| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 认知雷达资源管理研究背景及意义 | 第14-15页 |
| 1.1.2 基于GPU的雷达信号处理研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状分析 | 第16-17页 |
| 1.2.1 认知雷达资源管理研究现状 | 第16-17页 |
| 1.2.2 基于GPU的雷达信号处理研究现状 | 第17页 |
| 1.3 本文的主要工作及工作安排 | 第17-20页 |
| 第二章 面向多目标跟踪的认知雷达资源管理 | 第20-32页 |
| 2.1 引言 | 第20-21页 |
| 2.2 基于装箱算法的雷达资源管理方法 | 第21-27页 |
| 2.2.1 雷达资源管理模型 | 第21-24页 |
| 2.2.2 装箱问题概述 | 第24-25页 |
| 2.2.3 基于改进的装箱算法的雷达资源管理方法 | 第25-27页 |
| 2.3 仿真实验 | 第27-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 GPU并行计算 | 第32-42页 |
| 3.1 GPU的优势 | 第32-34页 |
| 3.2 CUDA架构简述 | 第34-40页 |
| 3.2.1 CUDA编程模型 | 第35-38页 |
| 3.2.2 CUDA存储器模型 | 第38-40页 |
| 3.3 GPU和MATLAB混合编程 | 第40-41页 |
| 3.3.1 CUDA C与MATLAB的差异 | 第40页 |
| 3.3.2 GPU与MATLAB混合编程的实现 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于GPU平台的雷达信号处理方法 | 第42-64页 |
| 4.1 基于GPU平台的脉冲压缩并行实现方法 | 第42-47页 |
| 4.1.1 脉冲压缩算法原理 | 第42-43页 |
| 4.1.2 脉冲压缩算法的并行实现 | 第43-44页 |
| 4.1.3 脉冲压缩算法并行结果及分析 | 第44-47页 |
| 4.2 基于GPU平台的MTI和MTD并行实现方法 | 第47-52页 |
| 4.2.1 MTI算法原理 | 第47-49页 |
| 4.2.2 MTD算法原理 | 第49页 |
| 4.2.3 MTI和MTD算法的并行实现 | 第49-50页 |
| 4.2.4 MTI和MTD算法并行结果及分析 | 第50-52页 |
| 4.3 基于GPU平台的恒虚警率检测并行实现方法 | 第52-55页 |
| 4.3.1 恒虚警率检测算法原理 | 第52-54页 |
| 4.3.2 单元平均恒虚警率检测算法的并行实现 | 第54-55页 |
| 4.3.3 单元平均恒虚警率算法并行结果及分析 | 第55页 |
| 4.4 基于GPU平台的粒子滤波跟踪并行实现方法 | 第55-62页 |
| 4.4.1 粒子滤波算法原理 | 第56-59页 |
| 4.4.2 粒子滤波算法的并行实现 | 第59-60页 |
| 4.4.3 粒子滤波算法并行结果及分析 | 第60-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64-65页 |
| 5.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |