| 摘要 | 第5-6页 |
| ABSTRACT | 第6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 雷达自动目标识别的基本概念 | 第14-15页 |
| 1.2 雷达HRR识别概述 | 第15-16页 |
| 1.3 雷达噪声稳健识别问题 | 第16-17页 |
| 1.4 研究内容安排 | 第17-20页 |
| 1.4.1 实验数据介绍 | 第17-18页 |
| 1.4.2 本文内容安排 | 第18-20页 |
| 第二章 基于贝叶斯稀疏分解的高分辨距离像去噪方法 | 第20-52页 |
| 2.1 引言 | 第20页 |
| 2.2 贝叶斯统计的基本知识 | 第20-23页 |
| 2.2.1 贝叶斯公式 | 第20-21页 |
| 2.2.2 先验分布的选择 | 第21-22页 |
| 2.2.3 贝叶斯计算方法 | 第22-23页 |
| 2.3 传统压缩感知算法 | 第23-30页 |
| 2.3.1 压缩感知问题描述 | 第23-25页 |
| 2.3.2 正交匹配追踪算法 | 第25-26页 |
| 2.3.3 传统贝叶斯压缩感知算法 | 第26-29页 |
| 2.3.4 传统贝叶斯压缩感知算法的不足 | 第29-30页 |
| 2.4 稀疏分解方法应用于信号去噪 | 第30-51页 |
| 2.4.1 复HRRP的目标散射点模型 | 第30-32页 |
| 2.4.2 基于正交匹配追踪的去噪算法 | 第32-33页 |
| 2.4.3 基于贝叶斯稀疏分解的去噪算法 | 第33-40页 |
| 2.4.4 快速贝叶斯稀疏分解算法 | 第40-43页 |
| 2.4.5 两种去噪算法的性能比较 | 第43-47页 |
| 2.4.6 两种去噪算法对噪声先验的稳健性 | 第47-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第三章 基于子空间的高分辨距离像噪声稳健识别 | 第52-70页 |
| 3.1 引言 | 第52页 |
| 3.2 主成分分析及最小重构误差法 | 第52-56页 |
| 3.2.1 主成分分析方法 | 第52-54页 |
| 3.2.2 最小重构误差法 | 第54-56页 |
| 3.3 子空间距离定义 | 第56-61页 |
| 3.3.1 PCA子空间 | 第56页 |
| 3.3.2 相同维度子空间的距离 | 第56-59页 |
| 3.3.3 不同维度子空间的距离 | 第59-61页 |
| 3.4 基于子空间的HRRP噪声稳健识别方法 | 第61-66页 |
| 3.4.1 实测雷达HRRP数据的预处理 | 第61-62页 |
| 3.4.2 训练子空间的生成 | 第62-63页 |
| 3.4.3 测试子空间的生成 | 第63-65页 |
| 3.4.4 基于子空间的HRRP识别方法 | 第65页 |
| 3.4.5 基于子空间的HRRP识别方法的噪声稳健性 | 第65-66页 |
| 3.5 基于子空间的HRRP识别方法性能 | 第66-69页 |
| 3.5.1 测试数据为单次距离像的识别性能 | 第66-67页 |
| 3.5.2 测试数据为距离像序列的识别性能 | 第67-68页 |
| 3.5.3 噪声稳健性能 | 第68-69页 |
| 3.6 本章小结 | 第69-70页 |
| 第四章 结束语 | 第70-72页 |
| 4.1 内容总结 | 第70页 |
| 4.2 工作展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 作者简介 | 第78页 |