| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·雷达空间目标识别的现状和发展趋势 | 第7-9页 |
| ·空间目标识别研究与技术的现状 | 第7-8页 |
| ·空间目标识别技术的发展趋势 | 第8-9页 |
| ·研究背景 | 第9-10页 |
| ·论文研究的主要内容及结构 | 第10-11页 |
| 第二章 雷达空间目标的特性及识别概述 | 第11-21页 |
| ·雷达空间目标的特性 | 第11-13页 |
| ·引言 | 第11页 |
| ·空间目标的轨道特性与动力学特性 | 第11-12页 |
| ·空间雷达目标的RCS特性 | 第12-13页 |
| ·雷达高分辨距离像(HRRP)的特征提取方法 | 第13-16页 |
| ·一维距离像特性 | 第13-14页 |
| ·HRRP的特征提取方法 | 第14-16页 |
| ·雷达目标识别方法 | 第16-19页 |
| ·目标识别的概念 | 第16-17页 |
| ·目标识别的一般步骤 | 第17-18页 |
| ·分类器概述 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于中心矩的特征提取 | 第21-27页 |
| ·特征选择与提取的基本概念 | 第21页 |
| ·特征提取 | 第21页 |
| ·特征选择 | 第21页 |
| ·基于RCS波形序列的特征提取 | 第21-22页 |
| ·基于中心矩的特征提取 | 第22-23页 |
| ·空间目标实测数据描述及中心矩提取 | 第23-27页 |
| ·原始数据描述 | 第23-24页 |
| ·统计特征的提取 | 第24-25页 |
| ·中心矩特征的提取 | 第25-27页 |
| 第四章 基于主成分分析(PCA)的空间目标识别 | 第27-37页 |
| ·引言 | 第27页 |
| ·主成分分析的基本概念及原理 | 第27-29页 |
| ·K-L变换 | 第27-28页 |
| ·主成分分析 | 第28-29页 |
| ·分类识别方法 | 第29-30页 |
| ·最小距离分类法 | 第29页 |
| ·支持向量分类器(Support Vector Machine) | 第29-30页 |
| ·实验结果与分析 | 第30-35页 |
| ·实验流程 | 第30-31页 |
| ·主成分分析 | 第31-32页 |
| ·分类识别 | 第32-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 基于离散度(Fisher)准则的特征选择 | 第37-47页 |
| ·引言 | 第37页 |
| ·Fisher线性判别分析的原理 | 第37-40页 |
| ·实验结果与分析 | 第40-46页 |
| ·用Fisher判别方法分析中心矩 | 第40-44页 |
| ·Fisher判别法选择特征 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 研究成果 | 第55-56页 |