| 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12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 研究历史与现状 | 第17-19页 |
| 1.3 研究目标与主要内容 | 第19页 |
| 1.4 论文工作及内容安排 | 第19-24页 |
| 1.4.1 HRRP数据介绍 | 第19-20页 |
| 1.4.2 MSTAR数据介绍 | 第20-21页 |
| 1.4.3 论文内容安排 | 第21-24页 |
| 第二章 传统的雷达目标识别方法 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 数据预处理 | 第24-28页 |
| 2.2.1 HRRP幅度归一化处理 | 第24-25页 |
| 2.2.2 HRRP对齐处理 | 第25-27页 |
| 2.2.3 HRRP分帧处理 | 第27页 |
| 2.2.4 抑制SAR图像噪声 | 第27-28页 |
| 2.3 分类器介绍 | 第28-33页 |
| 2.3.1 SVM分类器 | 第28-31页 |
| 2.3.2 KNN分类器 | 第31-32页 |
| 2.3.3 AGC分类器 | 第32-33页 |
| 2.4 实验结果与分析 | 第33-36页 |
| 2.4.1 HRRP识别结果与分析 | 第33-35页 |
| 2.4.2 SAR图像目标识别结果与分析 | 第35-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 基于深度学习的雷达目标识别方法 | 第38-60页 |
| 3.1 引言 | 第38页 |
| 3.2 卷积神经网络模型 | 第38-44页 |
| 3.2.1 神经网络 | 第38-41页 |
| 3.2.2 卷积神经网络 | 第41-44页 |
| 3.3 经典的卷积神经网络识别模型 | 第44-49页 |
| 3.3.1 LeNet网络 | 第44-46页 |
| 3.3.2 VGG网络 | 第46-47页 |
| 3.3.3 ResNet网络 | 第47-49页 |
| 3.4 卷积神经网络模型的优化技巧 | 第49-55页 |
| 3.4.1 梯度下降优化算法 | 第49-53页 |
| 3.4.2 过拟合处理 | 第53-54页 |
| 3.4.3 归一化处理 | 第54-55页 |
| 3.5 实验结果与分析 | 第55-58页 |
| 3.5.1 实验概述 | 第55页 |
| 3.5.2 基于深度学习的HRRP目标识别结果及分析 | 第55-56页 |
| 3.5.3 基于深度学习的SAR图像目标识别结果及分析 | 第56-58页 |
| 3.6 本章小结 | 第58-60页 |
| 第四章 基于连续学习的雷达目标识别方法 | 第60-74页 |
| 4.1 引言 | 第60页 |
| 4.2 基于EWC的连续学习算法 | 第60-67页 |
| 4.2.2 EWC的直观解释 | 第61-62页 |
| 4.2.3 EWC的数学推导 | 第62-63页 |
| 4.2.4 Fisher信息的计算及其意义 | 第63-65页 |
| 4.2.5 基于MNIST数据集的仿真实验 | 第65-66页 |
| 4.2.6 EWC中存在的问题 | 第66-67页 |
| 4.3 核心集算法介绍 | 第67-70页 |
| 4.3.1 核心集选取准则 | 第67-69页 |
| 4.3.2 核心集构造 | 第69-70页 |
| 4.4 实验结果与分析 | 第70-73页 |
| 4.4.1 基于连续学习的HRRP目标识别结果及分析 | 第70-71页 |
| 4.4.2 基于连续学习的SAR图像目标识别结果及分析 | 第71-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 结束语 | 第74-76页 |
| 5.1 工作总结 | 第74-75页 |
| 5.2 工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
