先進(jìn)多功能雷達(dá)智能感知識(shí)別技術(shù)

目錄
前言
第1章 先進(jìn)多功能雷達(dá)系統(tǒng)概述 1
1.1 先進(jìn)多功能雷達(dá)發(fā)展歷史 1
1.1.1 先進(jìn)多功能雷達(dá)基本概念 1
1.1.2 相控陣先進(jìn)多功能雷達(dá)發(fā)展歷史 2
1.2 典型先進(jìn)多功能雷達(dá)系統(tǒng) 4
1.2.1 地基多功能雷達(dá)系統(tǒng) 4
1.2.2 機(jī)載多功能雷達(dá)系統(tǒng) 7
1.2.3 艦載多功能雷達(dá)系統(tǒng) 12
1.3 先進(jìn)多功能雷達(dá)給電子偵察帶來(lái)的挑戰(zhàn) 15
1.3.1 多功能雷達(dá)信號(hào)的特點(diǎn) 15
1.3.2 多功能雷達(dá)帶來(lái)的挑戰(zhàn) 16
參考文獻(xiàn) 17
第2章 先進(jìn)多功能雷達(dá)行為機(jī)理和觀測(cè)建模 19
2.1 先進(jìn)多功能雷達(dá)行為機(jī)理與參數(shù)化模型表征方法 19
2.1.1 MFR系統(tǒng)行為實(shí)現(xiàn)原理的層次化框架 19
2.1.2 MFR系統(tǒng)的典型行為模式 27
2.1.3 MFR系統(tǒng)行為實(shí)現(xiàn)過(guò)程的層次化框架 29
2.1.4 MFR系統(tǒng)行為動(dòng)態(tài)特性表征方法 30
2.1.5 MFR工作狀態(tài)的參數(shù)化模型表征 35
2.2 基于雷達(dá)信號(hào)PDW數(shù)據(jù)的多功能雷達(dá)系統(tǒng)行為觀測(cè)模型 42
2.2.1 MFR系統(tǒng)行為觀測(cè)模型的概念和內(nèi)涵 42
2.2.2 MFR系統(tǒng)行為觀測(cè)目標(biāo)的客體模型 44
2.2.3 MFR系統(tǒng)行為觀測(cè)信號(hào)的非理想性模型 45
2.2.4 MFR系統(tǒng)行為觀測(cè)者分析模型 46
2.3認(rèn)知多功能雷達(dá)系統(tǒng)行為框架 50 2.4
本章小結(jié) 52
參考文獻(xiàn) 52
第3章 智能化感知識(shí)別技術(shù)基礎(chǔ) 55
3.1 人工智能技術(shù)概述 55
3.1.1 人工智能技術(shù)簡(jiǎn)史 56
3.1.2 人工智能在輻射源識(shí)別中的發(fā)展趨勢(shì) 57
3.2 特征工程簡(jiǎn)介 58
3.2.1 特征提取方法 59
3.2.2 特征選擇方法 62
3.3 有監(jiān)督機(jī)器學(xué)習(xí) 63
3.3.1 有監(jiān)督機(jī)器學(xué)習(xí)簡(jiǎn)介 63
3.3.2 BP神經(jīng)網(wǎng)絡(luò) 64
3.3.3 卷積神經(jīng)網(wǎng)絡(luò) 65
3.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 66
3.3.5 長(zhǎng)短期記憶網(wǎng)絡(luò) 67
3.4 無(wú)監(jiān)督機(jī)器學(xué)習(xí) 68
3.4.1 無(wú)監(jiān)督機(jī)器學(xué)習(xí)簡(jiǎn)介 68
3.4.2 原型聚類(lèi) 68
3.4.3 密度聚類(lèi) 70
3.4.4 層次聚類(lèi) 70
3.5 強(qiáng)化學(xué)習(xí) 71
3.5.1 強(qiáng)化學(xué)習(xí)基本思想 71
3.5.2 馬爾可夫決策過(guò)程 72
3.5.3 強(qiáng)化學(xué)習(xí)問(wèn)題定義 73
3.6 本章小結(jié) 75
參考文獻(xiàn) 75
第4章 雷達(dá)信號(hào)分選技術(shù) 77
