幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於機器學習理論的通信輻射源個體識別(精)

  • 作者：雷迎科//劉輝|責編:胡曉鷗//歐陽光
  • 出版社：國防工業
  • ISBN：9787118131185
  • 出版日期：2024/01/01
  • 裝幀：精裝
  • 頁數：215
人民幣：RMB 78 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    通信輻射源個體識別技術在軍用和民用領域都有著廣闊的應用前景，但目前「小樣本」「細微特徵提取」等問題，嚴重制約了通信輻射源個體識別技術的應用與發展。本書在介紹機器學習和通信輻射源個體識別的基本概念與研究現狀的基礎上，用機器學習領域最新的理論成果去解決通信輻射源個體識別存在的具體問題，系統闡述了流形學習、稀疏表示、深度學習、淺層學習等機器學習方法在通信輻射源個體識別中應用的最新研究成果。
    本書可作為高等院校通信、信息、電腦、自動化及相關專業的本科生或研究生的教材或教學參考書，也可供其他專業的師生以及科研和工程技術人員自學或參考。
作者介紹
雷迎科//劉輝|責編:胡曉鷗//歐陽光
目錄
第1章  緒論
  1.1  引言
  1.2  通信輻射源個體識別概述
    1.2.1  通信輻射源「指紋」
    1.2.2  通信輻射源個體識別及其地位
  1.3  基於機器學習的通信輻射源個體識別
  1.4  國內外研究現狀
    1.4.1  特徵提取
    1.4.2  分類器設計
    1.4.3  深度學習理論在通信輻射源個體識別中的應用現狀
  1.5  通信輻射源個體識別面臨的挑戰
  1.6  專用數據集
    1.6.1  kenwood數據集
    1.6.2  krisun數據集
    1.6.3  USW數據集
    1.6.4  SW數據集
第2章  通信輻射源個體識別基礎
  2.1  引言
  2.2  通信輻射源個體指紋特徵產生機理分析
    2.2.1  通信輻射源個體指紋特徵概述
    2.2.2  通信輻射源個體指紋特徵產生機理
    2.2.3  傳輸通道對個體指紋特徵的影響分析
  2.3  通信輻射源個體識別處理過程
    2.3.1  信號截獲與參數測量
    2.3.2  信號分選
    2.3.3  個體指紋特徵提取
    2.3.4  個體分類識別
  2.4  通信輻射源個體識別方法分類
    2.4.1  基於非機器學習體制個體識別方法
    2.4.2  基於機器學習體制個體識別方法
第3章  機器學習理論基礎
  3.1  引言
  3.2  機器學習的定義
  3.3  機器學習的方法
    3.3.1  監督學習方法
    3.3.2  無監督學習方法
    3.3.3  半監督學習方法
  3.4  機器學習理論與應用研究
    3.4.1  機器學習理論研究
    3.4.2  機器學習的分類
    3.4.3  機器學習在輻射源個體識別中的應用
  3.5  機器學習理論發展趨勢
第4章  基於流形學習的通信輻射源個體識別
  4.1  引言
  4.2  流形學習
  4.3  流形學習的典型演算法
    4.3.1  ISOMAP
    4.3.2  LE
    4.3.3  LLE
    4.3.4  流形學習演算法比較

  4.4  基於流形學習的通信輻射源個體識別可行性分析
  4.5  基於正交局部樣條判別嵌入的通信輻射源個體細微特徵提取
    4.5.1  局部樣條嵌入
    4.5.2  正交局部樣條判別嵌入
    4.5.3  基於正交局部樣條判別嵌入的通信輻射源個體細微特徵提取方法
    4.5.4  實驗結果與分析
  4.6  基於流形正則化半監督判別分析的通信輻射源個體細微特徵提取
    4.6.1  基於局部近鄰保持正則化半監督判別分析的通信輻射源個體細微特徵提取
    4.6.2  實驗結果分析
第5章  基於稀疏表示的通信輻射個體識別
  5.1  引言
  5.2  基於潛在低秩表示的通信輻射源細微特徵提取方法
    5.2.1  稀疏表示與低秩表示
    5.2.2  基於潛在低秩表示的通信輻射源細微特徵提取
    5.2.3  實驗結果與分析
  5.3  基於協作表示的通信輻射源個體識別方法
    5.3.1  基於協作表示的通信輻射源個體識別
    5.3.2  實驗結果與分析
  5.4  基於相關熵協作表示的通信輻射源個體識別方法
    5.4.1  基於相關熵協作表示的通信輻射源個體識別
    5.4.2  實驗結果與分析
第6章  基於淺層學習的通信輻射源個體識別
  6.1  引言
  6.2  基於徑向基函數神經網路的通信輻射源個體識別
    6.2.1  徑向基函數及網路模型
    6.2.2  RBFNN的學習演算法
    6.2.3  RBFNN 的陣列網路結構
    6.2.4  RBFNN 泛化能力優化方法
    6.2.5  實驗結果與分析
  6.3  基於支持向量機的輻射源個體識別
    6.3.1  拉普拉斯支持向量機
    6.3.2  基於局部行為相似性的拉普拉斯支持向量機
    6.3.3  實驗結果與分析
第7章  基於深度學習的通信輻射源個體識別
  7.1  引言
  7.2  基於深度學習的通信輻射源個體識別可行性分析
  7.3  基於堆棧自編碼網路的通信輻射源個體識別
    7.3.1  堆棧自編碼網路
    7.3.2  基於堆棧自編碼網路的通信輻射源個體識別
    7.3.3  實驗與結果分析
  7.4  基於降噪深度學習機的通信輻射源個體識別
    7.4.1  基於降噪深度學習機的通信輻射源個體識別方法
    7.4.2  實驗與結果分析
  7.5  基於圖嵌入堆棧自編碼網路的通信輻射源個體識別
    7.5.1  基於圖嵌入堆棧自編碼網路的通信輻射源個體識別方法
    7.5.2  實驗與結果分析
  7.6  基於降噪矩形網路的通信輻射源個體識別
    7.6.1  基於降噪矩形網路的通信輻射源個體識別方法
    7.6.2  實驗與結果分析
第8章  基於聚類的通信輻射源個體識別

  8.1  引言
  8.2  基於密度峰值聚類的通信輻射源個體識別
    8.2.1  基於密度峰值聚類的通信輻射源個體識別方法
    8.2.2  實驗與結果分析
  8.3  基於改進核函數密度峰值聚類的通信輻射源個體識別
    8.3.1  基於改進核函數密度峰值聚類的通信輻射源個體識別方法
    8.3.2  實驗與結果分析
  8.4  基於改進距離測度密度峰值聚類的通信輻射源個體識別
    8.4.1  基於改進距離測度密度峰值聚類的通信輻射源個體識別方法
    8.4.2  實驗與結果分析
  8.5  基於增量模型的通信輻射源個體識別
    8.5.1  通信輻射源個體增量識別框架
    8.5.2  增量密度峰值聚類演算法
    8.5.3  基於卡方度量的KNN分類器
    8.5.4  實驗與結果分析
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032