先进多功能雷达智能感知识别技术

《先进多功能雷达智能感知识别技术》聚焦先进多功能雷达的感知识别难题，将人工智能技术应用于对多功能雷达感知识别。《先进多功能雷达智能感知识别技术》内容主要包括先进多功能雷达行为建模表征、智能化感知识别技术基础、交织辐射源信号分选、脉内调制类型识别、多功能雷达工作状态识别、多功能雷达系统行为识别、认知多功能雷达行为策略逆向分析等。

目录
前言
第1章 先进多功能雷达系统概述 1
1.1 先进多功能雷达发展历史 1
1.1.1 先进多功能雷达基本概念 1
1.1.2 相控阵先进多功能雷达发展历史 2
1.2 典型先进多功能雷达系统 4
1.2.1 地基多功能雷达系统 4
1.2.2 机载多功能雷达系统 7
1.2.3 舰载多功能雷达系统 12
1.3 先进多功能雷达给电子侦察带来的挑战 15
1.3.1 多功能雷达信号的特点 15
1.3.2 多功能雷达带来的挑战 16
参考文献 17
第2章 先进多功能雷达行为机理和观测建模 19
2.1 先进多功能雷达行为机理与参数化模型表征方法 19
2.1.1 MFR系统行为实现原理的层次化框架 19
2.1.2 MFR系统的典型行为模式 27
2.1.3 MFR系统行为实现过程的层次化框架 29
2.1.4 MFR系统行为动态特性表征方法 30
2.1.5 MFR工作状态的参数化模型表征 35
2.2 基于雷达信号PDW数据的多功能雷达系统行为观测模型 42
2.2.1 MFR系统行为观测模型的概念和内涵 42
2.2.2 MFR系统行为观测目标的客体模型 44
2.2.3 MFR系统行为观测信号的非理想性模型 45
2.2.4 MFR系统行为观测者分析模型 46
2.3认知多功能雷达系统行为框架 50 2.4
本章小结 52
参考文献 52
第3章 智能化感知识别技术基础 55
3.1 人工智能技术概述 55
3.1.1 人工智能技术简史 56
3.1.2 人工智能在辐射源识别中的发展趋势 57
3.2 特征工程简介 58
3.2.1 特征提取方法 59
3.2.2 特征选择方法 62
3.3 有监督机器学习 63
3.3.1 有监督机器学习简介 63
3.3.2 BP神经网络 64
3.3.3 卷积神经网络 65
3.3.4 循环神经网络 66
3.3.5 长短期记忆网络 67
3.4 无监督机器学习 68
3.4.1 无监督机器学习简介 68
3.4.2 原型聚类 68
3.4.3 密度聚类 70
3.4.4 层次聚类 70
3.5 强化学习 71
3.5.1 强化学习基本思想 71
3.5.2 马尔可夫决策过程 72
3.5.3 强化学习问题定义 73
3.6 本章小结 75
参考文献 75
第4章 雷达信号分选技术 77
4.1 雷达信号分选技术概述 77
4.1.1 雷达信号分选任务内涵 77
4.1.2 多功能雷达信号分选任务建模 78
4.1.3 雷达信号分选实现途径 85
4.2 基于无监督聚类的信号分选方法 87
4.2.1 无监督聚类方法原理 87
4.2.2 基于UCAR的无监督聚类分选算法 89
4.2.3 算法性能验证 93
4.3 基于参数化模型*大似然估计的信号分选方法 100
4.3.1 基于参数化模型*大似然估计的分选原理 100
4.3.2 基于参数化模型*大似然估计的分选算法 103
4.3.3 算法性能验证 109
4.4 基于神经机器翻译的信号分选方法 115
4.4.1 神经机器翻译方法原理 115
4.4.2 基于神经机器翻译的分选算法 117
4.4.3 算法性能验证 122
4.5 本章小结 131
参考文献 131
第5章 多功能雷达信号脉内调制识别技术 135
5.1 多功能雷达脉内调制识别技术概述 135
5.1.1 雷达脉内调制识别任务内涵 135
