| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-19页 |
| 第一章 绪论 | 第19-31页 |
| 1.1 雷达自动目标识别综述 | 第19-21页 |
| 1.2 雷达自动目标识别的发展 | 第21-23页 |
| 1.3 基于雷达高分辨距离像的目标识别研究方法 | 第23-28页 |
| 1.3.1 高分辨距离像概念 | 第24页 |
| 1.3.2 高分辨距离像敏感性问题 | 第24-25页 |
| 1.3.3 目标特征提取及分类 | 第25-27页 |
| 1.3.4 小训练样本集下的稳健识别 | 第27-28页 |
| 1.4 论文的内容与安排 | 第28-31页 |
| 1.4.1 实验数据介绍 | 第28页 |
| 1.4.2 本文内容安排 | 第28-31页 |
| 第二章 基于字典学习的雷达高分辨距离像目标识别 | 第31-47页 |
| 2.1 引言 | 第31-32页 |
| 2.2 字典学习理论 | 第32-34页 |
| 2.2.1 稀疏编码 | 第32-33页 |
| 2.2.2 字典更新 | 第33页 |
| 2.2.3 K-SVD算法 | 第33-34页 |
| 2.3 基于K-SVD的雷达HRRP目标识别算法 | 第34-39页 |
| 2.3.1 实测雷达HRRP数据的预处理 | 第34-35页 |
| 2.3.2 基于K-SVD的雷达HRRP目标识别算法的训练阶段 | 第35-37页 |
| 2.3.3 基于K-SVD的雷达HRRP目标识别算法的测试阶段 | 第37-38页 |
| 2.3.4 算法复杂度分析 | 第38-39页 |
| 2.4 实验结果分析 | 第39-46页 |
| 2.4.1 完备训练条件下的算法性能 | 第40-43页 |
| 2.4.2 非完备训练条件下的算法性能 | 第43-45页 |
| 2.4.3 自适应字典性能分析 | 第45-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第三章 基于稳健字典学习的雷达高分辨距离像目标识别 | 第47-73页 |
| 3.1 引言 | 第47-48页 |
| 3.2 雷达HRRP目标特性分析 | 第48-50页 |
| 3.3 一种基于信号丢失的稳健字典学习算法 | 第50-59页 |
| 3.3.1 Drop-SDL训练阶段 | 第50-52页 |
| 3.3.2 Drop-SDL测试阶段 | 第52-53页 |
| 3.3.3 模型解释 | 第53-55页 |
| 3.3.4 实验结果与分析 | 第55-59页 |
| 3.3.5 小结 | 第59页 |
| 3.4 一种基于稳健字典学习的雷达HRRP目标识别算法 | 第59-72页 |
| 3.4.1 超完备稀疏表示的稳健恢复 | 第59-60页 |
| 3.4.2 幅度扰动情况下的稳健性条件 | 第60-61页 |
| 3.4.3 模型建立 | 第61-63页 |
| 3.4.4 SDL训练和测试算法 | 第63-66页 |
| 3.4.5 仿真数据实验结果 | 第66-68页 |
| 3.4.6 雷达HRRP数据集实验结果 | 第68-72页 |
| 3.4.7 小结 | 第72页 |
| 3.5 本章小结 | 第72-73页 |
| 第四章 基于非线性字典学习方法的学习框架 | 第73-91页 |
| 4.1 引言 | 第73-74页 |
| 4.2 基于字典学习方法的聚类框架 | 第74-83页 |
| 4.2.1 经典K均值聚类的字典学习解释 | 第74-75页 |
| 4.2.2 基于字典学习的自适应聚类算法 | 第75-77页 |
| 4.2.3 基于核字典学习的自适应聚类算法 | 第77-79页 |
| 4.2.4 实验结果分析 | 第79-82页 |
| 4.2.5 小结 | 第82-83页 |
| 4.3 基于自适应核基向量抽取的特征提取算法 | 第83-88页 |
| 4.3.1 自适应核基向量抽取 | 第83-84页 |
| 4.3.2 K-PCA特征提取 | 第84-85页 |
| 4.3.3 UCI公共数据集实验结果 | 第85-86页 |
| 4.3.4 雷达HRRP数据集实验结果 | 第86-88页 |
| 4.3.5 小结 | 第88页 |
| 4.4 本章小结 | 第88-91页 |
| 第五章 基于深层网络的雷达目标特征提取与识别 | 第91-119页 |
| 5.1 引言 | 第91-93页 |
| 5.2 深层网络理论 | 第93-96页 |
| 5.2.1 限制波尔兹曼机(RBM) | 第93-94页 |
| 5.2.2 自编码器(AE) | 第94-96页 |
| 5.3 一种基于联合稳健深层网络的雷达HRRP目标特征提取算法 | 第96-105页 |
| 5.3.1 HRRP敏感性预处理与平均像 | 第96-98页 |
| 5.3.2 联合稳健自编码器(RAE) | 第98-100页 |
| 5.3.3 堆栈联合稳健自编码器(SRAEs) | 第100-101页 |
| 5.3.4 实验结果分析 | 第101-104页 |
| 5.3.5 小结 | 第104-105页 |
| 5.4 一种基于深层网络的雷达HRRP目标识别算法 | 第105-117页 |
| 5.4.1 校正自编码器(CAE) | 第105-107页 |
| 5.4.2 堆栈校正自编码器(SCAEs) | 第107-109页 |
| 5.4.3 深层网络识别框架 | 第109-110页 |
| 5.4.4 实验结果分析 | 第110-115页 |
| 5.4.5 参数分析 | 第115-117页 |
| 5.4.6 小结 | 第117页 |
| 5.5 本章小结 | 第117-119页 |
| 第六章 总结与展望 | 第119-123页 |
| 6.1 论文工作总结 | 第119-120页 |
| 6.2 工作展望 | 第120-123页 |
| 附录A 高斯伯努利限制波尔兹曼机条件概率分布推导 | 第123-127页 |
| 参考文献 | 第127-139页 |
| 致谢 | 第139-141页 |
| 作者简介 | 第141-142页 |
