本书在介绍机器学习和通信辐射源个体识别的基本概念与研究现状的基础上，用机器学习领域最新的理论成果去解决通信辐射源个体识别存在的具体问题，系统阐述了流形学习、稀疏表示、深度学习、浅层学习等机器学习方法在通信辐射源个体识别中应用的最新研究成果。
第1章 绪论
1．1 引言
1．2 通信辐射源个体识别概述
1．2．1 通信辐射源“指纹
1．2．2 通信辐射源个体识别及其地位
1．3 基于机器学习的通信辐射源个体识别
1．4 国内外研究现状
1．4．1 特征提取
1．4．2 分类器设计
1．4．3 深度学习理论在通信辐射源个体识别中的应用现状
1．5 通信辐射源个体识别面临的挑战
1．6 专用数据集
1．6．1 kenwood数据集
1．6．2 krisun数据集
1．6．3 USW数据集
1．6．4 SW数据集
第2章 通信辐射源个体识别基础
2．1 引言
2．2 通信辐射源个体指纹特征产生机理分析
2．2．1 通信辐射源个体指纹特征概述
2．2．2 通信辐射源个体指纹特征产生机理
2．2．3 传输信道对个体指纹特征的影响分析
2．3 通信辐射源个体识别处理过程
2．3．1 信号截获与参数测量
2．3．2 信号分选
2．3．3 个体指纹特征提取
2．3．4 个体分类识别
2．4 通信辐射源个体识别方法分类
2．4．1 基于非机器学习体制个体识别方法
2．4．2 基于机器学习体制个体识别方法
第3章 机器学习理论基础
3．1 引言
3．2 机器学习的定义
3．3 机器学习的方法
3．3．1 监督学习方法
3．3．2 无监督学习方法
3．3．3 半监督学习方法
3．4 机器学习理论与应用研究
3．4．1 机器学习理论研究
3．4．2 机器学习的分类
3．4．3 机器学习在辐射源个体识别中的应用
3．5 机器学习理论发展趋势
第4章 基于流形学习的通信辐射源个体识别
4．1 引言
4．2 流形学习
4．3 流形学习的典型算法
4．3．1 ISOMAP
4．3．2 LE
4．3．3 LLE
4．3．4 流形学习算法比较
4．4 基于流形学习的通信辐射源个体识别可行性分析
4．5 基于正交局部样条判别嵌入的通信辐射源个体细微特征提取
4．5．1 局部样条嵌入
4．5．2 正交局部样条判别嵌入
4．5．3 基于正交局部样条判别嵌入的通信辐射源个体细微特征提取方法
4．5．4 实验结果与分析
4．6 基于流形正则化半监督判别分析的通信辐射源个体细微特征提取
4．6．1 基于局部近邻保持正则化半监督判别分析的通信辐射源个体细微特征提取
4．6．2 实验结果分析
第5章 基于稀疏表示的通信辐射个体识别
5．1 引言
5．2 基于潜在低秩表示的通信辐射源细微特征提取方法
5．2．1 稀疏表示与低秩表示
5．2．2 基于潜在低秩表示的通信辐射源细微特征提取
5．2．3 实验结果与分析
5．3 基于协作表示的通信辐射源个体识别方法
5．3．1 基于协作表示的通信辐射源个体识别
5．3．2 实验结果与分析
5．4 基于相关熵协作表示的通信辐射源个体识别方法
5．4．1 基于相关熵协作表示的通信辐射源个体识别
5．4．2 实验结果与分析
第6章 基于浅层学习的通信辐射源个体识别
6．1 引言
6．2 基于径向基函数神经网络的通信辐射源个体识别
6．2．1 径向基函数及网络模型
6．2．2 RBFNN的学习算法
6．2．3 RBFNN的阵列网络结构
6．2．4 RBFNN泛化能力优化方法
6．2．5 实验结果与分析
6．3 基于支持向量机的辐射源个体识别
6．3．1 拉普拉斯支持向量机
6．3．2 基于局部行为相似性的拉普拉斯支持向量机
6．3．3 实验结果与分析
……
第7章 基于深度学习的通信辐射源个体识别
第8章 基于聚类的通信辐射源个体识别
参考文献
书单推荐
