海杂波仿真与船目标ISAR图像识别研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 选题背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 ISAR成像发展现状 | 第11-12页 |
| 1.2.2 ISAR船目标识别发展现状 | 第12-13页 |
| 1.3 本文论文安排 | 第13-15页 |
| 第二章 海杂波仿真 | 第15-36页 |
| 2.1 引言 | 第15页 |
| 2.2 零记忆非线性变化法 | 第15-18页 |
| 2.2.1 滤波器设计 | 第16-18页 |
| 2.3 海杂波仿真 | 第18-24页 |
| 2.3.1 对数正态分布 | 第18-19页 |
| 2.3.2 韦布分布 | 第19-20页 |
| 2.3.3 逆高斯复合高斯分布 | 第20-22页 |
| 2.3.4 K分布 | 第22-24页 |
| 2.4 仿真结果及分析 | 第24-35页 |
| 2.4.1 对数正态分布 | 第24-27页 |
| 2.4.2 韦布分布 | 第27-31页 |
| 2.4.3 逆高斯复合高斯 | 第31-33页 |
| 2.4.4 K分布 | 第33-35页 |
| 2.5 小结 | 第35-36页 |
| 第三章 船目标模型成像研究 | 第36-48页 |
| 3.1 引言 | 第36页 |
| 3.2 船目标建模 | 第36-39页 |
| 3.2.1 船目标模型点阵建模 | 第36-39页 |
| 3.3 逆合成孔径雷达成像 | 第39-47页 |
| 3.3.1 船目标转动模型 | 第39-40页 |
| 3.3.2 船目标成像模型 | 第40-42页 |
| 3.3.3 ISAR成像原理 | 第42-43页 |
| 3.3.4 点阵模型成像结果 | 第43-47页 |
| 3.4 总结 | 第47-48页 |
| 第四章 特征学习 | 第48-60页 |
| 4.1 引言 | 第48页 |
| 4.2 图像预处理 | 第48-51页 |
| 4.2.1 杂波抑制 | 第48-50页 |
| 4.2.2 白化滤波器设计 | 第50页 |
| 4.2.3 图像增强 | 第50-51页 |
| 4.3 特征学习 | 第51-56页 |
| 4.3.1 卷积神经网络 | 第51页 |
| 4.3.2 卷积神经网络结构 | 第51-53页 |
| 4.3.3 卷积神经网络训练 | 第53-54页 |
| 4.3.4 基于卷积神经网络的特征学习 | 第54-56页 |
| 4.4 实验 | 第56-58页 |
| 4.4.1 网络层数选取 | 第56-57页 |
| 4.4.2 卷积核个数选取 | 第57-58页 |
| 4.4.3 滤波器大小选取 | 第58页 |
| 4.5 总结 | 第58-60页 |
| 第五章 船目标识别 | 第60-73页 |
| 5.1 引言 | 第60页 |
| 5.2 Ada Boost算法 | 第60-63页 |
| 5.2.1 Real AdaBoost | 第61页 |
| 5.2.2 Gentle AdaBoost | 第61-62页 |
| 5.2.3 Modest AdaBoost | 第62-63页 |
| 5.3 支持向量机算法 | 第63-67页 |
| 5.3.1 线性可分支持向量机 | 第63-64页 |
| 5.3.2 非线性支持向量机 | 第64-65页 |
| 5.3.3 松弛遍量和惩罚因子 | 第65-67页 |
| 5.4 仿真实验 | 第67-72页 |
| 5.4.1 基于AdaBoost算法的分类识别 | 第67-70页 |
| 5.4.2 支持向量机的分类识别 | 第70-72页 |
| 5.5 小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
