先進多功能雷達智能感知識別技術(shù)

目錄
前言
第1章 先進多功能雷達系統(tǒng)概述 1
1.1 先進多功能雷達發(fā)展歷史 1
1.1.1 先進多功能雷達基本概念 1
1.1.2 相控陣先進多功能雷達發(fā)展歷史 2
1.2 典型先進多功能雷達系統(tǒng) 4
1.2.1 地基多功能雷達系統(tǒng) 4
1.2.2 機載多功能雷達系統(tǒng) 7
1.2.3 艦載多功能雷達系統(tǒng) 12
1.3 先進多功能雷達給電子偵察帶來的挑戰(zhàn) 15
1.3.1 多功能雷達信號的特點 15
1.3.2 多功能雷達帶來的挑戰(zhàn) 16
參考文獻 17
第2章 先進多功能雷達行為機理和觀測建模 19
2.1 先進多功能雷達行為機理與參數(shù)化模型表征方法 19
2.1.1 MFR系統(tǒng)行為實現(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)行為實現(xiàn)過程的層次化框架 29
2.1.4 MFR系統(tǒng)行為動態(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 基于雷達信號PDW數(shù)據(jù)的多功能雷達系統(tǒng)行為觀測模型 42
2.2.1 MFR系統(tǒng)行為觀測模型的概念和內(nèi)涵 42
2.2.2 MFR系統(tǒng)行為觀測目標的客體模型 44
2.2.3 MFR系統(tǒng)行為觀測信號的非理想性模型 45
2.2.4 MFR系統(tǒng)行為觀測者分析模型 46
2.3認知多功能雷達系統(tǒng)行為框架 50 2.4
本章小結(jié) 52
參考文獻 52
第3章 智能化感知識別技術(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)簡史 56
3.1.2 人工智能在輻射源識別中的發(fā)展趨勢 57
3.2 特征工程簡介 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)督機器學習 63
3.3.1 有監(jiān)督機器學習簡介 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 長短期記憶網(wǎng)絡(luò) 67
3.4 無監(jiān)督機器學習 68
3.4.1 無監(jiān)督機器學習簡介 68
3.4.2 原型聚類 68
3.4.3 密度聚類 70
3.4.4 層次聚類 70
3.5 強化學習 71
3.5.1 強化學習基本思想 71
3.5.2 馬爾可夫決策過程 72
3.5.3 強化學習問題定義 73
3.6 本章小結(jié) 75
參考文獻 75
第4章 雷達信號分選技術(shù) 77
4.1 雷達信號分選技術(shù)概述 77
4.1.1 雷達信號分選任務(wù)內(nèi)涵 77
4.1.2 多功能雷達信號分選任務(wù)建模 78
4.1.3 雷達信號分選實現(xiàn)途徑 85
4.2 基于無監(jiān)督聚類的信號分選方法 87
4.2.1 無監(jiān)督聚類方法原理 87
4.2.2 基于UCAR的無監(jiān)督聚類分選算法 89
4.2.3 算法性能驗證 93
4.3 基于參數(shù)化模型*大似然估計的信號分選方法 100
4.3.1 基于參數(shù)化模型*大似然估計的分選原理 100
4.3.2 基于參數(shù)化模型*大似然估計的分選算法 103
4.3.3 算法性能驗證 109
4.4 基于神經(jīng)機器翻譯的信號分選方法 115
4.4.1 神經(jīng)機器翻譯方法原理 115
4.4.2 基于神經(jīng)機器翻譯的分選算法 117
4.4.3 算法性能驗證 122
4.5 本章小結(jié) 131
參考文獻 131
第5章 多功能雷達信號脈內(nèi)調(diào)制識別技術(shù) 135
5.1 多功能雷達脈內(nèi)調(diào)制識別技術(shù)概述 135
5.1.1 雷達脈內(nèi)調(diào)制識別任務(wù)內(nèi)涵 135
5.1.2 雷達脈內(nèi)調(diào)制識別任務(wù)建模 136
5.1.3 雷達脈內(nèi)調(diào)制識別技術(shù)途徑分析 139
