基于机器学习的高频地波雷达复杂杂波识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外杂波分类研究现状及分析 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 高频地波雷达背景环境仿真 | 第14-25页 |
| 2.1 引言 | 第14页 |
| 2.2 一阶海杂波产生机理 | 第14-16页 |
| 2.3 二阶海杂波产生机理 | 第16-18页 |
| 2.4 功率谱回波分析 | 第18-20页 |
| 2.5 电离层仿真 | 第20-23页 |
| 2.5.1 瑞利分布 | 第21页 |
| 2.5.2 对数正态分布 | 第21页 |
| 2.5.3 韦伯尔分布 | 第21页 |
| 2.5.4 K分布 | 第21-22页 |
| 2.5.5 指数分布 | 第22页 |
| 2.5.6 实测数据统计拟合 | 第22-23页 |
| 2.6 仿真结果 | 第23-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第3章 基于先验信息的杂波特征库建立 | 第25-34页 |
| 3.1 引言 | 第25-26页 |
| 3.2 特征库的建立 | 第26-33页 |
| 3.2.1 功率谱幅值 | 第26-27页 |
| 3.2.2 无维分流参数 | 第27-28页 |
| 3.2.3 Gabor方向性参数 | 第28-29页 |
| 3.2.4 小波多尺度参数 | 第29-30页 |
| 3.2.5 统计拟合参数 | 第30-31页 |
| 3.2.6 Bragg峰理论位置 | 第31-32页 |
| 3.2.7 杂噪比特征 | 第32-33页 |
| 3.2.8 联合特性 | 第33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于支持向量机的特征筛选与杂波分类 | 第34-60页 |
| 4.1 引言 | 第34-35页 |
| 4.2 特征筛选算法 | 第35-40页 |
| 4.2.1 基于F检验的特征筛选算法 | 第35页 |
| 4.2.2 基于互信息的特征筛选算法 | 第35-37页 |
| 4.2.3 基于遗传算法的特征筛选算法 | 第37-40页 |
| 4.3 支持向量机分类器 | 第40-42页 |
| 4.4 特征筛选结果分析 | 第42-59页 |
| 4.4.1 仿真数据说明 | 第42-43页 |
| 4.4.2 筛选特征分析 | 第43-46页 |
| 4.4.3 算法分析 | 第46-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 基于卷积神经网络的杂波分类 | 第60-69页 |
| 5.1 引言 | 第60页 |
| 5.2 算法流程 | 第60-65页 |
| 5.2.1 传统神经网络 | 第61-62页 |
| 5.2.2 面向杂波分类的卷积神经网络构建 | 第62-65页 |
| 5.3 仿真结果 | 第65-68页 |
| 5.3.1 训练数据样本选择 | 第65页 |
| 5.3.2 测试结果 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 实测数据验证分析 | 第69-82页 |
| 6.1 引言 | 第69页 |
| 6.2 RD谱中各类杂波的先验信息 | 第69页 |
| 6.3 基于先验知识的杂波自动标记算法 | 第69-72页 |
| 6.4 GUI进一步提升标记性能 | 第72-74页 |
| 6.5 实测数据仿真分析 | 第74-80页 |
| 6.6 本章小结 | 第80-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第91-93页 |
| 致谢 | 第93页 |
