基于深度学习的杂波抑制技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文主要内容和创新点 | 第15-17页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 主要创新点 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第二章 深度学习基础理论 | 第19-29页 |
| 2.1 前馈神经网络 | 第19-23页 |
| 2.1.1 前向传播过程 | 第20页 |
| 2.1.2 误差反向传播过程 | 第20-22页 |
| 2.1.3 前馈神经网络的缺点 | 第22-23页 |
| 2.2 深度置信网络(DBN)原理 | 第23-29页 |
| 2.2.1 限制玻尔兹曼机(RBM)模型推导 | 第23-25页 |
| 2.2.2 深度置信网络(DBN)的训练过程 | 第25-29页 |
| 第三章 基于深度学习的杂波抑制算法 | 第29-55页 |
| 3.1 数据获取与预处理 | 第29-37页 |
| 3.1.1 数据的获取 | 第29-32页 |
| 3.1.2 动目标检测 | 第32-35页 |
| 3.1.3 恒虚警处理 | 第35-37页 |
| 3.1.4 样本点凝聚 | 第37页 |
| 3.2 基于深度学习的单周期杂波抑制算法 | 第37-46页 |
| 3.2.1 特征构造 | 第37-40页 |
| 3.2.2 模型架构 | 第40-43页 |
| 3.2.3 DNN的训练过程 | 第43-44页 |
| 3.2.4 DBN的训练过程 | 第44-46页 |
| 3.3 基于深度学习的多周期杂波抑制算法 | 第46-52页 |
| 3.3.1 模型架构 | 第46-48页 |
| 3.3.2 样本生成策略 | 第48-51页 |
| 3.3.3 结果后处理策略 | 第51-52页 |
| 3.4 DNN与DBN模型对比 | 第52页 |
| 3.5 单周期与多周期算法优缺点分析 | 第52-55页 |
| 第四章 实验验证 | 第55-87页 |
| 4.1 数据集介绍 | 第55页 |
| 4.2 评价指标 | 第55-57页 |
| 4.3 杂波抑制效果 | 第57-75页 |
| 4.3.1 20KM外杂波抑制效果 | 第59-71页 |
| 4.3.2 20KM内杂波抑制效果 | 第71-75页 |
| 4.4 鲁棒性测试 | 第75-83页 |
| 4.4.1 去除零通道检测样本实验 | 第75-79页 |
| 4.4.2 CFAR阈值提升实验 | 第79-82页 |
| 4.4.3 数据均衡实验 | 第82-83页 |
| 4.5 漏检目标点分析 | 第83-87页 |
| 第五章 总结与展望 | 第87-89页 |
| 5.1 总结 | 第87-88页 |
| 5.2 展望 | 第88-89页 |
| 参考文献 | 第89-95页 |
| 致谢 | 第95页 |
