2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >>
先進(jìn)多功能雷達(dá)智能感知識別技術(shù)

先進(jìn)多功能雷達(dá)智能感知識別技術(shù)

出版社：科學(xué)出版社出版時間：2023-09-01
開本： B5 頁數(shù)： 352
中 圖 價:¥140.6(7.9折) 定價  ¥178.0 登錄后可看到會員價
加入購物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

先進(jìn)多功能雷達(dá)智能感知識別技術(shù) 版權(quán)信息

先進(jìn)多功能雷達(dá)智能感知識別技術(shù) 本書特色

本書聚焦先進(jìn)多功能雷達(dá)的感知識別難題，將人工智能技術(shù)應(yīng)用于對多功能雷達(dá)感知識別。

先進(jìn)多功能雷達(dá)智能感知識別技術(shù) 內(nèi)容簡介

隨著各種優(yōu)選體制雷達(dá)系統(tǒng)能力不斷提升，現(xiàn)代戰(zhàn)場電磁環(huán)境日益復(fù)雜。優(yōu)選多功能雷達(dá)的多種動態(tài)系統(tǒng)功能特性，給傳統(tǒng)電子偵察與對抗系統(tǒng)帶來了極大的挑戰(zhàn)。引入人工智能技術(shù)發(fā)展成果，開展優(yōu)選多功能雷達(dá)的智能化感知識別，已經(jīng)成為電子戰(zhàn)研究領(lǐng)域中的一個熱點(diǎn)和難點(diǎn)問題。本專著為編者團(tuán)隊近年來在優(yōu)選多功能雷達(dá)智能化感知識別方面科研成果的總結(jié)歸納，在精細(xì)化目標(biāo)系統(tǒng)建；A(chǔ)上，聚焦智能化技術(shù)應(yīng)用于優(yōu)選多功能雷達(dá)感知識別的各個信號處理環(huán)節(jié)，主要內(nèi)容包括優(yōu)選多功能雷達(dá)建模表征、智能化感知識別技術(shù)基礎(chǔ)、復(fù)雜戰(zhàn)場電磁環(huán)境中的多輻射源信號分選、多功能雷達(dá)信號脈內(nèi)調(diào)制類型識別、多元時間序列定義的多功能雷達(dá)工作狀態(tài)識別技術(shù)、多功能雷達(dá)系統(tǒng)級行為過程識別、認(rèn)知雷達(dá)的智能化感知識別等。

