雷达辐射源调制信号仿真(代码)

雷达辐射源调制信号仿真

说明:通过Matlab进行单载频(CW),线性调频(LFM)、非线性调频(NLFM)、二相编码(BPSK)、四相编码(QPSK)、二频编码(BFSK)、四频编码(QFSK)七种雷达脉内调制信号的方仿真。

环境:Matlab

直通☛ 200页+ FPGA/IC秋招面试笔试题
@[toc]


1.单载频信号

function [cws]=cw(snr,T,f0)
Fs=2500e6;%时域采样频率2500MHz
N=8192;
t=(0:1/Fs:T);%时间序列
s=exp(1i*2*pi*f0*t);%原信号
s=awgn(s,snr);%加高斯白噪声后的信号
s=fft(s,N)/max(fft(s,N));%fft,归一化
cws.data=s;%加高斯白噪声后的信号
cws.label=0;%加高斯白噪声后的信号

% %绘图
%plot((0:N-1)*Fs/N,abs(cws.data));


2.线性调频信号

function [chirps]=chirp(snr,T,f0)
Fs=2500e6;%时域采样频率2500MHz
N=8192;
t=(0:1/Fs:T);%时间序列
B=(45+(55-45)*rand(1))*1e6;%调频带宽(45~55M)
K=rand(1)-0.5;%调频斜率(正负随机选择)
if(K>0)
    K=B/T;%
else
    K=-B/T;%
end
s=exp(1i*(2*pi*f0*t+pi*K*t.*t));%原信号
s=awgn(s,snr);
s=fft(s,N)/max(fft(s,N));%fft,归一化
chirps.data=s;%加高斯白噪声后的信
chirps.label=1;%加高斯白噪声后的信号

% %绘图
%plot((0:N-1)*Fs/N,abs(s));

3.非线性调频信号

function [nlfms]=nlfm(snr,T,f0)

Fs=2500e6;%时域采样频率2500MHz
N=8192;
B=(45+(55-45)*rand(1))*1e6;%调频带宽(45~55M)

%计算窗函数群时延函数
syms f;
W(f)=0.54+0.46*cos(2*pi/B*f);%定义窗函数
Tf=matlabFunction(vpa(double(vpa(T/int(W,-B/2,B/2)))*int(W,-B/2,f)));%计算群时延函数

%调频函数拟合(群时延反函数拟合)
f=(-B/2 : B/(T*Fs) : B/2);
[xData, yData] = prepareCurveData( Tf(f), f );
Ft= fit( xData, yData, 'smoothingspline');
t=(0 : 1/Fs : T);
Ft=Ft(t);
%相位函数计算
P=zeros(1,length(t));
for j=2:length(t)
    P(j)=P(j-1)+2*pi*Ft(j)*(1/Fs);
end
s=exp(1i*(2*pi*f0.*t+P));%原信号
s=awgn(s,snr);%加高斯白噪声后的信
s=fft(s,N)/max(fft(s,N));%fft,归一化

nlfms.data=s;
nlfms.label=2;%加高斯白噪声后的信号

% %绘图
% plot((0:N-1)*Fs/N,abs(s));


4.二相编码信号

function [bpsks]=bpsk(snr,T,f0)
Fs=2500e6;%时域采样频率2500MHz
N=8192;
barker_13=[1 1 1 1 1 -1 -1 1 1 -1 1 -1 1];
p=T/13.0;
pn=fix(p*Fs);%子码点数
cs=ones(13,pn);
for j=(1:13)
    if(barker_13(j)==-1)
        cs(j,:)=cs(j,:)*-1;
    end
end
cs=[cs(1,:),cs(2,:),cs(3,:),cs(4,:),cs(5,:),cs(6,:),cs(7,:),cs(8,:),cs(9,:),cs(10,:),cs(11,:),cs(12,:),cs(13,:)];
t=(0:pn*13-1)/Fs;%时间序列
s=exp(1i*2*pi*f0*t).*cs;%原信号
s=awgn(s,snr);
s=fft(s,N)/max(fft(s,N));%fft,归一化
bpsks.data=s;%加高斯白噪声后的信号
bpsks.label=3;%加高斯白噪声后的信号
  

% %绘图
%plot((0:N-1)*Fs/N,abs(s));

5.四相编码信号

function [qpsks]=qpsk(snr,T,f0)

