导读:本文包含了低截获概率雷达论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:概率,信号,卷积,向量,特征,步进,直方图。
低截获概率雷达论文文献综述
呙鹏程,吴礼洋[1]（2019）在《融合卷积特征与判别字典学习的低截获概率雷达信号识别》一文中研究指出针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明:通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献[4]、文献[24]、文献[25]、文献[26]中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。(本文来源于《兵工学报》期刊2019年09期）
陈骄阳[2]（2019）在《一种低截获概率雷达信号分选方法研究》一文中研究指出在现代化的电子对抗环境中,人们需要面对复杂多变的信号环境,雷达信号分选处理算法是雷达侦察干扰的核心技术。通过分析脉冲分选的工作原理,提出了一种改进的目标参数综合算法,仿真了16批雷达信号,仿真结果表明该方法具有较好的分选效果。(本文来源于《科技与创新》期刊2019年11期）
张穆清,王华力,倪雪[3]（2019）在《基于深度学习与支持向量机的低截获概率雷达信号识别》一文中研究指出提出了一种基于栈式自编码器与支持向量机的低截获概率(LPI)雷达信号识别方法。首先,通过Choi-Williams图像预处理方法对时频图像进行处理,得到便于自编码器处理的图像;再次,使用栈式自编码器从预处理后的时频图像中自动地提取出信号特征;最后,基于提取的信号特征使用支持向量机(SVM)对信号进行分类。本方法使用任意波形发生器(AWG)模拟产生了8类LPI雷达信号,采用栈式自编码器与支持向量机相结合的方法识别信号。仿真实验结果表明,该方法能够在低信噪比和小样本情形下有效识别LPI雷达信号。(本文来源于《科技导报》期刊2019年04期）
张亮,陈彦来[4]（2019）在《一种高距离分辨率低截获概率的雷达信号分析》一文中研究指出提出了一种在均匀脉冲串的基础上,脉内采用二相编码进行调相、脉间采用步进频率进行调频的复合调制信号。通过MATLAB仿真分析,说明这种信号兼有相位编码信号、步进频率信号的优点,又弥补了这2种信号各自的缺点,是一种具有高距离分辨率、低截获概率特性的雷达信号。(本文来源于《舰船电子对抗》期刊2019年01期）
王亚涛,张保群,曾小东[5]（2019）在《基于功率控制的雷达低截获概率探测技术》一文中研究指出针对雷达信号被截获问题,为了实现先敌发现的目的,通过搜索和跟踪状态的功率控制,实现了雷达的低截获概率(LPI)探测技术。论述了雷达LPI探测的原理,推导了临界功率和LPI探测距离的表达式,给出了功率控制步进和目标RCS抖动对LPI探测距离的影响机理。仿真结果表明,在功率控制步进大于6 dB、RCS抖动超过1 dB时,在LPI探测距离内截获状态和探测状态会发生较大起伏,与实际试验的结果相符。(本文来源于《无线电工程》期刊2019年03期）
郭立民,寇韵涵,陈涛,张明[6]（2018）在《基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别》一文中研究指出针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为-6 dB时,该系统对8种LPI雷达信号(LFM,BPSK,Costas,Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。(本文来源于《电子与信息学报》期刊2018年04期）
张明[7]（2018）在《低截获概率雷达波形识别方法研究》一文中研究指出低截获概率(Low Probability of Intercept,LPI)雷达波形识别是电子侦察领域的重要分支,是获得非合作方雷达信息的重要手段。在战场上及时对非合作方LPI雷达波形进行识别,提取LPI雷达的关键信息,有助于我方提出合适的对抗决策,对提高目标的跟踪和打击的成功率起关键作用,具有重要的理论意义和实际应用价值。本文针对LPI雷达的多信号分离,以及分离后波形的识别方法进行研究。波形识别方法从波形特征以及波形结构两个方面,分别采用特征提取和深度学习算法对LPI雷达波形进行识别,提高了在较低信噪比(Signal-to-noise ratio,SNR)条件下的波形识别成功率(Ratio of Successful Recognition,RSR)。论文主要做了以下几方面的工作:首先,在混迭信号的分离过程中,针对于单天线情况,提出了基于椭球基序列(Discrete Prolate Spheroidal Sequence,DPSS)和霍夫变换(Hough Transform,HT)的联合分离方法。该方法采用DPSS作为短时傅里叶变换(Short Time Fourier Transform,STFT)的窗函数,有效降低多线性调频信号(Multiple Linear Frequency Modulation,MLFM)在STFT之后的噪声干扰,使得MLFM信号能在时频图像中更容易的被霍夫变换所区分,提升了在低信噪比下对MLFM信号的分离效果。仿真实验表明,联合方法能在SNR<-20dB的条件下对MLFM信号的有效分离。针对于多天线情况,提出了基于单源点检测(Single Source Points Detection,SSPD)和子空间投影(Subspace Projection,SP)的联合分离方法。该方法不再局限于信号类型,单源点检测算法依靠不同种类的波形在时频域的稀疏性,完成对信号的混合矩阵进行估计。子空间投影算法则依据估计的混合矩阵,对混合信号进行重构。仿真实验表明,联合方法在不同种类的波形混合条件下,对混合矩阵估计以及波形重构都具有良好的性能。其次,在针对频率调制类、二进制相移键控信号(Binary Phase Shift Keying,BPSK)和多相码类的识别研究中,提出了基于波形特征的识别方法。