4.1 雷達(dá)信號(hào)分選技術(shù)概述 77
4.1.1 雷達(dá)信號(hào)分選任務(wù)內(nèi)涵 77
4.1.2 多功能雷達(dá)信號(hào)分選任務(wù)建模 78
4.1.3 雷達(dá)信號(hào)分選實(shí)現(xiàn)途徑 85
4.2 基于無(wú)監(jiān)督聚類(lèi)的信號(hào)分選方法 87
4.2.1 無(wú)監(jiān)督聚類(lèi)方法原理 87
4.2.2 基于UCAR的無(wú)監(jiān)督聚類(lèi)分選算法 89
4.2.3 算法性能驗(yàn)證 93
4.3 基于參數(shù)化模型*大似然估計(jì)的信號(hào)分選方法 100
4.3.1 基于參數(shù)化模型*大似然估計(jì)的分選原理 100
4.3.2 基于參數(shù)化模型*大似然估計(jì)的分選算法 103
4.3.3 算法性能驗(yàn)證 109
4.4 基于神經(jīng)機(jī)器翻譯的信號(hào)分選方法 115
4.4.1 神經(jīng)機(jī)器翻譯方法原理 115
4.4.2 基于神經(jīng)機(jī)器翻譯的分選算法 117
4.4.3 算法性能驗(yàn)證 122
4.5 本章小結(jié) 131
參考文獻(xiàn) 131
第5章 多功能雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別技術(shù) 135
5.1 多功能雷達(dá)脈內(nèi)調(diào)制識(shí)別技術(shù)概述 135
5.1.1 雷達(dá)脈內(nèi)調(diào)制識(shí)別任務(wù)內(nèi)涵 135
5.1.2 雷達(dá)脈內(nèi)調(diào)制識(shí)別任務(wù)建模 136
5.1.3 雷達(dá)脈內(nèi)調(diào)制識(shí)別技術(shù)途徑分析 139
5.2 低信噪比條件下的脈內(nèi)調(diào)制類(lèi)型識(shí)別方法(LDCUnet-DCNN) 141
5.2.1 低信噪比下的脈內(nèi)調(diào)制類(lèi)型識(shí)別任務(wù) 141
5.2.2 生成對(duì)抗網(wǎng)絡(luò)的基本原理 142
5.2.3 一種基于局部密集連接Unet的LPI雷達(dá)信號(hào)調(diào)制類(lèi)型識(shí)別算法(LDCUnet- DCNN) 144
5.2.4 算法性能驗(yàn)證 149
5.3 小樣本條件下脈內(nèi)信號(hào)調(diào)制樣式識(shí)別方法(FG-FSL) 152
5.3.1 脈內(nèi)調(diào)制類(lèi)型識(shí)別的小樣本學(xué)習(xí)任務(wù)建模 152
5.3.2 小樣本學(xué)習(xí)基本原理 153
5.3.3 一種基于前景分割的小樣本識(shí)別方法(FG-FSL) 158
5.3.4 算法性能驗(yàn)證 161
5.4 時(shí)頻交疊條件下的脈內(nèi)調(diào)制類(lèi)型識(shí)別方法(RAUnetGAN-MIML) 170
5.4.1 時(shí)頻交疊條件下的脈內(nèi)調(diào)制類(lèi)型識(shí)別任務(wù) 170
5.4.2 多示例多標(biāo)簽學(xué)習(xí)方法的基本原理 171
5.4.3 一種基于殘差注意力Unet和MIML的時(shí)頻交疊信號(hào)調(diào)制識(shí)別方法 (RAUnetGAN-MIML) 172
5.4.4 算法性能驗(yàn)證 179
5.5 本章小結(jié) 187
參考文獻(xiàn) 187
第6章 多功能雷達(dá)行為層次化識(shí)別技術(shù) 194
6.1 多功能雷達(dá)行為識(shí)別技術(shù)概述 194
6.1.1 行為層次化識(shí)別任務(wù)內(nèi)涵 194