N=8192;%fft点数
Fs=2500e6;%时域采样频率2500MHz

tler_28A=[1  1i  1 -1i  1 -1i -1  1i -1  1i  1  1i -1  1i  1 1i -1  1i  1 1i -1  1i -1 -1i  1 -1i 1 1i];

p=T/28.0;
pn=fix(p*Fs);%子码点数
cs=ones(28,pn);

for j=(1:28)
    if(tler_28A(j)==-1)
        cs(j,:)=cs(j,:)*-1;
    end
    if(tler_28A(j)==1i)
        cs(j,:)=cs(j,:)*1i;
    end
    if(tler_28A(j)==-1i)
        cs(j,:)=cs(j,:)*-1i;
    end
end
cs=[cs(1,:),cs(2,:),cs(3,:),cs(4,:),cs(5,:),cs(6,:),cs(7,:),cs(8,:),cs(9,:),cs(10,:),cs(11,:),cs(12,:),cs(13,:),cs(14,:),cs(15,:),cs(16,:),cs(17,:),cs(18,:),cs(19,:),cs(20,:),cs(21,:),cs(22,:),cs(23,:),cs(24,:),cs(25,:),cs(26,:),cs(27,:),cs(28,:)];


t=(0:pn*28-1)/Fs;%时间序列
s=exp(1i*2*pi*f0*t).*cs;%原信号
s=awgn(s,snr);
s=fft(s,N)/max(fft(s,N));%fft,归一化
qpsks.data=s;%加高斯白噪声后的信号
qpsks.label=4;%加高斯白噪声后的信号

% plot((0:N-1)*Fs/N,abs(s));

6.二频编码信号

function [bfsks]=bfsk(snr,T,f0)
Fs=2500e6;%时域采样频率2500MHz
N=8192;
barker_13=[1 1 1 1 1 -1 -1 1 1 -1 1 -1 1];
p=T/13.0;
pn=fix(p*Fs);%子码点数
cs=ones(13,pn);
cst=(0:pn-1)/Fs;
f1=f0+(10+(50-10)*rand(1))*1e6;%
p0=0;
for j=(1:13)
            if(barker_13(j)==1)
                cs(j,:)=exp(1i*(p0+2*pi*f0*cst));
                p0=p0+2*pi*f0*cst(pn);
            else
                cs(j,:)=exp(1i*(p0+2*pi*f1*cst));
                p0=p0+2*pi*f1*cst(pn);
            end
end
s=[cs(1,:),cs(2,:),cs(3,:),cs(4,:),cs(5,:),cs(6,:),cs(7,:),cs(8,:),cs(9,:),cs(10,:),cs(11,:),cs(12,:),cs(13,:)];
s=awgn(s,snr);%加高斯白噪声后的信号
s=fft(s,N)/max(fft(s,N));%fft,归一化
bfsks.data=s;
bfsks.label=5;%加高斯白噪声后的信号
        
% %绘图
% plot((0:N-1)*Fs/N,abs(s));

7.四频编码信号

function [qfsks]=qfsk(snr,T,f0)
Fs=2500e6;%时域采样频率2500MHz
N=8192;
frank_16=[0 0 0 0 0 1 2 3 0 2 4 6 0 3 6 9];
p=T/16.0;
pn=fix(p*Fs);%子码点数
cs=ones(16,pn);
cst=(0:pn-1)/Fs;
df=(10+(50-10)*rand(1))*1e6;
p0=0;
for j=(1:16)
    if(mod(frank_16(j),4)==0)
        cs(j,:)=exp(1i*(p0+2*pi*(f0+df*mod(frank_16(j),4))*cst));
        p0=p0+2*pi*f0*cst(pn);
    else
        if(mod(frank_16(j),4)==1)
            cs(j,:)=exp(1i*(p0+2*pi*(f0+df*mod(frank_16(j),4))*cst));
            p0=p0+2*pi*f0*cst(pn);
        else
            if(mod(frank_16(j),4)==2)
                cs(j,:)=exp(1i*(p0+2*pi*(f0+df*mod(frank_16(j),4))*cst));
                p0=p0+2*pi*f0*cst(pn);
            else
                cs(j,:)=exp(1i*(p0+2*pi*(f0+df*mod(frank_16(j),4))*cst));
                p0=p0+2*pi*f0*cst(pn);
            end
        end
    end
end
s=[cs(1,:),cs(2,:),cs(3,:),cs(4,:),cs(5,:),cs(6,:),cs(7,:),cs(8,:),cs(9,:),cs(10,:),cs(11,:),cs(12,:),cs(13,:),cs(14,:),cs(15,:),cs(16,:)];
s=awgn(s,snr);
s=fft(s,N)/max(fft(s,N));%fft,归一化
qfsks.data=s;%加高斯白噪声后的信号
qfsks.label=6;%加高斯白噪声后的信号