5.1.2 雷达脉内调制识别任务建模 136
5.1.3 雷达脉内调制识别技术途径分析 139
5.2 低信噪比条件下的脉内调制类型识别方法(LDCUnet-DCNN) 141
5.2.1 低信噪比下的脉内调制类型识别任务 141
5.2.2 生成对抗网络的基本原理 142
5.2.3 一种基于局部密集连接Unet的LPI雷达信号调制类型识别算法(LDCUnet- DCNN) 144
5.2.4 算法性能验证 149
5.3 小样本条件下脉内信号调制样式识别方法(FG-FSL) 152
5.3.1 脉内调制类型识别的小样本学习任务建模 152
5.3.2 小样本学习基本原理 153
5.3.3 一种基于前景分割的小样本识别方法(FG-FSL) 158
5.3.4 算法性能验证 161
5.4 时频交叠条件下的脉内调制类型识别方法(RAUnetGAN-MIML) 170
5.4.1 时频交叠条件下的脉内调制类型识别任务 170
5.4.2 多示例多标签学习方法的基本原理 171
5.4.3 一种基于残差注意力Unet和MIML的时频交叠信号调制识别方法 (RAUnetGAN-MIML) 172
5.4.4 算法性能验证 179
5.5 本章小结 187
参考文献 187
第6章 多功能雷达行为层次化识别技术 194
6.1 多功能雷达行为识别技术概述 194
6.1.1 行为层次化识别任务内涵 194
6.1.2 行为层次化识别任务建模 195
6.1.3 雷达行为层次化识别实现途径分析 198
6.2 基于序列到序列学习的工作状态序列识别方法 201
6.2.1 序列到序列学习的基本原理 202
6.2.2 基于层次化序列到序列学习的状态标签序列识别 203
6.2.3 算法性能验证 207
6.3 基于模型的时间序列聚类工作状态识别方法 221
6.3.1 时间序列的特性与聚类 221
6.3.2 雷达状态标签序列聚类识别算法 225
6.3.3 算法性能验证 232
6.4 基于序贯假设检验的工作状态序列切换点在线检测方法 242
6.4.1 多功能雷达工作状态在线切换点检测任务 242
6.4.2 雷达工作状态在线切换点检测算法 246
6.4.3 算法性能验证 252
6.5 先进多功能雷达系统行为识别方法 258
6.5.1 状态符号序列生成 258
6.5.2 状态行为映射识别 260
6.5.3 行为识别仿真数据实验 262
6.5.4 级联网络仿真数据实验 264
6.6 本章小结 266
参考文献 267
第7章 认知多功能雷达系统行为逆向分析 270
7.1 认知多功能雷达系统行为逆向分析任务概述 270
7.1.1 雷达系统行为逆向分析任务内涵 270
7.1.2 逆向分析技术实现途径分析 272
7.2 基于逆滤波的逆信号处理方法 274
7.2.1 针对雷达目标跟踪滤波的逆分析任务 274
7.2.2 典型雷达目标跟踪滤波算法的逆分析算法 277
7.2.3 逆滤波处理在干扰效果评估中的应用 289
7.3 基于回报函数反演的逆资源管理分析 304
7.3.1 基于服务质量的认知雷达资源管理模型 304
7.3.2 基于强化学习的认知雷达资源管理实现 306
7.3.3 认知雷达资源管理器逆向分析任务 309
7.4 基于多任务学习的认知雷达动作识别方法 310
7.4.1 多任务学习原理 311
7.4.2 基于MTL的认知雷达动作提取任务建模 312
7.4.3 基于MTL的认知雷达动作提取算法 313
7.4.4 算法性能验证 317
7.5 基于逆强化学习的认知雷达回报函数反演方法 326
7.5.1 逆强化学习原理 326
7.5.2 基于*大熵深度逆强化学习的回报函数反演算法 328
7.5.3 算法性能验证 331
7.6 本章小结 337
参考文献 338