| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文的结构安排 | 第14-15页 |
| 第二章 有源压制干扰特性分析及特征提取 | 第15-31页 |
| 2.1 压制干扰分类 | 第15-16页 |
| 2.2 有源压制干扰特性分析 | 第16-24页 |
| 2.3 干扰特征提取及分析 | 第24-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 有源压制干扰检测方法研究 | 第31-50页 |
| 3.1 现有干扰检测方法分析 | 第31页 |
| 3.2 基于能量检测的压制干扰检测方法 | 第31-35页 |
| 3.2.1 算法原理 | 第31-33页 |
| 3.2.2 算法仿真 | 第33-34页 |
| 3.2.3 算法小结 | 第34-35页 |
| 3.3 基于脉压后峰均值功率比的压制干扰检测方法 | 第35-37页 |
| 3.3.1 算法原理 | 第35-36页 |
| 3.3.2 算法仿真 | 第36-37页 |
| 3.3.3 算法小结 | 第37页 |
| 3.4 基于局部熵的压制干扰检测方法 | 第37-42页 |
| 3.4.1 算法原理 | 第37-40页 |
| 3.4.2 算法仿真 | 第40-41页 |
| 3.4.3 算法小结 | 第41-42页 |
| 3.5 基于极化特性的压制干扰检测方法 | 第42-46页 |
| 3.5.1 算法原理 | 第42-44页 |
| 3.5.2 算法仿真 | 第44-45页 |
| 3.5.3 算法小结 | 第45-46页 |
| 3.6 基于RBF神经网络的干扰检测方法自适应选择方法 | 第46-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第四章 有源压制干扰自适应识别方法研究 | 第50-71页 |
| 4.1 现有干扰识别方法分析 | 第50页 |
| 4.2 基于信道化处理的压制干扰识别方法 | 第50-63页 |
| 4.2.1 经信道化后干扰信号建模 | 第50-60页 |
| 4.2.2 干扰识别流程及仿真 | 第60-62页 |
| 4.2.3 算法小结 | 第62-63页 |
| 4.3 基于统计判决树的压制干扰识别方法 | 第63-66页 |
| 4.3.1 基于统计判决树的干扰识别流程 | 第63-64页 |
| 4.3.2 算法仿真 | 第64-65页 |
| 4.3.3 算法小结 | 第65-66页 |
| 4.4 基于BP神经网络的压制干扰识别方法 | 第66-70页 |
| 4.4.1 BP神经网络概述 | 第66-67页 |
| 4.4.2 基于BP神经网络的有源压制干扰识别流程及仿真 | 第67-69页 |
| 4.4.3 算法小结 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻硕期间取得的研究成果 | 第77页 |