导读:本文包含了辐射源分类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:辐射源,深度,个体,特征,向量,无线通信,编码器。
辐射源分类论文文献综述
王锐锋[1]（2019）在《空间多辐射源的信号侦察与分类及实现研究》一文中研究指出现代电子战过程中,采用干扰信号对征收设备进行误导已经成为主流的反战手段,因此信号侦察凸显地尤为重要。能够对空间多个干扰信号源提取其特征并准确识别其方位和特性等对精确获取情报,准确打击敌方目标起到了决定性作用。本文重点研究了对空间存在的多个干扰辐射源(连续波干扰、扫频干扰、脉冲干扰、窄带高斯白噪声干扰和宽带高斯白噪声干扰)进行定位识别,并且能够提取他们时、频、空、能等方面的特征,最后基于NI的LabVIEW上开发软件及CompactPCI硬件平台完成了整个系统的功能实现及展示。本系统整体分为叁大类,信号征收、信号处理、参数展示。信号征收部分采用NI的USRP 2955接收天线,内部嵌入了Kintex7 FPGA芯片,以及14位转换精度的ADC芯片,最后通过CORDIC算法完成信号由实信号到复信号转换以及混频;信号处理部分采用NI的CopmactPCI硬件平台,先采用PCIe总线将复的数字信号传输到Kintex7 FPGA上,然后采用基于多相滤波器的信道化算法对传输的信号进行频域的信道分离,使得处理信道变窄,再对每个信道进行信道检测,最后提取各信道的特征参数为基于决策树支持向量机(Decision Tree Support Machine,DTSVM)的干扰识别方式提供依据;参数展示方面,采用NI的设备主机,通过80M带宽的传输背板,将处理好的信号参数传输至上位机,并采用LabVIEW的图形编程功能,完成3D上位机界面的制作,以达到对信号参数的展示效果。(本文来源于《电子科技大学》期刊2019-04-01）
金秋,王宏艳,马方方[2]（2019）在《雷达辐射源分类识别方法综述》一文中研究指出阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。(本文来源于《电讯技术》期刊2019年03期）
齐悦[3]（2018）在《雷达辐射源信号时频特征分析及分类》一文中研究指出1.信号识别及分类技术是当前信号处理领域的核心问题之一,该技术旨在对未知信号源进行准确的分辨,为提高信号的分类及识别性能提供理论和技术支撑。本文以时频分析理论为基础,以民航气象雷达信号为对象,结合工程应用,分析信号的个体特征,从而唯一地识别信号源,为民航机场管理和民用飞机探测等关键问题提供指导支持和预测分析。本文主要工作及研究成果包括:2.研究了雷达信号无意调制产生机理,从而分析气象雷达信号个体特征的产生根源。根据雷达发射机内部结构特点,总结归纳相位噪声对雷达发射源个体特征的影响。并针对单频信号、线性调频信号、相位调制信号等叁种雷达信号模型,进行仿真建模并加入相位噪声,从而实现每种信号的无意调制仿真。3.提出了一种基于压缩感知的模糊函数掩模个体特征。本文利用压缩感知思想,提取模糊域内主要能量作为特征,从而以更少的数据量,选取雷达辐射源信号模糊函数图中最丰富的时频特征。与模糊函数代表性切片特征相比,该特征包含更多的信号时变细节,具有更高的信息表达能力。实验结果表明,模糊函数掩模特征能够获得更精确、更稳定的雷达信号分类结果,是有效的雷达辐射源细微特征。同时,该特征还能够进行时频重构及瞬时频率估计。此外,通过压缩感知范数优化获得的模糊函数掩模特征,有效避免了特征冗余。4.提出了模糊函数掩模的两种快速优化方法。其一,根据信号本身特点确定模糊函数掩模特征。其二,根据信号能量占比确定模糊函数掩模特征。从仿真实验结果分析,两种算法都拥有较高的识别率,虽然识别精度略微低于基于压缩感知的模糊函数掩模特征提取方法,但在运行时间上具有较大优势。从工程角度而言,两种方法可有效提高运算效率并节约存储空间。5.建立了雷达信号数据库。该数据库包括实测民航气象雷达发射源数据以及半物理仿真数据,为研究方法的实验验证提供了较好的条件。在此基础上,设计了基于matlab-GUI的雷达回波数据显示软件,方便对数据库数据的观察分析。(本文来源于《西安电子科技大学》期刊2018-06-01）
