基于统计学习与特征提取的杂波检测与识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外海杂波及处理研究现状及分析 | 第10-14页 |
| 1.2.1 超视距雷达的发展现状 | 第10-11页 |
| 1.2.2 海杂波的研究现状 | 第11-12页 |
| 1.2.3 数字图像处理研究现状 | 第12-13页 |
| 1.2.4 神经网络与机器学习研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 第2章 海杂波产生机理与谱分裂仿真分析 | 第16-37页 |
| 2.1 海杂波作用原理 | 第16-19页 |
| 2.1.1 一阶海杂波海杂波产生机理 | 第16-17页 |
| 2.1.2 双基地一阶海杂波的产生原理 | 第17-19页 |
| 2.2. 海杂波谱展宽机理 | 第19-21页 |
| 2.2.1 双基地角对海杂波的影响分析 | 第19-20页 |
| 2.2.2 洋流对海杂波影响分析 | 第20-21页 |
| 2.3 洋流产生的宽波束雷达杂波仿真分析 | 第21-31页 |
| 2.3.1 洋流造成的海杂波展宽及位置 | 第23-26页 |
| 2.3.2 宽波束雷达海杂波非均匀展宽 | 第26-28页 |
| 2.3.3 功率叠加产生的谱截断与谱分裂 | 第28-31页 |
| 2.4 切变洋流对杂波影响仿真 | 第31-36页 |
| 2.4.1 洋流矢量场角度对杂波的影响 | 第31-34页 |
| 2.4.2 洋流切变速度对杂波的影响 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于图像特征的的一阶海杂波的检测方法 | 第37-71页 |
| 3.1 引言 | 第37-39页 |
| 3.2 基于小波与SNR特征对消的图像去噪 | 第39-44页 |
| 3.2.1 小波分析对雷达图像去噪 | 第39-42页 |
| 3.2.2 基于SNR特征对消的图像去噪 | 第42-44页 |
| 3.3 基于图像多阈值分割的海杂波检测方法 | 第44-55页 |
| 3.3.2 雷达图像单阈值分割 | 第44-48页 |
| 3.3.3 基于多阈值图像分割的海杂波检测 | 第48-55页 |
| 3.4 基于能量质心法海杂波检测预处理 | 第55-61页 |
| 3.5 海杂波BRAGG峰识别 | 第61-70页 |
| 3.5.1 海杂波检测系统介绍 | 第61-64页 |
| 3.5.2 海杂波Bragg峰自动检测 | 第64-70页 |
| 3.6 本章小结 | 第70-71页 |
| 第4章 基于特征和统计学习的海杂波检测 | 第71-84页 |
| 4.1 引言 | 第71页 |
| 4.2 神经网络模型简介 | 第71-72页 |
| 4.3 海杂波特征提取 | 第72-76页 |
| 4.4 神经网络训练与效果验证 | 第76-82页 |
| 4.5 本章小结 | 第82-84页 |
| 结论 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 致谢 | 第92页 |
