基于地基雷达仿真系统的目标识别技术研究
| 摘 要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-17页 |
| ·研究背景 | 第12-13页 |
| ·GBR 仿真系统 | 第13-15页 |
| ·系统仿真的意义 | 第15页 |
| ·主要研究工作 | 第15-16页 |
| ·论文的思路和内容安排 | 第16-17页 |
| 第二章 雷达目标识别概述 | 第17-23页 |
| ·雷达目标识别的发展历史及现状 | 第17-18页 |
| ·雷达目标识别模型 | 第18-19页 |
| ·主要分类识别方法 | 第19-20页 |
| ·常用于识别的目标雷达特征 | 第20-23页 |
| 第三章 分类器设计 | 第23-38页 |
| ·近邻分类器 | 第23-27页 |
| ·近邻分类器原理 | 第23-26页 |
| ·拒识 | 第26-27页 |
| ·近邻法的改进算法 | 第27页 |
| ·神经网络分类器 | 第27-34页 |
| ·人工神经元模型 | 第27-28页 |
| ·多层感知器神经网络及其学习算法 | 第28-31页 |
| ·感知器神经网络的结构 | 第28-29页 |
| ·反向传播算法 | 第29-30页 |
| ·感知器神经网络的一些讨论 | 第30-31页 |
| ·RBFN 神经网络 | 第31-33页 |
| ·RBFN 网络的结构 | 第31-32页 |
| ·RBFN 的学习算法 | 第32-33页 |
| ·神经网络分类器中的拒识 | 第33-34页 |
| ·试验结果与分析 | 第34-37页 |
| ·经典非线性可分问题 | 第34-36页 |
| ·随机数的识别问题 | 第36-37页 |
| ·结论分析 | 第37页 |
| ·小节 | 第37-38页 |
| 第四章 目标轨道拟合与落点估计研究 | 第38-50页 |
| ·空间目标的弹道特征 | 第38-41页 |
| ·运动方程 | 第38-39页 |
| ·轨道平面参数 | 第39-40页 |
| ·轨道平面内的轨道方程 | 第40-41页 |
| ·弹道拟合算法 | 第41-44页 |
| ·弹道平面的拟合 | 第41页 |
| ·轨道方程的拟合 | 第41-44页 |
| ·三维数据到弹道平面数据的转换 | 第41-43页 |
| ·弹道方程的拟合 | 第43-44页 |
| ·落点估计 | 第44-47页 |
| ·导弹的初步识别 | 第44页 |
| ·落点估计算法 | 第44-47页 |
| ·算法仿真结果与分析 | 第47-49页 |
| ·仿真结果 | 第47-48页 |
| ·结果分析 | 第48-49页 |
| ·小节 | 第49-50页 |
| 第五章 宽带识别研究 | 第50-66页 |
| ·一维距离像的识别 | 第50-56页 |
| ·一维距离像的特性分析 | 第50-51页 |
| ·一维距离像旋转不变特征的提取 | 第51-52页 |
| ·一维距离像平移不变特征的提取 | 第52-53页 |
| ·一维距离像识别的实现 | 第53-55页 |
| ·预处理 | 第53-54页 |
| ·样本的建立 | 第54页 |
| ·一维距离像识别流程 | 第54-55页 |
| ·仿真结果及分析 | 第55-56页 |
| ·ISAR 像的识别 | 第56-65页 |
| ·ISAR 像的特征分析 | 第56-57页 |
| ·预处理 | 第57-61页 |
| ·平滑 | 第57-58页 |
| ·自适应阀值分割 | 第58-60页 |
| ·边缘提取 | 第60-61页 |
| ·ISAR 像特征提取 | 第61-63页 |
| ·仿真结果与分析 | 第63-65页 |
| ·小节 | 第65-66页 |
| 第六章 层次化融合识别方法 | 第66-82页 |
| ·层次化融合识别方法概述 | 第66-67页 |
| ·层次化融合识别方法原理 | 第67-79页 |
| ·基本原理 | 第67页 |
| ·多目标管理 | 第67-69页 |
| ·目标威胁等级评估 | 第69-73页 |
| ·目标威胁等级评估方法 | 第70-71页 |
| ·落点估计威胁等级的划分 | 第71-73页 |
| ·融合处理 | 第73-79页 |
| ·数据融合概述 | 第73-74页 |
| ·D-S 证据理论 | 第74-75页 |
| ·实现上的一些问题 | 第75-79页 |
| ·仿真结果与分析 | 第79-81页 |
| ·多目标管理分析 | 第79页 |
| ·威胁等级评估仿真结果与分析 | 第79-80页 |
| ·融合算法的仿真结果与分析 | 第80-81页 |
| ·小节 | 第81-82页 |
| 第七章 RCS 识别的前期研究 | 第82-91页 |
| ·RCS 序列周期的提取 | 第82-83页 |
| ·进动特征的提取 | 第83-86页 |
| ·锥体目标的进动数学模型 | 第83-84页 |
| ·进动参数的提取方法 | 第84-86页 |
| ·RCS 序列的识别方法 | 第86-88页 |
| ·仿真结果 | 第88-90页 |
| ·周期提取的仿真结果 | 第88-89页 |
| ·进动识别仿真结果 | 第89-90页 |
| ·小节 | 第90-91页 |
| 第八章 结论和展望 | 第91-93页 |
| ·结论 | 第91-92页 |
| ·文章的局限性 | 第92页 |
| ·展望 | 第92-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-96页 |
| 附录 | 第96-101页 |
| 附录A 感知器神经网络的BP 算法 | 第96-97页 |
| 附录B RBFN 权值学习的RLS 算法 | 第97-98页 |
| 附录C 线性拟合的QRD-LS 算法 | 第98-99页 |
| 附录D 类可分性测量 | 第99-101页 |
| 研究生期间取得的研究成果 | 第101页 |
