低角雷达盲信号分离方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 任务背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 低角雷达多径效应研究现状 | 第10-11页 |
| 1.2.2 盲源分离问题的国内外研究现状 | 第11-13页 |
| 1.3 本论文的结构安排 | 第13-15页 |
| 第二章 多径效应原理及盲源分离的理论基础 | 第15-27页 |
| 2.1 多径效应原理及影响 | 第15-19页 |
| 2.2 盲源分离相关数学知识 | 第19-21页 |
| 2.2.1 概率论知识 | 第19页 |
| 2.2.2 统计知识 | 第19-20页 |
| 2.2.3 信息论知识 | 第20-21页 |
| 2.3 系统模型 | 第21-22页 |
| 2.4 盲源分离的特点 | 第22页 |
| 2.4.1 盲源分离的可实现性 | 第22页 |
| 2.4.2 盲源分离的不确定性 | 第22页 |
| 2.5 数据的预处理 | 第22-23页 |
| 2.5.1 中心化 | 第22-23页 |
| 2.5.2 白化 | 第23页 |
| 2.6 盲源分离的性能评价准则 | 第23-25页 |
| 2.6.1 性能指数 | 第24页 |
| 2.6.2 相似系数 | 第24页 |
| 2.6.3 输出信噪比 | 第24页 |
| 2.6.4 输出均方根误差 | 第24-25页 |
| 2.7 本章小结 | 第25-27页 |
| 第三章 基于独立分量分析ICA的盲源分离算法 | 第27-45页 |
| 3.1 ICA中常见的几种典型的目标函数 | 第27-30页 |
| 3.1.1 基于非高斯性 | 第27-28页 |
| 3.1.2 信息最大化 | 第28页 |
| 3.1.3 最小互信息 | 第28-29页 |
| 3.1.4 极大似然估计 | 第29-30页 |
| 3.2 ICA的几种典型的学习算法 | 第30-31页 |
| 3.2.1 随机梯度学习算法 | 第30页 |
| 3.2.2 自然梯度学习算法 | 第30-31页 |
| 3.3 盲源分离的主要算法 | 第31-42页 |
| 3.3.1 基于二阶统计量的盲源分离 | 第31-34页 |
| 3.3.2 基于高阶统计量的盲源分离 | 第34-39页 |
| 3.3.3 固定点FastICA算法 | 第39-40页 |
| 3.3.4 稀疏分量分析方法 | 第40-42页 |
| 3.4 源信号数目估计 | 第42页 |
| 3.5 本章小结 | 第42-45页 |
| 第四章 盲源分离算法的仿真与分析 | 第45-55页 |
| 4.1 仿真内容 | 第45-49页 |
| 4.2 仿真结果分析 | 第49-53页 |
| 4.3 结论 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于盲分离算法的雷达多径误差抑制效果分析 | 第55-63页 |
| 5.1 雷达实测数据来源与分析 | 第55页 |
| 5.2 利用盲分离算法处理实测雷达数据 | 第55-61页 |
| 5.3 结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 6.1 结论 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间发表的学术论文目录 | 第71-72页 |
