| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 雷达目标识别的研究背景与基本概念 | 第10-12页 |
| 1.2 目标识别的国内外研究概况 | 第12-15页 |
| 1.2.1 雷达目标识别的国内外研究概况 | 第12-13页 |
| 1.2.2 基于HRRP的雷达目标识别研究概述 | 第13-15页 |
| 1.3 本文主要工作和文章结构 | 第15-17页 |
| 第二章 高分辨距离像识别基本原理 | 第17-23页 |
| 2.1 目标一维散射中心模型建立 | 第17-18页 |
| 2.2 雷达一维距离像的特性 | 第18-19页 |
| 2.2.1 姿态敏感性 | 第18-19页 |
| 2.2.2 平移敏感性 | 第19页 |
| 2.2.3 幅度敏感性 | 第19页 |
| 2.3 实验数据描述及预处理 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 特征提取 | 第23-32页 |
| 3.1 基于经典子空间方法的特征提取 | 第24-26页 |
| 3.1.1 基于PCA的特征提取 | 第24-25页 |
| 3.1.2 基于LDA的特征提取 | 第25-26页 |
| 3.2 基于人工神经网络的特征提取 | 第26-30页 |
| 3.2.1 基于堆栈自编码器的特征提取 | 第26-28页 |
| 3.2.2 基于一维卷积神经网络的特征提取 | 第28-30页 |
| 3.3 本章实验与分析 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于遗传算法的特征融合 | 第32-41页 |
| 4.1 遗传算法的基本原理 | 第32-34页 |
| 4.2 基于遗传算法的特征融合方法设计 | 第34-38页 |
| 4.2.1 基于Logistic映射的混沌序列种群初始化策略 | 第34-35页 |
| 4.2.2 适应度函数设计 | 第35页 |
| 4.2.3 改进自适应遗传算子的设计 | 第35-37页 |
| 4.2.4 遗传算法的中止条件 | 第37-38页 |
| 4.3 本章实验 | 第38-40页 |
| 4.3.1 特征融合 | 第38-40页 |
| 4.3.2 分类实验 | 第40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于相关向量机的决策级目标融合识别 | 第41-52页 |
| 5.1 相关向量机原理 | 第41-46页 |
| 5.1.1 相关向量机的分类模型与回归模型 | 第41-45页 |
| 5.1.2 RVM中的多分类问题 | 第45-46页 |
| 5.2 基于OAO分类法的RVM决策级融合识别方法 | 第46-49页 |
| 5.2.1 基于OAO的后验概率获取 | 第46-48页 |
| 5.2.2 基于后验概率的加权投票OAO决策级改进方法 | 第48-49页 |
| 5.3 本章实验 | 第49-51页 |
| 5.3.1 针对不同特征RVM和SVM的分类能力比较 | 第49-50页 |
| 5.3.2 基于相关向量机的决策级融合识别 | 第50-51页 |
| 5.4 本章总结 | 第51-52页 |
| 第六章 基于BP神经网络的多特征目标融合识别 | 第52-62页 |
| 6.1 BP神经网络 | 第52-58页 |
| 6.1.1 BP神经元 | 第53页 |
| 6.1.2 BP神经网络构成 | 第53-54页 |
| 6.1.3 正向传播 | 第54-55页 |
| 6.1.4 反向传播 | 第55-57页 |
| 6.1.5 多神经网络集合的构建方法 | 第57-58页 |
| 6.2 基于神经网络的决策级蒙特卡洛融合方法 | 第58-59页 |
| 6.3 本章实验 | 第59-61页 |
| 6.3.1 基于BP神经网络的多特征识别性能比较 | 第59-60页 |
| 6.3.2 基于BP神经网络的特征级+决策级综合融合识别 | 第60-61页 |
| 6.4 本章总结 | 第61-62页 |
| 第七章 总结与展望 | 第62-64页 |
| 7.1 全文总结 | 第62页 |
| 7.2 对后续工作的展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间取得的成果 | 第71页 |