5.2 低信噪比條件下的脈內(nèi)調(diào)制類型識別方法(LDCUnet-DCNN) 141
5.2.1 低信噪比下的脈內(nèi)調(diào)制類型識別任務(wù) 141
5.2.2 生成對抗網(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雷達信號調(diào)制類型識別算法(LDCUnet- DCNN) 144
5.2.4 算法性能驗證 149
5.3 小樣本條件下脈內(nèi)信號調(diào)制樣式識別方法(FG-FSL) 152
5.3.1 脈內(nèi)調(diào)制類型識別的小樣本學習任務(wù)建模 152
5.3.2 小樣本學習基本原理 153
5.3.3 一種基于前景分割的小樣本識別方法(FG-FSL) 158
5.3.4 算法性能驗證 161
5.4 時頻交疊條件下的脈內(nèi)調(diào)制類型識別方法(RAUnetGAN-MIML) 170
5.4.1 時頻交疊條件下的脈內(nèi)調(diào)制類型識別任務(wù) 170
5.4.2 多示例多標簽學習方法的基本原理 171
5.4.3 一種基于殘差注意力Unet和MIML的時頻交疊信號調(diào)制識別方法 (RAUnetGAN-MIML) 172
5.4.4 算法性能驗證 179
5.5 本章小結(jié) 187
參考文獻 187
第6章 多功能雷達行為層次化識別技術(shù) 194
6.1 多功能雷達行為識別技術(shù)概述 194
6.1.1 行為層次化識別任務(wù)內(nèi)涵 194
6.1.2 行為層次化識別任務(wù)建模 195
6.1.3 雷達行為層次化識別實現(xiàn)途徑分析 198
6.2 基于序列到序列學習的工作狀態(tài)序列識別方法 201
6.2.1 序列到序列學習的基本原理 202
6.2.2 基于層次化序列到序列學習的狀態(tài)標簽序列識別 203
6.2.3 算法性能驗證 207
6.3 基于模型的時間序列聚類工作狀態(tài)識別方法 221
6.3.1 時間序列的特性與聚類 221
6.3.2 雷達狀態(tài)標簽序列聚類識別算法 225
6.3.3 算法性能驗證 232
6.4 基于序貫假設(shè)檢驗的工作狀態(tài)序列切換點在線檢測方法 242
6.4.1 多功能雷達工作狀態(tài)在線切換點檢測任務(wù) 242
6.4.2 雷達工作狀態(tài)在線切換點檢測算法 246
6.4.3 算法性能驗證 252
6.5 先進多功能雷達系統(tǒng)行為識別方法 258
6.5.1 狀態(tài)符號序列生成 258
6.5.2 狀態(tài)行為映射識別 260
6.5.3 行為識別仿真數(shù)據(jù)實驗 262
6.5.4 級聯(lián)網(wǎng)絡(luò)仿真數(shù)據(jù)實驗 264
6.6 本章小結(jié) 266
參考文獻 267
第7章 認知多功能雷達系統(tǒng)行為逆向分析 270
7.1 認知多功能雷達系統(tǒng)行為逆向分析任務(wù)概述 270
7.1.1 雷達系統(tǒng)行為逆向分析任務(wù)內(nèi)涵 270
7.1.2 逆向分析技術(shù)實現(xiàn)途徑分析 272
7.2 基于逆濾波的逆信號處理方法 274
7.2.1 針對雷達目標跟蹤濾波的逆分析任務(wù) 274
7.2.2 典型雷達目標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估中的應(yīng)用 289
7.3 基于回報函數(shù)反演的逆資源管理分析 304
7.3.1 基于服務(wù)質(zhì)量的認知雷達資源管理模型 304
7.3.2 基于強化學習的認知雷達資源管理實現(xiàn) 306
7.3.3 認知雷達資源管理器逆向分析任務(wù) 309
7.4 基于多任務(wù)學習的認知雷達動作識別方法 310
7.4.1 多任務(wù)學習原理 311
7.4.2 基于MTL的認知雷達動作提取任務(wù)建模 312
7.4.3 基于MTL的認知雷達動作提取算法 313
7.4.4 算法性能驗證 317
7.5 基于逆強化學習的認知雷達回報函數(shù)反演方法 326
7.5.1 逆強化學習原理 326
7.5.2 基于*大熵深度逆強化學習的回報函數(shù)反演算法 328
7.5.3 算法性能驗證 331
7.6 本章小結(jié) 337
參考文獻 338