| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 论文选题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状的综述 | 第10-14页 |
| 1.2.1 国外研究综述 | 第10-12页 |
| 1.2.2 国内研究综述 | 第12-14页 |
| 1.3 当前雷达目标识别技术及研究瓶颈 | 第14-20页 |
| 1.3.1 雷达目标识别技术概述 | 第14-16页 |
| 1.3.2 雷达目标识别主要技术 | 第16-18页 |
| 1.3.3 雷达目标识别技术研究瓶颈 | 第18-20页 |
| 1.4 论文研究的创新及可能存在的不足 | 第20页 |
| 1.5 本论文研究的方法及内容 | 第20-22页 |
| 1.5.1 研究方法 | 第20-21页 |
| 1.5.2 研究内容 | 第21-22页 |
| 第2章 雷达目标识别的预处理方法 | 第22-29页 |
| 2.1 信号的非平稳性 | 第22-24页 |
| 2.2 短时傅里叶变换 | 第24-25页 |
| 2.3 小波变换 | 第25-26页 |
| 2.4 HRRP的时频分布实验 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 雷达目标信号特征提取 | 第29-39页 |
| 3.1 当前雷达目标识别多集中于低分辨率领域 | 第29-30页 |
| 3.2 基于几何结构特征的HRRP目标信号特征提取 | 第30-32页 |
| 3.3 基于PCA的目标信号特征提取 | 第32-34页 |
| 3.4 基于LDA的目标信号特征提取 | 第34-35页 |
| 3.5 雷达目标识别中信号特征提取分类器设置 | 第35-36页 |
| 3.5.1 最近中心邻分类(NCC) | 第35页 |
| 3.5.2 夹角余弦分类(cosC) | 第35-36页 |
| 3.6 目标信号特征提取实验 | 第36-38页 |
| 3.6.1 基于PCA的实验性能 | 第36-37页 |
| 3.6.2 基于LDA的实验性能 | 第37页 |
| 3.6.3 PCA和LDA与不同分类器结合的实验性能比较 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第4章 雷达目标识别分类算法 | 第39-52页 |
| 4.1 雷达目标识别分类算法概述 | 第39-40页 |
| 4.2 人工神经网络模式算法 | 第40-43页 |
| 4.2.1 基于堆栈自编码器的分类算法 | 第40-42页 |
| 4.2.2 基于一维卷积神经网络的分类算法 | 第42-43页 |
| 4.3 基于几何结构特征的雷达目标识别试验 | 第43-51页 |
| 4.3.1 数据选择 | 第44页 |
| 4.3.2 实验数据预处理及方法介绍 | 第44-45页 |
| 4.3.3 特征分析 | 第45-47页 |
| 4.3.4 基于单特征的识别结果 | 第47-48页 |
| 4.3.5 多特征综合 | 第48-50页 |
| 4.3.6 基于综合特征的识别结果 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 全文总结 | 第52-54页 |
| 5.1 全文结论 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 作者简介 | 第58页 |