赵敏[4]（2017）在《深度学习下的雷达辐射源信号分类识别》一文中研究指出雷达辐射源信号的识别是电子对抗中的一个关键的环节,随着近半个世纪的发展,辐射源信号识别技术取得了非常大的进展。然而,由于电磁环境的日益复杂,辐射源信号识别的被动对抗等特殊因素,传统的基于常规参数的信号分析方法已经远远无法满足识别的要求,现有的脉内特征分析法一般采用人工方式来提取特征进行识别,而且计算量也比较大,难以满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要。所以本文研究了一种基于深度学习的分类识别方法。该算法能够自主从数据中学习特征,通过组合低层特征形成更加抽象的高层表示属性类别或特征,在图像的智能化分类识别上取得了不错的效果。本文研究了近几年较流行的深度学习神经网络的方法解决雷达辐射源信号的分类问题。通过对几种经典的雷达信号做时频变换,将获得的时频分布图做了滤波灰度化等处理后,输入到深度网络中学习,进而实现了基于深度学习的雷达辐射源信号的识别算法。本文的主要工作如下:1.论文对六种常见的信号,常规脉冲信号、线性调频信号、相位编码(二相编码信号、四相编码信号)信号以及频率编码(双频频率编码信号、四频频率编码信号)等有意调制的信号进行仿真实现,并对信号做了Margenau-Hill分布和Wigner-Ville分布,对得到的时频分布图做了进一步的处理,获得深度网络训练和测试的数据。2.用自动编码器网络对信号进行分类识别,对网络的学习率、块大小、训练次数等参数进行了分析,获得了在该网络结构下信号最好的识别率。同时对比了不同样本大小的信号的分类结果,验证了自动编码器的性能与样本数量的关系。3.建立了适用于雷达辐射源信号识别的深度置信网络,与之前工作类似,对网络参数进行了分析,对比了不同参数条件下信号的分类效果,证明了深度置信网络的性能与样本数量的关系。4.引入了卷积神经网络,实现了基于卷积网络的雷达信号分类识别。卷积神经网络使用了局部连接、权值共享和池化的策略,极大地减少了训练的参数。通过实验验证了卷积神经网络的性能与样本数量的关系。同时上述叁种网络都有较好的抗噪声性能。(本文来源于《西安电子科技大学》期刊2017-06-01）
刘亚冲,唐智灵[5]（2018）在《基于Softmax回归的通信辐射源特征分类识别方法》一文中研究指出当前通信辐射源的特征识别方法不仅需要较高的样本数,而且存在识别效率低、识别率下降的问题。为此,提出一种应用Softmax回归对通信信号循环谱进行多分类识别的方法。以通信信号的循环谱密度特征为样本集,通过主成分分析降维算法筛选特征样本,使用Softmax回归多分类识别器对特征样本进行分类。实验结果表明,与传统神经网络方法相比,该方法可以实现对通信辐射源个体的有效识别,并且识别时间较短。(本文来源于《计算机工程》期刊2018年02期）
金相君[6]（2015）在《低频辐射源杂散特征提取及分类方法研究》一文中研究指出辐射源的个体识别作为电子对抗的一种重要技术,近些年受到广泛的关注。个体识别技术主要分为特征提取和分类识别。同类型低频辐射源由于硬件差异使得发射信号差异很小且信号特征更多地表现出非线性和非平稳性。随着电子设施逐渐增多,现代电子环境趋于复杂化。个体识别技术的关键问题变成了如何从信号中得到有效的杂散特征,而且能够对其进行来源分类。本文主要研究内容如下:低频辐射源行为建模研究,相同型号、相同模式下不同辐射源的杂散特征提取,用分类器对提取的特征进行有效分类。针对低频辐射源行为建模,本文主要研究了功率放大电路的行为建模,将深度学习理论引入非线性系统建模中,分别与反向传播神经网络(BP)、Elman神经网络相结合,提出了BP-RBMs模型和深度重构模型(DRM),对比了Volterra-Laguerre模型、Kautz-Volterra模型和Elman神经网络模型用于功率放大电路行为建模的性能。针对辐射源特征提取,本文研究了高阶累积量及双谱的算法,提取了双谱对角切片。提出了基于深度学习理论的特征提取方法。通过分形理论,研究了盒维数的具体算法。并设计了一种基于双谱对角切片及其分形维数的特征提取方法。通过实验验证了此方法的可实施性。针对分类识别问题,研究了支持向量机(SVM)分类器和AdaBoost算法。将两者有效的结合,提出了基于SVM的AdaBoost组合分类器,通过与以上单一算法分类识别进行对比,得到了不错的识别效果。实验证明,本文所提出的方法,可以精确有效地对低频辐射源进行特征提取与分类。(本文来源于《南京航空航天大学》期刊2015-12-01）
陈沛铂[7]（2015）在《辐射源个体识别中的目标匹配和分类识别算法研究》一文中研究指出辐射源个体识别是当今电子战中的热点研究课题,其主要依据各辐射源在发射信号上表征出来的指纹差异,来识别各辐射源,从而实现对目标辐射源的追踪、监视、干扰和打击。辐射源个体识别技术,必将提高我军电子对抗装备的战术性能,改变我军军事装备相对落后的局面,为我军打赢高技术条件下的战争奠定坚实的科技基础。辐射源个体识别课题主要包含叁大研究板块,即辐射源指纹特征提取,辐射源个体识别中的目标匹配,辐射源个体识别中的分类识别。本文对辐射源个体识别技术中的叁个板块均作了细致的研究。在辐射源指纹特征提取研究中,提出了瞬时特征和统计特征等两种有效的指纹特征。