| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内外智能停车场车位检测技术研究现状 | 第10-11页 |
| 1.2.2 目前常用的车位检测技术 | 第11-12页 |
| 1.3 论文主要工作和结构安排 | 第12-13页 |
| 1.3.1 本文主要工作 | 第12-13页 |
| 1.3.2 本文结构安排 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 相关理论与技术 | 第14-22页 |
| 2.1 超宽带脉冲信号及超宽带脉冲雷达 | 第14-17页 |
| 2.1.1 超宽带技术的产生背景以及发展 | 第14-15页 |
| 2.1.2 超宽带技术的特点及应用 | 第15-16页 |
| 2.1.3 超宽带脉冲(UWB)雷达 | 第16-17页 |
| 2.2 雷达的多普勒效应和微多普勒效应 | 第17-18页 |
| 2.2.1 多普勒效应和微多普勒效应 | 第17-18页 |
| 2.2.2 基于微多普勒的特征的分类 | 第18页 |
| 2.3 深度学习概述 | 第18-21页 |
| 2.3.1 深度学习 | 第18-19页 |
| 2.3.2 神经网络 | 第19-20页 |
| 2.3.3 常用深度学习框架 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 数据采集和特征提取 | 第22-37页 |
| 3.1 信号采集和处理 | 第22-30页 |
| 3.1.1 数据采集模块概述 | 第22页 |
| 3.1.2 设计并构建数据采集平台 | 第22-27页 |
| 3.1.3 雷达模块信号处理 | 第27-30页 |
| 3.1.4 总结 | 第30页 |
| 3.2 特征提取 | 第30-37页 |
| 3.2.1 特征提取方案选择 | 第30-32页 |
| 3.2.2 特征提取概述 | 第32-33页 |
| 3.2.3 帧缓存,簇移除,加窗 | 第33-35页 |
| 3.2.4 Range-Frequency分析 | 第35-36页 |
| 3.2.5 特征提取总结 | 第36-37页 |
| 第四章 模式分类和基于卷积神经网络的分类 | 第37-58页 |
| 4.1 模式分类概述 | 第37页 |
| 4.2 模式分类方案选取 | 第37-38页 |
| 4.3 卷积神经网络 | 第38-40页 |
| 4.3.1 卷积神经网络的基本原理 | 第38-40页 |
| 4.3.2 卷积神经网络结构 | 第40页 |
| 4.4 基于深度学习网络结构模型的车位感知模式分类 | 第40-52页 |
| 4.4.1 深度学习平台 | 第40-41页 |
| 4.4.2 训练环境准备 | 第41-44页 |
| 4.4.3 训练数据 | 第44-48页 |
| 4.4.4 特征提取 | 第48-51页 |
| 4.4.5 输入数据 | 第51-52页 |
| 4.4.6 网络框架配置 | 第52页 |
| 4.5 结果与分析 | 第52-57页 |
| 4.5.1 神经网络训练 | 第52-53页 |
| 4.5.2 性能测试 | 第53-56页 |
| 4.5.3 性能测试分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 下一步工作展望 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |