海面目标的稀疏检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 论文的研究背景 | 第13-14页 |
| 1.2 研究的历史与现状 | 第14-18页 |
| 1.2.1 海杂波模型的发展 | 第14-15页 |
| 1.2.2 雷达目标检测技术的发展 | 第15-17页 |
| 1.2.3 压缩感知技术的发展 | 第17-18页 |
| 1.3 论文的主要工作及内容安排 | 第18-21页 |
| 第2章 高斯噪声背景下点目标的稀疏检测 | 第21-41页 |
| 2.1 引言 | 第21页 |
| 2.2 基于稀疏方法的探测原理 | 第21-28页 |
| 2.2.1 场景建模 | 第21-23页 |
| 2.2.2 探测原理 | 第23-25页 |
| 2.2.3 稀疏探测仿真 | 第25-28页 |
| 2.3 基于稀疏方法的检测架构 | 第28-40页 |
| 2.3.1 传统检测器 | 第29-33页 |
| 2.3.2 基于IST算法的固定门限检测器 | 第33-37页 |
| 2.3.3 其他稀疏算法的普通门限检测器 | 第37-38页 |
| 2.3.4 基于IST算法的CFAR检测器 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 海杂波背景下点目标的稀疏检测 | 第41-53页 |
| 3.1 引言 | 第41页 |
| 3.2 时空相关的K分布海杂波 | 第41-43页 |
| 3.2.1 K分布海杂波的特性 | 第41-43页 |
| 3.2.2 K分布海杂波的仿真 | 第43页 |
| 3.3 稀疏方法的海杂波抑制 | 第43-47页 |
| 3.4 深度学习方法的海杂波抑制 | 第47-52页 |
| 3.4.1 深度学习架构 | 第48-50页 |
| 3.4.2 深度学习的海杂波抑制仿真 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 海面扩展目标的稀疏检测 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 高斯背景下扩展目标的稀疏探测模型 | 第53-61页 |
| 4.2.1 优化最小化算法 | 第54-56页 |
| 4.2.2 SF-LASSO算法 | 第56-57页 |
| 4.2.3 目标恢复仿真结果分析 | 第57-61页 |
| 4.3 海杂波背景下扩展目标的稀疏探测模型 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 结束语 | 第65-69页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 后续工作展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的研究成果 | 第77页 |
