| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状及进展 | 第12-19页 |
| 1.2.1 电磁散射理论 | 第12-14页 |
| 1.2.2 电磁逆散射理论与方法 | 第14-15页 |
| 1.2.3 超分辨处理方法 | 第15-16页 |
| 1.2.4 稀疏表示方法 | 第16-18页 |
| 1.2.5 全局优化方法 | 第18-19页 |
| 1.3 本文内容及章节安排 | 第19-22页 |
| 1.3.1 研究内容 | 第19页 |
| 1.3.2 研究体系 | 第19-20页 |
| 1.3.3 章节安排 | 第20-22页 |
| 第2章 基础知识 | 第22-39页 |
| 2.1 电磁散射模型 | 第22-25页 |
| 2.1.1 远场雷达系统模型与理想点散射模型 | 第22-24页 |
| 2.1.2 属性散射中心模型和属性散射模型 | 第24-25页 |
| 2.2 宽带Fourier图像重建方法 | 第25-26页 |
| 2.3 基于协方差矩阵滤波的超分辨图像重建方法 | 第26-31页 |
| 2.3.1 Capon谱估计算法 | 第27-28页 |
| 2.3.2 幅度和相位联合谱估计算法 | 第28-29页 |
| 2.3.3 迭代自适应谱估计算法 | 第29-31页 |
| 2.4 基于p范数稀疏表示的图像重建方法 | 第31-35页 |
| 2.4.1 算法模型 | 第31-32页 |
| 2.4.2 代价函数 | 第32页 |
| 2.4.3 参数优化 | 第32-34页 |
| 2.4.4 参数选择 | 第34-35页 |
| 2.5 基于代理模型的优化算法 | 第35-38页 |
| 2.5.1 问题模型 | 第35-36页 |
| 2.5.2 代理模型函数类型 | 第36-37页 |
| 2.5.3 代理模型优化基本框架 | 第37-38页 |
| 2.6 小结 | 第38-39页 |
| 第3章 基于理想点散射模型和预设字典矩阵的逆散射算法 | 第39-60页 |
| 3.1 基于字典更新的l_p范数的稀疏逆散射算法 | 第39-41页 |
| 3.1.1 算法模型 | 第39-40页 |
| 3.1.2 参数优化 | 第40页 |
| 3.1.3 字典更新 | 第40-41页 |
| 3.1.4 实验分析 | 第41页 |
| 3.2 基于外推滤波策略的子带分解的计算效率提升方法 | 第41-59页 |
| 3.2.1 滤波问题建模 | 第42-43页 |
| 3.2.2 基于信号外推的滤波过程 | 第43-48页 |
| 3.2.3 基于子带分解的谱估计算法 | 第48-51页 |
| 3.2.4 实验分析 | 第51-59页 |
| 3.3 小结 | 第59-60页 |
| 第4章 基于改进属性散射模型和复数域增量稀疏贝叶斯学习的逆散射算法 | 第60-86页 |
| 4.1 标准体GTD散射模型 | 第60-63页 |
| 4.2 改进属性散射模型 | 第63-65页 |
| 4.2.1 改进属性散射模型定义 | 第63-64页 |
| 4.2.2 改进属性散射模型与标准体间的对应关系 | 第64页 |
| 4.2.3 改进属性散射模型的成像表现分析 | 第64-65页 |
| 4.3 基于复数域增量稀疏贝叶斯学习的逆散射算法 | 第65-72页 |
| 4.3.1 问题建模 | 第65-66页 |
| 4.3.2 先验假设 | 第66-67页 |
| 4.3.3 贝叶斯推理 | 第67-68页 |
| 4.3.4 增量优化策略 | 第68-71页 |
| 4.3.5 逆散射算法流程及计算复杂度分析 | 第71-72页 |
| 4.4 实验分析 | 第72-81页 |
| 4.4.1 标准散射体理论特征参数集验证 | 第74-79页 |
| 4.4.2 复杂目标逆散射结构特征提取效果 | 第79-81页 |
| 4.5 小结 | 第81-86页 |
| 第5章 基于多任务增量稀疏贝叶斯学习的极化逆散射算法 | 第86-98页 |
| 5.1 基本型多任务稀疏贝叶斯学习算法 | 第86-88页 |
| 5.1.1 问题模型 | 第86-87页 |
| 5.1.2 先验假设 | 第87-88页 |
| 5.1.3 贝叶斯推理 | 第88页 |
| 5.2 扩展多任务增量稀疏贝叶斯学习算法及极化逆散射算法流程 | 第88-93页 |
| 5.2.1 问题建模 | 第88-90页 |
| 5.2.2 先验假设 | 第90-91页 |
| 5.2.3 贝叶斯推理及增量优化策略 | 第91-93页 |
| 5.2.4 极化逆散射算法流程及计算复杂度分析 | 第93页 |
| 5.3 实验分析 | 第93-96页 |
| 5.3.1 标准散射体理论特征参数估计 | 第94-96页 |
| 5.3.2 实际目标极化逆散射结构特征提取效果 | 第96页 |
| 5.4 小结 | 第96-98页 |
| 第6章 基于矩阵滤波的压缩感知逆散射算法 | 第98-109页 |
| 6.1 压缩采样信号对增量稀疏贝叶斯学习算法的影响 | 第98-100页 |
| 6.2 基于广义IAA算法的压缩感知逆散射算法 | 第100-104页 |
| 6.2.1 算法模型 | 第100-101页 |
| 6.2.2 广义IAA算法的快速实现 | 第101-102页 |
| 6.2.3 实验分析 | 第102-104页 |
| 6.3 基于改进增量稀疏贝叶斯学习的压缩感知逆散射算法 | 第104-108页 |
| 6.3.1 增量稀疏贝叶斯学习过程中的滤波矩阵构造 | 第104-105页 |
| 6.3.2 基于代理模型的局部目标函数优化 | 第105-106页 |
| 6.3.3 实验分析 | 第106-108页 |
| 6.4 小结 | 第108-109页 |
| 第7章 总结与展望 | 第109-111页 |
| 参考文献 | 第111-122页 |
| 致谢 | 第122-124页 |
| 附录A 外推预测滤波剩余误差理论分析 | 第124-126页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第126-127页 |