% %绘图
% plot((0:N-1)*Fs/N,abs(s));

7.总函数

%%
clear all;
clc;disp('正在生成');
for n=(0:0)
    T_min=0.5;T_max=3;%脉宽(us)
    f_min=200;f_max=220;%载频(MHz)
    snr_min=-18;snr_max=-18;%信噪比
    for i=(0:0)
        data1(i*7+1)=   cw      (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+2)=   chirp   (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+3)=   nlfm    (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+4)=   bpsk    (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+5)=   qpsk    (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+6)=   bfsk    (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        data1(i*7+7)=   qfsk    (snr_min+(snr_max-snr_min)*rand(1),(T_min+(T_max-T_min)*rand(1))*1e-6,(f_min+(f_max-f_min)*rand(1))*1e6);
        x=['n=',num2str(n),'i=',num2str(i)];
        disp(x);
    end
    
     file_name=['data1',num2str(n),'.mat'];
     save(file_name,'data1');
end

% for j=(1:7)
%     subplot(7,1,j);
%     plot(abs(data(j).data));
%     grid on;
% end


clc;disp('完成');




  • 6
    点赞
  • 46
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 雷达辐射源识别是现代信息化电子战中侦察部 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 分的关键环节,电子侦察 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 处于战争的先导位置,是保证电子胜利决条件。由当前日益复杂磁 脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对脉冲环境以及雷达 技术的飞速发展,对辐射 源的识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达识别长久以来一直是雷达对 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 抗领域中亟待发展的关键技术,准确并实时地识别特定 雷达辐射源 雷达辐射源 雷达辐射源 雷达辐射源 雷达辐射源 的存在对于 获取敌方雷达信息情报 、有针对性地实施雷达干扰等具关键意义。 本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习本文由雷达辐射 源识别的基原理和流程出发,展开了于形学习源识别 技术 研究。首先 研究。首先 研究。首先 研究。首先 研究。首先 分析 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了辐射源电磁环境,对几种典型的脉内调制信号进行 了仿真 分析 ,研究了 研究了 研究了 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 雷达侦察系统接收处理信号参数的流程和 辐射源 辐射源 辐射源 识别中的常 用特征 参数, 参数, 参数, 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 并分析对比了传统的辐射源识别方法。 随后 ,针对 雷达 辐射源识别 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 中所面对的高维海量特征数据 处理难题 处理难题 处理难题 处理难题 ,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统,引入模式识别中用于数据降 维的传统维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 维方法,分析算的原理、适用条件优点和不足在此基础上将非线性流形 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 学习算法应用到辐射源特征参数的约简降维中。分析了典型流形思 想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同想和计算方法 ,仿真了针对典型流形中数据点的降维效果分析不同的性能、使用条件以及参数选择等。最后研究了基于 LLE 算法和神经网络分类器 算法和神经网络分类器 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 的雷达辐射源识别技术。 分析了 分析了 分析了 识别 流程 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 的三个关键环节,包括信号特征提 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 取、特征选择以及如何根据所提的数 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 据来设计选择分类器, 研究 了常用神经网 了常用神经网 了常用神经网 了常用神经网 了常用神经网 了常用神经网 络分类器的原理结构。在此基础上通过 LLE 算法对信号在不同噪比条件下提取 的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器的样本信息进行维数约简,并经过神网络分类 器。结果表明,利用 结果表明,利用 结果表明,利用 结果表明,利用 结果表明,利用 结果表明,利用 结果表明,利用 LLE LLE算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好算法降维后的 特征向量进行分类识别在一定噪声条件下仍然表现出较好识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源识 别正确率,并且在处理降维后的低特征向量时计算减少对于辐射源别的实时性有明显提高。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

数字硬鉴

你的鼓励就是我创作的最大动力。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值