先進(jìn)多功能雷達(dá)智能感知識別技術(shù) 目錄

目錄 前言 第1章 先進(jìn)多功能雷達(dá)系統(tǒng)概述 1 1.1 先進(jìn)多功能雷達(dá)發(fā)展歷史 1 1.1.1 先進(jìn)多功能雷達(dá)基本概念 1 1.1.2 相控陣先進(jìn)多功能雷達(dá)發(fā)展歷史 2 1.2 典型先進(jìn)多功能雷達(dá)系統(tǒng) 4 1.2.1 地基多功能雷達(dá)系統(tǒng) 4 1.2.2 機(jī)載多功能雷達(dá)系統(tǒng) 7 1.2.3 艦載多功能雷達(dá)系統(tǒng) 12 1.3 先進(jìn)多功能雷達(dá)給電子偵察帶來的挑戰(zhàn) 15 1.3.1 多功能雷達(dá)信號的特點(diǎn) 15 1.3.2 多功能雷達(dá)帶來的挑戰(zhàn) 16 參考文獻(xiàn) 17 第2章 先進(jìn)多功能雷達(dá)行為機(jī)理和觀測建模 19 2.1 先進(jìn)多功能雷達(dá)行為機(jī)理與參數(shù)化模型表征方法 19 2.1.1 MFR系統(tǒng)行為實現(xiàn)原理的層次化框架 19 2.1.2 MFR系統(tǒng)的典型行為模式 27 2.1.3 MFR系統(tǒng)行為實現(xiàn)過程的層次化框架 29 2.1.4 MFR系統(tǒng)行為動態(tài)特性表征方法 30 2.1.5 MFR工作狀態(tài)的參數(shù)化模型表征 35 2.2 基于雷達(dá)信號PDW數(shù)據(jù)的多功能雷達(dá)系統(tǒng)行為觀測模型 42 2.2.1 MFR系統(tǒng)行為觀測模型的概念和內(nèi)涵 42 2.2.2 MFR系統(tǒng)行為觀測目標(biāo)的客體模型 44 2.2.3 MFR系統(tǒng)行為觀測信號的非理想性模型 45 2.2.4 MFR系統(tǒng)行為觀測者分析模型 46 2.3認(rèn)知多功能雷達(dá)系統(tǒng)行為框架 50 2.4 本章小結(jié) 52 參考文獻(xiàn) 52 第3章 智能化感知識別技術(shù)基礎(chǔ) 55 3.1 人工智能技術(shù)概述 55 3.1.1 人工智能技術(shù)簡史 56 3.1.2 人工智能在輻射源識別中的發(fā)展趨勢 57 3.2 特征工程簡介 58 3.2.1 特征提取方法 59 3.2.2 特征選擇方法 62 3.3 有監(jiān)督機(jī)器學(xué)習(xí) 63 3.3.1 有監(jiān)督機(jī)器學(xué)習(xí)簡介 63 3.3.2 BP神經(jīng)網(wǎng)絡(luò) 64 3.3.3 卷積神經(jīng)網(wǎng)絡(luò) 65 3.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 66 3.3.5 長短期記憶網(wǎng)絡(luò) 67 3.4 無監(jiān)督機(jī)器學(xué)習(xí) 68 3.4.1 無監(jiān)督機(jī)器學(xué)習(xí)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(qiáng)化學(xué)習(xí) 71 3.5.1 強(qiáng)化學(xué)習(xí)基本思想 71 3.5.2 馬爾可夫決策過程 72 3.5.3 強(qiáng)化學(xué)習(xí)問題定義 73 3.6 本章小結(jié) 75 參考文獻(xiàn) 75 第4章 雷達(dá)信號分選技術(shù) 77 4.1 雷達(dá)信號分選技術(shù)概述 77 4.1.1 雷達(dá)信號分選任務(wù)內(nèi)涵 77 4.1.2 多功能雷達(dá)信號分選任務(wù)建模 78 4.1.3 雷達(dá)信號分選實現(xiàn)途徑 85 4.2 基于無監(jiān)督聚類的信號分選方法 87 4.2.1 無監(jiān)督聚類方法原理 87 4.2.2 基于UCAR的無監(jiān)督聚類分選算法 89 4.2.3 算法性能驗證 93 4.3 基于參數(shù)化模型*大似然估計的信號分選方法 100 4.3.1 基于參數(shù)化模型*大似然估計的分選原理 100 4.3.2 基于參數(shù)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 基于神經(jīng)機(jī)器翻譯的信號分選方法 115 4.4.1 神經(jīng)機(jī)器翻譯方法原理 115 4.4.2 基于神經(jīng)機(jī)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(jié) 131 參考文獻(xiàn) 131 第5章 多功能雷達(dá)信號脈內(nèi)調(diào)制識別技術(shù) 135 5.1 多功能雷達(dá)脈內(nèi)調(diào)制識別技術(shù)概述 135 5.1.1 雷達(dá)脈內(nèi)調(diào)制識別任務(wù)內(nèi)涵 135 5.1.2 雷達(dá)脈內(nèi)調(diào)制識別任務(wù)建模 136 5.1.3 雷達(dá)脈內(nèi)調(diào)制識別技術(shù)途徑分析 