一、具有抗噪稳健性的数字识别（论文文献综述）
祁潇潇[1]（2021）在《基于深度学习与双微阵列的语音命令词识别研究》文中进行了进一步梳理语音交互式设备正在改变人们的生活方式,在智能家居、车载语音设备中应用广泛,通过语音将设备唤醒,是一个具有挑战的问题,但是在复杂环境下,语音设备如何能够准确接收指令是一个难点。本文研究了基于Res Net网络与双微阵列的语音命令词识别方法,提高了命令词的识别率,论文的重点任务如下:1.研究了一种结合循环神经网络语音端点检测算法,该算法是将含噪语音通过傅里叶变换转换成频谱图,从频谱图中找到频率活跃点,然后通过卷积-门控循环神经网络进行训练,最后对训练结果进行预测。使用双向门控循环单元（Bi GRU）网络、双向长短时记忆（Bi LSTM）网络和CNN-Bi GRU三种网络在信噪比为-10d B、0d B、10d B的环境中行实验。从实验的结果来看,在信噪比为-10d B、0d B、10d B的环境中,基于CNN-Bi GRU网络模型的预测准确率均高于其他两种网络模型。2.研究了一种结合差分麦克风阵列与自适应降噪的双麦克风语音增强算法。该算法利用一阶麦克风阵列技术,使用自适应算法进行降噪,最后使用对数MMSE算法作为后置滤波。实验表明,该算法能够抑制方向性噪声干扰问题,改善了语音质量。3.研究了一种基于双微麦克风阵列与宽残差网络的命令词识别算法。该算法在原始的残差模块的基础上拓宽了网络的宽度,减小了网络的深度,但是整体网络参数没有改变。算法结合双微麦克风阵列系统,语音数据集为双微麦克风数据集,使用功率归一化倒谱系数作为特征参数输入到残差网络中进行训练。实验表明,与Res Net15模型、Res Net18模型相比,只有三个残差模块的宽残差网络在噪声环境下语音命令词的识别和内外部说话人检测任务中有具有较高的准确度,均达到了95%以上。
张同梦雪[2]（2021）在《基于深度学习的雷达一维距离像未知目标识别》文中提出基于雷达一维距离像（HRRP）的自动目标判别中,通常需要利用待识别目标的样本训练模型后,建立相应的特征库,才能进行目标识别。实际应用中,由于无法提前获得某些目标的样本,从而无法给出正确的识别结果,因此在进行目标识别前需要先识别未知目标。相较于传统的浅层学习模型,深度学习模型能够获取目标更深层次的本质特征,对目标识别更具稳健性。因此,本文利用深度学习进行雷达未知目标的识别。本文内容如下:1.提出一种深度卷积网络+概率差值判别子网络的识别未知目标的方法。该方法利用深度卷积神经网络的平移不变性,有效提取已知目标特征,再将其输入判别子网络中识别未知目标。概率差值判别子网络能够描述目标从属于各已知类别的概率,从而更精确的判别未知目标。仿真实验结果表明,该方法能在信噪比为10dB强度下,对未知目标识别率达到85.78%,相比基于高斯核的识别模型,更具有稳定性。2.提出一种基于深度置信网络+最近邻值判别子网络的未知目标识别方法。利用已知目标的标签数据库和深度置信网络（DBN）,挖掘目标数据高维特征,再将特征数据输入最近邻值判别子网络中进行识别。DBN网络能够更好的挖掘一维距离像数据内深度特征,而判别子网络利用最近邻值对比目标与库内数据相似度,并结合KPCA算法实现特征数据的降维降噪,从而更准确地识别未知目标。仿真实验表明,使用深度置信网络的识别方法在5dB噪声下,相较基于SVDD的识别模型,识别率有36.11%的提升,拥有更好的抗噪性。3.研究一种基于堆叠长短期记忆网络（SLSTM）+最近邻值判别子网络的未知目标识别模型。SLSTM网络能够利用相邻样本之间的相关信息,提取更多目标特征,再通过最近邻值判别子网络识别未知目标。仿真实验结果表明在不同待识别目标情况下,利用SLSTM方法对未知目标识别率稳定达到96%。同时在噪性变化情形下,相较于传统机器学习方法,基于SLSTM+最近邻值判别子网络的方法也体现了较优的性能。
周成江[3]（2020）在《矿浆管道输送系统的隔膜泵单向阀故障诊断研究》文中研究说明隔膜泵是矿浆管道输送的核心动力设备,它的运行状态直接影响矿物原料输送效率和企业生产效率。单向阀是隔膜泵的核心零件之一,具有良好的密封性和承压性,它的安全稳定运行保障了隔膜泵的运行效率及安全。恶劣的运行环境和频繁的往复运动导致单向阀极易损坏,且它的故障与结构、材质、矿浆特性和泵的工况等因素有关。冶金企业采用的单向阀故障诊断方法及维修更换策略依赖于主观经验,可靠性不高。此外,采集到的单向阀振动信号是由故障信号、多零件振动信号和噪声组成的非线性信号,且受到矿浆特性和工况变化的影响信号具有非平稳性,给单向阀故障诊断带来挑战。信息熵能有效度量非线性信号的复杂性,孪生支持向量机（Twin Support Vector Machines,TSVM）在非线性分类中性能良好,因此基于熵和TSVM研究单向阀的特征提取及故障诊断方法。主要工作有:（1）针对传统方法难以确定单向阀的运行状态和维修更换时间的问题,提出基于滑动散布熵（Sliding Dispersion Entropy,SDE）和自适应变分模态分解（Variational Mode Decomposition,VMD）的单向阀故障检测方法。首先引入滑动窗降采样和映射函数来提高单向阀的SDE特征的趋势性和表征性能,然后通过循环更新SDE特征和状态预警线,初步确定故障预警点,最后从振动信号能量和相关性的角度构造自适应VMD模型,进一步检测预警点附近单向阀的故障状态。SDE能跟踪单向阀的故障状态演化过程,并能更早地检测出故障预警点,自适应VMD能有效确定预警点处单向阀的故障状态。（2）针对单向阀故障特征提取中多尺度排列熵（Multiscale Permutation Entropy,MPE）存在信息丢失和抗噪性差的缺陷,以及TSVM模型精度不高的问题,提出改进多尺度加权排列熵（Improved Multiscale Weighted Permutation Entropy,IMWPE）的单向阀特征提取方法,并构建最小二乘孪生支持向量机（Least Squares Twin Support Vector Machines,LSTSVM）模型。首先引入复合粗粒度和排列模式加权的思想来解决单向阀信号的信息丢失问题,接着改进VMD并将其作为前置滤波器来提高特征的抗噪性能,最后提取单向阀的IMWPE特征并通过LSTSVM实现单向阀的故障诊断。仿真实验和单向阀故障诊断结果表明,IMWPE解决了MPE的信息丢失及抗噪性差的问题,提高了单向阀特征的稳定性及抗噪性能,LSTSVM提高了故障诊断精度。（3）针对单向阀的IMWPE特征存在的等值问题和效率低的问题,用散布模式替代排列模式并提取单向阀的多尺度散布熵（Multiscale Dispersion Entropy,MDE）特征。为了提高单向阀MDE特征的稳定性和精度,提出改进多尺度波动Rényi散布熵（Improved Multiscale Fluctuation Rényi Dispersion Entropy,IMFRDE）的单向阀特征提取方法,并构建最优二叉树（Optimal Binary Tree,OBT）LSTSVM诊断模型。首先通过改进粗粒度方法来提高单向阀熵值特征的稳定性,然后引入Rényi熵提高熵值特征的精度,最后提取单向阀的IMFRDE特征并通过OBT LSTSVM提高单向阀故障诊断精度。