| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-20页 |
| 第一章 绪论 | 第20-34页 |
| ·雷达自动目标识别的基本概念 | 第20-22页 |
| ·雷达自动目标识别的发展概述 | 第22-24页 |
| ·雷达自动目标识别的研究意义和关键问题 | 第24-27页 |
| ·贝叶斯统计学习 | 第27-31页 |
| ·三种信息 | 第27-28页 |
| ·贝叶斯公式 | 第28页 |
| ·先验分布的选取 | 第28-30页 |
| ·贝叶斯计算方法 | 第30-31页 |
| ·研究内容安排 | 第31-34页 |
| 第二章 基于细化字典的稀疏贝叶斯参数估计 | 第34-58页 |
| ·引言 | 第34-35页 |
| ·基于固定字典的稀疏贝叶斯参数估计 | 第35-41页 |
| ·基本模型框架 | 第35-37页 |
| ·变分贝叶斯(Variational Bayesian,VB)推导 | 第37-41页 |
| ·基于细化字典的稀疏贝叶斯参数估计 | 第41-43页 |
| ·实验结果 | 第43-55页 |
| ·复正弦模型 | 第43-48页 |
| ·自旋引起的微多普勒模型 | 第48-55页 |
| ·本章小结 | 第55-58页 |
| 第三章 基于转移学习的步进频数据压缩感知 | 第58-84页 |
| ·引言 | 第58-60页 |
| ·调频步进信号分析 | 第60-61页 |
| ·全带宽频域数据的字典学习和统计建模 | 第61-67页 |
| ·全带宽频域数据的CBPFA模型 | 第61-64页 |
| ·变分贝叶斯推导 | 第64-66页 |
| ·每一训练帧全带宽频域数据的概率密度估计 | 第66-67页 |
| ·基于转移学习的频点缺失频域数据的统计压缩感知 | 第67-70页 |
| ·训练样本与频点缺失频域数据强相关 | 第68页 |
| ·训练样本与频点缺失频域数据的相关度未知 | 第68-70页 |
| ·实验结果 | 第70-81页 |
| ·训练样本与频点缺失频域数据强相关 | 第70-73页 |
| ·训练样本集与频点缺失频域数据的相关度未知 | 第73-81页 |
| ·本章小结 | 第81-84页 |
| 第四章 具有稀疏特征选择的贝叶斯分类器设计 | 第84-108页 |
| ·引言 | 第84-86页 |
| ·具有稀疏特征选择的贝叶斯分类器 | 第86-90页 |
| ·基本模型框架 | 第86-88页 |
| ·稀疏先验 | 第88-90页 |
| ·变分贝叶斯推导 | 第90-94页 |
| ·实验结果 | 第94-107页 |
| ·Ripley合成数据的实验结果 | 第94-98页 |
| ·实测雷达数据的实验结果 | 第98-101页 |
| ·高维基因数据的实验结果 | 第101-104页 |
| ·公共数据集的实验结果 | 第104-106页 |
| ·算法复杂度分析 | 第106-107页 |
| ·本章小结 | 第107-108页 |
| 第五章 基于多任务稀疏学习的雷达HRRP目标识别 | 第108-124页 |
| ·引言 | 第108-110页 |
| ·基于多任务统计建模的雷达HRRP目标识别 | 第110-116页 |
| ·多任务统计建模学习框架 | 第110-112页 |
| ·变分贝叶斯推导 | 第112-113页 |
| ·测试样本的分类 | 第113-114页 |
| ·实验结果 | 第114-116页 |
| ·基于多任务判别函数学习的雷达HRRP目标识别 | 第116-122页 |
| ·多任务判别函数学习框架 | 第116-119页 |
| ·变分贝叶斯推导 | 第119-120页 |
| ·测试样本的分类 | 第120-121页 |
| ·实验结果 | 第121-122页 |
| ·本章小结 | 第122-124页 |
| 第六章 总结与展望 | 第124-128页 |
| ·工作总结 | 第124-125页 |
| ·工作展望 | 第125-128页 |
| 参考文献 | 第128-138页 |
| 致谢 | 第138-140页 |
| 作者简介 | 第140-141页 |