| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究高分辨雷达目标识别的目的和意义 | 第11页 |
| 1.2 高分辨雷达目标识别的基本概念 | 第11-12页 |
| 1.3 高分辨雷达目标识别的研究现状 | 第12-14页 |
| 1.4 论文的结构 | 第14-16页 |
| 第2章 雷达目标一维距离像成像原理及其特性 | 第16-23页 |
| 2.1 目标散射中心模型介绍 | 第16-17页 |
| 2.2 一维距离像的形成 | 第17-18页 |
| 2.3 一维距离像的特性 | 第18-21页 |
| 2.3.1 一维距离像平移敏感性 | 第19页 |
| 2.3.2 一维距离像方位敏感性 | 第19-21页 |
| 2.3.3 一维距离像幅度敏感性 | 第21页 |
| 2.4 本文实验数据说明 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 一维距离像的多特征提取 | 第23-36页 |
| 3.1 一维距离像数据的预处理 | 第23-25页 |
| 3.1.1 幅度归一化 | 第23-24页 |
| 3.1.2 小波去噪 | 第24-25页 |
| 3.2 一维距离像平移不变特征的提取 | 第25-35页 |
| 3.2.1 功率谱特征提取 | 第26-29页 |
| 3.2.2 中心距特征提取 | 第29-32页 |
| 3.2.3 幅度谱差分特征提取 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于粗糙集改进的主成分分析特征融合方法 | 第36-56页 |
| 4.1 主成分分析和粗糙集理论概述 | 第36-38页 |
| 4.1.1 主成分分析概述 | 第36-37页 |
| 4.1.2 粗糙集理论概述 | 第37-38页 |
| 4.2 主成分分析的原理及实验仿真 | 第38-43页 |
| 4.2.1 主成分分析的基本原理 | 第38页 |
| 4.2.2 主成分分析的基本定义和性质 | 第38-39页 |
| 4.2.3 基于主成分分析的特征融合实现 | 第39-40页 |
| 4.2.4 实验结果及分析 | 第40-43页 |
| 4.3 粗糙集理论及知识约简 | 第43-55页 |
| 4.3.1 粗糙集理论基础 | 第43-45页 |
| 4.3.2 信息系统 | 第45-46页 |
| 4.3.3 知识约简 | 第46-50页 |
| 4.3.4 实验结果及分析 | 第50-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于SVM分类器的雷达目标识别 | 第56-74页 |
| 5.1 支持向量机概论 | 第56-64页 |
| 5.1.1 统计学习理论 | 第56-60页 |
| 5.1.2 支持向量机基本原理及数学模型 | 第60-64页 |
| 5.2 基于C-SVM算法及其变形算法的一维距离像识别 | 第64-66页 |
| 5.2.1 C-SVM算法及其变形算法 | 第64-65页 |
| 5.2.2 基于C-SVM算法的实验仿真 | 第65-66页 |
| 5.3 基于ONE-CLASS SVM算法的一维距离像识别 | 第66-68页 |
| 5.3.1 one-class SVM算法 | 第66页 |
| 5.3.2 基于one-class SVM算法的实验仿真 | 第66-68页 |
| 5.4 基于GSMO改进的SVM算法对一维距离像识别方法研究 | 第68-73页 |
| 5.4.1 Generalized SMO训练优化算法 | 第68-69页 |
| 5.4.2 基于GSMO的SVM改进算法 | 第69-72页 |
| 5.4.3 基于GSMO改进的SVM算法识别一维距离像的实验仿真 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