仿真实验和单向阀故障诊断结果表明,IMFRDE克服了IMWPE的缺陷,提高了单向阀MDE特征的稳定性和精度,OBT LSTSVM进一步提高了单向阀故障诊断精度。（4）针对噪声和状态模糊过渡等导致单向阀特征样本中存在离群点的问题,以及故障诊断模型泛化性能不佳的问题,提出模糊正则LSTSVM（Fuzzy Regularization Least Squares Twin Support Vector Machine,FRLSTSVM）模型,并与IMFRDE结合提高单向阀故障诊断的可靠性。首先提取单向阀的IMFRDE特征,其次将L2范数正则项引入LSTSVM的目标函数来提高模型的泛化性能,然后基于支持向量域描述（Support Vector Domain Description,SVDD）构造隶属度函数S3来解决样本离群点问题。与LSTSVM模型相比,在故障诊断中FRLSTSVM得到的平均精度提高,精度标准差减小,而且最小精度显着提高。结果表明,基于SVDD离群点检测和隶属度S3的FRLSTSVM模型的泛化性能和抗离群点能力更强,对参数的敏感性更低,可靠性更高。本文以矿浆管道输送中的隔膜泵单向阀为对象,完成了单向阀故障特征提取方法和故障诊断方法研究,为冶金行业机械零件的故障诊断提供了新方法。
卜玉婷[4]（2020）在《基于双微阵列的语音命令词识别研究》文中研究表明近年来,随着智能家居和语音助手等产品的大量涌现,真正实现了智能语音识别从科研机构到市场应用的转型。智能语音交互正改变着人们的生活方式,命令词识别技术作为设备交互和语音控制的手段也受到了广泛关注。命令词识别的应用场景都是一些计算能力不大的小功耗设备,如语音助手、语音导航、可穿戴设备等。评价一个命令词识别系统性能的指标有唤醒率、虚警率、实时率以及用户体验和功耗水平,这些都是系统设计的难点所在。因此,如何提高复杂环境下命令词识别的稳健性对现阶段研究人员来说是一个挑战,对此,本文研究了改善实时响应、降低功耗以及提高系统稳健性的命令词识别方法。本论文的主要研究成果概述如下:1.研究了一种低信噪比环境下的端点检测算法,该算法首先通过抑制非平稳噪声再采用调制域谱减消除残余噪声从而提升信噪比,减少语音失真,然后再提取每帧信号的功率归一化倒谱系数,并计算其倒谱距离,最后将该倒谱距离作为检测参数,采用双门限判决方法进行检测。结果表明,该端点检测算法通过抑制非平稳噪声再使用调制域谱减消除残余噪声使得算法可用于过滤非语音信号,改善命令词识别系统在复杂噪声环境下的实时响应性能,减少功耗,具有一定实用价值。2.研究了一种基于双微麦克风阵列结合深度残差网络的命令词识别系统,采用改进的残差模型Res Nets15构建命令词识别系统,同时利用扩张卷积提升感受野增强模型性能,系统采用双微麦克风阵列数据集并提取功率归一化倒谱系数作为特征参数输入残差网络进行训练,训练后的命令词识别精度达到了95%以上,同时增加了更深层模型Res Nets50,网络的精度和模型内存占用以及功耗均可满足部署移动设备的需求,该多任务系统尤其适用于残障人士语音控制设备,其能够专注于用户的指令减少外部说话人干扰,实现高精度命令词识别。
王培[5]（2020）在《基于稳态信号的射频指纹算法的研究》文中指出射频指纹识别技术是一种通过对通讯设备的硬件差异识别不同的无线设备的方法,旨在辅助解决无线网络的安全接入问题。本文通过对通信发射机稳态信号的细微指纹进行提取,并利用分类技术对这些指纹信息进行识别。本文的主要工作包括以下各方面:首先,本文介绍了射频指纹识别的基本模型和原理,并根据现有的研究成果基于不同的硬件结构进行分析。在此基础上,介绍了不同分类器的识别性能并选取了3种分类器在本文研究过程中使用。接下来,本文研究了基于无导频结构下的稳态信号射频指纹。分别从分形特征、高阶矩特征和相位噪声谱等不同角度对无导频信号指纹特征进行提取。在此基础上,结合软件无线电平台实测数据,对提取的无导频结构指纹特征分别在3种分类器中进行分类识别。测试结果表明,本文提取的无导频结构信号指纹都能在不同程度上对发射机进行识别。其中,分形维数和相位噪声谱具有较好的抗噪能力,而高阶矩则受噪声影响较大。然后,本文研究了基于导频结构的稳态信号射频指纹。首先介绍了常用的载频估计方法,再根据先验导频信息重点说明了本文使用的载频相位精估计方法。通过已有的载频相位信息提取了几种简单的星座图特征,并对星座轨迹的I/Q偏移特征等进行了研究。在此基础上,每节结合了测试台实测数据,分别分析了以载频相位精估特征、星座图特征和功率谱统计特征的单一特征作为识别输入时不同分类的识别效果。测试结果表明,本文提取的基于导频结构信号指纹都能在不同程度上对发射机进行识别。其中,功率谱统计特征具有较好的抗噪能力,但整体识别率较低。载频相位估计特征和星座图特征尽管在低信噪比时几乎无法识别,但在信道条件较好的情况下,识别效果较好。最后,本文使用美国国家仪器公司（National Instruments,NI）通用软件无线电平台（Universal Software Radio Peripheral,USRP）及其配套软件实验室虚拟仪器工程平台（Laborary Virrtual Instrument Engineering Workbench,LabVIEW）搭建了射频指纹实验测试平台,并对本文提取的射频指纹特征进行分类和性能验证。首先对软件无线电平台软件和硬件进行了详细介绍,并对整个链路的通信模块进行了分析,包括帧结构设计、帧同步和参数配置等。最后分别从单一特征、多种特征组合和分类器性能三个角度分析了射频指纹识别性能。硬件测试结果表明,无论是无导频结构的稳态信号指纹,还是基于导频结构下提取的指纹特征均能在高信噪比时达到不错的分类识别效果。部分特征抗噪声性能强,包括分形特征、相位噪声谱、功率谱统计特征。部分特征虽然对信噪比较为敏感,但在良好的信道环境下,能取得更好的识别性能,在实际应用过程中可将两类特征结合使用。
罗群飞[6]（2020）在《网格化无线电监测系统设计》文中指出电磁频谱是支撑国民经济发展的基础性战略资源,科学地管理和使用电磁频谱资源是无线电管理工作的首要职责。随着无线电技术的发展,稀缺的频谱资源与广泛的使用需求的矛盾日渐凸显,无线电管理业务迫切需要向着更高效、更准确、更精细的方向发展,无线电管理产业的发展也迫切需要适应新时代的要求。无线电监测是无线电管理的重要组成部分,网格化无线电监测等新技术发展,为无线电管理带来了新的发展机遇。基于此背景,本文提出了网格化无线电监测的设计方案,研制频率监测范围为20MHz-8GHz的具有无缝覆盖能力的宽带网格化无线电监测系统,具备了为无线电管理部门提供监测服务的能力。针对网格化无线电监测系统的研制目标、主要功能和技术指标,提出了各分系统,如通道接收单元、数字处理单元的详细设计方案,介绍了网络管理及服务平台软件的功能设计方案。通过对包括监测节点终端、平台软件和基于TDOA的多节点定位等功能的测试外场组网试验,验证了系统各项功能指标满足设计要求。最后,提出了探索人工智能、大数据、云计算在无线电监测领域的应用,以及建设无线电频谱数据挖掘分析、电磁态势展示与预测、信息共享等平台的建议,为实现无线电频谱资源的科学化、智能化管控提供了发展思路。
