低频辐射源杂散特征提取及分类方法研究

发布时间：2017-04-13 17:07

  本文关键词：低频辐射源杂散特征提取及分类方法研究，由笔耕文化传播整理发布。

【摘要】：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。
【关键词】：杂散特征 行为建模 深度学习 深度重构模型 双谱切片 分形理论 组合分类器
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN722.75;TP18
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 缩略词11-13
• 第一章 绪论13-17
• 1.1 背景和意义13
• 1.2 国内外研究现状13-15
• 1.3 本文主要内容和结构安排15-17
• 第二章 低频辐射源行为建模17-43
• 2.1 引言17
• 2.2 声纳发射机简介17-20
• 2.2.1 声纳发射机的基本结构17
• 2.2.2 D类功率放大器17-18
• 2.2.3 D类功放电路设计18-20
• 2.3 发射机行为建模及分析20-28
• 2.3.1 Volterra-Laguerre模型20-22
• 2.3.2 Kautz-Volterra模型22
• 2.3.3 ENN模型22-24
• 2.3.4 基于深度学习理论模型24-28
• 2.3.4.1 限制玻尔兹曼机25-26
• 2.3.4.2 BP-RBMs模型26
• 2.3.4.3 深度重构模型26-28
• 2.4 仿真结果与分析28-41
• 2.4.1 模拟电路实验28-40
• 2.4.1.1 VL模型和KV模型对比28-29
• 2.4.1.2 不同初始化权值的BPNN模型对比29
• 2.4.1.3 ENN模型和DRM模型对比29-31
• 2.4.1.4 五种模型对比31-40
• 2.4.2 实际电路实验40-41
• 2.5 本章小结41-43
• 第三章 杂散特征提取方法43-61
• 3.1 引言43
• 3.2 双谱估计算法43-46
• 3.2.1 高阶累积量及双谱43-46
• 3.2.2 双谱切片46
• 3.3 基于深度学习理论的特征提取方法46-47
• 3.4 分形理论算法47-48
• 3.4.1 Hausdorff维数47-48
• 3.4.2 盒维数48
• 3.5 基于双谱切片及其分形维数特征提取48-49
• 3.6 仿真结果与分析49-60
• 3.6.1 模拟电路实验49-57
• 3.6.1.1 双谱估计仿真结果50-52
• 3.6.1.2 基于深度学习理论的特征提取52-54
• 3.6.1.3 基于双谱切片及其分形维数特征提取54-57
• 3.6.2 实际电路实验57-60
• 3.7 本章小结60-61
• 第四章 分类器设计61-71
• 4.1 引言61-62
• 4.2 支持向量机62-64
• 4.3 Ada Boost算法64-65
• 4.4 基于SVM的Ada Boost组合分类器65-66
• 4.5 仿真结果与分析66-70
• 4.5.1 模拟电路实验66-68
• 4.5.2 实际电路实验68-70
• 4.6 本章小结70-71
• 第五章 总结与展望71-73
• 5.1 本文工作总结71
• 5.2 后期工作展望71-73
• 参考文献73-77
• 致谢77-78
• 在学期间的研究成果及发表的学术论文78

【参考文献】

中国期刊全文数据库 前5条

1 党安朋;刘占峰;朱延玲;杨远满;;基于BP与Elman神经网络的发动机缸壁间隙检测[J];山东交通学院学报;2015年01期

2 宋涛;汤宝平;李锋;;基于流形学习和K-最近邻分类器的旋转机械故障诊断方法[J];振动与冲击;2013年05期

3 辛芳芳;焦李成;王桂婷;;非局部均值加权的动态模糊Fisher分类器的遥感图像变化检测[J];测绘学报;2012年04期

4 刘明骞;李兵兵;吴启军;;基于矩形积分双谱和核主分量分析的电台指纹识别[J];西北大学学报(自然科学版);2011年01期

5 徐书华;黄本雄;徐丽娜;;基于SIB/PCA的通信辐射源个体识别[J];华中科技大学学报(自然科学版);2008年07期

中国博士学位论文全文数据库 前2条

1 毛莎莎;基于贪婪优化和投影变换的集成分类器算法研究[D];西安电子科技大学;2014年

2 任春辉;通信电台个体特征分析[D];电子科技大学;2006年

中国硕士学位论文全文数据库 前10条

1 邓莎;功率集成电路中电机驱动电路和数控功率放大器的研究与设计[D];中国科学技术大学;2015年

2 王丽;低频辐射源细微特征分析[D];南京航空航天大学;2014年

3 卢婷;基于AdaBoost的分类器学习算法比较研究[D];华东理工大学;2014年

4 李杨;基于神经网络的分类器设计及优化[D];安徽农业大学;2013年

5 王建明;基于参数和转换域的辐射源个体识别[D];电子科技大学;2013年

6 林妙真;基于深度学习的人脸识别研究[D];大连理工大学;2013年

7 曾珍;通信电台个体杂散特征提取算法研究[D];西安电子科技大学;2013年

8 安瑞;相位噪声测量中的谱估计方法研究[D];西安电子科技大学;2011年

9 续元君;水下目标探测关键技术研究[D];大连海事大学;2011年

10 郭瑞;通信电台个体特征的研究[D];山东科技大学;2011年

  本文关键词：低频辐射源杂散特征提取及分类方法研究，由笔耕文化传播整理发布。

，

本文编号：304055