基于自编码模型的雷达高分辨距离像目标识别方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.2 研究历史与现状 | 第19-21页 |
| 1.2.1 雷达自动目标识别的发展 | 第19-20页 |
| 1.2.2 基于高分辨距离像目标识别的发展 | 第20-21页 |
| 1.2.3 基于神经网络的雷达目标识别发展 | 第21页 |
| 1.3 本文的内容与安排 | 第21-25页 |
| 1.3.1 实验数据介绍 | 第21-22页 |
| 1.3.2 本文内容安排 | 第22-25页 |
| 第二章 高分辨距离像目标识别的基本原理 | 第25-37页 |
| 2.1 高分辨距离像基本概念 | 第25页 |
| 2.2 高分辨距离像敏感性问题 | 第25-28页 |
| 2.2.1 HRRP的方位敏感性问题 | 第25-26页 |
| 2.2.2 HRRP的平移敏感性问题 | 第26-27页 |
| 2.2.3 HRRP的幅度敏感性问题 | 第27-28页 |
| 2.3 目标特征提取与选择 | 第28-30页 |
| 2.4 分类器设计 | 第30-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于深层神经网络的雷达目标识别方法 | 第37-57页 |
| 3.1 研究背景 | 第37-38页 |
| 3.2 逐层贪婪训练法的意义 | 第38-39页 |
| 3.3 堆栈降噪自编码模型 | 第39-43页 |
| 3.3.1 自编码模型（AE） | 第39-41页 |
| 3.3.2 降噪自编码模型（DAE） | 第41-42页 |
| 3.3.3 堆栈降噪自编码模型（SDAE） | 第42-43页 |
| 3.4 深度置信网络 | 第43-48页 |
| 3.4.1 受限玻尔兹曼机（RBM） | 第43-46页 |
| 3.4.2 深度置信网络（DBN） | 第46-48页 |
| 3.5 Softmax分类器 | 第48-50页 |
| 3.6 BP算法 | 第50-52页 |
| 3.6.1 BP算法基本原理 | 第50页 |
| 3.6.2 BP算法的算法表达 | 第50-52页 |
| 3.7 实验结果与分析 | 第52-55页 |
| 3.7.1 实验数据 | 第52页 |
| 3.7.2 实验内容 | 第52-54页 |
| 3.7.3 存在问题 | 第54-55页 |
| 3.8 本章小结 | 第55-57页 |
| 第四章 基于稳健变分自编码模型的雷达目标识别方法 | 第57-69页 |
| 4.1 研究背景 | 第57页 |
| 4.2 变分自编码模型（VAE） | 第57-62页 |
| 4.2.1 模型介绍 | 第58-59页 |
| 4.2.2 模型求解 | 第59-61页 |
| 4.2.3 VAE模型与AE模型的比较 | 第61-62页 |
| 4.3 HRRP平均像 | 第62-63页 |
| 4.4 稳健变分自编码模型（RVAE） | 第63-65页 |
| 4.5 实验结果与分析 | 第65-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 工作总结 | 第69页 |
| 5.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