刘智鑫[7]（2020）在《高速机动辐射源目标无源定位关键技术研究》文中研究说明现代高科技局部战争的实践表明,如何隐蔽、高效、准确地获取战场态势至关重要。鉴于此,无源定位逐渐成为电磁态势感知和目标信息获取的重要手段之一。近年来,部署在我国周边的敌方空中军事目标日益增多,严重威胁国家安全,对该类高速机动辐射源进行无源侦察,提升我国空天防御能力,成为信息保障的迫切需求。本文根据高速机动辐射源特点,充分利用其动态性和非线性信息,对多站信号分选与配对、动态常规信号的定位参数估计、动态跳频信号的定位参数估计以及目标定位测速等难点问题展开深入研究,完善及丰富了无源定位理论体系,为动目标多站无源定位中的信号分选、参数估计、定位解算提供理论支撑。论文的主要工作如下:1、针对现有多站分选方法虚警、漏警率高,对超低重频脉冲分选正确率低,且不具备稳健单脉冲分选能力的问题,提出了约束准则下的扩展时差直方图脉冲分选配对方法。该方法在获取时差直方图前引入关于脉冲对参数的约束准则,大幅降低无关脉冲配对机会,从根本上减少虚假时差和噪声时差,提高有效时差占比;而后采用扩展和递归算子依次提取各辐射源脉冲序列并完成配对。仿真实验表明,该方法有效提高了复杂电磁环境下脉冲分选的正确率,大幅改善了以往分选高重频和超低重频辐射源虚警率、漏警率高的问题,实现了对脉冲数极少的超低重频和单脉冲的准确分选与配对。2、针对现有高动态条件下定位参数估计算法性能损失严重、抗噪性弱、计算复杂度高的问题,本文提出了基于频域对称自相关和变尺度傅里叶变换（SFT）的距离差（RD）和距离差变化率（RDR）联合估计算法。算法无搜索过程,计算复杂度低。对于存在复杂运动特性的高速机动辐射源,由于接收信号动态性提升,需考虑高阶参量二阶距离差变化率（SRDR）。为此,本文从高效率和高精度两个角度出发,分别提出了基于二阶Keystone变换（SKT）和吕分布（LVD）,以及基于SKT和非均匀傅里叶变换（NUFFT）的RD、RDR和SRDR联合估计算法。两算法均能有效解决高速机动目标复杂距离徙动校正与多普勒徙动补偿的问题,且未使用恒定延迟相关操作,抗噪性明显优于现有算法。前者计算复杂度低,能够良好平衡复杂度与性能之间的矛盾关系;后者估计性能较优,但复杂度有所上升,实际应用中可根据需求进行算法选择。3、针对现有跳频信号的定位参数估计算法高动态场景适应性弱、且频差跳变,信号可利用长度有限,制约估计精度的不足,本文建立了跳频信号的时变基线观测量估计模型,提出了基于频率翻转变换（FRT）和SFT的RD和RDR联合估计算法。算法利用FRT消除由跳频引起的随机相位,而后借助SFT对齐信号包络和相位,充分积累所有脉冲,提升估计性能。对于侦察高速机动跳频辐射源,需要同时面临高动态特性和随机多普勒徙动现象。为此,本文提出了基于SFT和变尺度非均匀傅里叶变换（SNUFFT）的跳频信号RD、RDR和SRDR联合估计算法。算法借助变频互相关函数解决了随机多普勒徙动影响信号相参性的问题;而后利用SFT和SNUFFT校正距离徙动,并对信号能量聚焦,完成参数估计。仿真结果表明,该算法能够适应高动态跳频场景,且估计性能显着优于现有算法。此外,所提算法均能在无载频先验信息的条件下估计RD、RDR和SRDR,可直接用于定位解算,而非估计传统的时差、频差和频差变化率,有效解决了跳频信号中频差和频差变化率不唯一,从而难以精准估计的问题。4、针对传统定位算法稳健性不足,高阶观测量利用不充分,且迭代过程易陷入局部最优的问题,本文提出了联合RD、RDR和SRDR的目标定位测速解析算法。算法遵循两步加权最小二乘的基本框架,通过引入辅助参数,线性化定位方程,借助加权最小二乘初步求解;而后利用辅助参数与目标状态信息之间的函数关系,再次构建线性方程并二次求解,进一步提高定位精度。在此基础上,扩展定位模型,设计了存在站址误差条件下的目标定位测速解析算法,同时给出了该场景下的定位克拉美罗下界。理论分析与实验结果表明,算法无矩阵秩亏现象,消除了传统算法的不稳健区域,且将SRDR纳入解算,无迭代过程,在保证算法收敛性的同时大幅提升了动目标定位测速精度。
李步青[8]（2020）在《图像角点检测的算法研究》文中研究指明图像中的角点是描述物体特征时非常关键的信息,图像的角点检测是目标检测、目标跟踪、图像分类等复杂应用的预处理步骤。角点检测的质量直接影响后续图像处理步骤的效果,因此图像的角点检测在计算机视觉与图像处理领域中有着不可替代的作用,研究并设计具有较高准确性的角点检测算法具有十分重要的现实意义。本论文主要围绕着基于灰度变化的角点检测算法和基于边缘轮廓的角点检测方法展开研究。针对传统方法的不足,本文提出了两种新的角点检测算法,然后通过不同实验对算法的性能进行评价,最终验证了算法的有效性。论文主要可以概括为两大部分:（1）提出了一种基于双边滤波的角点检测算法。提出一种结合图像一阶和二阶导数构建局部结构张量,使用双边滤波器提取图像的灰度变化信息并计算角点测度的角点检测算法,以改善当前基于灰度变化的角点检测算法伪角点较多的问题。首先,结合图像的一阶和二阶导数信息计算局部结构张量并构造角点测度,精确区分边缘点和角点,以减少边缘点的干扰,确保算法准确率。然后,针对高斯滤波器的不足,选择使用双边滤波器对局部结构张量进行滤波,在滤噪的同时很好的保留了边缘和角点的特征信息,保证检测算法对真实角点有较高的响应,并有效去除伪角点。最后使用提出的角点测度构建了一种基于双边滤波的角点检测算法。本文使用常见的角点检测测试图像对算法做噪声稳健性实验及角点匹配实验;使用24幅不同场景的真实世界灰度图像作为初始图像进行4种仿射变换得到1050张测试图像,计算提出算法在不同图像变换下的重复率,并与4种经典角点检测算法进行对比。实验结果表明,提出的算法具有良好的检测性能。（2）提出了一种基于边缘线上主方向角度差的角点检测算法。传统的基于图像边缘轮廓的角点检测算法利用边缘的局部曲率信息构造角点测度进行角点判决,这类算法对边缘线上的噪声和细节变化很敏感,容易造成检测结果不稳定。针对该问题,本文结合边缘轮廓上的灰度信息,提出了一种基于边缘线上主方向角度差的角点检测算法。首先,使用Canny边缘检测器获取图像中的边缘映射,从获得的边缘映射中提取边缘,并进行缝隙补齐;然后,计算边缘线上每一点x方向和y方向的灰度变化信息,找到梯度变化的主方向;最后,利用边缘线上相邻像素点之间的梯度主方向角度差构造角点测度,进行角点检测。本文使用角点检测领域经典的测试图像进行角点匹配实验,使用从标准数据集中选取的测试图像,进行不同仿射变换下的平均重复率实验。最终的实验结果表明,提出的算法在不同的变换下,都表现出了良好的检测性能。
