基于一维距离像的雷达目标识别
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 1 绪论 | 第12-18页 |
| ·雷达目标识别概述 | 第12页 |
| ·基于一维距离像目标识别的历史 | 第12-13页 |
| ·基于一维像目标特征的预处理及特征提取方法 | 第13页 |
| ·雷达目标识别常用的分类器的设计 | 第13-15页 |
| ·本文的主要工作 | 第15-18页 |
| 2 一维距离像的模式变换 | 第18-37页 |
| ·引言 | 第18页 |
| ·一维距离像的获取 | 第18-20页 |
| ·模式预处理 | 第20-29页 |
| ·模式预处理的必要性 | 第20-23页 |
| ·预处理的一般方法 | 第23-29页 |
| ·离群数据的挖掘与剔除 | 第23-24页 |
| ·距离对准 | 第24-28页 |
| ·非相干平均 | 第28-29页 |
| ·归一化回波幅度. | 第29页 |
| ·特征提取和压缩 | 第29-32页 |
| ·实验结果 | 第32-34页 |
| ·本章小结 | 第34-37页 |
| 3 样本分析 | 第37-44页 |
| ·样本的统计分析 | 第37-40页 |
| ·抽样方法分析与训练样本和测试样本的选择 | 第40-42页 |
| ·训练样本数大小分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于模糊极小极大神经网络的雷达目标识别 | 第44-55页 |
| ·引言 | 第44页 |
| ·模糊极小极大神经网络分类器 | 第44-49页 |
| ·模糊极小极大分类神经网络 | 第44-46页 |
| ·训练算法 | 第46-48页 |
| ·分类 | 第48-49页 |
| ·试验结果及讨论 | 第49-53页 |
| ·实验方案 | 第49-50页 |
| ·参数对识别率的影响 | 第50-51页 |
| ·隶属度函数对识别率的影响 | 第51-52页 |
| ·维数对识别效果的影响 | 第52页 |
| ·与其它识别方法的比较 | 第52页 |
| ·稳定性分析 | 第52-53页 |
| ·结论 | 第53页 |
| ·本章小节 | 第53-55页 |
| 5 开放样本集的雷达一维像目标识别 | 第55-68页 |
| ·引言 | 第55-56页 |
| ·有先验知识下开放样本集一维距离像识别 | 第56-60页 |
| ·基本思想 | 第56页 |
| ·识别与发现新目标 | 第56-58页 |
| ·试验结果 | 第58-60页 |
| ·分析讨论及有待进一步解决的问题 | 第60页 |
| ·结论 | 第60页 |
| ·无先验知识开放样本集一维距离像识别 | 第60-67页 |
| ·基本思想 | 第60-61页 |
| ·对聚类后的类别进行假设检验 | 第61-63页 |
| ·假设的提出 | 第61-62页 |
| ·曼-惠特尼U检验法 | 第62-63页 |
| ·假设检验的处理 | 第63页 |
| ·K+1-均值动态聚类与新类别的选择 | 第63-64页 |
| ·试验结果 | 第64-67页 |
| ·分析讨论及有待进一步解决的问题 | 第67页 |
| ·本章小结 | 第67-68页 |
| 6 基于支持向量机的一维距离像识别 | 第68-85页 |
| ·引言 | 第68页 |
| ·线性可分问题 | 第68-71页 |
| ·近似线性可分问题 | 第71-75页 |
| ·非线性问题 | 第75-77页 |
| ·核函数 | 第77-78页 |
| ·核的改进 | 第78-80页 |
| ·实验 | 第80-84页 |
| ·Gauss径向基核的计算结果 | 第81-82页 |
| ·多项式核函数的计算结果 | 第82-83页 |
| ·Sigmoid核函数的计算结果 | 第83页 |
| ·核改进后的结果 | 第83-84页 |
| ·与其他分类器的比较 | 第84页 |
| ·本章小结 | 第84-85页 |
| 7 分类器组合的识别率分析 | 第85-91页 |
| ·引言 | 第85页 |
| ·分类器的独立,相关及分类器的选择 | 第85-87页 |
| ·多分类器组合的识别率 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 8 全文总结 | 第91-94页 |
| ·本文主要内容及结论 | 第91-92页 |
| ·本文的创新之处 | 第92-93页 |
| ·存在的问题 | 第93-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-102页 |
| 作者攻读博士学位期间发表的论文 | 第102页 |
