基於機器學習理論的通信輻射源個體識別 雷迎科 劉輝 9787118131185 【台灣高等教育出版社】

內容簡介
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，嚴重製約了通信輻射源個體識別技術的應用與發展。
《基於機器學習理論的通信輻射源個體識別》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新研究成果。
《基於機器學習理論的通信輻射源個體識別》可作為高等院校通信、信息、計算機、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。

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
第8章 基於聚類的通信輻射源個體識別
參考文獻

前言/序言
通信輻射源個體識別技術是通過提取通信信號中的個體細微特徵進行分類識別的技術手段。這種識別技術在軍用領域，一旦實現對輻射源個體身份屬性的判別，就能夠識別敵方重要電子裝備及其載體（如指揮所、航空母艦等），判斷其威脅等級，並有針對性地進行監視跟蹤和實施有效對抗措施，也能夠為敵方通信網路組成判定、敵方動向預測、戰場態勢分析等提供情報支持。而且在民用方面，可對各種通過偽裝或克隆的方式接入網路進行虛假信息傳播、信息竊取、惡意攻擊的非法輻射源（如非法偽基站等）進行定位識別，對保障有序、安全的頻譜環境有著重要的意義。
當前，通信輻射源個體識別技術研究主要針對大量有標籤通信輻射源信號樣本，利用監督學習方法實現對多個同型號通信輻射源個體識別。但是在實際環境下，「小樣本」「細微特徵提取」等問題，嚴重製約了通信輻射源個體識別技術的應用與發展。本書將機器學習方法引入通信輻射源個體識別中，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。
本書共8章。第1章為緒論，該章全面而系統地敘述了通信輻射源個體識別研究背景、研究現狀、存在的問題及機器學習在通信輻射源個體識別中的應用前景。第2章為通信輻射源個體識別基礎，該章主要在對通信輻射源個體識別指紋特徵產生機理分析的基礎上，對通信輻射源信號截獲與參數測量、信號分選、個體指紋特徵提取、個體分類識別等識別過程進行了介紹，最後重點分析了通信輻射源個體識別分類的方法和現狀。第3章為機器學習理論基礎，對機器學習的定義和主要理論進行了介紹，闡述了機器學習的方法、應用以及發展現狀和趨勢。第4章為基於流形學習的通信輻射源個體識別，以流形學習理論為基礎，展開對通信輻射源個體識別細微特徵提取的研究，分析了流形學習應用於通信輻射源個體細微特徵提取的可行性，針對目前流形學習演算法應用於輻射源個體識別存在的主要問題，提出了兩種改進演算法並進行了實驗驗證。第5章為基於稀疏表示的通信輻射源個體識別，在介紹稀疏表示的基本理論和方法的基礎上，針對通信輻射源個體識別面臨的「小樣本」和雜訊干擾問題，分別提出了基於潛在低秩表示的通信輻射源細微特徵提取，以及基於協作表示與基於相關熵協作表示的通信輻射源個體識別方法並進行了實驗驗證。第6章為基於淺層學習的通信輻射源個體識別，首先介紹淺層學習的代表——徑向基函數神經網路的基本理論和方法，其次重點闡述了徑向基函數神經網路用於通信輻射源個體識別總體方案、所需解決的具體問題和實驗驗證。第7章為基於深度學習的通信輻射源個體識別，該章在介紹深度學習的基本概念和主要演算法的基礎上，對基於深度學習的通信輻射源個體識別可行性進行了分析，重點針對通信輻射源個體識別存在的「小樣本」問題，研究了基於堆棧自編碼網路、降噪深度學習機、圖嵌入堆棧自編碼網路和降噪矩形網路的通信輻射源個體識別方法，並進行了實驗驗證。第8章為基於聚類的通信輻射源個體識別，對基於聚類的通信輻射源個體識別方法進行了探索，以克服戰場通信輻射源個體識別樣本不足的問題，重點研究了仿射傳播聚類和雙層數據流聚類的通信輻射源個體識別技術，並在實際數據集上進行了實驗驗證。
本書理論體系完整，是作者近年來在機器學習和通信輻射源個體識別領域的最新研究成果。注重基礎，面嚮應用，書中包含大量的實例，便於自學和應用。通過本書的學習，讀者可以對通信輻射源個體識別以及流形學習、稀疏表示、深度學習、淺層學習等機器學習理論的基本概念和大量演算法有深入的認識與掌握，很容易進行模擬實驗，並且可以應用這些演算法解決一些實際問題。