杨悦[9]（2020）在《合成孔径雷达结构化目标稀疏成像方法研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术具有全天候、全天时、作用距离远等优势,在军民两用领域都发挥着重要作用。随着成像雷达应用的不断扩展,SAR系统的数据获取体制逐渐向多模式、多视角、多极化等多维度方向发展。多维度观测对高分辨SAR成像提出了更高的需求,现有的SAR成像技术面临着稀疏孔径观测、目标后向散射场建模以及相位噪声干扰等问题。人造目标是SAR系统探测的重要对象之一,在成像场景中通常具有空域稀疏散射特性、聚集结构散射特性以及部件级参数化散射特性。本文针对这类结构化目标,利用其局部散射先验信息,联合目标电磁特征精细描述、稀疏孔径成像与变化检测以及相位噪声抑制等关键性技术,进行高分辨SAR成像方法研究。本文的研究内容概括为以下三个方面:（1）结构化目标全极化SAR部件级稀疏成像方法在一定观测条件下,SAR电磁散射场分布可以明确反映结构化目标的物理属性。本文从目标电磁散射机理出发,讨论了部件级参数化散射模型与结构化目标后向散射场的映射关系,建立了基于属性散射中心（Attribute Scattering Center,ASC）和典型散射结构（Canonical Shape Feature,CSF）信息的全极化SAR结构化目标稀疏成像模型。考虑全极化观测数据在CSF部件级参数化模型参数空间上的联合稀疏性,提出一种基于同步稀疏近似（Simultaneous Sparse Approximation,SSA）的全极化联合部件级成像方法。该方法采用混合范数约束,通过多维欠定系统聚焦解法（Multiple Focal Underdetermined System Solver,M-FOCUSS）求解联合稀疏优化问题,得到含有精确的目标物理属性信息的SAR图像。针对现实环境中脉冲噪声对SAR成像质量的影响,结合全极化ASC模型,提出一种对脉冲噪声稳健的超分辨成像方法。该方法设计?1范数数据拟合模型,利用改进的复数域交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）进行属性参数估计,并以组成部件为单元实现超分辨处理。基于仿真合成数据和电磁计算数据验证了该算法对脉冲噪声具有稳健性,并且能保证目标结构完整性,超分辨效果明显。（2）结构化目标稀疏孔径SAR成像与变化检测方法本文研究了对固定场景多次联合观测时,基于目标结构稀疏特性的稀疏孔径SAR成像与相干变化检测（Coherent Change Detection,CCD）方法。首先建立了对固定场景不同时刻观测下的稀疏孔径SAR信号模型。为了利用成像场景中复杂的结构化目标先验信息提升成像性能,通过Gamma-Gaussian贝叶斯分层模型建模目标场景的空域稀疏散射特性,并采用Beta-Bernoulli模型对目标的局部聚集结构散射特性进行灵活地描述。最后在变分贝叶斯推理（Variational Bayesian Inference,VBI）框架下从观测数据中学习目标散射系数向量的近似后验分布。该算法能够保留结构化目标的弱散射点并抑制虚假点,使得后续的CCD增益也得以提高。针对传统CCD性能取决于成像质量与CCD估计器窗函数的问题,提出一种贝叶斯联合成像与变化检测方法。首先根据不同观测时刻的目标图像与场景变化之间的关联性,构建一种散射系数向量和变化指示器的部分相干概率模型。然后对场景变化赋予马尔可夫随机场（Markov Random Field,MRF）先验概率,以便维持稀疏性和局部连续性结构。最后在全贝叶斯推理下同时获得高分辨成像与高性能CCD结果。仿真数据实验验证了上述算法的有效性。（3）结构感知的SC-SAR成像自聚焦方法本文基于地基聚束圆周合成孔径雷达（Spotlight Circular Synthetic Aperture Radar,SC-SAR）系统开展结构感知的成像自聚焦方法研究。首先介绍了SC-SAR系统的工作原理,基于SC-SAR系统信号模型推导了相应的改进型距离多普勒算法（Range Doppler Algorithm,RDA）,并利用仿真数据验证了该系统的可行性和算法的有效性。针对实际应用中SC-SAR受大气扰动导致的成像散焦问题,将成像自聚焦问题视为一个联合优化求解问题,在变分最大化期望准则下提出一种联合相位误差抑制的稀疏成像算法。该方法充分利用相位噪声的先验特性以及目标的结构稀疏散射特性,具体地,利用多变量冯米塞斯（Multivariable Von Mises,MVM）模型增强相位噪声沿脉冲维的关联结构特性,通过模式耦合先验和MRF先验表征目标散射场能量聚集性和稀疏性,能实现高精度的相位噪声估计和聚焦良好的成像结果。仿真合成数据和人造目标电磁计算数据实验结果验证了算法性能。
岳嘉颖[10]（2019）在《辐射源指纹特征提取技术与分类器设计研究》文中指出无论是军事应用中的敌我识别、身份判定还是民用中的无线电频谱管理、设备故障诊断、网络准入身份确认等,对辐射源进行个体识别都具有重要意义。辐射源个体因其硬件差异等会对发射信号产生无意调制,通过分析接收信号,可提取出反映个体身份的信号特征,这些特征具有唯一性、稳定性、细微性和不可欺骗性,因此成为目前研究的热点。本文依据训练样本标注情况,从监督条件下单一类特征提取、联合特征提取以及半监督条件下神经网络分类器设计三个方面,分别考虑指纹的正确识别率、稳健性、普适性以及新场景等因素,研究辐射源个体识别的关键技术。主要工作如下:1.为了提高指纹正确识别率和普适性,在双谱的基础上,针对其特征维度高以及选择双谱等传统降维方法只保留双谱局部信息、忽略整体信息的问题,提出了一种基于灰度共生矩阵的纹理特征提取算法。首先计算信号双谱得到双谱图,然后采用灰度共生矩阵提取图像纹理特征,构成16维的特征向量,最后采用支持向量机分类器完成个体识别。仿真结果表明,相比选择双谱或Hilbert谱图纹理特征,本算法识别正确率更高;同时当目标个数以及调制方式改变时,本算法适应性更好。2.考虑指纹稳健性、普适性的因素,针对单一类特征易漂移的问题,提出了基于信号复杂度和熵的联合特征提取算法。首先计算信号的瞬时幅度、频率和相位,然后分别计算其盒维数、信息维数、信息熵,其次算法提出提取包络谱信息熵,最后将10个特征作为联合特征来识别辐射源个体。仿真结果表明,相比单一特征,联合特征方差更大,分散度更高,且以微弱的时间代价换取了精度的提高;当信号信噪比、调制方式改变时,联合特征性能更优。3.借鉴领域自适应实现源任务到目标任务的迁移思想,针对目标域和源域分布对齐困难以及决策平面附近经常生成目标域特征导致分类模糊的问题,提出了一种基于分类器差异最大化的分类器设计方法。算法利用已有标记数据库作为源域,待检测的未标记样本作为目标域。首先将双谱作为原始特征输入两个独立的CNN分类器。其次根据两个分类器对目标域样本的输出差异,以最小-最大优化方法实现特征生成器与分类器对抗学习。最后在对抗学习的过程中实现领域自适应,即不断重复地检测远离源域分布边界的目标域样本以及生成源域分布边界附近的目标域特征。实测结果表明,无论是识别新出现的设备还是不同时间段采集的用户信号,都有较好的迁移效果。
二、具有抗噪稳健性的数字识别（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、具有抗噪稳健性的数字识别（论文提纲范文）
（1）基于深度学习与双微阵列的语音命令词识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 引言 |
| §1.2 课题研究背景和意义 |
| §1.3 课题研究及发展现状 |
| §1.3.1 语音识别的发展历程 |
| §1.3.2 语音识别的方法 |
| §1.4 本文研究内容与整体结构 |
| 第二章 语音识别的相关理论 |
| §2.1 语音相关知识 |
| §2.1.1 语音特性 |
| §2.1.2 人耳听觉感受性 |
| §2.2 语音识别系统结构 |
| §2.3 语音的预处理 |
| §2.3.1 预加重 |
| §2.3.2 分帧和加窗 |
| §2.3.3 端点检测 |
| §2.4 一种基于循环单元神经网络的语音端点检测方法 |
| §2.4.1 卷积-门控循环单元神经网络语音端点检测 |
| §2.4.2 实验分析 |
