| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文研究内容和章节安排 | 第15-16页 |
| 第二章 X波段雷达海面成像机理 | 第16-25页 |
| 2.1 雷达基本概念 | 第16-17页 |
| 2.1.1 后向散射 | 第16页 |
| 2.1.2 雷达分辨率 | 第16-17页 |
| 2.1.3 极化的概念 | 第17页 |
| 2.2 X波段海面成像理论 | 第17-21页 |
| 2.2.1 Bragg散射模型 | 第17-18页 |
| 2.2.2 双尺度散射模型 | 第18-20页 |
| 2.2.3 雷达成像的调制机制 | 第20-21页 |
| 2.2.3.1 阴影调制 | 第20页 |
| 2.2.3.2 倾斜调制 | 第20-21页 |
| 2.2.3.3 流体动力学调制 | 第21页 |
| 2.2.3.4 轨道调制 | 第21页 |
| 2.3 神经网络基本概念 | 第21-23页 |
| 2.3.1 人工神经网络 | 第22-23页 |
| 2.3.2 人工神经网络的基本特征 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 X波段雷达海浪信息参数反演算法及神经网络模型 | 第25-47页 |
| 3.1 雷达图像与图像序列 | 第25-27页 |
| 3.2 三维傅里叶变换 | 第27-28页 |
| 3.3 表层流参数反演算法 | 第28-38页 |
| 3.3.1 频散关系 | 第28-30页 |
| 3.3.2 最小二乘反演算法（LSM） | 第30-32页 |
| 3.3.3 迭代最小二乘算法（Iterative LSM） | 第32-35页 |
| 3.3.4 NSP（Normalized Scalar Product）算法 | 第35-38页 |
| 3.4 海浪参数反演技术 | 第38-42页 |
| 3.4.1 调制传递函数 | 第38-39页 |
| 3.4.2 海浪参数反演 | 第39-42页 |
| 3.4.2.1 主波波长和主波波向 | 第40页 |
| 3.4.2.2 平均周期 | 第40-41页 |
| 3.4.2.3 平均波向 | 第41页 |
| 3.4.2.4 有效波高 | 第41-42页 |
| 3.5 关于有效波高反演的神经网络模型 | 第42-46页 |
| 3.5.1 广义回归神经网络的特点 | 第43页 |
| 3.5.2 GRNN的基础理论 | 第43-44页 |
| 3.5.3 GRNN的基本结构 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 海面图像的仿真及反演实验 | 第47-62页 |
| 4.1 随机海面的建模 | 第47-53页 |
| 4.1.1 PM海浪谱 | 第47-48页 |
| 4.1.2 JONSWAP海浪谱 | 第48-49页 |
| 4.1.3 方向谱函数 | 第49-52页 |
| 4.1.4 雷达图像一维频谱的拟合 | 第52-53页 |
| 4.2 X波段雷达海面图像数值仿真 | 第53-57页 |
| 4.2.1 阴影调制的加入 | 第53-54页 |
| 4.2.2 倾斜调制的加入 | 第54-55页 |
| 4.2.3 表层流速的加入 | 第55-57页 |
| 4.3 仿真反演计算及算法结果分析 | 第57-61页 |
| 4.3.1 表层流参数数值模拟反演 | 第57-59页 |
| 4.3.2 海浪参数的数值模拟反演 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 X波段雷达实测数据反演及算法对比 | 第62-73页 |
| 5.1 实测雷达数据的获取 | 第62-65页 |
| 5.1.1 X波段海面雷达设备 | 第62-64页 |
| 5.1.2 数据误差分析方法 | 第64-65页 |
| 5.2 数据处理分析 | 第65-72页 |
| 5.2.1 海浪谱获取 | 第65-66页 |
| 5.2.2 表层流参数反演 | 第66-67页 |
| 5.2.3 有效波高的传统反演 | 第67-69页 |
| 5.2.4 基于神经网络有效波高的反演 | 第69-71页 |
| 5.2.5 平均周期反演 | 第71页 |
| 5.2.6 主波波向反演 | 第71-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
