| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 雷达目标识别技术研究现状 | 第15-17页 |
| 1.2.2 稀疏学习理论在目标识别领域的研究现状 | 第17-18页 |
| 1.3 本文的工作及内容安排 | 第18-20页 |
| 第二章 稀疏学习理论 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 稀疏学习理论简介 | 第20-25页 |
| 2.2.1 稀疏建模 | 第20-23页 |
| 2.2.2 稀疏求解 | 第23-24页 |
| 2.2.3 稀疏应用 | 第24-25页 |
| 2.3 稀疏特性分析 | 第25-33页 |
| 2.3.1 数据说明 | 第26-30页 |
| 2.3.2 HRRP稀疏性分析 | 第30-32页 |
| 2.3.3 SAR图像稀疏性分析 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于贝叶斯模型的Shearlet域SAR图像去噪 | 第34-47页 |
| 3.1 引言 | 第34页 |
| 3.2 多尺度分析方法 | 第34-39页 |
| 3.2.1 基本原理 | 第35-38页 |
| 3.2.2 多尺度变换域下的SAR图像特性分析 | 第38-39页 |
| 3.3 贝叶斯模型 | 第39-41页 |
| 3.3.1 最小代价贝叶斯模型 | 第39-40页 |
| 3.3.2 最小错误概率贝叶斯模型 | 第40-41页 |
| 3.4 基于贝叶斯模型的Shearlet域SAR图像去噪 | 第41-44页 |
| 3.4.1 最小错误概率贝叶斯模型的阈值选择 | 第42-43页 |
| 3.4.2 噪声的加权收缩 | 第43-44页 |
| 3.5 仿真实验与分析 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于动态稀疏字典学习的雷达目标识别 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 字典学习理论简介 | 第47-49页 |
| 4.2.1 基本原理 | 第47-48页 |
| 4.2.2 典型字典学习方法简介 | 第48-49页 |
| 4.3 基于动态稀疏K-SVD算法的字典学习 | 第49-53页 |
| 4.3.1 动态稀疏编码 | 第50-52页 |
| 4.3.2 并行原子更新 | 第52-53页 |
| 4.4 基于DSK-SVD字典学习的雷达目标识别 | 第53-54页 |
| 4.5 仿真实验与分析 | 第54-59页 |
| 4.5.1 DSK-SVD算法的性能分析 | 第54-56页 |
| 4.5.2 基于DSK-SVD字典学习的HRRP目标识别 | 第56-58页 |
| 4.5.3 基于DSK-SVD字典学习的SAR图像目标识别 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 基于D-S证据迭代折扣方法的雷达目标融合识别 | 第61-73页 |
| 5.1 引言 | 第61页 |
| 5.2 基于D-S证据理论的多特征融合理论 | 第61-63页 |
| 5.2.1 D-S证据组合规则 | 第62页 |
| 5.2.2 D-S证据决策准则 | 第62-63页 |
| 5.3 D-S证据迭代折扣方法 | 第63-65页 |
| 5.3.1 D-S证据折扣方法 | 第63-64页 |
| 5.3.2 一种新的D-S证据迭代折扣方法 | 第64-65页 |
| 5.4 基于D-S证据迭代折扣方法的目标识别 | 第65-66页 |
| 5.5 仿真实验与分析 | 第66-72页 |
| 5.5.1 基于HRRP目标的融合识别 | 第66-70页 |
| 5.5.2 基于SAR图像目标的融合识别 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-82页 |
| 在学期间的研究成果及发表的学术论文 | 第82页 |
