雷達(dá)偵察信號(hào)智能處理技術(shù)

第一部分 雷達(dá)偵察信號(hào)處理：從感知到認(rèn)知
第1章 雷達(dá)偵察信號(hào)處理的現(xiàn)狀與挑戰(zhàn)
1．1 雷達(dá)偵察信號(hào)處理問題分析
1．1．1 雷達(dá)與雷達(dá)偵察
1．1．2 雷達(dá)偵察信號(hào)描述
1．2 雷達(dá)偵察信號(hào)處理的兩大任務(wù)：分選與識(shí)別
1．3 傳統(tǒng)脈沖分選方法及局限性
1．3．1 雷達(dá)脈沖分選問題描述
1．3．2 雷達(dá)脈沖分選技術(shù)現(xiàn)狀
1．4 傳統(tǒng)雷達(dá)偵察識(shí)別方法及局限性
1．4．1 雷達(dá)偵察識(shí)別問題描述
1．4．2 雷達(dá)偵察識(shí)別技術(shù)現(xiàn)狀
1．5 多功能雷達(dá)的分選與識(shí)別問題
1．6 分選與識(shí)別技術(shù)的智能化需求
1．7 本章小結(jié)
第2章 人工智能賦能雷達(dá)偵察信號(hào)處理技術(shù)新發(fā)展
2．1 人工智能領(lǐng)域相關(guān)技術(shù)
2．1．1 人工智能與機(jī)器學(xué)習(xí)
2．1．2 前饋神經(jīng)網(wǎng)絡(luò)
2．1．3 卷積神經(jīng)網(wǎng)絡(luò)
2．1．4 循環(huán)神經(jīng)網(wǎng)絡(luò)
2．1．5 深度自編碼器
2．2 人工智能技術(shù)直接應(yīng)用于雷達(dá)偵察信號(hào)處理領(lǐng)域的困難
2．3 來自自然語言處理等技術(shù)的啟發(fā)
2．4 雷達(dá)偵察信號(hào)處理：從感知到認(rèn)知
2．5 本章小結(jié)
第二部分 雷達(dá)偵察信號(hào)智能分選技術(shù)
第3章 基于有限狀態(tài)自動(dòng)機(jī)的常規(guī)體制雷達(dá)信號(hào)在線分選
3．1 交錯(cuò)脈沖列的在線分選需求
3．2 常規(guī)重頻體制雷達(dá)脈沖列時(shí)序規(guī)律建模
3．3 用于脈沖列識(shí)別的自動(dòng)機(jī)構(gòu)建
3．3．1 周期重復(fù)脈沖列的正則文法表示
3．3．2 周期重復(fù)脈沖列的有限狀態(tài)自動(dòng)機(jī)識(shí)別模型
3．4 基于有限狀態(tài)自動(dòng)機(jī)的脈沖列在線分選
3．4．1 自動(dòng)機(jī)起始
3．4．2 自動(dòng)機(jī)序貫更新
3．5 交錯(cuò)脈沖列并行分選
3．6 多種因素對(duì)在線分選性能的影響分析
3．7 本章小結(jié)
第4章 基于脈沖列時(shí)序規(guī)律解析的常規(guī)體制雷達(dá)信號(hào)智能分選
4．1 常規(guī)體制雷達(dá)交錯(cuò)脈沖列的智能分選需求
4．2 脈沖列建模與分析
4．2．1 脈沖列模型
4．2．2 循環(huán)神經(jīng)網(wǎng)絡(luò)功能與脈沖分選任務(wù)的內(nèi)在契合性
4．3 脈沖列去噪
4．3．1 用于脈沖參數(shù)預(yù)測(cè)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型
4．3．2 循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的訓(xùn)練
4．3．3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的脈沖列去噪方法
4．4 基于序貫去噪的交錯(cuò)脈沖列分選方法
4．5 常規(guī)體制雷達(dá)信號(hào)智能分選性能受噪聲的影響情況分析
4．5．1 試驗(yàn)參數(shù)設(shè)置
……
第三部分 雷達(dá)偵察信號(hào)智能識(shí)別技術(shù)
參考文獻(xiàn)