139 5.2 低信噪比條件下的脈內(nèi)調(diào)制類型識別方法(LDCUnet-DCNN) 141 5.2.1 低信噪比下的脈內(nèi)調(diào)制類型識別任務(wù) 141 5.2.2 生成對抗網(wǎng)絡(luò)的基本原理 142 5.2.3 一種基于局部密集連接Unet的LPI雷達(dá)信號調(diào)制類型識別算法(LDCUnet- DCNN) 144 5.2.4 算法性能驗證 149 5.3 小樣本條件下脈內(nèi)信號調(diào)制樣式識別方法(FG-FSL) 152 5.3.1 脈內(nèi)調(diào)制類型識別的小樣本學(xué)習(xí)任務(wù)建模 152 5.3.2 小樣本學(xué)習(xí)基本原理 153 5.3.3 一種基于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(nèi)調(diào)制類型識別方法(RAUnetGAN-MIML) 170 5.4.1 時頻交疊條件下的脈內(nèi)調(diào)制類型識別任務(wù) 170 5.4.2 多示例多標(biāo)簽學(xué)習(xí)方法的基本原理 171 5.4.3 一種基于殘差注意力Unet和MIML的時頻交疊信號調(diào)制識別方法 (RAUnetGAN-MIML) 172 5.4.4 算法性能驗證 179 5.5 本章小結(jié) 187 參考文獻(xiàn) 187 第6章 多功能雷達(dá)行為層次化識別技術(shù) 194 6.1 多功能雷達(dá)行為識別技術(shù)概述 194 6.1.1 行為層次化識別任務(wù)內(nèi)涵 194 6.1.2 行為層次化識別任務(wù)建模 195 6.1.3 雷達(dá)行為層次化識別實現(xiàn)途徑分析 198 6.2 基于序列到序列學(xué)習(xí)的工作狀態(tài)序列識別方法 201 6.2.1 序列到序列學(xué)習(xí)的基本原理 202 6.2.2 基于層次化序列到序列學(xué)習(xí)的狀態(tài)標(biāo)簽序列識別 203 6.2.3 算法性能驗證 207 6.3 基于模型的時間序列聚類工作狀態(tài)識別方法 221 6.3.1 時間序列的特性與聚類 221 6.3.2 雷達(dá)狀態(tài)標(biāo)簽序列聚類識別算法 225 6.3.3 算法性能驗證 232 6.4 基于序貫假設(shè)檢驗的工作狀態(tài)序列切換點(diǎn)在線檢測方法 242 6.4.1 多功能雷達(dá)工作狀態(tài)在線切換點(diǎn)檢測任務(wù) 242 6.4.2 雷達(dá)工作狀態(tài)在線切換點(diǎn)檢測算法 246 6.4.3 算法性能驗證 252 6.5 先進(jìn)多功能雷達(dá)系統(tǒng)行為識別方法 258 6.5.1 狀態(tài)符號序列生成 258 6.5.2 狀態(tài)行為映射識別 260 6.5.3 行為識別仿真數(shù)據(jù)實驗 262 6.5.4 級聯(lián)網(wǎng)絡(luò)仿真數(shù)據(jù)實驗 264 6.6 本章小結(jié) 266 參考文獻(xiàn) 267 第7章 認(rèn)知多功能雷達(dá)系統(tǒng)行為逆向分析 270 7.1 認(rèn)知多功能雷達(dá)系統(tǒng)行為逆向分析任務(wù)概述 270 7.1.1 雷達(dá)系統(tǒng)行為逆向分析任務(wù)內(nèi)涵 270 7.1.2 逆向分析技術(shù)實現(xiàn)途徑分析 272 7.2 基于逆濾波的逆信號處理方法 274 7.2.1 針對雷達(dá)目標(biāo)跟蹤濾波的逆分析任務(wù) 274 7.2.2 典型雷達(dá)目標(biāo)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(yīng)用 289 7.3 基于回報函數(shù)反演的逆資源管理分析 304 7.3.1 基于服務(wù)質(zhì)量的認(rèn)知雷達(dá)資源管理模型 304 7.3.2 基于強(qiáng)化學(xué)習(xí)的認(rèn)知雷達(dá)資源管理實現(xiàn) 306 7.3.3 認(rèn)知雷達(dá)資源管理器逆向分析任務(wù) 309 7.4 基于多任務(wù)學(xué)習(xí)的認(rèn)知雷達(dá)動作識別方法 310 7.4.1 多任務(wù)學(xué)習(xí)原理 311 7.4.2 基于MTL的認(rèn)知雷達(dá)動作提取任務(wù)建模 312 7.4.3 基于MTL的認(rèn)知雷達(dá)動作提取算法 313 7.4.4 算法性能驗證 317 7.5 基于逆強(qiáng)化學(xué)習(xí)的認(rèn)知雷達(dá)回報函數(shù)反演方法 326 7.5.1 逆強(qiáng)化學(xué)習(xí)原理 326 7.5.2 基于*大熵深度逆強(qiáng)化學(xué)習(xí)的回報函數(shù)反演算法 328 7.5.3 算法性能驗證 331 7.6 本章小結(jié) 337 參考文獻(xiàn) 338
展開全部
商品評論(0條)
暫無評論……
書友推薦
返回頂部
中圖網(wǎng)
在線客服