| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 海杂波特性模型研究现状 | 第14-15页 |
| 1.2.2 海面目标检测模型的研究现状 | 第15-17页 |
| 1.3 本论文的主要工作内容 | 第17页 |
| 1.4 本论文的组织结构 | 第17-19页 |
| 第2章 深度学习相关基础理论 | 第19-27页 |
| 2.1 引言 | 第19-20页 |
| 2.2 神经网络理论 | 第20-25页 |
| 2.2.1 神经元模型 | 第20-21页 |
| 2.2.2 神经网络模型 | 第21-23页 |
| 2.2.3 反向传播算法 | 第23-25页 |
| 2.3 自编码器模型和训练过程 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于SAE的海杂波序列预测 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 海杂波的性质 | 第27-29页 |
| 3.2.1 海杂波的产生原理 | 第27-28页 |
| 3.2.2 海杂波影响因素 | 第28-29页 |
| 3.3 IPIX雷达海杂波数据的提取与分析 | 第29-39页 |
| 3.3.1 IPIX雷达实测数据介绍 | 第29-31页 |
| 3.3.2 数据提取、数据预处理和数据图像显示 | 第31-36页 |
| 3.3.3 数据相关性和独立性 | 第36-39页 |
| 3.4 基于堆栈自编码器的海杂波序列预测方法 | 第39-42页 |
| 3.4.1 基于堆栈自编码器的模型 | 第39-41页 |
| 3.4.2 SAE预测模型的学习算法 | 第41-42页 |
| 3.5 实验设计与分析 | 第42-43页 |
| 3.6 本章总结 | 第43-45页 |
| 第4章 基于CAE的图像域目标检测 | 第45-67页 |
| 4.1 引言 | 第45页 |
| 4.2 海杂波建模与仿真 | 第45-57页 |
| 4.2.1 瑞利分布 | 第46-47页 |
| 4.2.2 对数正态分布 | 第47-49页 |
| 4.2.3 威布尔分布 | 第49-50页 |
| 4.2.4 复合K分布 | 第50-52页 |
| 4.2.5 幅度分布模型的选择 | 第52-54页 |
| 4.2.6 基于SIRP的相关K分布的海杂波仿真结果 | 第54-57页 |
| 4.3 目标信号建模与回波信号图像显示 | 第57-59页 |
| 4.3.1 脉冲雷达快时间采样 | 第57-58页 |
| 4.3.2 目标信号模型 | 第58-59页 |
| 4.4 卷积自编码器算法 | 第59-65页 |
| 4.4.1 卷积神经网络 | 第59-62页 |
| 4.4.2 基于卷积自编码器的快慢时间域目标检测 | 第62-63页 |
| 4.4.3 仿真结果及分析 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 基于SDAE的海浪图像去噪 | 第67-73页 |
| 5.1 稀疏降噪自编码器 | 第67-69页 |
| 5.2 实验仿真结果分析 | 第69-71页 |
| 5.3 总结 | 第71-73页 |
| 第6章 结束语 | 第73-75页 |
| 6.1 论文工作总结 | 第73页 |
| 6.2 后续工作展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文及参与的科研工作 | 第81页 |