基于深度神经网络的射频功率放大器特性识别及其解译
发布时间：2021-10-15 15:16
在现代信息化战争中,电磁环境越来越复杂,雷达辐射源个体识别越来越具有实战意义。个体识别是对具有不同细微个体差异性的辐射源进行细致表征和识别的过程,侧重点已经不再局限于对电磁信号的参数测量和调制方式识别,而是重点反映物理设备固有的附加调制特征,该特征不随调制参数的改变而改变,具有表征设备个体的“指纹”特性。宽带射频功率放大器是雷达和通信系统中常见的基本组成部分之一,常常会蕴含个体特征,对其记忆效应、非线性失真等行为特性进行分析和对功率放大器进行个体识别具有重要意义。针对以上问题,本文利用深度神经网络模型自提取特征的特点来对宽带射频功率放大器进行个体识别,同时利用特征解译算法对网络模型输出结果做到可解释,本文工作如下:首先,介绍了课题背景;对国内外的射频功率放大器行为建模、神经网络模型研究和深度神经网络模型可解释性研究发展现状进行综述;提出了本课题的研究内容。其次,分析了宽带射频功率放大器的非线性失真行为,其中谐波失真、互调失真和记忆效应是主要的失真行为;利用Matlab建立宽带射频功率放大器非线性行为模型同时利用ADS设计宽带射频功率放大器电路分别在软件和硬件层面仿真了宽带射频功率放大器...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源及意义
1.2 国内外研究现状分析
1.2.1 宽带射频功率放大器行为模型的国内外研究现状
1.2.2 功率放大器个体识别研究现状
1.2.3 神经网络模型解译研究现状
1.3 本论文的主要研究内容
1.3.1 本文研究内容
1.3.2 论文结构
第2章 深度学习基本理论及网络模型解译算法
2.1 引言
2.2 机器学习在信号识别中的应用
2.2.1 监督学习在信号识别中的应用
2.2.2 无监督学习在信号识别中的应用
2.2.3 半监督学习在信号识别领域中的应用
2.3 深度学习理论
2.3.1 非线性激活函数
2.3.2 最优化准则
2.3.3 反向传播算法
2.3.4 常用神经网络模型
2.4 常用模型解译算法
2.5 本章小结
第3章 功率放大器非线性失真行为仿真研究
3.1 引言
3.2 功率放大器行为建模
3.2.1 无记忆功率放大器模型
3.2.2 有记忆功率放大器模型
3.2.3 基于Matlab的功率放大器PH模型建立
3.2.4 基于ADS的功率放大器电路搭建
3.3 非线性失真仿真
3.4 本章小结
第4章 宽带射频功率放大器个体识别以及模型解译
4.1 数据预处理
4.2 网络模型选取以及结构设计
4.3 网络模型训练及个体识别
4.4 卷积神经网络模型解译
4.5 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于卷积神经网络识别重力异常体[J]. 王逸宸,柳林涛,许厚泽. 物探与化探. 2020(02)
[2]基于卷积神经网络辐射源信号识别算法[J]. 叶文强,俞志富,王虎帮,张奎. 计算机仿真. 2019(09)
[3]Visual interpretability for deep learning:a survey[J]. Quan-shi ZHANG,Song-chun ZHU. Frontiers of Information Technology & Electronic Engineering. 2018(01)
[4]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[5]射频器件时域非线性行为建模综述[J]. 孙金龙,林茂六,吴芝路. 电子测量与仪器学报. 2015(11)
[6]基于改进Fisher准则的深度卷积神经网络识别算法[J]. 孙艳丰,齐光磊,胡永利,赵璐. 北京工业大学学报. 2015(06)
[7]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[8]基于MATLAB的功率放大器行为级建模方法研究[J]. 董一伯,刘久文,邹世源. 电子测量技术. 2013(01)
[9]基于成对约束的判别型半监督聚类分析[J]. 尹学松,胡思良,陈松灿. 软件学报. 2008(11)
