| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-36页 |
| §1.1 雷达自动目标识别的基本概念和研究意义 | 第14-18页 |
| ·自动目标识别的基本概念和原理 | 第14-16页 |
| ·雷达自动目标识别的基本概念和分类 | 第16-18页 |
| ·雷达自动目标识别的研究意义 | 第18页 |
| §1.2 雷达自动目标识别的历史与现状 | 第18-22页 |
| ·雷达自动目标识别的发展历史 | 第18-19页 |
| ·雷达自动目标识别的研究背景 | 第19-21页 |
| ·雷达自动目标识别的国内外研究现状 | 第21-22页 |
| §1.3 雷达高分辨距离像目标识别研究的关键问题 | 第22-27页 |
| ·HRRP的方位敏感性问题 | 第22-23页 |
| ·HRRP的平移敏感性问题 | 第23-24页 |
| ·HRRP的特征提取和特征选择问题 | 第24-25页 |
| ·HRRP的统计建模问题 | 第25-26页 |
| ·复数HRRP的初相敏感性问题 | 第26页 |
| ·多类目标识别问题 | 第26-27页 |
| §1.4 论文的内容和安排 | 第27-32页 |
| ·数据介绍 | 第27-29页 |
| ·内容安排 | 第29-32页 |
| 本章参考文献 | 第32-36页 |
| 第二章 雷达高分辨距离像目标识别的基本原理 | 第36-60页 |
| §2.1 雷达HRRP回波特性分析 | 第36-48页 |
| ·方位敏感性 | 第37-43页 |
| ·平移敏感性 | 第43-47页 |
| ·强度敏感性 | 第47-48页 |
| §2.2 提高距离像的方位稳定性——散射点强度分布像 | 第48-51页 |
| ·散射点强度分布像的方位稳定性及特性分析 | 第48-50页 |
| ·散射点强度分布像与平均向量的比较 | 第50-51页 |
| §2.3 模板匹配法 | 第51-54页 |
| §2.4 利用目标方位信息改善识别性能 | 第54-58页 |
| ·方位约束对可分性的影响 | 第54-58页 |
| ·方位约束对识别性能的影响 | 第58页 |
| §2.5 本章小结 | 第58页 |
| 本章参考文献 | 第58-60页 |
| 第三章 基于高阶谱特征的雷达高分辨距离像目标识别方法 | 第60-74页 |
| §3.1 高阶谱特征空间与原始像域的关系 | 第60-63页 |
| ·高阶谱的定义及性质 | 第60-61页 |
| ·高阶谱特征空间欧氏距离 | 第61-63页 |
| §3.2 特征模型选择问题 | 第63-65页 |
| §3.3 高分辨距离像的高阶谱特征评价 | 第65-72页 |
| ·高分辨距离像高阶谱特征的可分性评价 | 第65-68页 |
| ·高分辨距离像高阶谱特征的识别性能 | 第68-72页 |
| §3.4 本章小结 | 第72-73页 |
| 本章参考文献 | 第73-74页 |
| 第四章 高分辨距离像的特征提取和特征选择 | 第74-86页 |
| §4.1 一种利用目标高分辨距离像幅度起伏特性的特征提取方法 | 第74-80页 |
| ·基于散射点模型的雷达HRRP特性分析及特征提取 | 第74-76页 |
| ·基于加权距离像特征的雷达自动目标识别 | 第76-78页 |
| ·实验结果 | 第78-79页 |
| ·结论 | 第79-80页 |
| §4.2 一种用于雷达HRRP功率谱特征的加权特征选择方法 | 第80-85页 |
| ·现有的基于Fisher可分性判据的特征选择方法 | 第80-81页 |
| ·一种基于Fisher判决率的加权特征选择方法 | 第81-83页 |
| ·实验结果 | 第83-84页 |
| ·结论 | 第84-85页 |
| §4.3 本章小结 | 第85页 |
| 本章参考文献 | 第85-86页 |
| 第五章 高分辨距离像的统计建模 | 第86-140页 |
| §5.1 统计识别中高分辨距离像的方位、平移和强度敏感性问题 | 第87-88页 |
| §5.2 "GAMMA-GAUSSIAN MIXTURE"独立双分布复合模型 | 第88-103页 |
