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(xiàn)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(tǒng)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。
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 基于機器學習的通信輻射源個體識別
1.4 國內(nèi)外研究現(xiàn)狀
1.4.1 特征提取
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(xiàn)狀
1.5 通信輻射源個體識別面臨的挑戰(zhàn)
1.6 專用數(shù)據(jù)集
1.6.1 kenwood數(shù)據(jù)集
1.6.2 krisun數(shù)據(jù)集
1.6.3 USW數(shù)據(jù)集
1.6.4 SW數(shù)據(jù)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征產(chǎn)生機理分析
2.2.1 通信輻射源個體指紋特征概述
2.2.2 通信輻射源個體指紋特征產(chǎn)生機理
2.2.3 傳輸信道對個體指紋特征的影響分析
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(shù)測量
2.3.2 信號分選
2.3.3 個體指紋特征提取
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 基于非機器學習體制個體識別方法
2.4.2 基于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(jiān)督學習方法
3.3.2 無監(jiān)督學習方法
3.3.3 半監(jiān)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(fā)展趨勢
第4章 基于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 流形學習的典型算法
4.3.1 ISOMAP
4.3.2 LE
4.3.3 LLE
4.3.4 流形學習算法比較
4.4 基于流形學習的通信輻射源個體識別可行性分析
4.5 基于正交局部樣條判別嵌入的通信輻射源個體細微特征提取
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 基于正交局部樣條判別嵌入的通信輻射源個體細微特征提取方法
4.5.4 實驗結果與分析
4.6 基于流形正則化半監(jiān)督判別分析的通信輻射源個體細微特征提取
4.6.1 基于局部近鄰保持正則化半監(jiān)督判別分析的通信輻射源個體細微特征提取
4.6.2 實驗結果分析
第5章 基于稀疏表示的通信輻射個體識別
5.1 引言
5.2 基于潛在低秩表示的通信輻射源細微特征提取方法
5.2.1 稀疏表示與低秩表示
5.2.2 基于潛在低秩表示的通信輻射源細微特征提取
5.2.3 實驗結果與分析
5.3 基于協(xié)作表示的通信輻射源個體識別方法
5.3.1 基于協(xié)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 基于相關熵協(xié)作表示的通信輻射源個體識別方法
5.4.1 基于相關熵協(xié)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 基于淺層學習的通信輻射源個體識別
6.1 引言
6.2 基于徑向基函數(shù)神經(jīng)網(wǎng)絡的通信輻射源個體識別
6.2.1 徑向基函數(shù)及網(wǎng)絡模型
6.2.2 RBFNN的學習算法
6.2.3 RBFNN的陣列網(wǎng)絡結構
6.2.4 RBFNN泛化能力優(yōu)化方法
6.2.5 實驗結果與分析
6.3 基于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 基于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 基于深度學習的通信輻射源個體識別
第8章 基于聚類的通信輻射源個體識別
參考文獻