基于时频分析的雷达信号脉内调制识别技术研究
发布时间：2021-05-24 14:35
随着现代电子和雷达技术的快速发展,电磁信号也越来越密集,电磁威胁环境的信号密度最高可达百万量级,新体制的雷达不断涌现并逐渐占据主导地位。基于常规参数的辐射源信号识别已不能满足日益复杂的电磁信号环境,必须深入研究信号的脉内特征参数来适应现代电子战环境的需求。脉内特征分析是一项80年代中期开始研究的新技术,90年代国外已经装备了先进的细微特征提取分析设备,增强了外军的电子战实力。这项技术中,脉内特征的提取方法一直是科研、工程人员研究的重要课题,经过不懈努力,已经探索出一些行之有效的方法,形成了许多较为成熟的估计算法和相关技术。本文的主要研究内容如下:1.介绍了雷达辐射源信号的数学模型,并给出了几种典型雷达辐射源信号的具体实现形式,对其时域波形和频域波形进行了仿真。2.对雷达信号脉内特征分析的时域方法进行了研究。分析了瞬时自相关法的原理,通过仿真分析得出了方法的性能评价,针对瞬时自相关法存在的相位模糊进行改进,将相位无模糊区间范围扩展到原来的4倍,提高了信号瞬时频率的提取效率。3.对雷达信号脉内特征分析的时频域方法进行了研究。针对低信噪比条件下要求更高的识别准确率,提出了一种基于短时傅里叶变...
【文章来源】：南京信息工程大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究的背景和意义
1.2 国内外研究现状分析
1.3 雷达信号脉内调制类型概述及脉内分析流程
1.4 深度学习的研究与应用
1.5 论文研究内容及结构安排
第二章 雷达辐射源信号识别基础
2.1 引言
2.2 雷达信号数学模型
2.3 雷达辐射源信号脉内调制类型分析
2.3.1 常规信号
2.3.2 线性调频信号
2.3.3 非线性调频信号
2.3.4 频率编码信号
2.3.5 相位编码信号
2.4 本章小结
第三章 雷达信号脉内特征分析方法
3.1 引言
3.2 基于瞬时自相关的雷达信号脉内特征分析
3.2.1 瞬时自相关算法及其改进
3.2.2 典型信号的瞬时频率特征
3.2.3 分类特征向量提取的级联归一化处理
3.2.4 基于瞬时频率的派生特征识别
3.3 基于短时傅里叶的雷达信号脉内特征分析
3.3.1 算法原理
3.3.2 瞬时频率特征提取
3.3.3 基于归一化瞬时频率的特征选择及自动识别判断
3.4 本章小结
第四章 基于神经网络的雷达辐射源信号分类识别
4.1 引言
4.2 神经网络概述
4.2.1 BP神经网络
4.2.2 PNN神经网络
4.2.3 GRNN神经网络
4.2.4 基于交叉验证法改进神经网络
4.3 仿真分析
4.4 本章小结
第五章 基于联合时频特征的雷达信号调制类型识别
5.1 引言
5.2 深度学习结构
5.3 基于深度学习的雷达辐射源识别
5.3.1 随机投影
5.3.2 主成分分析
5.3.3 深度联合时频特征提取
5.3.4 有监督精度调谐和识别
5.3.5 仿真实验和结论分析
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来展望
致谢
参考文献
作者简介
【参考文献】：
期刊论文
[1]一种有效的雷达信号快速识别方法[J]. 杨建,周涛,何梓昂. 电讯技术. 2017(04)
[2]基于改进DFT相位差的正弦波频率估计[J]. 王晓峰,邢敏捷,刘歌,赵汝鹏. 电讯技术. 2016(10)
[3]基于PNN神经网络的电控发动机故障诊断[J]. 巴寅亮,王书提,李春兰,郭增波,加克·乌云才次克. 现代电子技术. 2016(20)
[4]GRNN和PNN模型在信用风险评估中的应用[J]. 王肖灵,王波,张惠珍,张海俊. 数学理论与应用. 2015(03)
[5]基于个体特征的雷达辐射源识别方法研究[J]. 廖宇鹏,周仕成,舒汀. 现代雷达. 2015(03)
[6]非视距传播下LTE的频率定位算法[J]. 郑敏,毛永毅,杨阳. 电子技术应用. 2014(02)
[7]基于深度学习的边际Fisher分析特征提取算法[J]. 孙志军,薛磊,许阳明. 电子与信息学报. 2013(04)
[8]非视距传播环境下的AOA定位跟踪算法[J]. 毛永毅,张颖. 计算机应用. 2011(02)
[9]基于FRFT的α域-包络曲线的雷达信号特征提取及自动分类[J]. 司锡才,柴娟芳. 电子与信息学报. 2009(08)
[10]非视距环境下基于到达时间差的一种定位算法[J]. 王洪雁,兰云飞,裴炳南,方永福. 计算机仿真. 2007(09)
博士论文
[1]基于脉内特征的雷达辐射源信号识别研究[D]. 余志斌.西南交通大学 2010
硕士论文
[1]雷达信号脉内特征实时分析处理技术研究[D]. 吴昊.中国舰船研究院 2016
