| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-32页 |
| 1.1 课题背景及研究意义 | 第12-13页 |
| 1.2 ISAR像自动目标识别系统的组成 | 第13-14页 |
| 1.3 国内外研究进展 | 第14-23页 |
| 1.3.1 ISAR系统研制 | 第14-21页 |
| 1.3.2 ISAR目标识别研究 | 第21-23页 |
| 1.4 ISAR图像目标识别技术的关键问题 | 第23-29页 |
| 1.4.1 ISAR图像的预处理问题 | 第23-24页 |
| 1.4.2 ISAR图像的特征提取问题 | 第24-27页 |
| 1.4.3 ISAR图像的识别问题 | 第27-28页 |
| 1.4.4 ISAR图像的其它问题 | 第28-29页 |
| 1.5 本文的主要工作 | 第29-30页 |
| 1.6 论文组织结构 | 第30-32页 |
| 2 基于图形电磁计算技术的飞机目标ISAR像仿真建模 | 第32-44页 |
| 2.1 引言 | 第32页 |
| 2.2 图形电磁计算软件 | 第32-39页 |
| 2.2.1 高频电磁场渐进理论在计算电磁散射场中的应用 | 第32-35页 |
| 2.2.2 基于图形电磁计算的RCS处理 | 第35-38页 |
| 2.2.3 基于图形电磁计算的ISAR成像处理 | 第38-39页 |
| 2.3 目标电磁成像模拟 | 第39-44页 |
| 3 基于B (2D) ~2PGNMF变换的ISAR像目标识别 | 第44-55页 |
| 3.1 引言 | 第44-45页 |
| 3.2 投影梯度非负矩阵分解 | 第45-48页 |
| 3.2.1 非负矩阵分解 | 第45-46页 |
| 3.2.2 投影梯度非负矩阵分解 | 第46-48页 |
| 3.3 分块双向二维投影梯度非负矩阵分解 | 第48-49页 |
| 3.3.1 行方向的投影梯度非负矩阵分解 | 第48页 |
| 3.3.2 列方向的投影梯度非负矩阵分解 | 第48-49页 |
| 3.4 基于B(2D)~2PGNMF的ISAR像目标识别 | 第49-50页 |
| 3.5 实验结果及分析 | 第50-53页 |
| 3.6 本章小结 | 第53-55页 |
| 4 基于二维Gabor小波变换的ISAR像目标识别 | 第55-76页 |
| 4.1 引言 | 第55页 |
| 4.2 基于二维Gabor小波变换的ISAR像表示 | 第55-61页 |
| 4.2.1 二维Gabor小波变换 | 第55-57页 |
| 4.2.2 二维Gabor滤波器组的参数选择及其意义 | 第57-60页 |
| 4.2.3 ISAR像的Gabor特征表示 | 第60-61页 |
| 4.3 基于Gabor幅值直方图统计量的ISAR像目标识别 | 第61-67页 |
| 4.3.1 ISAR像的Gabor特征表示MB-LBP纹理描述子 | 第62-63页 |
| 4.3.2 基于MB-LGBP的ISAR像特征提取 | 第63-64页 |
| 4.3.3 基于MB-LGBP的ISAR像目标识别 | 第64-65页 |
| 4.3.4 实验结果与分析 | 第65-67页 |
| 4.4 基于Gabor幅值特征和相位特征相融合的ISAR像目标识别 | 第67-75页 |
| 4.4.1 局部Gabor相位模式 | 第68-70页 |
| 4.4.2 基于Gabor幅值特征和相位特征相融合的ISAR像目标识别 | 第70-73页 |
| 4.4.3 实验结果分析 | 第73-75页 |
| 4.5 本章小结 | 第75-76页 |
| 5 基于改进的脉冲耦合神经网络与视区划分的的ISAR像目标识别 | 第76-95页 |
| 5.1 引言 | 第76页 |
| 5.2 脉冲耦合神经网络 | 第76-81页 |
| 5.3 数学形态学 | 第81-82页 |
| 5.4 改进的脉冲耦合神经网络 | 第82-86页 |
| 5.5 迭代自组织数据分析算法 | 第86-88页 |
| 5.6 视区划分的基本思想 | 第88页 |
| 5.7 基于改进的脉冲耦合神经网络与视区划分的ISAR像目标识别 | 第88-89页 |
| 5.8 实验结果及分析 | 第89-93页 |
| 5.9 本章小结 | 第93-95页 |
| 6 基于多分类器融合的ISAR像目标识别 | 第95-106页 |
| 6.1 引言 | 第95页 |
| 6.2 多分类器融合算法 | 第95-100页 |
| 6.2.1 分类器的选择 | 第95-96页 |
| 6.2.2 分类器间的结构 | 第96-97页 |
| 6.2.3 分类器融合的方式方法 | 第97-100页 |
| 6.3 基于多分类器融合的ISAR像识别算法 | 第100-103页 |
| 6.3.1 成员分类器 | 第100-102页 |
| 6.3.2 基于多分类器融合的ISAR像识别 | 第102-103页 |
| 6.3.3 基于多特征多分类器融合的ISAR像识别 | 第103页 |
| 6.4 实验结果及分析 | 第103-105页 |
| 6.5 本章小结 | 第105-106页 |
| 7 全文总结与展望 | 第106-109页 |
| 7.1 本文工作总结 | 第106-107页 |
| 7.2 展望 | 第107-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-122页 |
| 附录 | 第122页 |
