| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国内LPI雷达信号识别的研究现状 | 第11-13页 |
| 1.2.2 国外LPI雷达信号识别的研究现状 | 第13-14页 |
| 1.2.3 栈式稀疏自编码器研究现状 | 第14-15页 |
| 1.3 论文主要内容安排及创新点介绍 | 第15-18页 |
| 1.3.1 论文主要内容安排 | 第16-17页 |
| 1.3.2 论文主要创新点 | 第17-18页 |
| 第2章 基于sSAE的LPI雷达信号识别的基础理论介绍 | 第18-33页 |
| 2.1 深度学习基本理论 | 第18-20页 |
| 2.1.1 深度学习的起源 | 第18-19页 |
| 2.1.2 深度学习的基础 | 第19页 |
| 2.1.3 深度学习与神经网络的异同 | 第19-20页 |
| 2.2 深度学习常用模型 | 第20-25页 |
| 2.2.1 自动编码器 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-23页 |
| 2.2.3 其他深度学习模型 | 第23-25页 |
| 2.3 典型的LPI雷达信号模型 | 第25-31页 |
| 2.3.1 Frank多相码 | 第26-27页 |
| 2.3.2 P1-P4多相码 | 第27-29页 |
| 2.3.3 T1-T4多时码 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 基于LPI雷达信号的CWD时频图像预处理 | 第33-42页 |
| 3.1 常用的的时频分析方法 | 第33-35页 |
| 3.2 基于LPI雷达信号的CWD时频分析 | 第35-37页 |
| 3.3 基于CWD时频图像的预处理 | 第37-41页 |
| 3.3.1 图像调整 | 第38-39页 |
| 3.3.2 时频图像二值化 | 第39页 |
| 3.3.3 除噪 | 第39-40页 |
| 3.3.4 图像剪切 | 第40页 |
| 3.3.5 图像重置 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于sSAE的LPI雷达信号自动识别算法 | 第42-55页 |
| 4.1 系统概述 | 第42-43页 |
| 4.2 自动编码器 | 第43-44页 |
| 4.3 稀疏自编码器 | 第44-45页 |
| 4.4 基于sSAE的LPI雷达信号识别 | 第45-48页 |
| 4.4.1 栈式稀疏自编码器 | 第45-46页 |
| 4.4.2 基于sSAE的识别流程 | 第46-48页 |
| 4.5 算法仿真和性能分析 | 第48-54页 |
| 4.5.1 仿真参数设置 | 第48-49页 |
| 4.5.2 仿真与分析 | 第49-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 基于sSAE的改进随机森林算法 | 第55-64页 |
| 5.1 RF分类器 | 第55-58页 |
| 5.1.1 bagging算法 | 第55-56页 |
| 5.1.2 CART决策树算法 | 第56-57页 |
| 5.1.3 CART决策树的特征选择依据 | 第57-58页 |
| 5.2 基于sSAE和RF分类器的改进算法 | 第58-60页 |
| 5.2.1 改进算法的训练过程 | 第58页 |
| 5.2.2 改进算法的分类过程 | 第58-60页 |
| 5.3 算法仿真与比较分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |