資源描述：
《基于集成深度學(xué)習(xí)的雷達信號識別方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、國內(nèi)圖書分類號：TP391密級：公開國際圖書分類號：621.3西南交通大學(xué)研究生學(xué)位論文基于集成深度學(xué)習(xí)的雷達信號識別方法研究年級2015級姓名陳春利申請學(xué)位級別工程碩士專業(yè)電氣工程指導(dǎo)老師金煒東教授二零一八年四月ClassifiedIndex:TP391U.D.C:621.3SouthwestJiaotongUniversityMasterDegreeThesisRESEARCHOFRADARSIGNALRECOGNITIONMETHODBASEDONENSEMBLEDEEPLEARNINGGrade:2015Candidate:ChenChunliAcademicDeg
2、reeAppliedfor:MasterSpeciality:ElectricalEngineeringSupervisor:Prof.JinWeidongApril,201西南交通大學(xué)碩士研究生學(xué)位論文第I頁摘要作為當(dāng)前研究的熱點算法，深度學(xué)習(xí)具備很強的數(shù)據(jù)特征表達能力，不僅能克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)通用性差的缺陷，而且訓(xùn)練出的模型能自適應(yīng)地學(xué)習(xí)到人工方法難以提取到的重要特征。因此，基于深度學(xué)習(xí)研究的智能技術(shù)得到了迅猛的發(fā)展和廣闊的應(yīng)用空間，給社會各個領(lǐng)域的進步帶來了巨大的推進作用?，F(xiàn)代雷達輻射源信號具有參數(shù)多變、形式多樣、變化規(guī)律復(fù)雜等特點，用常規(guī)的信號分選識別方法來處
3、理這類復(fù)雜信號，往往存在計算量大、過程繁瑣和效率較低等不足，這嚴(yán)重影響了當(dāng)前復(fù)雜體制雷達信號的分選識別。深度學(xué)習(xí)依靠多層深網(wǎng)絡(luò)模型，能學(xué)習(xí)到數(shù)據(jù)豐富的隱含信息，所以，利用深度學(xué)習(xí)自動地學(xué)習(xí)和分選識別大量復(fù)雜的雷達輻射源脈沖數(shù)據(jù)，具有重要意義。本文的具體研究工作如下：1、介紹現(xiàn)有雷達信號識別方法的發(fā)展現(xiàn)狀和優(yōu)缺點，以及深度學(xué)習(xí)算法的發(fā)展和基本原理；針對現(xiàn)有雷達信號識別方法中難以快速提取到重要特征、計算復(fù)雜和表達能力有限等問題，提出一種基于深度信念網(wǎng)絡(luò)模型的信號識別方法，對信號進行自動學(xué)習(xí)與分析，獲取能反映信號本質(zhì)特征的信息，來提升雷達信號分選識別的效果。2、通過層疊泛化的集成
4、學(xué)習(xí)思想對深度模型進行改進，構(gòu)建多層深度信念網(wǎng)絡(luò)的層疊集成模型，避免參數(shù)尋優(yōu)的過程，能解決單一模型學(xué)習(xí)力不足、準(zhǔn)確度較低等問題；通過對仿真的8種來自不同雷達輻射源的脈沖信號進行深入分析與學(xué)習(xí)，層疊集成多個深度學(xué)習(xí)模型的結(jié)果進行最終分類決策，相比原深度模型，這種方法有效提高了信號識別的準(zhǔn)確度。并通過實驗與其它不同的信號分類方法進行比較，結(jié)果顯示，該方法獲得了更令人滿意的效果，從而驗證了算法的有效性和優(yōu)越性。3、通過線性集成每層深度模型的后驗概率，并引入損失函數(shù)和正則化參數(shù)進行學(xué)習(xí)，獲得新的數(shù)據(jù)集，再通過決策層確定最終的分類結(jié)果，從而改善模型的性能；通過仿真實驗，與不同集成學(xué)習(xí)
5、方法進行對比，表明該方法不僅能提高識別率，還能從一定程度上提高算法的穩(wěn)定性，克服過擬合問題。關(guān)鍵詞:雷達信號識別；深度學(xué)習(xí)；深度信念網(wǎng)絡(luò)；層疊泛化；線性集成；分類決策西南交通大學(xué)碩士研究生學(xué)位論文第II頁AbstractDeeplearninghasstrongabilityofdataexpressionasahotalgorithmincurrentresearch.Itnotonlycanovercomethedefectofthepoorgeneralityofthetraditionalneuralnetworkarchitecture,butalsocanlea
6、rntheimportantfeaturesbythetrainedmodel,whicharedifficulttoextractforsomeartificialmethods.Therefore,theintelligenttechnologybasedondeeplearninghasbeendevelopedrapidlyandhasawideapplicationspace,whichhasbroughtgreatimpetustotheprogressofvariousfieldsofsociety.Modernradaremittersignalshavet
7、hecharacteristicsofvariableparameters,variousformsandcomplexrulesofchange.Thereareoftenweaknessesoflargeamountofcomputation,complicatedprocessandlowefficiencyinconventionalsignalsortingrecognitionmethods,whichseriouslyaffecttherecognitionofradarsignalsincomple