| §2.5 本章小结 |
| 第三章 麦克风阵列语音增强 |
| §3.1 麦克风阵列结构 |
| §3.2 麦克风阵列语音增强算法 |
| §3.2.1 延时-求和固定波束形成 |
| §3.2.2 线性约束最小方差 |
| §3.2.3 广义旁瓣抵消器 |
| §3.2.4 最小方差无畸变响应 |
| §3.3 后置滤波算法 |
| §3.4 基于一阶差分麦克风阵列自适应语音增强 |
| §3.4.1 双麦克风模型 |
| §3.4.2 时域LMS算法 |
| §3.4.3 实验仿真结果 |
| §3.5 本章小结 |
| 第四章 基于双微阵列与Wide Res Net的命令词识别算法 |
| §4.1 深度残差网络 |
| §4.1.1 深度残差网络介绍 |
| §4.1.2 深度残差网络中的恒等映射 |
| §4.1.3 Wide Res Net(WRN)模型结构 |
| §4.2 双微麦克风阵列 |
| §4.2.1 双微麦克风阵列 |
| §4.2.2 双微麦克风阵列数据 |
| §4.3 特征提取 |
| §4.4 实验结果与分析 |
| §4.4.1 实验结果 |
| §4.4.2 实验分析 |
| §4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（2）基于深度学习的雷达一维距离像未知目标识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 一维距离像目标识别 |
| 1.2.2 一维距离像的未知目标识别 |
| 1.3 本论文的主要工作研究 |
| 第二章 基于深度卷积网络+概率差值判别子网络的未知目标识别 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的基本结构 |
| 2.2.2 卷积层 |
| 2.2.3 池化层 |
| 2.2.4 激活层 |
| 2.2.5 卷积网络训练过程 |
| 2.3 深度卷积神经网络+概率差值判别子网络的未知目标识别模型 |
| 2.3.1 深度卷积神经网络(DCNN) |
| 2.3.2 概率差值判别子网络 |
| 2.4 基于DCNN+概率差值判别子网络模型的未知目标识别 |
| 2.5 实验数据 |
| 2.5.1 实验数据介绍 |
| 2.5.2 实验数据预处理 |
| 2.6 本章实验 |
| 2.6.1 网络模型参数的设定 |
| 2.6.2 目标不同对识别率的影响 |
| 2.6.3 方位角范围变化对识别率的影响 |
| 2.6.4 样本选取间隔对识别率的影响 |
| 2.6.5 噪声对识别率的影响 |
| 2.7 本章小结 |
| 第三章 基于深度置信网络+最近邻值判别子网络的未知目标识别 |
| 3.1 引言 |
| 3.2 深度置信网络简介 |
| 3.2.1 受限玻尔兹曼机原理 |
| 3.2.2 深度置信网络基本结构 |
| 3.3 深度置信网络+最近邻值判别子网络的未知目标识别模型 |
| 3.3.1 深度置信网络(DBN-DNN) |
| 3.3.2 最近邻值判别子网络 |
| 3.4 基于DBN+最近邻值判别子网络模型的未知目标识别 |
| 3.5 本章实验 |
| 3.5.1 网络模型参数的设定 |
| 3.5.2 降维算法对识别率的影响 |
| 3.5.3 目标不同对识别率的影响 |
| 3.5.4 方位角范围变化对识别率的影响 |
| 3.5.5 样本选取间隔对识别率的影响 |
| 3.5.6 噪声对识别率的影响 |
| 3.6 本章小结 |
| 第四章 基于长短期记忆网络+最近邻值子网络的未知目标识别 |
| 4.1 引言 |
| 4.2 循环神经网络介绍 |
| 4.2.1 循环神经网络来源 |
| 4.2.2 循环神经网络结构 |
| 4.3 长短期记忆网络介绍 |
| 4.4 长短期记忆网络+最近邻值判别子网络未知目标识别模型 |
| 4.5 本章实验 |
| 4.5.1 网络模型参数的设定 |
| 4.5.2 目标不同对识别率的影响 |
| 4.5.3 方位角范围变化对识别率的影响 |
| 4.5.4 样本选取间隔对识别率的影响 |
| 4.5.5 噪声对识别率的影响 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间的研究成果 |
（3）矿浆管道输送系统的隔膜泵单向阀故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 隔膜泵单向阀故障特性 |
| 1.2.1 冶金矿浆管道及隔膜泵概述 |
| 1.2.2 隔膜泵单向阀故障特性 |
| 1.3 隔膜泵单向阀故障诊断研究现状 |
| 1.3.1 单向阀故障机理分析研究现状 |
| 1.3.2 单向阀故障特征提取研究现状 |
| 1.3.3 单向阀故障状态识别研究现状 |
| 1.4 信息熵和SVM在故障诊断中的研究现状 |
| 1.4.1 信息熵在故障诊断中的研究现状 |
| 1.4.2 SVM在故障诊断中的研究现状 |
| 1.5 研究内容和创新点 |
| 1.5.1 存在的问题 |
| 1.5.2 研究内容和创新点 |
| 1.6 论文章节安排 |
| 第二章 基于滑动散布熵和自适应VMD的单向阀故障检测方法 |
| 2.1 引言 |
| 2.2 单向阀振动分析与信号采集 |
| 2.2.1 单向阀水力特性分析 |
| 2.2.2 单向阀振动信号采集 |
| 2.2.3 单向阀振动信号特性 |
| 2.3 基于滑动散布熵和自适应VMD的单向阀故障检测 |
| 2.3.1 滑动散布熵 |
| 2.3.2 自适应变分模态分解 |
| 2.3.3 单向阀故障检测实现流程 |
| 2.4 实验验证及结果分析 |
| 2.5 本章小结 |
| 第三章 基于改进多尺度加权排列熵的单向阀故障特征提取方法 |
| 3.1 引言 |
| 3.2 改进多尺度加权排列熵 |
| 3.2.1 多尺度排列熵 |
| 3.2.2 改进多尺度加权排列熵 |
| 3.2.3 仿真实验验证 |
| 3.3 最小二乘孪生支持向量机 |
| 3.3.1 孪生支持向量机 |
| 3.3.2 最小二乘孪生支持向量机 |
| 3.3.3 多分类器构造 |
| 3.4 基于IMWPE和 LSTSVM的单向阀故障诊断 |
| 3.5 实验验证及结果分析 |
| 3.6 本章小结 |
| 第四章 基于改进多尺度波动Rényi散布熵的单向阀故障特征提取方法 |
| 4.1 引言 |
| 4.2 多尺度散布熵及衍生方法 |
| 4.2.1 排列熵与散布熵的关系 |
| 4.2.2 波动散布熵 |
| 4.2.3 多尺度散布熵及衍生方法 |
| 4.3 改进多尺度波动Rényi散布熵 |
| 4.3.1 改进多尺度波动Rényi散布熵 |
| 4.3.2 参数对IMFRDE的影响 |
| 4.3.3 IMFRDE的性能分析 |
| 4.4 最优二叉树最小二乘孪生支持向量机 |
| 4.5 基于IMFRDE和 OBT LSTSVM的单向阀故障诊断 |
| 4.6 实验验证及结果分析 |
| 4.7 本章小结 |
| 第五章 基于模糊正则LSTSVM的单向阀故障诊断方法 |
| 5.1 引言 |
| 5.2 正则最小二乘孪生支持向量机 |
| 5.2.1 L_2范数正则化 |
