| 作者简介 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-35页 |
| §1.1 雷达自动目标识别基本概念 | 第13-15页 |
| ·雷达自动目标识别综述 | 第13页 |
| ·雷达自动目标识别的划分方法 | 第13-15页 |
| §1.2 雷达自动目标识别的历史和研究现状 | 第15-17页 |
| ·发展历史 | 第15-16页 |
| ·国内外研究现状 | 第16-17页 |
| §1.3 雷达 HRRP 识别技术的关键问题及常用解决方法 | 第17-23页 |
| ·HRRP 的方位(姿态)敏感性问题 | 第17-18页 |
| ·HRRP 的平移敏感性问题 | 第18-19页 |
| ·HRRP 的强度(幅度)敏感性问题 | 第19-20页 |
| ·HRRP 的初相敏感性问题 | 第20页 |
| ·噪声稳健识别问题 | 第20-21页 |
| ·小样本识别问题 | 第21-22页 |
| ·复 HRRP 识别问题 | 第22-23页 |
| §1.4 研究方法分类 | 第23-24页 |
| §1.5 论文使用的数据介绍 | 第24-25页 |
| §1.6 论文内容安排 | 第25-27页 |
| 本章参考文献 | 第27-35页 |
| 第二章 雷达 HRRP 方位帧划分方法 | 第35-51页 |
| §2.1 引言 | 第35-36页 |
| §2.2 HRRP 姿态敏感性分析 | 第36-39页 |
| §2.3 HRRP 频谱幅度统计特性分析 | 第39-40页 |
| §2.4 基于概率主分量分析模型和 KULLBACK-LEIBLER 距离的分帧方法 | 第40-44页 |
| ·概率主分量分析模型 | 第40-42页 |
| ·Kullback-Leibler 距离 | 第42-43页 |
| ·分帧算法 | 第43-44页 |
| §2.5 分类器设计 | 第44页 |
| §2.6 实验结果和讨论 | 第44-47页 |
| ·实验数据介绍 | 第44页 |
| ·分帧结果 | 第44-46页 |
| ·识别结果 | 第46-47页 |
| ·讨论 | 第47页 |
| §2.7 本章小结 | 第47页 |
| 本章参考文献 | 第47-51页 |
| 第三章 噪声背景下雷达 HRRP 稳健识别方法 | 第51-65页 |
| §3.1 引言 | 第51-52页 |
| §3.2 噪声稳健的 HRRP 识别方法 | 第52-53页 |
| §3.3 因子分析模型 | 第53-55页 |
| §3.4 中值绝对偏差估计器 | 第55-56页 |
| §3.5 HRRP 识别系统具体步骤 | 第56-57页 |
| §3.6 实验结果和讨论 | 第57-61页 |
| ·数据及实验设置介绍 | 第57页 |
| ·信噪比估计精度 | 第57-58页 |
| ·低信噪比条件下识别性能改善分析 | 第58-59页 |
| ·模板信噪比量化间隔对识别性能影响 | 第59-60页 |
| ·低信噪比条件下拒判性能改善分析 | 第60-61页 |
| §3.7 本章小结 | 第61-62页 |
| 本章参考文献 | 第62-65页 |
| 第四章 基于自回归模型的低维不变特征提取 | 第65-79页 |
| §4.1 引言 | 第65页 |
| §4.2 已有特征提取工作简单回顾 | 第65-66页 |
| §4.3 复 HRRP 频域统计特性分析 | 第66-68页 |
| §4.4 基于自回归模型的特征提取 | 第68-69页 |
| §4.5 基于混合高斯模型的自适应分帧算法 | 第69-72页 |
| §4.6 实验结果 | 第72-76页 |
| ·识别性能 | 第72-73页 |
| ·自适应分帧结果 | 第73-75页 |
| ·训练样本集大小对识别性能影响 | 第75-76页 |
| §4.7 本章小结 | 第76页 |
| 本章参考文献 | 第76-79页 |
| 第五章 基于平稳序列建模的雷达 HRRP 小样本识别方法 | 第79-97页 |
| §5.1 引言 | 第79-80页 |
| §5.2 复 HRRP 频谱幅度序列建模 | 第80页 |
| §5.3 基于线性动态模型的雷达 HRRP 小样本识别方法 | 第80-87页 |
| ·线性动态模型 | 第80-81页 |
| ·模型参数估计 | 第81-83页 |
| ·基于线性动态模型的雷达 HRRP 识别步骤 | 第83-84页 |
| ·实验结果和讨论 | 第84-87页 |
| §5.4 基于混合自回归模型的雷达 HRRP 小样本识别方法 | 第87-94页 |
| ·频幅分量统计特性分析 | 第87-88页 |
| ·混合自回归模型 | 第88-89页 |
| ·模型参数估计 | 第89-91页 |
| ·模型结构选择 | 第91-92页 |
| ·实验结果和讨论 | 第92-94页 |
| §5.5 本章小结 | 第94-95页 |
| 本章参考文献 | 第95-97页 |
| 第六章 基于 BAYESIAN YING-YANG 和谐学习理论的雷达 HRRP 统计建模 | 第97-127页 |
| §6.1 引言 | 第97-98页 |
| §6.2 基于局部因子分析模型的雷达 HRRP 目标识别方法 | 第98-105页 |
| ·局部因子分析模型 | 第98-100页 |
| ·基于 EM 算法的两步法学习 | 第100-101页 |
| ·Bayesian Ying-Yang 和谐学习理论 | 第101-102页 |
| ·针对 LFA 模型的自适应 BYY 学习算法 | 第102-103页 |
| ·识别实验 | 第103-104页 |
| ·结论 | 第104-105页 |
| §6.3 基于时序因子分析模型的雷达 HRRP 目标识别方法 | 第105-114页 |
| ·相邻 HRRP 时序相关性分析 | 第105-106页 |
| ·线性动态模型与时序因子分析模型 | 第106-107页 |
| ·基于 EM 算法的两步法学习 | 第107页 |
| ·时序 Bayesian Ying-Yang 和谐学习 | 第107-108页 |
| ·针对 TFA 模型的自适应 BYY 学习算法 | 第108-111页 |
| ·实验结果 | 第111-113页 |
| ·结论 | 第113-114页 |
| §6.4 本章小结 | 第114-115页 |
| 附录 6.A | 第115-119页 |
| 附录 6.B | 第119-121页 |
| 附录 6.C | 第121-122页 |
| 本章参考文献 | 第122-127页 |
| 第七章 基于复 HRRP 的统计识别方法 | 第127-139页 |
| §7.1 引言 | 第127-128页 |
| §7.2 复 HRRP 统计特性分析 | 第128-129页 |
| §7.3 复数因子分析模型 | 第129-132页 |
| §7.4 CFA 模型噪声自适应修正算法 | 第132-133页 |
| §7.5 实验结果和讨论 | 第133-136页 |
| ·数据及实验设置介绍 | 第133-134页 |
| ·识别性能对比 | 第134页 |
| ·低信噪比条件下识别性能改善分析 | 第134-136页 |
| §7.6 本章小结 | 第136-137页 |
| 本章参考文献 | 第137-139页 |
| 第八章 结束语 | 第139-143页 |
| §8.1 全文内容总结 | 第139-140页 |
| §8.2 工作展望 | 第140-143页 |
| 致谢 | 第143-145页 |
| 作者在读期间的研究成果 | 第145-147页 |
