| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 雷达自动目标识别的研究背景和意义 | 第14-15页 |
| 1.2 雷达自动目标识别的研究现状 | 第15-16页 |
| 1.3 论文使用的数据介绍 | 第16-17页 |
| 1.4 论文内容安排 | 第17-20页 |
| 第二章 基于贝叶斯理论的雷达HRRP统计识别 | 第20-28页 |
| 2.1 雷达HRRP回波特性分析 | 第20-22页 |
| 2.1.1 姿态敏感性 | 第20-21页 |
| 2.1.2 平移敏感性 | 第21-22页 |
| 2.1.3 强度敏感性 | 第22页 |
| 2.2 基于贝叶斯理论的统计识别 | 第22-28页 |
| 2.2.1 贝叶斯理论的基本概念 | 第22-23页 |
| 2.2.2 基于贝叶斯定理的模型参数的推断方法 | 第23-26页 |
| 2.2.3 基于贝叶斯理论的雷达HRRP的统计建模 | 第26-28页 |
| 第三章 基于隐马尔可夫-支持向量机混合模型的HRRP目标识别方法 | 第28-50页 |
| 3.1 引言 | 第28-29页 |
| 3.2 隐马尔可夫模型及其在HRRP目标识别上的应用 | 第29-32页 |
| 3.2.1 隐马尔可夫模型 | 第29-30页 |
| 3.2.2 HMM在HRRP目标识别上的应用 | 第30-32页 |
| 3.3 支持向量机 | 第32-36页 |
| 3.3.1 求解问题 | 第32-34页 |
| 3.3.2 核函数 | 第34-36页 |
| 3.4 隐马尔可夫-支持向量机混合模型 | 第36-39页 |
| 3.4.1 SVM距离到后验概率的转化 | 第36-37页 |
| 3.4.2 HMM-SVM混合模型的构建 | 第37-39页 |
| 3.5 实验结果与讨论 | 第39-49页 |
| 3.5.1 仿真数据实验与结果分析 | 第39-43页 |
| 3.5.2 实测数据实验与结果分析 | 第43-49页 |
| 3.6 小结 | 第49-50页 |
| 第四章 基于相似性保持的HRRP目标识别方法 | 第50-70页 |
| 4.1 引言 | 第50-51页 |
| 4.2 传统的FA模型 | 第51页 |
| 4.3 多任务因子分析模型 | 第51-53页 |
| 4.4 基于相似性保持的雷达HRRP目标识别方法 | 第53-60页 |
| 4.4.1 基于相似性保持的MTL-FA模型(SP-MTL) | 第53-56页 |
| 4.4.2 SP-MTL的模型推断与识别 | 第56-59页 |
| 4.4.3 SP-MTL应用于基于迁移学习理论的模型预测 | 第59-60页 |
| 4.5 实验结果与讨论 | 第60-68页 |
| 4.5.1 相似性矩阵的设置分析 | 第61-64页 |
| 4.5.2 SP-MTL模型识别结果分析及相关模型对比 | 第64-66页 |
| 4.5.3 基于迁移学习理论的模型预测的识别结果分析 | 第66-68页 |
| 4.6 小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70页 |
| 5.2 工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
| 1.基本情况 | 第78页 |
| 2.教育背景 | 第78页 |
| 3.攻读硕士学位期间的研究成果 | 第78-79页 |