[2]雷达信号的脉内分析与识别算法研究[D]. 刘姝明.西安电子科技大学 2013
[3]宽带数字接收机及信号处理技术[D]. 高双成.西安电子科技大学 2012
[4]宽带雷达信号的脉内调制类型分析工程化算法研究[D]. 张君.国防科学技术大学 2011
[5]雷达辐射源分类识别研究[D]. 王炜.西安电子科技大学 2010
[6]基于脉内特征分析的辐射源识别方法研究[D]. 陈昌云.西安电子科技大学 2010
[7]脉内调制信号的分析与自动识别[D]. 刘东霞.西安电子科技大学 2003
本文编号：3204353
【文章来源】：南京信息工程大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究的背景和意义
1.2 国内外研究现状分析
1.3 雷达信号脉内调制类型概述及脉内分析流程
1.4 深度学习的研究与应用
1.5 论文研究内容及结构安排
第二章 雷达辐射源信号识别基础
2.1 引言
2.2 雷达信号数学模型
2.3 雷达辐射源信号脉内调制类型分析
2.3.1 常规信号
2.3.2 线性调频信号
2.3.3 非线性调频信号
2.3.4 频率编码信号
2.3.5 相位编码信号
2.4 本章小结
第三章 雷达信号脉内特征分析方法
3.1 引言
3.2 基于瞬时自相关的雷达信号脉内特征分析
3.2.1 瞬时自相关算法及其改进
3.2.2 典型信号的瞬时频率特征
3.2.3 分类特征向量提取的级联归一化处理
3.2.4 基于瞬时频率的派生特征识别
3.3 基于短时傅里叶的雷达信号脉内特征分析
3.3.1 算法原理
3.3.2 瞬时频率特征提取
3.3.3 基于归一化瞬时频率的特征选择及自动识别判断
3.4 本章小结
第四章 基于神经网络的雷达辐射源信号分类识别
4.1 引言
4.2 神经网络概述
4.2.1 BP神经网络
4.2.2 PNN神经网络
4.2.3 GRNN神经网络
4.2.4 基于交叉验证法改进神经网络
4.3 仿真分析
4.4 本章小结
第五章 基于联合时频特征的雷达信号调制类型识别
5.1 引言
5.2 深度学习结构
5.3 基于深度学习的雷达辐射源识别
5.3.1 随机投影
5.3.2 主成分分析
5.3.3 深度联合时频特征提取
5.3.4 有监督精度调谐和识别
5.3.5 仿真实验和结论分析
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来展望
致谢
参考文献
作者简介
【参考文献】：
期刊论文
[1]一种有效的雷达信号快速识别方法[J]. 杨建,周涛,何梓昂. 电讯技术. 2017(04)
[2]基于改进DFT相位差的正弦波频率估计[J]. 王晓峰,邢敏捷,刘歌,赵汝鹏. 电讯技术. 2016(10)
[3]基于PNN神经网络的电控发动机故障诊断[J]. 巴寅亮,王书提,李春兰,郭增波,加克·乌云才次克. 现代电子技术. 2016(20)
[4]GRNN和PNN模型在信用风险评估中的应用[J]. 王肖灵,王波,张惠珍,张海俊. 数学理论与应用. 2015(03)
[5]基于个体特征的雷达辐射源识别方法研究[J]. 廖宇鹏,周仕成,舒汀. 现代雷达. 2015(03)
[6]非视距传播下LTE的频率定位算法[J]. 郑敏,毛永毅,杨阳. 电子技术应用. 2014(02)
[7]基于深度学习的边际Fisher分析特征提取算法[J]. 孙志军,薛磊,许阳明. 电子与信息学报. 2013(04)
[8]非视距传播环境下的AOA定位跟踪算法[J]. 毛永毅,张颖. 计算机应用. 2011(02)
[9]基于FRFT的α域-包络曲线的雷达信号特征提取及自动分类[J]. 司锡才,柴娟芳. 电子与信息学报. 2009(08)
[10]非视距环境下基于到达时间差的一种定位算法[J]. 王洪雁,兰云飞,裴炳南,方永福. 计算机仿真. 2007(09)
博士论文
[1]基于脉内特征的雷达辐射源信号识别研究[D]. 余志斌.西南交通大学 2010
硕士论文
[1]雷达信号脉内特征实时分析处理技术研究[D]. 吴昊.中国舰船研究院 2016
[2]雷达信号的脉内分析与识别算法研究[D]. 刘姝明.西安电子科技大学 2013
[3]宽带数字接收机及信号处理技术[D]. 高双成.西安电子科技大学 2012
[4]宽带雷达信号的脉内调制类型分析工程化算法研究[D]. 张君.国防科学技术大学 2011
[5]雷达辐射源分类识别研究[D]. 王炜.西安电子科技大学 2010
[6]基于脉内特征分析的辐射源识别方法研究[D]. 陈昌云.西安电子科技大学 2010
[7]脉内调制信号的分析与自动识别[D]. 刘东霞.西安电子科技大学 2003
本文编号：3204353
本文链接：https://www.wllwen.com/kejilunwen/wltx/3204353.html
