資源描述：
《基于sSAE的LPI雷達(dá)信號識別算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號：密級：ＵＤＣ：編號：工學(xué)碩士學(xué)位論文基于sSAE的LPI雷達(dá)信號識別算法研究碩士研究生：寇韻涵指導(dǎo)教師：郭立民副教授學(xué)科、專業(yè)：信息與通信工程論文主審人：陳濤教授哈爾濱工程大學(xué)2018年03月分類號：密級：ＵＤＣ：編號：工學(xué)碩士學(xué)位論文基于sSAE的LPI雷達(dá)信號識別算法研究碩士研究生：寇韻涵指導(dǎo)教師：郭立民副教授學(xué)位級別：工學(xué)碩士學(xué)科、專業(yè)：信息與通信工程所在單位：信息與通信工程學(xué)院論文提交日期：2017年12月論文答辯日期：2018年03月學(xué)位授予單位：哈爾濱工程大學(xué)ClassifiedIndex:U
2、.D.C:ADissertationfortheDegreeofM.EngResearchonLowProbabilityofInterceptRadarSingnalRecongnitionAlgorithmBasedonstackedSparseAutoEndocerCandidate:KouYunhanSupervisor:A.Prof.GuoLiminAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicat
3、ionEngineeringDateofSubmission:Dec.2017DateofOralExamination:Mar.2018University:HarbinInstituteofTechnology哈爾濱工程大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指導(dǎo)下，由作者本人獨(dú)立完成的。有關(guān)觀點(diǎn)、方法、數(shù)據(jù)和文獻(xiàn)的引用已在文中指出，并與參考文獻(xiàn)相對應(yīng)。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)公開發(fā)表的作品成果。對本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確
4、方式標(biāo)明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。作者（簽字）：日期：年月日哈爾濱工程大學(xué)學(xué)位論文授權(quán)使用聲明本人完全了解學(xué)校保護(hù)知識產(chǎn)權(quán)的有關(guān)規(guī)定，即研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)屬于哈爾濱工程大學(xué)。哈爾濱工程大學(xué)有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件。本人允許哈爾濱工程大學(xué)將論文的部分或全部內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文，可以公布論文的全部內(nèi)容。同時(shí)本人保證畢業(yè)后結(jié)合學(xué)位論文研究課題再撰寫的論文一律注明作者第一署名單位為哈爾濱工程大學(xué)。涉密
5、學(xué)位論文待解密后適用本聲明。本論文（□在授予學(xué)位后即可□在授予學(xué)位12個(gè)月后□解密后）由哈爾濱工程大學(xué)送交有關(guān)部門進(jìn)行保存、匯編等。作者（簽字）：導(dǎo)師（簽字）：日期：年月日年月日摘要由于低截獲概率（LPI）雷達(dá)等復(fù)雜體制雷達(dá)的出現(xiàn)，常規(guī)的雷達(dá)信號識別方法已經(jīng)失效，因此近年來如何對LPI雷達(dá)信號進(jìn)行有效識別成為非合作雷達(dá)信號處理研究的重點(diǎn)。2006年以來，基于深度學(xué)習(xí)的人工智能技術(shù)得到了突飛猛進(jìn)的發(fā)展，已經(jīng)在圖像識別領(lǐng)域取得了顯著地成果。棧式稀疏自編碼器(sSAE)是深度學(xué)習(xí)的常用模型之一，相對于傳統(tǒng)的雷達(dá)信號識別
6、算法，基于sSAE的自動識別算法能夠利用信號數(shù)據(jù)本身，自動學(xué)習(xí)并提取信號時(shí)頻圖像中的特征，不僅減少了人工提取特征時(shí)的巨大工作量，提高了特征提取的效率，而且在低信噪比條件下顯著提高了LPI雷達(dá)信號的識別效率。論文的創(chuàng)新工作及成果如下：首先，研究了基于CWD時(shí)頻圖像的圖像預(yù)處理方法，通過預(yù)處理操作，不同信號之間的時(shí)頻圖像差異顯著性增強(qiáng)，不僅去除了相關(guān)信息之間的冗余，而且降低了特征維度，在減少信號噪聲影響的同時(shí)，又能比較完整的保留雷達(dá)信號時(shí)頻圖像中的特征，并且還可以簡化識別部分的運(yùn)算。其次，針對LPI雷達(dá)信號識別率低且
7、特征提取困難的問題，本文研究了一種基于CWD和sSAE的自動分類識別系統(tǒng)。該系統(tǒng)從反映信號本質(zhì)特征的時(shí)頻圖像入手，首先對LPI雷達(dá)信號進(jìn)行CWD時(shí)頻變換，把一維時(shí)間信號轉(zhuǎn)換成二維時(shí)頻圖像。然后對得到的時(shí)頻原始圖像進(jìn)行一系列預(yù)處理，并把預(yù)處理后的圖像送入多層稀疏自編碼器(SAE)進(jìn)行離線訓(xùn)練。最后把經(jīng)多層SAE訓(xùn)練后自動提取的特征輸入softmax分類器，進(jìn)行雷達(dá)信號的在線分類識別。仿真結(jié)果表明，在低信噪比條件下明顯優(yōu)于人工設(shè)計(jì)提取信號特征的識別方法。最后，針對隨機(jī)森林（RF）分類器的優(yōu)勢和存在的問題，本文基于sS
8、AE和RF分類器研究了改進(jìn)的sSAE-RF算法。RF訓(xùn)練可以高度并行化，在大訓(xùn)練數(shù)據(jù)量和高特征維度時(shí)顯示出明顯的速度優(yōu)勢。但在信噪比較低時(shí)RF模型易陷入過擬合，造成分類效果較差，而且RF模型訓(xùn)練時(shí)間較長。然而，sSAE可以自動學(xué)習(xí)并提取信號的特征，在低信噪比條件下具有優(yōu)異的分類識別結(jié)果。仿真結(jié)果表明，改進(jìn)的sSAE-RF算法與RF相比，不僅提高了RF的模型訓(xùn)練速度，而且改
