基于改进量子粒子群卷积神经网络雷达信号识别

摘要

随着现代电磁环境日益密集和复杂、电子信息技术的飞速发展和新兴系统雷达的出现，传统的雷达信号识别方法已不能满足现代电子战的需要。因此，有必要研究和探索更加先进的雷达信号识别方法，使其能够提取出更加精炼，更具表征性和普遍性的雷达信号特征来适应现代战争中电子战的发展。卷积神经网络不仅是深度学习领域应用较为广泛的模型，而且由于其很强的鲁棒性和容错性、并行处理能力、自学习、自组织、自适应性、强拟合性、高效的特征提取卷积运算和降维池化运算，以及强大的信息综合能力，逐渐成为雷达信号识别技术研究的一个新方向。然而，传统卷积神经网络的训练算法往往采用误差反向传播算法，该算法易使网络陷入局部最优，且收敛速度慢，泛化能力无法保证，且计算模型也较为复杂。本文研究了一种自主改进的量子粒子群算法来克服反向传播算法的缺陷，和卷积神经网络模型相结合应用于雷达信号识别领域，主要工作如下： (1)分析了基本神经网络和卷积神经网络（Convolutional Neural Network,CNN）的结构，深入探讨了标准粒子群优化算法(Particle Swarm Optimization，PSO)和量子粒子群算法（Quantum-behaved Particle Swarm Optimization Algorithm,QPSO）的优缺点。 (2)在QPSO算法的基础上引入差分进化算子和自适应因子，给出了一种改进的量子粒子群算法（Improved Quantum-behaved Particle Swarm Optimization Algorithm,IQPSO），通过测试函数对比实验验证IQPSO算法的改进优势。 (3)将IQPSO算法与CNN相结合，给出了具体的编码策略、参数设计方式、算法的流程图，并引用UCL数据库中的数据测试IQPSO-CNN的性能。 (4)研究了不同体制的雷达信号的仿真，通过仿真实验得出不同体制雷达信号的仿真数据，选取一定量的数据作为IQPSO-CNN的训练样本，剩余数据作为IQPSO-CNN的测试样本，验证网络识别的正确率。

目录

声明

第1章 绪论

1.1 课题的研究背景及意义

1.2 课题的国内外研究现状

1.2.1卷积神经网络研究概况

1.2.2粒子群优化算法研究概况

1.2.3雷达信号识别研究概况

1.3 课题研究内容及主要章节安排

第2章 人工卷积神经网络

2.1 人工神经网络

2.2 卷积神经网络

2.2.1 卷积神经网络的特点

2.2.2 卷积神经网络结构

2.3 本章小结

第3章 改进量子粒子群优化算法

3.1 PSO算法描述

3.1.1 PSO算法原理

3.1.2 PSO算法设计步骤

3.1.3 PSO算法具体流程及框图

3.1.4 PSO算法的局限性与改进

3.2 QPSO算法描述

3.2.1 QPSO算法原理

3.2.2 QPSO算法流程和框图

3.2.3 QPSO算法优点及局限性

3.3 基于自适应收缩-扩张因子和差分进化算法的QPSO算法

3.3.1 自适应收缩-扩张因子

3.3.2 差分进化算子

3.3.3 IQPSO算法流程及框图

3.3.4 数值仿真实验

3.3.5 实验结果与分析

3.4 本章小结

第4章 基于IQPSO的卷积神经网络设计

4.1 基于IQPSO的卷积神经网络

4.1.1 IQPSO算法简要描述

4.1.2 设计方案与编码策略

4.1.3 流程图与计算步骤

4.2 UCI数据集仿真测试实验

4.2.1 测试仿真实验

4.3 本章小结

第5章 雷达信号的仿真与识别

5.1 雷达信号仿真

5.1.1 常规脉冲雷达信号

5.1.2 线性调频雷达信号

5.1.3 非线性调频雷达信号

5.1.4 频域编码的雷达信号

5.1.5 相位编码的雷达信号

5.2雷达信号处理与识别

5.2.1 雷达信号的预处理

5.2.2 网络的设计和信号识别

5.3 本章小结

总结与展望

参考文献

攻读硕士期间发表的学术成果

攻读硕士期间获得的奖励

致谢