| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 雷达目标识别的现状 | 第15-18页 |
| 1.2.2 稀疏表示和字典学习在目标识别中的应用 | 第18-19页 |
| 1.3 本文的工作和内容安排 | 第19-21页 |
| 第二章 稀疏表示、字典学习理论及雷达目标的稀疏性分析 | 第21-39页 |
| 2.1 引言 | 第21页 |
| 2.2 稀疏表示理论 | 第21-25页 |
| 2.2.1 稀疏模型的建立 | 第21-23页 |
| 2.2.2 稀疏表示求解方法 | 第23-24页 |
| 2.2.3 稀疏表示的应用 | 第24-25页 |
| 2.3 字典学习理论 | 第25-28页 |
| 2.3.1 字典学习的原理 | 第25-26页 |
| 2.3.2 经典的字典学习方法 | 第26-28页 |
| 2.4 雷达目标的稀疏性分析 | 第28-37页 |
| 2.4.1 数据说明 | 第29-34页 |
| 2.4.2 一维高分辨率雷达目标的稀疏性分析 | 第34-36页 |
| 2.4.3 合成孔径雷达目标的稀疏性分析 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于最小均方协同字典学习的雷达目标识别 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 协同表示理论 | 第39-41页 |
| 3.2.1 协同表示算法 | 第39-40页 |
| 3.2.2 最小均方协同分类 | 第40-41页 |
| 3.3 最小均方协同字典学习算法 | 第41-42页 |
| 3.4 基于最小均方协同字典学习的雷达目标识别方法 | 第42-43页 |
| 3.5 仿真实验与分析 | 第43-48页 |
| 3.5.1 最小均方协同字典学习算法的性能分析 | 第43-44页 |
| 3.5.2 基于最小均方协同字典学习的雷达HRRP目标识别 | 第44-46页 |
| 3.5.3 基于最小均方协同字典学习的SAR目标识别 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于动态核字典学习的雷达目标识别 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 核函数理论 | 第49-52页 |
| 4.2.1 核学习方法 | 第50-51页 |
| 4.2.2 核函数的构建 | 第51-52页 |
| 4.3 动态核字典学习算法 | 第52-54页 |
| 4.3.1 稀疏编码的动态特性 | 第52-53页 |
| 4.3.2 核字典的动态学习 | 第53-54页 |
| 4.4 基于动态核字典学习的雷达目标识别方法 | 第54页 |
| 4.5 仿真实验与分析 | 第54-60页 |
| 4.5.1 动态核字典学习算法的性能分析 | 第54-56页 |
| 4.5.2 基于动态核字典学习的雷达HRRP目标识别 | 第56-58页 |
| 4.5.3 基于动态核字典学习的SAR目标识别 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 基于卷积稀疏编码与多分类器融合的雷达目标识别 | 第61-77页 |
| 5.1 引言 | 第61页 |
| 5.2 机器学习分类理论 | 第61-65页 |
| 5.2.1 随机森林算法 | 第62-64页 |
| 5.2.2 朴素贝叶斯算法 | 第64-65页 |
| 5.3 卷积稀疏编码与多分类器融合算法 | 第65-69页 |
| 5.3.1 卷积稀疏编码 | 第65-67页 |
| 5.3.2 多分类器融合 | 第67-69页 |
| 5.4 基于卷积稀疏编码与多分类器融合的雷达目标识别方法 | 第69-70页 |
| 5.5 仿真实验与分析 | 第70-76页 |
| 5.5.1 基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别 | 第70-74页 |
| 5.5.2 基于卷积稀疏编码与多分类器融合的SAR目标识别 | 第74-76页 |
| 5.6 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-86页 |
| 致谢 | 第86-87页 |
| 在学期间的研究成果及发表的学术论文 | 第87页 |
