| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 超宽带技术在模式识别领域的应用 | 第11-15页 |
| 1.2.1 超宽带技术的特点 | 第11-12页 |
| 1.2.2 超宽带在模式识别领域的发展现状 | 第12-15页 |
| 1.3 Gabor变换和神经网络在模式识别领域的应用 | 第15-20页 |
| 1.3.1 Gabor变换和神经网络的优势 | 第15-16页 |
| 1.3.2 Gabor原子网络的应用现状 | 第16-18页 |
| 1.3.3 将超宽带技术和Gabor原子网络结合 | 第18-19页 |
| 1.3.4 低信噪比条件下的识别 | 第19-20页 |
| 1.4 论文主要工作 | 第20页 |
| 1.5 论文架构安排 | 第20-22页 |
| 第二章 基于Gabor原子网络的目标识别 | 第22-28页 |
| 2.1 Gabor变换原理 | 第22-25页 |
| 2.1.1 连续一维信号的Gabor变换 | 第22-24页 |
| 2.1.2 离散一维信号的Gabor变换 | 第24-25页 |
| 2.1.3 Gabor窗函数的选择 | 第25页 |
| 2.2 神经网络识别模型 | 第25-26页 |
| 2.3 Gabor原子网络 | 第26页 |
| 2.4 基于Gabor系数的去噪原理 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 实测数据的目标识别 | 第28-36页 |
| 3.1 数据采集场景 | 第28-29页 |
| 3.2 提取信号的Gabor展开系数 | 第29-31页 |
| 3.3 神经网络参数的选择及优化 | 第31-33页 |
| 3.3.1 神经网络训练算法 | 第31-32页 |
| 3.3.2 神经网络结构及初始化 | 第32-33页 |
| 3.4 Gabor神经网络识别效果 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 低信噪比条件下的识别 | 第36-50页 |
| 4.1 未进行去噪时的识别效果 | 第36-40页 |
| 4.1.1 加噪信号的仿真 | 第36-38页 |
| 4.1.2 信噪比为15db条件下的识别 | 第38-39页 |
| 4.1.3 信噪比为5db条件下的识别 | 第39-40页 |
| 4.2 基于Gabor系数的阈值滤波算法 | 第40-47页 |
| 4.2.1 Gabor滤波算法原理 | 第40-42页 |
| 4.2.2 Gabor滤波去噪参数调优 | 第42-47页 |
| 4.3 滤波之后的识别效果 | 第47-49页 |
| 4.3.1 信噪比为15db条件下的识别 | 第47-48页 |
| 4.3.2 信噪比为5db条件下的识别 | 第48-49页 |
| 4.4 本章总结 | 第49-50页 |
| 第五章 全文总结 | 第50-53页 |
| 5.1 本文的主要贡献与创新 | 第50-51页 |
| 5.2 本文待完善的因素及展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 作者攻读学位期间发表的学术论文目录 | 第58页 |