[10]基于MATLAB的RF功率放大器互调失真仿真分析[J]. 黄丹,邬书跃,田新广. 通信技术. 2003(04)
博士论文
[1]射频功放数字预失真线性化技术研究[D]. 詹鹏.电子科技大学 2012
[2]宽带通信中有记忆射频功率放大器的建模与预失真方法[D]. 金哲.浙江大学 2007
硕士论文
[1]基于深度学习的雷达辐射源识别技术[D]. 冷鹏飞.中国舰船研究院 2018
[2]射频功率放大器最优行为模型的选取与指纹特征的识别[D]. 黄雨佳.中国工程物理研究院 2016
本文编号：3438186
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源及意义
1.2 国内外研究现状分析
1.2.1 宽带射频功率放大器行为模型的国内外研究现状
1.2.2 功率放大器个体识别研究现状
1.2.3 神经网络模型解译研究现状
1.3 本论文的主要研究内容
1.3.1 本文研究内容
1.3.2 论文结构
第2章 深度学习基本理论及网络模型解译算法
2.1 引言
2.2 机器学习在信号识别中的应用
2.2.1 监督学习在信号识别中的应用
2.2.2 无监督学习在信号识别中的应用
2.2.3 半监督学习在信号识别领域中的应用
2.3 深度学习理论
2.3.1 非线性激活函数
2.3.2 最优化准则
2.3.3 反向传播算法
2.3.4 常用神经网络模型
2.4 常用模型解译算法
2.5 本章小结
第3章 功率放大器非线性失真行为仿真研究
3.1 引言
3.2 功率放大器行为建模
3.2.1 无记忆功率放大器模型
3.2.2 有记忆功率放大器模型
3.2.3 基于Matlab的功率放大器PH模型建立
3.2.4 基于ADS的功率放大器电路搭建
3.3 非线性失真仿真
3.4 本章小结
第4章 宽带射频功率放大器个体识别以及模型解译
4.1 数据预处理
4.2 网络模型选取以及结构设计
4.3 网络模型训练及个体识别
4.4 卷积神经网络模型解译
4.5 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于卷积神经网络识别重力异常体[J]. 王逸宸,柳林涛,许厚泽. 物探与化探. 2020(02)
[2]基于卷积神经网络辐射源信号识别算法[J]. 叶文强,俞志富,王虎帮,张奎. 计算机仿真. 2019(09)
[3]Visual interpretability for deep learning:a survey[J]. Quan-shi ZHANG,Song-chun ZHU. Frontiers of Information Technology & Electronic Engineering. 2018(01)
[4]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[5]射频器件时域非线性行为建模综述[J]. 孙金龙,林茂六,吴芝路. 电子测量与仪器学报. 2015(11)
[6]基于改进Fisher准则的深度卷积神经网络识别算法[J]. 孙艳丰,齐光磊,胡永利,赵璐. 北京工业大学学报. 2015(06)
[7]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[8]基于MATLAB的功率放大器行为级建模方法研究[J]. 董一伯,刘久文,邹世源. 电子测量技术. 2013(01)
[9]基于成对约束的判别型半监督聚类分析[J]. 尹学松,胡思良,陈松灿. 软件学报. 2008(11)
[10]基于MATLAB的RF功率放大器互调失真仿真分析[J]. 黄丹,邬书跃,田新广. 通信技术. 2003(04)
博士论文
[1]射频功放数字预失真线性化技术研究[D]. 詹鹏.电子科技大学 2012
[2]宽带通信中有记忆射频功率放大器的建模与预失真方法[D]. 金哲.浙江大学 2007
硕士论文
[1]基于深度学习的雷达辐射源识别技术[D]. 冷鹏飞.中国舰船研究院 2018
[2]射频功率放大器最优行为模型的选取与指纹特征的识别[D]. 黄雨佳.中国工程物理研究院 2016
本文编号：3438186
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3438186.html
