| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文的主要研究内容 | 第11-13页 |
| 第2章 认知雷达理论及波形模型概述 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 认知雷达组成结构 | 第13-17页 |
| 2.2.1 感知器设计分析 | 第14-15页 |
| 2.2.2 执行器设计分析 | 第15-17页 |
| 2.3 波形选择 | 第17-24页 |
| 2.3.1 发射波形模型 | 第17-18页 |
| 2.3.2 波形对SNR的影响 | 第18-19页 |
| 2.3.3 波形参数对量测的影响 | 第19-21页 |
| 2.3.4 目标扩展对量测和信噪比的影响 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于准则函数的最优波形选择 | 第25-42页 |
| 3.1 引言 | 第25页 |
| 3.2 数学建模 | 第25-29页 |
| 3.2.1 目标状态空间 | 第25页 |
| 3.2.2 卡尔曼滤波算法 | 第25-27页 |
| 3.2.3 波形库的设计 | 第27-28页 |
| 3.2.4 准则函数 | 第28-29页 |
| 3.3 仿真实验及结果分析 | 第29-40页 |
| 3.3.1 仿真背景 | 第29-32页 |
| 3.3.2 认知闭环雷达跟踪性能分析 | 第32-34页 |
| 3.3.3 认知闭环雷达的抗干扰性能分析 | 第34-37页 |
| 3.3.4 基于先验知识的跟踪性能分析 | 第37-39页 |
| 3.3.5 目标姿态变化下的跟踪性能分析 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于监督学习的最优波形选择 | 第42-55页 |
| 4.1 引言 | 第42页 |
| 4.2 神经网络 | 第42-46页 |
| 4.2.1 神经网络的学习方式 | 第42-43页 |
| 4.2.2 神经网络基本原理 | 第43-44页 |
| 4.2.3 反向传播(BP)算法 | 第44-46页 |
| 4.3 利用神经网络进行跟踪仿真 | 第46-54页 |
| 4.3.1 神经网络训练过程 | 第46-47页 |
| 4.3.2 利用神经网络进行跟踪的仿真分析 | 第47-49页 |
| 4.3.3 神经网络的抗干扰性能 | 第49-52页 |
| 4.3.4 目标姿态变化下的神经网络跟踪性能分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于强化学习的最优波形选择 | 第55-79页 |
| 5.1 引言 | 第55页 |
| 5.2 强化学习基本原理 | 第55-58页 |
| 5.2.1 马尔科夫决策过程 | 第56-57页 |
| 5.2.2 Bellman最优策略 | 第57-58页 |
| 5.3 基于Q学习的波形选择算法 | 第58-66页 |
| 5.3.1 基本原理 | 第58-60页 |
| 5.3.2 Q表的建立及算法描述 | 第60-63页 |
| 5.3.3 仿真结果与分析 | 第63-66页 |
| 5.4 基于一种状态无关的认知强化学习算法的波形捷变 | 第66-78页 |
| 5.4.1 基本原理 | 第66-69页 |
| 5.4.2 算法描述 | 第69-70页 |
| 5.4.3 仿真结果与分析 | 第70-78页 |
| 5.5 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86页 |