| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7页 |
| ·相干信源DOA估计的发展与现状 | 第7-10页 |
| ·窄带阵列相干信源数据模型 | 第10-11页 |
| ·本文主要工作及内容安排 | 第11-13页 |
| 第二章 非平稳噪声背景下相干信源的DOA估计算法 | 第13-27页 |
| ·引言 | 第13-14页 |
| ·阵列混合数据模型及斜投影算子 | 第14-15页 |
| ·存在相干信源时的数据模型 | 第14-15页 |
| ·斜投影算子的性质 | 第15页 |
| ·非相干和相干信源的分步估计方法 | 第15-19页 |
| ·算法描述 | 第16-18页 |
| ·算法基本步骤 | 第18-19页 |
| ·算法性能分析与讨论 | 第19-20页 |
| ·不同信源数所需阵元数比较 | 第19页 |
| ·算法的克拉美－罗界分析 | 第19-20页 |
| ·计算机仿真结果 | 第20-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 阵列互耦条件下稳健的相干信源DOA估计算法 | 第27-39页 |
| ·引言 | 第27页 |
| ·互耦条件下的阵列数据模型及ISS算法 | 第27-30页 |
| ·互耦条件下的阵列数据模型 | 第27-29页 |
| ·ISS算法 | 第29-30页 |
| ·互耦条件下稳健的相干信源DOA估计算法 | 第30-32页 |
| ·算法描述 | 第30-31页 |
| ·算法基本步骤 | 第31-32页 |
| ·算法性能分析与讨论 | 第32-33页 |
| ·c (θ) 的取值对算法的影响 | 第32页 |
| ·互耦自由度p对算法的影响 | 第32-33页 |
| ·计算机仿真结果 | 第33-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于神经网络的相干信源DOA估计方法 | 第39-53页 |
| ·引言 | 第39页 |
| ·BP及RBF神经网络概述 | 第39-44页 |
| ·BP网络概述 | 第39-41页 |
| ·BP网络的缺陷及改进 | 第41-42页 |
| ·RBF神经网络 | 第42-44页 |
| ·神经网络应用于DOA估计的可行性分析 | 第44页 |
| ·基于神经网络的DOA估计 | 第44-48页 |
| ·基于神经网络的DOA估计模型 | 第45-46页 |
| ·DOA估计模型中BP网络的学习算法 | 第46-47页 |
| ·DOA估计模型中RBF网络的学习算法 | 第47-48页 |
| ·仿真实验 | 第48-52页 |
| ·CBP网络对相干信号DOA估计性能分析 | 第49-50页 |
| ·CRBF网络对相干信号DOA估计性能分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| ·本文内容总结 | 第53-54页 |
| ·相干信源DOA估计技术研究展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者在攻读硕士期间的研究成果 | 第61-62页 |