6.1.2 行為層次化識(shí)別任務(wù)建模 195
6.1.3 雷達(dá)行為層次化識(shí)別實(shí)現(xiàn)途徑分析 198
6.2 基于序列到序列學(xué)習(xí)的工作狀態(tài)序列識(shí)別方法 201
6.2.1 序列到序列學(xué)習(xí)的基本原理 202
6.2.2 基于層次化序列到序列學(xué)習(xí)的狀態(tài)標(biāo)簽序列識(shí)別 203
6.2.3 算法性能驗(yàn)證 207
6.3 基于模型的時(shí)間序列聚類(lèi)工作狀態(tài)識(shí)別方法 221
6.3.1 時(shí)間序列的特性與聚類(lèi) 221
6.3.2 雷達(dá)狀態(tài)標(biāo)簽序列聚類(lèi)識(shí)別算法 225
6.3.3 算法性能驗(yàn)證 232
6.4 基于序貫假設(shè)檢驗(yàn)的工作狀態(tài)序列切換點(diǎn)在線(xiàn)檢測(cè)方法 242
6.4.1 多功能雷達(dá)工作狀態(tài)在線(xiàn)切換點(diǎn)檢測(cè)任務(wù) 242
6.4.2 雷達(dá)工作狀態(tài)在線(xiàn)切換點(diǎn)檢測(cè)算法 246
6.4.3 算法性能驗(yàn)證 252
6.5 先進(jìn)多功能雷達(dá)系統(tǒng)行為識(shí)別方法 258
6.5.1 狀態(tài)符號(hào)序列生成 258
6.5.2 狀態(tài)行為映射識(shí)別 260
6.5.3 行為識(shí)別仿真數(shù)據(jù)實(shí)驗(yàn) 262
6.5.4 級(jí)聯(lián)網(wǎng)絡(luò)仿真數(shù)據(jù)實(shí)驗(yàn) 264
6.6 本章小結(jié) 266
參考文獻(xiàn) 267
第7章 認(rèn)知多功能雷達(dá)系統(tǒng)行為逆向分析 270
7.1 認(rèn)知多功能雷達(dá)系統(tǒng)行為逆向分析任務(wù)概述 270
7.1.1 雷達(dá)系統(tǒng)行為逆向分析任務(wù)內(nèi)涵 270
7.1.2 逆向分析技術(shù)實(shí)現(xiàn)途徑分析 272
7.2 基于逆濾波的逆信號(hào)處理方法 274
7.2.1 針對(duì)雷達(dá)目標(biāo)跟蹤濾波的逆分析任務(wù) 274
7.2.2 典型雷達(dá)目標(biāo)跟蹤濾波算法的逆分析算法 277
7.2.3 逆濾波處理在干擾效果評(píng)估中的應(yīng)用 289
7.3 基于回報(bào)函數(shù)反演的逆資源管理分析 304
7.3.1 基于服務(wù)質(zhì)量的認(rèn)知雷達(dá)資源管理模型 304
7.3.2 基于強(qiáng)化學(xué)習(xí)的認(rèn)知雷達(dá)資源管理實(shí)現(xiàn) 306
7.3.3 認(rèn)知雷達(dá)資源管理器逆向分析任務(wù) 309
7.4 基于多任務(wù)學(xué)習(xí)的認(rèn)知雷達(dá)動(dòng)作識(shí)別方法 310
7.4.1 多任務(wù)學(xué)習(xí)原理 311
7.4.2 基于MTL的認(rèn)知雷達(dá)動(dòng)作提取任務(wù)建模 312
7.4.3 基于MTL的認(rèn)知雷達(dá)動(dòng)作提取算法 313
7.4.4 算法性能驗(yàn)證 317
7.5 基于逆強(qiáng)化學(xué)習(xí)的認(rèn)知雷達(dá)回報(bào)函數(shù)反演方法 326
7.5.1 逆強(qiáng)化學(xué)習(xí)原理 326
7.5.2 基于*大熵深度逆強(qiáng)化學(xué)習(xí)的回報(bào)函數(shù)反演算法 328
7.5.3 算法性能驗(yàn)證 331
7.6 本章小結(jié) 337
參考文獻(xiàn) 338