| 5.2.2 正则最小二乘孪生支持向量机 |
| 5.2.3 模型评估体系 |
| 5.3 模糊正则最小二乘孪生支持向量机 |
| 5.3.1 离群点检测方法 |
| 5.3.2 模糊隶属度函数构造 |
| 5.3.3 模糊正则最小二乘孪生支持向量机 |
| 5.4 基于IMFRDE和 FRLSTSVM的单向阀故障诊断 |
| 5.5 实验验证及结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（4）基于双微阵列的语音命令词识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 引言 |
| §1.2 课题研究背景和意义 |
| §1.3 课题研究及发展现状 |
| §1.3.1 语音识别的发展历程与研究现状 |
| §1.3.2 语音命令词识别在智能语音交互中的研究应用现状 |
| §1.4 本文研究内容与整体结构 |
| 第二章 语音识别的基本原理 |
| §2.1 语音识别系统结构 |
| §2.2 语音的预处理 |
| §2.2.1 预加重 |
| §2.2.2 分帧和加窗 |
| §2.2.3 端点检测 |
| §2.3 语音特征提取 |
| §2.4 语音命令词识别模型 |
| §2.4.1 Query-by-Example |
| §2.4.2 Keyword/Filler |
| §2.4.3 大词汇量连续语音识别 |
| §2.4.4 Deep KWS系统 |
| 第三章 语音增强算法 |
| §3.1 语音增强技术 |
| §3.2 单通道语音增强 |
| §3.2.1 谱减法 |
| §3.2.2 维纳滤波算法 |
| §3.3 麦克风阵列增强方法 |
| §3.3.1 麦克风阵列结构 |
| §3.3.2 固定波束形成 |
| §3.3.4 广义旁瓣抵消器 |
| §3.3.5 最小方差无畸变响应 |
| §3.4 本章小结 |
| 第四章 基于低信噪比环境下的语音端点检测算法 |
| §4.1 瞬态噪声抑制 |
| §4.1.1 瞬态PSD估计 |
| §4.1.2 瞬态抑制执行判断 |
| §4.1.3 瞬态噪声抑制实验结果 |
| §4.2 调制域谱减法 |
| §4.2.1 调制域 |
| §4.2.2 调制域谱减 |
| §4.2.3 调制域相位补偿 |
| §4.3 PNCC倒谱距离端点检测 |
| §4.3.1 功率归一化倒谱系数 |
| §4.3.2 基于功率归一化倒谱距离的端点检测算法 |
| §4.4 实验与分析 |
| §4.4.1 实验配置 |
| §4.4.2 实验结果与分析 |
| §4.4.3 本文算法的适用环境和后续研究 |
| §4.5 本章小结 |
| 第五章 基于双微阵列与深度残差网络的命令词识别算法 |
| §5.1 深度残差网络 |
| §5.1.1 深度残差网络介绍 |
| §5.1.2 深度残差网络中的恒等映射 |
| §5.1.3 改进的ResNet15 模型结构 |
| §5.1.4 深层模型ResNet50 |
| §5.2 麦克风阵列 |
| §5.2.1 双微麦克风阵列 |
| §5.2.2 双微麦克风阵列数据 |
| §5.3 特征提取 |
| §5.3.1 特征参数 |
| §5.3.2 动态差分参数 |
| §5.3.3 特征处理 |
| §5.4 实验结果与分析 |
| §5.4.1 网络参数设置 |
| §5.4.2 实验结果 |
| §5.4.3 实验分析 |
| §5.5 本章小结 |
| 第六章 总结与展望 |
| §6.1 论文总结 |
| §6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（5）基于稳态信号的射频指纹算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 射频指纹识别技术 |
| 1.2.1 射频指纹识别技术研究背景 |
| 1.2.2 射频指纹技术研究进展 |
| 1.3 主要研究内容及贡献 |
| 1.4 论文的结构安排 |
| 第二章 射频指纹技术原理及实现 |
| 2.1 引言 |
| 2.2 射频指纹识别基本模型 |
| 2.3 射频指纹产生机理 |
| 2.3.1 数模转换器特征分析 |
| 2.3.2 调制器特征分析 |
| 2.3.3 锁相环特征分析 |
| 2.3.4 功率放大器特征分析 |
| 2.4 射频指纹的基本特征 |
| 2.5 常见分类器选取及实验环境简介 |
| 2.5.1 常见分类器选取 |
| 2.5.2 实验环境简介 |
| 2.6 本章小结 |
| 第三章 无导频结构的稳态信号射频指纹提取 |
| 3.1 引言 |
| 3.2 分形特征 |
| 3.2.1 分形特征算法 |
| 3.2.2 性能分析 |
| 3.2.3 实测结果分析 |
| 3.3 高阶矩特征 |
| 3.3.1 高阶矩特征算法 |
| 3.3.2 性能分析 |
| 3.3.3 实测结果分析 |
| 3.4 相位噪声谱 |
| 3.4.1 相位噪声谱估计法 |
| 3.4.2 窗函数及其长度和重叠长度选择 |
| 3.4.3 实测结果分析 |
| 3.5 本章小结 |
| 第四章 导频结构的稳态信号射频指纹提取 |
| 4.1 引言 |
| 4.2 载频相位精估特征 |
| 4.2.1 载频相位精估算法 |
| 4.2.2 实测结果分析 |
| 4.3 星座图特征 |
| 4.3.1 星座图特征算法 |
| 4.3.2 实测结果分析 |
| 4.4 功率谱统计特征 |
| 4.4.1 功率谱统计特征算法 |
| 4.4.2 实测结果分析 |
| 4.5 本章小结 |
| 第五章 射频指纹测试台实现及其结果分析 |
| 5.1 引言 |
| 5.2 NI软件无线电平台介绍 |
| 5.2.1 测试台软件介绍 |
| 5.2.2 测试台硬件介绍 |
| 5.3 测试平台的链路设计 |
| 5.3.1 帧结构设计 |
| 5.3.2 帧同步 |
| 5.3.3 界面及参数配置 |
| 5.4 测试台实测结果分析 |
| 5.4.1 单一特征性能分析 |
| 5.4.2 多种特征组合性能分析 |
| 5.4.3 分类器性能分析 |
| 5.5 本章小结 |
| 第六章 全文总结 |
| 6.1 本文贡献 |
| 6.2 后续工作建议 |
| 致谢 |
| 参考文献 |
| 个人简历 |
| 攻读硕士学位期间参加的科研项目及研究成果 |
（6）网格化无线电监测系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 国内外研究现状 |
| 1.2.1 国外发展情况 |
| 1.2.2 国内发展情况 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 总体方案 |
| 2.1 研制目标 |
| 2.2 系统组成 |
| 2.3 主要功能和技术指标 |
| 2.3.1 主要功能 |
| 2.3.2 总体技术指标 |
| 2.3.3 频谱监测终端技术指标 |
| 2.3.4 软件系统功能指标 |
| 2.4 本章小结 |
| 第三章 系统设计 |
| 3.1 小型化宽带接收天线 |
| 3.2 通道接收 |
