基于模糊理论的雷达目标一维距离像识别研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·高分辨雷达目标识别技术概述 | 第9-12页 |
| ·直接利用一维距离像的目标识别方法 | 第10页 |
| ·基于一维距离像特性的特征提取方法 | 第10-11页 |
| ·基于准则函数的一维距离像特征提取方法 | 第11页 |
| ·基于仿生学技术的目标一维距离像识别方法 | 第11页 |
| ·基于统计学习理论的目标一维距离像识别方法 | 第11-12页 |
| ·基于模糊技术的目标一维距离像识别方法 | 第12页 |
| ·论文的主要内容和创新之处 | 第12-14页 |
| 第二章 一维距离像成像原理及其特性 | 第14-22页 |
| ·目标散射中心理论 | 第14-15页 |
| ·一维距离像特性 | 第15页 |
| ·仿真数据实验 | 第15-18页 |
| ·实测数据实验 | 第18-21页 |
| ·实测数据描述 | 第18-20页 |
| ·数据预处理 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于二阶模糊聚类的一维距离像目标识别 | 第22-37页 |
| ·模糊-C 均值(FCM)算法 | 第22-25页 |
| ·样本集的硬-C 划分空间和模糊-C 划分空间 | 第22-24页 |
| ·硬-C 均值算法 | 第24页 |
| ·模糊-C 均值算法 | 第24-25页 |
| ·传递闭包（TC）算法 | 第25-28页 |
| ·二阶模糊聚类（SOFC）算法 | 第28-29页 |
| ·聚类中心的初始化 | 第28页 |
| ·最优分类水平α的确定 | 第28-29页 |
| ·识别方法 | 第29-30页 |
| ·欧氏距离法 | 第29-30页 |
| ·模糊模式识别 | 第30页 |
| ·SOFC 算法仿真数据实验 | 第30-32页 |
| ·SOFC 算法实测数据实验 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于模糊最优聚类中心的一维距离像目标识别 | 第37-52页 |
| ·最优聚类中心算法 | 第37-40页 |
| ·模糊最优聚类中心算法 | 第40-42页 |
| ·隶属度函数的建立 | 第42-46页 |
| ·欧氏距离法 | 第42-43页 |
| ·模糊K-近邻法 | 第43页 |
| ·基于样本间紧密度方法 | 第43-46页 |
| ·FOCC 算法仿真数据实验 | 第46-48页 |
| ·FOCC 算法实测数据实验 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 一种改进的修正最近邻分类器设计 | 第52-64页 |
| ·目标特征提取 | 第52-54页 |
| ·强散射中心维数 | 第52-53页 |
| ·目标尺寸特征 | 第53页 |
| ·散射中心分布熵 | 第53页 |
| ·Karhunen-Loeve(K-L)变换 | 第53-54页 |
| ·修正最近邻分类器设计 | 第54-56页 |
| ·特征差矩阵 | 第54-55页 |
| ·隶属度函数 | 第55-56页 |
| ·最大隶属度原则识别算法 | 第56页 |
| ·基于Fisher 判决率的加权 | 第56-57页 |
| ·一种改进的修正最近邻分类器设计 | 第57-59页 |
| ·模糊度和熵 | 第58页 |
| ·基于Fisher 判决率和模糊度的双修正 | 第58-59页 |
| ·改进的修正最近邻分类器仿真数据实验 | 第59-60页 |
| ·改进的修正最近邻分类器实测数据实验 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 基于FSVM 的一维距离像目标识别 | 第64-75页 |
| ·SVM 方法分类机理分析 | 第64-67页 |
| ·FSVM 方法分类机理分析 | 第67-69页 |
| ·隶属度函数的建立 | 第69页 |
| ·基于距离的隶属度函数 | 第69页 |
| ·基于样本紧密度的隶属度函数 | 第69页 |
| ·FSVM 算法仿真数据实验 | 第69-71页 |
| ·FSVM 算法实测数据实验 | 第71-73页 |
| ·本章小结 | 第73-75页 |
| 总结和展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间研究成果 | 第82-83页 |
