基于粗糙集理论的雷达辐射源信号识别 出版时间: 2015年版内容简介 雷达辐射源信号识别既是雷达侦察中的关键环节,又是多传感器信息融合中属性识别的重要内容。如何对雷达辐射源信号进行有效和快速的识别是决定现代战争胜负的重要因素之一。《基于粗糙集理论的雷达辐射源信号识别》在深入研究和分析雷达辐射源信号识别特点、过程及雷达辐射源信号脉冲描述字的基础上,提出了基于粗糙集理论、粗糙集理论与其他理论相结合以及其他雷达辐射源信号智能识别方法。目录第1章 绪论1.1 引言1.2 雷达辐射源信号识别概述1.2.1 雷达对抗与雷达侦察1.2.2 雷达辐射源信号识别及其地位1.3 国内外研究现状1.4 基于粗糙集理论的雷达辐射源信号识别第2章 雷达辐射源信号识别基础和模型2.1 引言2.2 雷达侦察2.2.1 雷达侦察的基本内容和分类2.2.2 雷达侦察的特点2.2.3 雷达侦察的用途2.3 雷达侦察中辐射源信号处理过程2.3.1 信号截获和参数测量2.3.2 信号分选2.3.3 参数估计与分析2.3.4 雷达辐射源识别及信号描述方式2.4 常用的基于特征匹配的雷达辐射源信号识别功能模型2.5 雷达辐射源信号特征提取与特征选择2.6 雷达辐射源信号识别分类器设计分析2.6.1 专家系统分类器2.6.2 神经网络分类器2.6.3 模糊综合评判分类器2.6.4 脉内特征分析分类器2.7 一种新的雷达辐射源信号识别功能模型2.7.1 数据预处理2.7.2 特征选择2.7.3 基于粗糙集约简的分类器设计2.7.4 无监督学习第3章 粗糙集理论基础及数据处理方法3.1 引言3.2 粗糙集理论基础3.2.1 与知识有关的定义3.2.2 信息系统3.2.3 上近似集、下近似集3.2.4 不确定性度量3.2.5 粒度计算3.3 基于粗糙集的数据预处理3.3.1 不完备数据处理3.3.2 数据离散化3.3.3 连续属性离散化新方法3.4 基于粗糙集的约简3.4.1 属性约简3.4.2 非标准信息系统的约简3.4.3 属性约简新方法3.5 粗糙集理论与应用研究3.5.1 粗糙集理论研究3.5.2 粗糙集应用研究3.6 粗糙集理论发展现状及趋势第4章 基于粗糙集理论的单传感器雷达辐射源信号识别4.1 引言4.2 基于粗糙集的雷达辐射源信号识别4.3 基于粗糙集与支持向量机的雷达辐射源信号识别4.3.1 建立雷达辐射源信号的信息表和决策表4.3.2 对雷达辐射源决策表的属性约简和规则提取4.3.3 基于支持向量机的训练与测试4.3.4 基于支持向量机的识别方法4.3.5 具体实施方式4.4 基于粗糙集与RBF的雷达辐射源信号识别4.4.1 RBF神经网络学习算法4.4.2 基于粗糙集与RBF神经网络的识别模型4.4.3 仿真分析4.5 基于粗糙集和灰关联的雷达辐射源信号识别4.5.1 属性约简和属性权重的确定4.5.2 基于灰关联的信号识别4.5.3 基于粗糙集和灰关联的识别模型4.6 基于最近邻方法的雷达辐射源信号识别4.6.1 最近邻方法及决策规则4.6.2 距离函数的选择4.6.3 基于最近邻方法的雷达辐射源信号识别4.6.4 仿真分析4.7 基于云模型理论的雷达辐射源信号识别4.7.1 云模型4.7.2 基于云模型的雷达辐射源信号识别方法4.7.3 基于逆云模型及属性相似度的雷达辐射源信号识别方法4.7.4 仿真分析第5章 基于粗糙集理论的多传感器融合雷达辐射源信号识别5.1 引言5.2 基于粗糙集与D-S证据理论的多传感器雷达辐射源信号识别5.2.1 基于粗糙集理论的雷达辐射源信号识别5.2.2 基于粗糙集和D-S证据理论的多传感器识别5.2.3 仿真分析5.3 基于粗糙集与灰关联理论的多传感器雷达辐射源信号识别5.3.1 上、下近似集合和距离度量5.3.2 基于粗糙集和灰关联理论多传感器融合识别5.3.3 仿真分析第6章 多种雷达辐射源信号识别方法性能比较分析6.1 引言6.2 基于粗糙集和灰关联理论相结合的识别方法性能6.2.1 基于粗糙集理论的识别方法性能分析6.2.2 基于灰关联理论的识别方法性能分析6.2.3 基于粗糙集和灰关联理论相结合的识别性能6.2.4 识别性能比较6.2.5 粗糙集理论在雷达辐射源信号识别中应用的启示6.3 支持向量机、神经网络等方法的识别性能比较6.4 多传感器融合的识别方法性能比较第7章 结论与展望7.1 引言7.2 研究内容及结论7.2.1 本书研究内容7.2.2 识别方法性能分析结论7.3 问题与建议7.4 研究方向展望7.4.1 雷达辐射源信号识别系统7.4.2 雷达辐射源平台识别7.4.3 雷达辐射源信号数据库7.4.4 连续波雷达辐射源信号识别7.4.5 识别方法和分类方法的推广缩略语英汉对照表参考文献 上一篇: 雷达操作与应用 海船船员适任评估培训教材 下一篇: EPC物联网技术