| 3.2.1 模块组成 |
| 3.2.2 工作原理 |
| 3.3 数字信号处理硬件 |
| 3.3.1 模块组成 |
| 3.3.2 模块功能 |
| 3.3.3 关键器件说明 |
| 3.3.4 电源和接地设计 |
| 3.4 信号处理算法和仿真 |
| 3.4.1 分布式协同信号检测 |
| 3.4.2 信号调制类型估计 |
| 3.4.3 自适应码元速率估计 |
| 3.5 分布式协同信号被动定位与跟踪 |
| 3.5.1 定位场景建模 |
| 3.5.2 TDOA定位算法原理 |
| 3.5.3 TDOA定位算法流程 |
| 3.5.4 数据预处理 |
| 3.5.5 相关性分析 |
| 3.5.6 信号源位置计算 |
| 3.6 网络管理及服务平台软件 |
| 3.6.1 网络架构设计 |
| 3.6.2 系统功能 |
| 3.6.3 网络管理模块 |
| 3.6.4 频谱实时监测模块 |
| 3.6.5 电磁频谱数据重演 |
| 3.6.6 远程更新下载 |
| 3.6.7 软件运行环境 |
| 3.7 监测终端使用 |
| 3.7.1 外观结构 |
| 3.7.2 接口 |
| 3.7.3 系统自检 |
| 3.8 本章小结 |
| 第四章 系统组网试验方案 |
| 4.1 网格化无线电监测试验网组成 |
| 4.2 外场监测节点布置方案 |
| 4.2.1 监测网络与数据管理中心 |
| 4.2.2 外场频谱监测节点设备安装情况 |
| 4.2.3 组网测试专用移动试验车的改装 |
| 4.3 外场监测节点通信组网方式与试验流程 |
| 4.4 系统试验验证情况 |
| 4.4.1 监测终端技术指标测试 |
| 4.4.2 TDOA定位试验 |
| 4.4.3 系统指标实现情况小结 |
| 4.4.4 与国内外主流监测设备的对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
（7）高速机动辐射源目标无源定位关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要缩略词术语表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无源定位系统的发展历史 |
| 1.2.2 信号分选方法研究现状 |
| 1.2.3 参数估计算法研究现状 |
| 1.2.4 无源定位算法研究现状 |
| 1.3 关键问题与本文主要工作 |
| 1.3.1 关键问题与研究思路 |
| 1.3.2 本文主要工作与结构 |
| 第二章 辐射源目标无源定位基本原理 |
| 2.1 引言 |
| 2.2 无源定位系统信号处理流程 |
| 2.3 传统准静止目标无源定位原理 |
| 2.3.1 静态接收信号模型与参数估计方法 |
| 2.3.2 定位模型 |
| 2.4 高速机动目标无源定位原理 |
| 2.4.1 动态接收信号模型 |
| 2.4.2 动态信号参数估计的难点问题 |
| 2.4.3 定位模型 |
| 2.5 本章小结 |
| 第三章 多站脉冲分选与配对 |
| 3.1 引言 |
| 3.2 多目标时差直方图数学模型 |
| 3.3 约束准则下扩展时差直方图脉冲分选配对方法 |
| 3.3.1 引入约束准则 |
| 3.3.2 构建扩展时差直方图 |
| 3.3.3 算法步骤总结 |
| 3.4 仿真实验分析 |
| 3.4.1 方法有效性验证 |
| 3.4.2 分选正确率对比 |
| 3.4.3 分选实时性对比 |
| 3.5 本章小结 |
| 第四章 常规信号的定位参数估计 |
| 4.1 引言 |
| 4.2 高速匀速目标的定位参数估计 |
| 4.2.1 接收信号模型 |
| 4.2.2 基于FSAF-SFT的距离差和距离差变化率联合估计算法 |
| 4.2.3 算法实现 |
| 4.2.4 计算复杂度分析 |
| 4.2.5 仿真实验分析 |
| 4.3 高速机动目标的定位参数估计 |
| 4.3.1 接收信号模型 |
| 4.3.2 基于SKT-LVD的快速定位参数估计算法 |
| 4.3.3 基于SKT-NUFFT的高精度定位参数估计算法 |
| 4.4 本章小结 |
| 第五章 跳频信号的定位参数估计 |
| 5.1 引言 |
| 5.2 高速跳频辐射源目标的定位参数估计 |
| 5.2.1 算法原理 |
| 5.2.2 算法流程 |
| 5.2.3 计算复杂度分析 |
| 5.2.4 仿真实验分析 |
| 5.3 高速机动跳频辐射源目标的定位参数估计 |
| 5.3.1 算法原理 |
| 5.3.2 算法流程 |
| 5.3.3 计算复杂度分析 |
| 5.3.4 仿真实验分析 |
| 5.4 本章小结 |
| 第六章 目标高精度稳健定位与测速 |
| 6.1 引言 |
| 6.2 联合距离差、距离差变化率和二阶距离差变化率的目标稳健定位测速算法 |
| 6.2.1 算法原理 |
| 6.2.2 理论性能分析 |
| 6.2.3 仿真实验分析 |
| 6.3 存在站址误差时的目标稳健定位测速算法 |
| 6.3.1 定位模型 |
| 6.3.2 定位CRLB分析 |
| 6.3.3 算法原理 |
| 6.3.4 理论性能分析 |
| 6.3.5 仿真实验分析 |
| 6.4 目标位置、速度和加速度的联合求解 |
| 6.4.1 定位模型 |
| 6.4.2 定位CRLB分析 |
| 6.4.3 算法原理 |
| 6.4.4 仿真实验分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者信息 |
（8）图像角点检测的算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于灰度变化的方法 |
| 1.2.2 基于边缘轮廓的方法 |
| 1.2.3 基于模板的方法 |
| 1.3 角点检测的应用 |
| 1.3.1 目标识别 |
| 1.3.2 目标跟踪 |
| 1.3.3 目标分类 |
| 1.4 论文研究内容及安排 |
| 第二章 图像角点检测技术及性能评价标准 |
| 2.1 图像角点的定义 |
| 2.2 图像角点提取的准则 |
| 2.3 图像角点检测算法 |
| 2.3.1 Moravec角点检测算法 |
| 2.3.2 Harris角点检测算法 |
| 2.3.3 CSS角点检测算法 |
| 2.3.4 ACSS角点检测算法 |
| 2.3.5 CPDA角点检测算法 |
| 2.4 角点检测器的性能评价准则 |
| 2.5 本章总结 |
| 第三章 基于双边滤波的角点检测算法 |
| 3.1 引言 |
| 3.2 双边滤波技术及其特点 |
| 3.2.1 高斯滤波器 |
| 3.2.2 双边滤波器的原理 |
| 3.2.3 双边滤波器的特点 |
| 3.3 基于双边滤波的角点检测算法 |
| 3.3.1 新的角点测度 |
| 3.3.2 角点判决 |
| 3.4 实验结果与性能评价 |
| 3.4.1 参数设定 |
| 3.4.2 噪声稳健性实验 |
| 3.4.3 角点匹配实验 |
| 3.4.4 平均重复率实验 |
| 3.5 本章总结 |
| 第四章 基于边缘线上主方向角度差的角点检测算法 |
| 4.1 引言 |
| 4.2 边缘提取和缝隙补齐算法 |
