基于并行Boosting算法的雷达辐射源识别系统的设计与实现

论文摘要

电子战是现代作战的重要形式,而雷达在现代战场上中具有非常重要的地位。只有获得敌方雷达的参数、体制等信息特征,才能掌握其相关武器系统的工作状态、制导方式,了解其战术运用特点及作战能力,从而为指挥员提供作战决策依据,所以对雷达的正确识别在现代作战中具有重要意义。本文主要介绍了一种新的基于并行Boosting算法建造雷达辐射源识别的方法。在该方法系统中,首先深入探讨了辐射源数据的特征提取理论算法,并且用该方法对系统所用的数据集进行预处理,将数据从高维向低维做影射,提高系统的识别率。其次对作为该并行Boosting的基分类算法——BP神经网络作了详细的讨论,并成功地构造出适合该系统的神经网络结构。最后重点对并行Boosting算法及多处理器环境下多分类器的设计、构建、改进等作了深入的研究,并用RADAR数据集对系统进行了测试,且取得了很好的效果,与同类方法比较识别所用的时间有很大的降低。同时将并行Boosting的测试结果与基分类算法BP的测试结果进行比较,证明并行Boosting方法能够大幅度提高弱分类算法识别率,以及该多分类器系统的理论可行性。

论文目录

摘要

Abstract

第一章绪论

1.1 概述

1.2 课题研究背景

1.3 本文主要工作

第二章辐射源识别技术

2.1 雷达信号识别的定义

2.2 传统的辐射源识别技术

2.3 基于神经网络的辐射源识别技术

2.4 本章小结

第三章辐射源样本处理与基分类器

3.1 样本预处理理论

3.2 样本的特征提取

3.3 雷达辐射源特征提取及归一化

3.4 基分类算法BP 神经网络

3.4.1 BP 神经网络及其算法

3.4.2 基分类算法BP 神经网络设计

3.5 本章小结

第四章并行Boosting 算法

4.1 基本概念介绍

4.2 标准Boosting 算法

4.2.1 标准Boosting

4.2.2 Boosting 算法主要思想

4.2.3 Boosting 算法的理论分析

4.3 并行Boosting 算法

4.3.1 算法核心思想

4.3.2 算法流程及伪码描述

4.3.3 局部分布权值向量的获取

4.3.4 全局分布权值向量的更新

4.4 多分类器的联合

4.5 系统功能设计与实现

4.6 本章小结

第五章系统功能设计实现及测试结果比较分析

5.1 雷达辐射源识别系统平台

5.2 测试流程

5.3 实验结果对比分析

第六章结论

6.1 工作总结

6.2 进一步研究

致谢

参考文献

相关论文文献

[1].针对非平衡警情数据改进的K-Means-Boosting-BP模型[J]. 中国图象图形学报 2017(09)
[2].Successful Application of Hydrocracking Technology Aimed at Prodigiously Boosting Jet Fuel Yield[J]. China Petroleum Processing & Petrochemical Technology 2016(04)
[3].矩优化Boosting算法[J]. 模式识别与人工智能 2015(12)
[4].Boosting算法理论与应用研究[J]. 中国科学技术大学学报 2016(03)
[5].Boosting Rural Development through Industrial Prosperity[J]. China Today 2020(09)
[6].比例优势boosting算法在高维有序多分类数据分析中的应用[J]. 中国卫生统计 2018(03)
[7].Technology Relating to Catalyst for Boosting Gasoline Yield Developed by RIPP Passed Appraisal[J]. China Petroleum Processing & Petrochemical Technology 2017(01)
[8].Thickness Measurement of Insulation Coating by NIR Spectrometry Based on Boosting-KPLS[J]. 光谱学与光谱分析 2011(08)
[9].基于改进On-line Boosting算法的视频目标跟踪[J]. 电视技术 2015(16)
[10].基于统计分析Boosting的复杂场景目标识别方法研究[J]. 仪器仪表学报 2010(08)
[11].Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Journal of Modern Power Systems and Clean Energy 2017(01)
[12].Overview of boosting options for future downsized engines[J]. Science China Technological Sciences 2011(02)
[13].基于多类在线Boosting的图像识别算法[J]. 计算机辅助设计与图形学学报 2011(07)
[14].Boosting Cultural Industry[J]. China's Foreign Trade 2009(21)
[15].具有动态级联结构的在线Boosting算法[J]. 东南大学学报(自然科学版) 2009(S1)
[16].基于Boosting框架的推荐系统架构与优化[J]. 现代电子技术 2020(08)
[17].Catalyst RCGP-1 for Boosting Gasoline Yield Passed SINOPEC's Appraisal[J]. China Petroleum Processing & Petrochemical Technology 2017(02)
[18].基于在线多核boosting的鲁棒视觉跟踪[J]. 光电子·激光 2016(05)
[19].一种基于Boosting的目标识别方法[J]. 电气自动化 2013(05)
[20].Snapshot boosting: a fast ensemble framework for deep neural networks[J]. Science China(Information Sciences) 2020(01)
[21].线性回归模型的Boosting变量选择方法[J]. 工程数学学报 2015(05)
[22].基于Boosting的网络异常流量检测算法研究[J]. 淮阴工学院学报 2011(05)
[23].两分类不平衡数据的Boosting算法[J]. 统计与决策 2010(10)
[24].基于组合Boosting回归的软测量建模[J]. 计算机工程与应用 2010(25)
[25].基于改进的Boosting算法的仓库监控区域目标跟踪研究[J]. 微型电脑应用 2020(05)
[26].Systematic Advancement[J]. Beijing Review 2020(24)
[27].Boosting算法研究[J]. 电脑知识与技术 2008(36)
[28].基于Boosting模糊分类的入侵检测[J]. 计算机工程 2008(05)
[29].一种自适应的多类Boosting分类算法[J]. 计算机科学 2017(07)
[30].基于Boosting算法软件可靠性动态赋权组合建模[J]. 数字技术与应用 2017(08)

标签：雷达辐射源识别论文; 神经网络论文; 并行算法论文;

基于并行Boosting算法的雷达辐射源识别系统的设计与实现

论文摘要

论文目录

相关论文文献

猜你喜欢