基于时频图像的雷达信号调制识别技术研究

发布时间：2022-02-20 02:21

　　雷达信号识别是电子对抗及电子侦察中的重要环节,在电子战中具有十分重要的地位和作用。只有充分掌握敌方雷达的信息,才能赢得现代战争的主动权,从而占据电子战领域的制高点,这就使得雷达信号调制识别成为现代电子侦察系统中重要的研究方向。本文对雷达信号时频分析、图像预处理、特征提取、支持向量机与深度卷积神经网络等关键性的技术进行了深入研究。主要研究内容概括如下:首先,对雷达信号调制类型与时频分析技术进行研究。给出了常见的雷达信号数学模型,探讨了非平稳信号的时频分析方法,给出了九种雷达调制信号在低信噪比下基于CWD分布的时频图。其次,对基于时频图像的支持向量机调制识别算法进行研究,系统地阐述了时频图像预处理与特征提取技术,在分析支持向量机相关原理的基础上,针对支持向量机进行分类时存在参数选择不当导致分类效果下降的问题,利用改进粒子群寻优算法兼顾对局部最优解和全局最优解的搜索,克服了传统优化方法易陷入局部最优解的缺陷,以联合四类图像特征为识别特征,在此基础上提出了一种基于改进粒子群寻优的支持向量机调制识别算法,进一步提升了调制识别的正确率。然后,对基于时频图像的卷积神经网络调制识别算法进行研究,简述了... 

【文章来源】：哈尔滨工程大学黑龙江省211工程院校

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 雷达信号调制识别技术的研究现状
        1.2.2 支持向量机及参数寻优的研究现状
        1.2.3 深度学习技术的发展及研究现状
    1.3 论文主要研究内容及安排
第2章 雷达信号调制类型及其时频分析
    2.1 雷达信号调制类型
        2.1.1 常规信号
        2.1.2 二相编码信号
        2.1.3 线性调频信号
        2.1.4 调频编码信号
        2.1.5 多相编码信号
    2.2 时频分析
        2.2.1 时频分析概述
        2.2.2 魏格纳时频分布
        2.2.3 魏格纳时频分布的改进
        2.2.4 仿真性能分析
    2.3 本章小结
第3章 基于时频图像的支持向量机调制识别算法研究
    3.1 时频图像预处理
    3.2 时频图像人工特征提取
        3.2.1 不变矩特征
        3.2.2 伪Zernike矩特征
        3.2.3 熵特征
        3.2.4 主成分分析
    3.3 支持向量机分类器及群智能寻优算法
        3.3.1 非线性支持向量机
        3.3.2 人工蜂群算法
        3.3.3 粒子群算法
    3.4 基于改进粒子群的支持向量机调制识别算法
        3.4.1 基于支持向量机的调制识别
        3.4.2 改进粒子群寻优算法基本思想
        3.4.3 基于改进粒子群寻优的支持向量机调制识别仿真与分析
    3.5 本章小结
第4章 基于时频图像的卷积神经网络调制识别算法研究
    4.1 卷积神经网络
        4.1.1 卷积神经网络的基本架构
        4.1.2 卷积与池化运算
        4.1.3 卷积神经网络的反向传播
        4.1.4 卷积神经网络的激活函数
    4.2 预训练卷积神经网络模型
        4.2.1 预训练VGGNet网络模型
        4.2.2 预训练GoogleNet网络模型
    4.3 基于时频图像的特征迁移卷积神经网络调制识别算法研究
        4.3.1 支持向量机与卷积神经网络Softmax分类器的关系
        4.3.2 基于时频图像的FT-VGGNet-SVM调制识别算法
        4.3.3 基于时频图像的FT-GoogleNet-SVM调制识别算法
    4.4 基于时频图像的特征迁移卷积神经网络调制识别仿真分析
        4.4.1 基于FT-VGGNet-SVM的调制识别仿真分析
        4.4.2 基于FT-GoogleNet-SVM的调制识别仿真分析
    4.5 本章小结
第5章 基于时频图像的多信号调制识别技术研究
    5.1 分数阶FOURIER变换及其快速离散算法
        5.1.1 分数阶Fourier变换
        5.1.2 快速DFRFT方法
    5.2 基于时频图像的多信号分离与调制识别方案
    5.3 基于时频图像的多信号分离与调制识别仿真分析
        5.3.1 多信号分离仿真分析
        5.3.2 基于时频图像的联合分类器多信号调制识别结果分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢


【参考文献】：
期刊论文
[1]Applications of Fractional Lower Order Time-frequency Representation to Machine Bearing Fault Diagnosis[J]. Junbo Long,Haibin Wang,Peng Li,Hongshe Fan.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[2]Wigner-Hough transform based on slice’s entropy and its application to multi-LFM signal detection[J]. Hongwei Wang,Xiangyu Fan,You Chen,Yuanzhi Yang.  Journal of Systems Engineering and Electronics. 2017(04)
[3]Identity-aware convolutional neural networks for facial expression recognition[J]. Chongsheng Zhang,Pengyou Wang,Ke Chen,Joni-Kristian Kmrinen.  Journal of Systems Engineering and Electronics. 2017(04)
[4]Parameterized time-frequency analysis to separate multi-radar signals[J]. Wenlong Lu,Junwei Xie,Heming Wang,Chuan Sheng.  Journal of Systems Engineering and Electronics. 2017(03)
[5]一种改进的人工蜂群算法优化的支持向量机[J]. 李纪麟,谢霖铨.  河南科技. 2017(05)
[6]联合时域和时频域特征的数字调制信号自动分类[J]. 代翱,张海剑,孙洪.  信号处理. 2016(11)
[7]Signal classification method based on data mining for multi-mode radar[J]. Qiang Guo,Pulong Nan,Jian Wan.  Journal of Systems Engineering and Electronics. 2016(05)
[8]A Human Body Posture Recognition Algorithm Based on BP Neural Network for Wireless Body Area Networks[J]. Fengye Hu,Lu Wang,Shanshan Wang,Xiaolan Liu,Gengxin He.  中国通信. 2016(08)
[9]基于随机森林的雷达信号脉内调制识别[J]. 刘歌,张国毅,于岩.  电信科学. 2016(05)
[10]基于平方法的雷达信号脉内调制粗识别[J]. 高兴建,卢长新.  黑龙江科技信息. 2015(04)

硕士论文
[1]基于深度学习和迁移学习的环境声音识别[D]. 史秋莹.哈尔滨工业大学 2016
[2]基于分布式计算的AP聚类并行化方法研究与应用[D]. 张旭.浙江工业大学 2015
[3]基于时频分析的雷达辐射源信号识别技术研究[D]. 白航.解放军信息工程大学 2012



本文编号：3634112