瞬时特征增强了指纹特征的泛化性;统计特征在继承瞬时特征泛化性的同时,降低了瞬时特征维数。在辐射源个体识别中的目标匹配中,提出了动态时间规整测度算法,基于指纹特征离散度的广义欧氏距离测度算法,以及模板分段寻优算法。动态时间规整算法解决了弯折现象给指纹特征距离测度带来的负面影响;基于指纹特征离散度的广义欧氏距离综合考虑了指纹特征的几何分布情况;模板分段寻优算法建设性地解决了模板寻优的高耗时问题。在辐射源个体识别中的分类识别中,提出了一种基于启发式算法的支持向量机参数寻优的方案。该方案凭借启发式算法的优势,降低了支持向量机参数寻优的时间复杂度。本文在各板块提出的研究方案,均通过了实测数据的检验,保证了以上所有算法的真实性和有效性。(本文来源于《国防科学技术大学》期刊2015-11-01）
徐璟,何明浩,陈昌孝,韩俊[8]（2013）在《基于PSO的雷达辐射源分类识别方法研究》一文中研究指出SVM分类算法已在雷达辐射源信号识别中得到广泛地应用,并取得较理想的效果,但针对SVM参数选择并没有进行深入研究,从而影响SVM分类器在雷达辐射源信号识别中更好的应用。为此本文设计了一种以PSO算法为参数寻优方法的SVM分类器,并提出了基于PSO-SVM的雷达辐射源分类方法。PSO-SVM分类器在采用PSO算法对SVM进行优化改进的同时,继承了SVM分类器泛化能力强的特点,对雷达辐射源识别问题具有良好的适应性。实验结果表明,与其它方法相比,本文所述方法在保证识别准确率的同时,降低了参数选择时间。(本文来源于《第十一届全国博士生学术年会——信息技术与安全专题论文集》期刊2013-10-18）
杨立明,哈章,杨晓蓉,张琳[9]（2012）在《辐射源个体识别中分类器应用》一文中研究指出随着电磁辐射源个体之间差异的减小,传统的模板比对法已经难以完成对辐射源的个体识别任务。为了更好的识别个体之间的微小差异,提高复杂电磁环境中辐射源个体识别的成功率,从工程应用角度出发,提出先使用Fisher判别率进行特征预选,再使用主成份分析进行降维,最后使用支持向量机进行训练识别的辐射源个体识别方法,构建了可以识别辐射源威胁差异的分类器。仿真结果表明:该方法可以兼顾工程应用中识别正确率和识别速度的要求,对辐射源个体识别具有较好的应用价值。(本文来源于《空军工程大学学报(自然科学版)》期刊2012年01期）
骆振兴,楼才义,陈仕川,李少伟[10]（2011）在《基于最大分类间隔SVDD算法的辐射源个体确认》一文中研究指出通信辐射源个体确认技术是实现通信辐射源个体识别的关键技术之一。该文研究了基于支持向量数据描述(SVDD)的通信辐射源个体确认算法。针对传统SVDD算法在正类训练样本不完备的条件下对正类测试样本接受率较低的不足,提出带反类训练的最大分类间隔SVDD算法(MCM-SVDD)。MCM-SVDD在保证最小化超球体积的同时,使正类训练样本与反类训练样本距离超球表面的间隔最大化,从而提高了对正类测试样本正确接受的泛化能力。基于20台实际通信辐射源样本的实验表明,相对于SVDD,SVDD-neg和SVM,MCM-SVDD具有更高的平均确认率。(本文来源于《电子与信息学报》期刊2011年09期）
辐射源分类论文开题报告
（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：
阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。
（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。
辐射源分类论文参考文献
[1].王锐锋.空间多辐射源的信号侦察与分类及实现研究[D].电子科技大学.2019
[2].金秋,王宏艳,马方方.雷达辐射源分类识别方法综述[J].电讯技术.2019
[3].齐悦.雷达辐射源信号时频特征分析及分类[D].西安电子科技大学.2018
[4].赵敏.深度学习下的雷达辐射源信号分类识别[D].西安电子科技大学.2017
[5].刘亚冲,唐智灵.基于Softmax回归的通信辐射源特征分类识别方法[J].计算机工程.2018
[6].金相君.低频辐射源杂散特征提取及分类方法研究[D].南京航空航天大学.2015
[7].陈沛铂.辐射源个体识别中的目标匹配和分类识别算法研究[D].国防科学技术大学.2015
[8].徐璟,何明浩,陈昌孝,韩俊.基于PSO的雷达辐射源分类识别方法研究[C].第十一届全国博士生学术年会——信息技术与安全专题论文集.2013
[9].杨立明,哈章,杨晓蓉,张琳.辐射源个体识别中分类器应用[J].空军工程大学学报(自然科学版).2012
[10].骆振兴,楼才义,陈仕川,李少伟.基于最大分类间隔SVDD算法的辐射源个体确认[J].电子与信息学报.2011
论文知识图
