| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 国内外发展现状 | 第15-17页 |
| 1.2.1 窄带雷达目标分类方法研究现状 | 第15-16页 |
| 1.2.2 基于Power PC的雷达信号处理研究现状 | 第16-17页 |
| 1.3 论文主要内容及安排 | 第17-19页 |
| 第二章 基于微动特性的窄带空中目标分类 | 第19-43页 |
| 2.1 引言 | 第19页 |
| 2.2 JEM机理与理想模型分析 | 第19-25页 |
| 2.3 真实场景下飞机对理论参数模型的影响 | 第25-31页 |
| 2.4 杂波抑制方法 | 第31-34页 |
| 2.4.1 MTI杂波抑制方法 | 第31-33页 |
| 2.4.2 基于CLEAN算法的杂波抑制方法 | 第33-34页 |
| 2.5 JEM特征提取方法 | 第34-39页 |
| 2.5.1 波形熵特征 | 第35-36页 |
| 2.5.2 谐波分解特征 | 第36-37页 |
| 2.5.3 特征谱特征 | 第37-39页 |
| 2.6 基于SVM的空中目标分类器设计 | 第39-41页 |
| 2.7 本章小结 | 第41-43页 |
| 第三章 窄带雷达空中目标分类工程应用研究 | 第43-81页 |
| 3.1 引言 | 第43页 |
| 3.2 三种特征提取方法工程应用可行性分析 | 第43-45页 |
| 3.3 S波段窄带飞机目标分类对系统参数优化选择 | 第45-66页 |
| 3.3.1 不同重频对三类飞机的平均识别率的影响 | 第46-59页 |
| 3.3.2 不同驻留时间对三类飞机的平均识别率的影响 | 第59-62页 |
| 3.3.3 不同信噪比对三类飞机的平均识别率的影响 | 第62-66页 |
| 3.4 特征降维方法 | 第66-74页 |
| 3.4.1 经典降维方法:PCA和LDA | 第67-68页 |
| 3.4.2 流形学习降维方法:LPP和LSDA | 第68-70页 |
| 3.4.3 改进的局部敏感判别分析（ELSDA） | 第70-71页 |
| 3.4.4 实验结果与分析 | 第71-74页 |
| 3.5 多帧融合处理 | 第74-79页 |
| 3.5.1 投票决策基本原理 | 第74-75页 |
| 3.5.2 基于置信度的加权投票决策 | 第75-77页 |
| 3.5.3 实验结果与分析 | 第77-79页 |
| 3.6 本章小结 | 第79-81页 |
| 第四章 基于Power PC的硬件平台算法实现 | 第81-95页 |
| 4.1 引言 | 第81页 |
| 4.2 硬件平台简介 | 第81-83页 |
| 4.2.1 目标识别分类处理板介绍 | 第81-82页 |
| 4.2.2 MPC8640D处理器 | 第82-83页 |
| 4.3 目标分类算法的工程实现与运算量估计 | 第83-89页 |
| 4.3.1 数据传输与内存分配 | 第83-85页 |
| 4.3.2 目标分类功能模块的实现 | 第85-88页 |
| 4.3.3 目标分类算法运算量估计 | 第88-89页 |
| 4.4 仿真数据功能验证 | 第89-93页 |
| 4.5 本章小结 | 第93-95页 |
| 第五章 总结展望 | 第95-97页 |
| 5.1 本文总结 | 第95-96页 |
| 5.2 工作展望 | 第96-97页 |
| 参考文献 | 第97-101页 |
| 致谢 | 第101-103页 |
| 作者简介 | 第103-104页 |