该方法采用特征提取以及基于主从结构的Elman神经网络分类器对LPI雷达波形进行识别。Elman神经网络是一种带有层间反馈的神经网络,比传统神经网络有更好的稳定性。分类器采用主从结构,完整的分类器由两个子分类网络构成,每个子分类网络负责分类不同的波形,降低了每个子分类网络的训练时间与训练复杂度,提升了分类器的可靠性与抗干扰性。同时采用了新的特征,优化了提取流程。与传统方法相比,不需要过多的先验信息,并且所提取的特征有着更为优秀的稳定性。仿真实验表明,该方法能对包括线性调频信号(Linear Frequency Modulation,LFM)、BPSK、Costas信号、Frank码以及P1-P4码在内的8种波形进行识别,在信噪比为0dB的条件下,总的识别成功率达到97%。最后,在针对频率调制类、BPSK和多时码类的识别研究中,提出了基于信号结构的识别方法。该方法采用了一种新的分类器——CNN-EntropyRBM分类器。此分类器不再需要人工提取特征,特征提取过程可以在分类器的训练过程中自动完成。训练过程中,采用了基于信息熵理论的神经元优化算法,按照传输信息最大原则确定分类器隐藏连接层的神经元数目,提高了分类器的准确性。仿真实验表明,该分类器能对包括LFM、BPSK、Costas以及T1-T4码在内的7种波形进行识别,在信噪比为0dB的条件下,总识别成功率在96%以上。针对频率调制类、多相码类和多时码类共同存在的识别研究中,给出了基于波形特征与结构的联合识别方法。该方法结合了特征识别与结构识别的优点,可以满足包括LFM、BPSK、Costas、Frank码、P1-P4码以及T1-T4码的联合识别要求,仿真实验表明,在信噪比为0dB的条件下,联合识别方法对上述12种波形的总识别成功率超过93%。综上所述,本文为LPI雷达波形识别提供了新的方法,提高了在低信噪比条件下的识别成功率,增加了可识别的LPI雷达波形的种类,具有较强的实用价值。(本文来源于《哈尔滨工程大学》期刊2018-03-31）
呙鹏程,王星,田元荣[8]（2018）在《基于CEEMDAN-ASVM的低截获概率雷达信号识别》一文中研究指出在基于自适应噪声完备集合经验模态分解方法(CEEMDAN)提取信号特征的基础上,结合加法核支持向量机(ASVM)实现对低截获概率雷达信号的识别。首先根据CEEMDAN分解得到本征模态函数(IMF);然后依据信号的IMF分量特点,提取频率方差、幅度样本能量熵、灰色相似度叁种特征;最后利用ASVM对低截获概率雷达信号进行识别,提高识别速度。理论分析和仿真实验结果表明,该模态分解法对信号特征的识别有较强的鲁棒性;在信噪比大于5 d B时,算法对四种雷达信号的识别率能达到80%以上;在识别准确率上,与选用的四种分类算法比较大致相同,但有最快的识别时间。(本文来源于《现代雷达》期刊2018年03期）
赵丹,伍建辉,张都川[9]（2017）在《制导火箭弹中末交接班雷达导引头截获概率分析》一文中研究指出截获概率是雷达导引头制导武器的关键指标,精确命中目标的前提是导引头能够截获目标,提升截获概率对于这类武器的毁伤概率十分重要。本文以毫米波雷达末制导火箭弹为研究对象,通过对火箭弹质心运动方程的推导得到理想状态下的弹道方程,并建立控制指令数学模型。基于弹道数学模型在中末交接班段提出一种优化方案,使导引头对目标截获概率提升,并通过蒙特卡洛法进行模拟打靶和仿真计算,将优化前后的截获概率进行对比,结果表明该优化方案可以有效的提高导引头截获概率,对提升火箭弹命中精度提供帮助。(本文来源于《火控雷达技术》期刊2017年04期）
王星,呙鹏程,田元荣,王玉冰[10]（2018）在《基于BDS-GD的低截获概率雷达信号识别》一文中研究指出针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片(BDS)与广义维数(GD)相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率(LPI)雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。(本文来源于《北京航空航天大学学报》期刊2018年03期）
低截获概率雷达论文开题报告
（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：
在现代化的电子对抗环境中,人们需要面对复杂多变的信号环境,雷达信号分选处理算法是雷达侦察干扰的核心技术。通过分析脉冲分选的工作原理,提出了一种改进的目标参数综合算法,仿真了16批雷达信号,仿真结果表明该方法具有较好的分选效果。
（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。
低截获概率雷达论文参考文献
[1].呙鹏程,吴礼洋.融合卷积特征与判别字典学习的低截获概率雷达信号识别[J].兵工学报.2019
[2].陈骄阳.一种低截获概率雷达信号分选方法研究[J].科技与创新.2019
[3].张穆清,王华力,倪雪.基于深度学习与支持向量机的低截获概率雷达信号识别[J].科技导报.2019
[4].张亮,陈彦来.一种高距离分辨率低截获概率的雷达信号分析[J].舰船电子对抗.2019
[5].王亚涛,张保群,曾小东.基于功率控制的雷达低截获概率探测技术[J].无线电工程.2019
[6].郭立民,寇韵涵,陈涛,张明.基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J].电子与信息学报.2018
[7].张明.低截获概率雷达波形识别方法研究[D].哈尔滨工程大学.2018
[8].呙鹏程,王星,田元荣.基于CEEMDAN-ASVM的低截获概率雷达信号识别[J].现代雷达.2018
[9].赵丹,伍建辉,张都川.制导火箭弹中末交接班雷达导引头截获概率分析[J].火控雷达技术.2017
[10].王星,呙鹏程,田元荣,王玉冰.基于BDS-GD的低截获概率雷达信号识别[J].北京航空航天大学学报.2018
论文知识图
