 2015(06)
- [5]基于监控信号小波包双谱特征融合的钻削质量分类评估[D]. 田茂. 湘潭大学, 2013(03)
- [6]综合识别系统中飞机微多普勒特性研究及仿真系统实现[D]. 徐杰. 电子科技大学, 2013(01)
- [7]一种雷达辐射源双谱二次特征提取方法[J]. 张彦龙,张登福,王世强,陈雕. 现代雷达, 2013(03)
- [8]基于微多普勒的窄带飞机目标分类方法研究[D]. 杨自豪. 西安电子科技大学, 2013(S2)
- [9]飞机目标雷达回波微多普勒特性分析及应用研究[D]. 廖欢. 电子科技大学, 2012(07)
- [10]基于JEM特征的空中飞机目标分类方法研究[D]. 程荣刚. 西安电子科技大学, 2012(04)