先進多功能雷達智能感知識別技術
 |
《先進多功能雷達智能感知識別技術》，李雲傑 等 著，出版社： 科學出版社。
科學出版社是中國最大的綜合性科技出版機構[1]，由前中國科學院編譯局與1930年代創建的有較大影響的龍門聯合書局合併而來。科學出版社比鄰皇城根遺址公園，是一個歷史悠久、力量雄厚，以出版學術書刊為主的開放式出版社[2]。
目錄
內容簡介
《先進多功能雷達智能感知識別技術》聚焦先進多功能雷達的感知識別難題，將人工智能技術應用於對多功能雷達感知識別。《先進多功能雷達智能感知識別技術》內容主要包括先進多功能雷達行為建模表徵、智能化感知識別技術基礎、交織輻射源信號分選、脈內調製類型識別、多功能雷達工作狀態識別、多功能雷達系統行為識別、認知多功能雷達行為策略逆向分析等。
目錄
前言
第1章 先進多功能雷達系統概述 1
1.1 先進多功能雷達發展歷史 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展歷史 2
1.2 典型先進多功能雷達系統 4
1.2.1 地基多功能雷達系統 4
1.2.2 機載多功能雷達系統 7
1.2.3 艦載多功能雷達系統 12
1.3 先進多功能雷達給電子偵察帶來的挑戰 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 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化模型表徵方法 19
2.1.1 MFR系統行為實現原理的層次化框架 19
2.1.2 MFR系統的典型行為模式 27
2.1.3 MFR系統行為實現過程的層次化框架 29
2.1.4 MFR系統行為動態特性表徵方法 30
2.1.5 MFR工作狀態的參數化模型表徵 35
2.2 基於雷達信號PDW數據的多功能雷達系統行為觀測模型 42
2.2.1 MFR系統行為觀測模型的概念和內涵 42
2.2.2 MFR系統行為觀測目標的客體模型 44
2.2.3 MFR系統行為觀測信號的非理想性模型 45
2.2.4 MFR系統行為觀測者分析模型 46
2.3認知多功能雷達系統行為框架 50 2.4
本章小結 52
參考文獻 52
第3章 智能化感知識別技術基礎 55
3.1 人工智能技術概述 55
3.1.1 人工智能技術簡史 56
3.1.2 人工智能在輻射源識別中的發展趨勢 57
3.2 特徵工程簡介 58
3.2.1 特徵提取方法 59
3.2.2 特徵選擇方法 62
3.3 有監督機器學習 63
3.3.1 有監督機器學習簡介 63
3.3.2 BP神經網絡 64
3.3.3 卷積神經網絡 65
3.3.4 循環神經網絡 66
3.3.5 長短期記憶網絡 67
3.4 無監督機器學習 68
3.4.1 無監督機器學習簡介 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 75
參考文獻 75
第4章 雷達信號分選技術 77
4.1 雷達信號分選技術概述 77
4.1.1 雷達信號分選任務內涵 77
4.1.2 多功能雷達信號分選任務建模 78
4.1.3 雷達信號分選實現途徑 85
4.2 基於無監督聚類的信號分選方法 87
4.2.1 無監督聚類方法原理 87
4.2.2 基於UCAR的無監督聚類分選算法 89
4.2.3 算法性能驗證 93
4.3 基於參數化模型*大似然估計的信號分選方法 100
4.3.1 基於參數化模型*大似然估計的分選原理 100
4.3.2 基於參數化模型*大似然估計的分選算法 103
4.3.3 算法性能驗證 109
4.4 基於神經機器翻譯的信號分選方法 115
4.4.1 神經機器翻譯方法原理 115
4.4.2 基於神經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 131
參考文獻 131
第5章 多功能雷達信號脈內調製識別技術 135
5.1 多功能雷達脈內調製識別技術概述 135
5.1.1 雷達脈內調製識別任務內涵 135
5.1.2 雷達脈內調製識別任務建模 136
5.1.3 雷達脈內調製識別技術途徑分析 139
5.2 低信噪比條件下的脈內調製類型識別方法(LDCUnet-DCNN) 141
5.2.1 低信噪比下的脈內調製類型識別任務 141
5.2.2 生成對抗網絡的基本原理 142
5.2.3 一種基於局部密集連接Unet的LPI雷達信號調製類型識別算法(LDCUnet- DCNN) 144
5.2.4 算法性能驗證 149
5.3 小樣本條件下脈內信號調製樣式識別方法(FG-FSL) 152
5.3.1 脈內調製類型識別的小樣本學習任務建模 152
5.3.2 小樣本學習基本原理 153
5.3.3 一種基於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調製類型識別方法(RAUnetGAN-MIML) 170
5.4.1 時頻交疊條件下的脈內調製類型識別任務 170
5.4.2 多示例多標籤學習方法的基本原理 171
5.4.3 一種基於殘差注意力Unet和MIML的時頻交疊信號調製識別方法 (RAUnetGAN-MIML) 172
5.4.4 算法性能驗證 179
5.5 本章小結 187
參考文獻 187
第6章 多功能雷達行為層次化識別技術 194
6.1 多功能雷達行為識別技術概述 194
6.1.1 行為層次化識別任務內涵 194
6.1.2 行為層次化識別任務建模 195
6.1.3 雷達行為層次化識別實現途徑分析 198
6.2 基於序列到序列學習的工作狀態序列識別方法 201
6.2.1 序列到序列學習的基本原理 202
6.2.2 基於層次化序列到序列學習的狀態標籤序列識別 203
6.2.3 算法性能驗證 207
6.3 基於模型的時間序列聚類工作狀態識別方法 221
6.3.1 時間序列的特性與聚類 221
6.3.2 雷達狀態標籤序列聚類識別算法 225
6.3.3 算法性能驗證 232
6.4 基於序貫假設檢驗的工作狀態序列切換點在線檢測方法 242
6.4.1 多功能雷達工作狀態在線切換點檢測任務 242
6.4.2 雷達工作狀態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行為識別方法 258
6.5.1 狀態符號序列生成 258
6.5.2 狀態行為映射識別 260
6.5.3 行為識別仿真數據實驗 262
6.5.4 級聯網絡仿真數據實驗 264
6.6 本章小結 266
參考文獻 267
第7章 認知多功能雷達系統行為逆向分析 270
7.1 認知多功能雷達系統行為逆向分析任務概述 270
7.1.1 雷達系統行為逆向分析任務內涵 270
7.1.2 逆向分析技術實現途徑分析 272
7.2 基於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 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用 289
7.3 基於回報函數反演的逆資源管理分析 304
7.3.1 基於服務質量的認知雷達資源管理模型 304
7.3.2 基於強化學習的認知雷達資源管理實現 306
7.3.3 認知雷達資源管理器逆向分析任務 309
7.4 基於多任務學習的認知雷達動作識別方法 310
7.4.1 多任務學習原理 311
7.4.2 基於MTL的認知雷達動作提取任務建模 312
7.4.3 基於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 基於逆強化學習的認知雷達回報函數反演方法 326
7.5.1 逆強化學習原理 326
7.5.2 基於*大熵深度逆強化學習的回報函數反演算法 328
7.5.3 算法性能驗證 331
7.6 本章小結 337
參考文獻 338
參考文獻
- ↑ 國家對出版社等級是怎樣評估的 ，搜狐，2024-07-06
- ↑ 公司簡介，中國科技出版傳媒股份有限公司