| ·高分辨距离像的独立统计建模 | 第89-92页 |
| ·参数估计 | 第92-97页 |
| ·基于"Gamma-Gaussian Mixture"独立双分布复合模型的雷达HRRP统计识别的基本步骤 | 第97-99页 |
| ·实验结果 | 第99-102页 |
| ·结论 | 第102-103页 |
| §5.3 高分辨距离像样本的统计相关特性 | 第103-104页 |
| §5.4 基于超球面模型的雷达HRRP统计识别方法 | 第104-116页 |
| ·幂次变换和Box-Cox变换 | 第104-105页 |
| ·传统的基于主分量分析(PCA)的子空间近似模型 | 第105-107页 |
| ·新的基于超球面模型的统计识别方法 | 第107-114页 |
| ·三种统计识别方法用于基于幂次变换HRRP样本的统计识别的基本步骤 | 第114-115页 |
| ·实验结果 | 第115-116页 |
| ·结论 | 第116页 |
| §5.5 雷达HRRP样本各距离单元回波的联合统计建模 | 第116-137页 |
| ·Joint-Gaussian模型 | 第116-121页 |
| ·三种Joint-Gaussian模型用于雷达HRRP统计识别的基本步骤 | 第121-122页 |
| ·三种Joint-Gaussian模型的实验分析 | 第122-130页 |
| ·雷达HRRP统计识别中FA模型的模型选择问题 | 第130-136页 |
| ·结论 | 第136-137页 |
| §5.6 本章小结 | 第137页 |
| 本章参考文献 | 第137-140页 |
| 第六章 基于复数HRRP的雷达自动目标识别 | 第140-158页 |
| §6.1 复数HRRP样本的特性分析 | 第140-142页 |
| §6.2 基于PCA子空间的最小重构误差法 | 第142-149页 |
| ·复数HRRP样本的PCA子空间 | 第143-146页 |
| ·最小重构误差法 | 第146-148页 |
| ·实验结果 | 第148-149页 |
| ·结论 | 第149页 |
| §6.3 一种用于复数HRRP样本的初相无关特征提取方法 | 第149-156页 |
| ·方法的提出 | 第149-153页 |
| ·应用中的两个问题 | 第153-155页 |
| ·实验结果 | 第155-156页 |
| ·结论 | 第156页 |
| §6.4 本章小结 | 第156-157页 |
| 本章参考文献 | 第157-158页 |
| 第七章 基于超立方体和超网格自组织映射编码的多类目标识别方法 | 第158-182页 |
| §7.1 基于超立方体和超网格结构的SOM方法简介 | 第159-161页 |
| ·自组织映射(SOM)方法 | 第159-160页 |
| ·超立方体和超网格结构的目标空间 | 第160-161页 |
| §7.2 理想情况下基于超立方体和超网格SOM编码的多类目标识别方法 | 第161-167页 |
| ·理想情况下基于超立方体SOM编码的多类目标识别的训练方法 | 第162-163页 |
| ·理想情况下基于超网格SOM编码的多类目标识别的训练方法 | 第163-166页 |
| ·测试方法 | 第166-167页 |
| §7.3 实际情况下基于超立方体和超网格SOM编码的多类目标识别方法 | 第167-175页 |
| ·实际中的一些问题 | 第167-168页 |
| ·调整SOM算法 | 第168-169页 |
| ·基于SOM编码的识别实验举例 | 第169-175页 |
| §7.4 基于超立方体SOM编码的多类目标识别方法的具体步骤 | 第175-177页 |
| ·训练阶段 | 第175-176页 |
| ·测试阶段 | 第176-177页 |
| §7.5 基于实测HRRP数据的实验结果 | 第177-179页 |
| §7.6 本章小结 | 第179页 |
| 本章参考文献 | 第179-182页 |
| 第八章 结束语 | 第182-186页 |
| §8.1 全文内容总结 | 第182-183页 |
| §8.2 工作展望 | 第183-186页 |
| 致谢 | 第186-188页 |
| 作者在读期间的研究成果 | 第188-191页 |
