本书着重介绍人工智能思想应用于雷达侦察信号处理领域的思路和方法，共分9章。第1～2章为第一部分，阐述雷达侦察信号处理技术从感知向认知发展的需求与机遇；第3～5章为第二部分，阐述雷达侦察信号智能分选技术，包括常规体制雷达信号在线分选方法、智能分选方法和多功能雷达信号智能分选方法；第6～8章为第三部分，阐述雷达侦察信号智能识别技术，包括常规体制雷达、多功能雷达型号识别方法和辐射源个体识别方法。第9章展望雷达侦察技术智能化发展的方向。
本书可作为国防领域电子侦察、电子对抗和民用领域电磁认知等方向的工程、技术、教学科研人员的参考用书。

第一部分 雷达侦察信号处理：从感知到认知
第1章 雷达侦察信号处理的现状与挑战
1.1 雷达侦察信号处理问题分析
1.1.1 雷达与雷达侦察
1.1.2 雷达侦察信号描述
1.2 雷达侦察信号处理的两大任务：分选与识别
1.3 传统脉冲分选方法及局限性
1.3.1 雷达脉冲分选问题描述
1.3.2 雷达脉冲分选技术现状
1.4 传统雷达侦察识别方法及局限性
1.4.1 雷达侦察识别问题描述
1.4.2 雷达侦察识别技术现状
1.5 多功能雷达的分选与识别问题
1.6 分选与识别技术的智能化需求
1.7 本章小结
第2章 人工智能赋能雷达侦察信号处理技术新发展
2.1 人工智能领域相关技术
2.1.1 人工智能与机器学习
2.1.2 前馈神经网络
2.1.3 卷积神经网络
2.1.4 循环神经网络
2.1.5 深度自编码器
2.2 人工智能技术直接应用于雷达侦察信号处理领域的困难
2.3 来自自然语言处理等技术的启发
2.4 雷达侦察信号处理：从感知到认知
2.5 本章小结
第二部分 雷达侦察信号智能分选技术
第3章 基于有限状态自动机的常规体制雷达信号在线分选
3.1 交错脉冲列的在线分选需求
3.2 常规重频体制雷达脉冲列时序规律建模
3.3 用于脉冲列识别的自动机构建
3.3.1 周期重复脉冲列的正则文法表示
3.3.2 周期重复脉冲列的有限状态自动机识别模型
3.4 基于有限状态自动机的脉冲列在线分选
3.4.1 自动机起始
3.4.2 自动机序贯更新
3.5 交错脉冲列并行分选
3.6 多种因素对在线分选性能的影响分析
3.7 本章小结
第4章 基于脉冲列时序规律解析的常规体制雷达信号智能分选
4.1 常规体制雷达交错脉冲列的智能分选需求
4.2 脉冲列建模与分析
4.2.1 脉冲列模型
4.2.2 循环神经网络功能与脉冲分选任务的内在契合性
4.3 脉冲列去噪
4.3.1 用于脉冲参数预测的循环神经网络模型
4.3.2 循环神经网络预测器的训练
4.3.3 基于循环神经网络预测器的脉冲列去噪方法
4.4 基于序贯去噪的交错脉冲列分选方法
4.5 常规体制雷达信号智能分选性能受噪声的影响情况分析
4.5.1 试验参数设置
4.5.2 脉冲列去噪性能
4.5.3 交错脉冲列分选性能
4.6 循环神经网络在脉冲分选任务中的拓展应用
4.7 本章小结
第5章 基于脉冲列多层次时序规律解析的多功能雷达信号智能分选
5.1 多功能雷达交错脉冲列的智能分选需求
5.2 多功能雷达脉冲列模型
5.3 时序关联分选思想
5.3.1 已有分选方法的时序关联模型
5.3.2 多功能雷达脉冲列的时序关联分选思路
5.4 脉组表示与脉组间关联关系提取
5.4.1 脉组的向量表示
5.4.2 脉组间的时序模式表征
5.4.3 模型训练
5.5 多功能雷达交错脉冲列分选方法
5.5.1 序贯分选方法
5.5.2 基于自动机的并行分选方法
5.6 不同场景中的多功能雷达信号智能分选性能
5.6.1 模型参数与仿真场景设置
5.6.2 性能参考方法
5.6.3 统计性能
5.7 本章小结
第三部分 雷达侦察信号智能识别技术
第6章 基于脉冲列时序模式的常规体制雷达智能识别
6.1 常规体制雷达脉冲列的智能识别需求
6.2 脉冲列建模
6.3 分类器模型与训练
6.3.1 用于脉冲列分类的循环神经网络结构
6.3.2 循环神经网络分类器的训练
6.4 常规体制雷达智能识别典型结果与统计性能
6.4.1 仿真参数设置
6.4.2 典型分类结果
6.4.3 统计识别性能
6.5 本章小结
第7章 基于脉组模式分级表征的多功能雷达智能识别
7.1 多功能雷达智能识别需求
7.2 已有辐射源识别方法及其局限
7.3 多功能雷达脉组聚类与识别
7.3.1 综合识别框架的结构和信号处理流程
7.3.2 脉组聚类
7.3.3 脉组分类模型训练
7.3.4 终止准则与模型综合
7.4 基于序贯脉冲流的多功能雷达识别方法
7.5 不同场景中的多功能雷达智能识别性能分析与验证
7.5.1 仿真场景描述与参数设置
7.5.2 试验结果与分析
7.6 本章小结
第8章 基于多特征自动提取与集成学习的辐射源个体识别
8.1 辐射源个体智能识别需求
8.2 辐射源中频采样信号模型
8.3 信号无意调制特征的多样性
8.3.1 典型的无意调制特征
8.3.2 多种特征之间的互补性
8.4 基于集成学习的多特征融合识别方法
8.4.1 集成学习框架
8.4.2 单一类型特征学习器
8.4.3 多特征识别器集成
8.5 辐射源个体识别实测试验与分析
8.5.1 试验场景
8.