| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究意义 | 第12-13页 |
| 1.2 课题研究背景 | 第13-17页 |
| 1.2.1 雷达自动目标识别技术 | 第13-14页 |
| 1.2.2 RATR国内外研究现状 | 第14页 |
| 1.2.3 HRRP目标识别研究现状及难点 | 第14-17页 |
| 1.3 本文主要研究工作 | 第17-20页 |
| 1.3.1 实验数据介绍 | 第17-18页 |
| 1.3.2 研究内容安排 | 第18-20页 |
| 第二章 HRRP自动目标识别基础 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 目标散射点模型介绍 | 第20-21页 |
| 2.3 一维距离像的形成 | 第21页 |
| 2.4 一维距离像的特性 | 第21-25页 |
| 2.4.1 一维距离像的幅度敏感性 | 第22-23页 |
| 2.4.2 一维距离像的平移敏感性 | 第23页 |
| 2.4.3 一维距离像的初相敏感性 | 第23-24页 |
| 2.4.4 一维距离像的方位敏感性 | 第24-25页 |
| 2.5 HRRP统计识别理论 | 第25-27页 |
| 2.6 HRRP低维特征提取 | 第27-29页 |
| 2.7 HRRP多分类器融合识别 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第三章 基于因子分析的HRRP自适应分帧 | 第31-40页 |
| 3.1 引言 | 第31页 |
| 3.2 HRRP预处理 | 第31-33页 |
| 3.2.1 初相敏感性处理 | 第31-32页 |
| 3.2.2 幅度敏感性处理 | 第32页 |
| 3.2.3 平移敏感性处理 | 第32-33页 |
| 3.2.4 方位敏感性处理 | 第33页 |
| 3.3 基于因子分析的HRRP自适应分帧 | 第33-39页 |
| 3.3.1 频谱幅度特征的统计建模 | 第33页 |
| 3.3.2 基于因子分析的HRRP自适应分帧方法 | 第33-36页 |
| 3.3.3 实验结果及分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 HRRP低维特征提取 | 第40-54页 |
| 4.1 引言 | 第40页 |
| 4.2 稀疏表示理论 | 第40-41页 |
| 4.3 稀疏保持投影 | 第41-43页 |
| 4.4 多尺度稀疏保持投影 | 第43-48页 |
| 4.4.1 HRRP信号多尺度表示 | 第43-44页 |
| 4.4.2 多尺度稀疏保持投影 | 第44-46页 |
| 4.4.3 实验结果及分析 | 第46-48页 |
| 4.5 自适应最大间距稀疏保持投影 | 第48-53页 |
| 4.5.1 自适应最大间距准则 | 第49-50页 |
| 4.5.2 自适应最大间距稀疏保持投影 | 第50-52页 |
| 4.5.3 实验结果及分析 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 HRRP多分类器融合识别 | 第54-64页 |
| 5.1 引言 | 第54页 |
| 5.2 多分类器融合理论 | 第54-56页 |
| 5.3 分类器简介 | 第56-58页 |
| 5.3.1 K-最近邻分类 | 第56页 |
| 5.3.2 最小距离分类器 | 第56-57页 |
| 5.3.3 朴素贝叶斯分类 | 第57页 |
| 5.3.4 支持向量机分类 | 第57-58页 |
| 5.4 多分类器融合算法简介 | 第58-60页 |
| 5.4.1 自然贝叶斯法 | 第58-59页 |
| 5.4.2 Demptser-Shafer证据组合法 | 第59-60页 |
| 5.5 基于自适应类别权重的多分类器融合方法 | 第60-63页 |
| 5.5.1 基于自适应类别权重的多分类器融合法 | 第60-62页 |
| 5.5.2 实验结果及分析 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64-65页 |
| 6.2 课题研究展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72-73页 |