| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 图目录 | 第12-15页 |
| 表目录 | 第15-16页 |
| 第1章 绪论 | 第16-34页 |
| ·论文的研究背景 | 第16-17页 |
| ·研究的历史与现状 | 第17-28页 |
| ·分布式雷达成像技术的发展 | 第17-21页 |
| ·论文相关问题聚焦及研究现状 | 第21-28页 |
| ·论文的主要工作与创新 | 第28-34页 |
| 第2章 分布式雷达稀疏成像基础 | 第34-58页 |
| ·引言 | 第34-35页 |
| ·基于空间谱理论的雷达成像统一描述 | 第35-45页 |
| ·三种典型分布式雷达系统成像模型 | 第45-52页 |
| ·ISAR信号建模及性能分析 | 第45-46页 |
| ·FD-MIMO雷达信号建模及性能分析 | 第46-48页 |
| ·分布式无源雷达信号建模及性能分析 | 第48-52页 |
| ·压缩感知理论在分布式雷达稀疏成像中的应用 | 第52-56页 |
| ·本章小结 | 第56-58页 |
| 第3章 分布式雷达稀疏成像优化算法研究 | 第58-86页 |
| ·引言 | 第58-59页 |
| ·基于非凸函数约束的Homotopy DCD高分辨成像 | 第59-68页 |
| ·基于贝叶斯学习技术的高分辨成像 | 第68-84页 |
| ·基于贝叶斯压缩感知的高分辨成像 | 第68-74页 |
| ·基于Laplace先验的稀疏贝叶斯学习高分辨成像 | 第74-84页 |
| ·本章小结 | 第84-86页 |
| 第4章 分布式雷达稀疏成像Off-grid问题研究 | 第86-112页 |
| ·引言 | 第86-87页 |
| ·分布式雷达稀疏成像中的Off-grid问题分析 | 第87-89页 |
| ·基于自适应网格的反演算法 | 第89-94页 |
| ·基于模拟压缩感知理论的反演算法 | 第94-99页 |
| ·基于MUSIC的高分辨成像 | 第95-96页 |
| ·基于改进Matrix Pencil的高分辨成像 | 第96-99页 |
| ·基于Off-grid CS技术的反演算法 | 第99-111页 |
| ·基于贝叶斯压缩感知的稀疏自校正成像 | 第100-108页 |
| ·基于改进OMP的稀疏自校正成像 | 第108-111页 |
| ·本章小结 | 第111-112页 |
| 第5章 分布式雷达稀疏自聚焦成像技术研究 | 第112-140页 |
| ·引言 | 第112页 |
| ·存在相位误差的分布式雷达稀疏成像模型 | 第112-116页 |
| ·SMV自聚焦问题——针对FD-MIMO和分布式无源雷达系统 | 第112-114页 |
| ·MMV自聚焦问题——针对ISAR系统 | 第114-116页 |
| ·基于优化迭代技术的自适应相位误差校正成像 | 第116-124页 |
| ·SMV自聚焦成像 | 第116-120页 |
| ·MMV自聚焦成像 | 第120-124页 |
| ·基于贝叶斯学习技术的自适应相位误差校正成像 | 第124-138页 |
| ·SMV自聚焦成像 | 第124-130页 |
| ·MMV自聚焦成像 | 第130-138页 |
| ·本章小结 | 第138-140页 |
| 第6章 分布式雷达扩展目标稀疏成像方法研究 | 第140-160页 |
| ·引言 | 第140-141页 |
| ·结合总变差正则化约束的改进稀疏成像技术 | 第141-150页 |
| ·总变差正则化(TV)方法简介 | 第141-142页 |
| ·结合TV正则化约束的改进稀疏成像算法 | 第142-150页 |
| ·基于扩展目标先验分布的贝叶斯压缩感知成像技术 | 第150-159页 |
| ·扩展目标参数贝叶斯压缩感知模型 | 第150-151页 |
| ·基于扩展目标先验分布的贝叶斯压缩感知成像算法 | 第151-159页 |
| ·本章小结 | 第159-160页 |
| 第7章 结束语 | 第160-164页 |
| ·本文工作总结 | 第160-161页 |
| ·后续工作展望 | 第161-164页 |
| 参考文献 | 第164-178页 |
| 作者在攻读博士学位期间完成的学术论文 | 第178-180页 |
| 作者在攻读博士学位期间参与的主要工作 | 第180-182页 |
| 致谢 | 第182页 |