| 4.2.1 Canny边缘提取算法 |
| 4.2.2 边缘缝隙补齐及延伸算法 |
| 4.3 新的角点测度 |
| 4.4 实验结果与性能评价 |
| 4.4.1 角点匹配实验 |
| 4.4.2 平均重复率实验 |
| 4.5 本章总结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）合成孔径雷达结构化目标稀疏成像方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 SAR成像系统的发展概况 |
| 1.2.2 SAR稀疏成像技术研究现状 |
| 1.3 论文主要工作及结构安排 |
| 第二章 SAR成像基础 |
| 2.1 引言 |
| 2.2 SAR成像基本原理 |
| 2.2.1 点散射中心回波模型 |
| 2.2.2 部件级参数化散射回波模型 |
| 2.3 SAR成像技术 |
| 2.3.1 匹配滤波技术 |
| 2.3.2 正则化技术与贝叶斯推理技术 |
| 2.4 SAR稀疏成像与结构稀疏成像方法 |
| 2.4.1 SAR稀疏成像方法 |
| 2.4.2 SAR结构稀疏成像方法 |
| 2.5 本章小结 |
| 第三章 结构化目标全极化SAR部件级稀疏成像方法 |
| 3.1 引言 |
| 3.2 散射中心模型发展 |
| 3.2.1 DE模型 |
| 3.2.2 ASC模型 |
| 3.2.3 CSF模型 |
| 3.3 目标电磁散射机理驱动的全极化SAR信号模型 |
| 3.3.1 基于ASC信息的全极化观测模型 |
| 3.3.2 基于CSF信息的全极化观测模型 |
| 3.4 基于CSF模型的全极化SAR部件级稀疏成像算法 |
| 3.4.1 M-FOCUSS成像算法原理及流程 |
| 3.4.2 实验分析 |
| 3.5 基于ASC模型的全极化SAR超分辨成像算法 |
| 3.5.1 脉冲噪声 |
| 3.5.2 ADMM超分辨成像算法原理及流程 |
| 3.5.3 实验分析 |
| 3.6 本章小结 |
| 第四章 结构化目标稀疏孔径SAR成像与变化检测方法 |
| 4.1 引言 |
| 4.2 稀疏孔径SAR观测模型 |
| 4.3 结构化目标稀疏孔径SAR成像算法 |
| 4.3.1 结构稀疏贝叶斯成像模型 |
| 4.3.2 贝叶斯成像算法 |
| 4.3.3 相干变化检测 |
| 4.3.4 实验分析 |
| 4.4 稀疏孔径SAR联合成像与变化检测算法 |
| 4.4.1 贝叶斯联合成像与变化检测模型 |
| 4.4.2 贝叶斯联合成像与变化检测算法 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 第五章 结构感知的SC-SAR成像自聚焦方法 |
| 5.1 引言 |
| 5.2 SC-SAR系统距离多普勒成像算法 |
| 5.2.1 SC-SAR系统与信号模型 |
| 5.2.2 SC-SAR距离多普勒成像算法 |
| 5.2.3 实验分析 |
| 5.3 结构感知的贝叶斯SC-SAR稀疏成像自聚焦算法 |
| 5.3.1 含有相位噪声的SC-SAR信号模型 |
| 5.3.2 脉冲维相位噪声结构性先验 |
| 5.3.3 贝叶斯成像自聚焦算法 |
| 5.3.4 实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| A.1 公式(3-26)的推导过程 |
| A.2 复?_1范数和复?_2范数近端算子的推导过程 |
| A.3 公式(4-40)的推导过程 |
| A.4 公式(5-46)的推导过程 |
| 攻读博士期间取得的研究成果 |
（10）辐射源指纹特征提取技术与分类器设计研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 辐射源指纹特征提取技术研究现状 |
| 1.2.2 辐射源分类器设计技术研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构安排 |
| 第二章 辐射源个体识别基础 |
| 2.1 引言 |
| 2.2 基于功放Taylor多项式的辐射源个体信号模型 |
| 2.3 辐射源个体识别系统处理一般流程 |
| 2.3.1 信号预处理 |
| 2.3.2 特征提取 |
| 2.3.3 特征选择 |
| 2.3.4 分类识别 |
| 2.4 本章小结 |
| 第三章 监督条件下基于图像处理思想的信号单一特征提取 |
| 3.1 引言 |
| 3.2 信号预处理 |
| 3.3 基于灰度共生矩阵的纹理特征提取算法 |
| 3.3.1 算法思想 |
| 3.3.2 算法设计 |
| 3.3.3 算法流程 |
| 3.4 实验及性能分析 |
| 3.4.1 实验设计 |
| 3.4.2 仿真实验与性能分析 |
| 3.4.3 实测信号验证 |
| 3.5 本章小结 |
| 第四章 监督条件下基于C-E的信号联合特征提取 |
| 4.1 引言 |
| 4.2 信号预处理 |
| 4.3 基于C-E的联合特征提取算法 |
| 4.3.1 时域香农熵 |
| 4.3.2 时域参数复杂度 |
| 4.3.3 基于Hilbert包络谱的香农熵特征提取 |
| 4.3.4 C-E联合特征向量 |
| 4.4 实验与性能分析 |
| 4.4.1 实验设计 |
| 4.4.2 仿真实验与性能分析 |
| 4.4.3 实测信号验证 |
| 4.5 本章小结 |
| 第五章 半监督条件下基于领域自适应的分类器设计 |
| 5.1 引言 |
| 5.2 领域自适应分类模型 |
| 5.3 领域自适应条件下基于分类器差异最大化的学习方法 |
| 5.3.1 算法思想 |
| 5.3.2 算法设计 |
| 5.3.3 算法流程 |
| 5.4 实验设计与结果分析 |
| 5.4.1 实验设计 |
| 5.4.2 实验与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
四、具有抗噪稳健性的数字识别（论文参考文献）
- [1]基于深度学习与双微阵列的语音命令词识别研究[D]. 祁潇潇. 桂林电子科技大学, 2021(02)
- [2]基于深度学习的雷达一维距离像未知目标识别[D]. 张同梦雪. 电子科技大学, 2021(01)
- [3]矿浆管道输送系统的隔膜泵单向阀故障诊断研究[D]. 周成江. 昆明理工大学, 2020
- [4]基于双微阵列的语音命令词识别研究[D]. 卜玉婷. 桂林电子科技大学, 2020(02)
- [5]基于稳态信号的射频指纹算法的研究[D]. 王培. 电子科技大学, 2020(01)
- [6]网格化无线电监测系统设计[D]. 罗群飞. 东南大学, 2020(01)
- [7]高速机动辐射源目标无源定位关键技术研究[D]. 刘智鑫. 战略支援部队信息工程大学, 2020(01)
- [8]图像角点检测的算法研究[D]. 李步青. 西安电子科技大学, 2020(05)
- [9]合成孔径雷达结构化目标稀疏成像方法研究[D]. 杨悦. 电子科技大学, 2020(07)
- [10]辐射源指纹特征提取技术与分类器设计研究[D]. 岳嘉颖. 战略支援部队信息工程大学, 2019(02)