一、基于HRR的地面雷达目标识别方法研究（论文文献综述）
晏媛[1]（2021）在《知识缺失条件下雷达目标识别技术探究》文中指出基于雷达监测获得的数据信息,雷达目标识别技术能够获取精确的目标属性,提供环境情报和态势信息,具有重要研究意义。由于雷达场景繁杂、目标数据获取困难,雷达目标识别存在着特征提取过程建模困难、识别规律认知缺乏的知识缺失问题。深度学习虽然能一定程度缓解知识缺失问题,但当前研究依赖于数据,识别效率低,导致建模不准确,识别规律掌握不彻底的知识缺失问题依然存在。知识缺失问题一直阻碍着雷达目标识别技术的实际工程应用发展。因此本文针对该问题展开研究,基于多样化的数据增强方法及元学习模型优化策略,致力于探索知识缺失条件下的雷达高效目标识别算法。本文主要工作如下:1.基于数据增强策略的雷达目标识别技术旨在通过增加模型监督信息,实现模型更准确有效地学习从而提升雷达目标识别率。本文首先基于传统数据增强策略如旋转、加噪等,对雷达数据进行扩充。其次基于深度生成模型如生成对抗网络（Generative Adversarial Nets,GANs）生成雷达目标新样本,实现样本信息丰富度的扩充。接着提出基于图像转换模型的数据增强算法,并以多模态无监督图像转换模型（Multimodal Unsupervised Image-to-Image Translation,MUNIT）作为基础模型。算法通过转换待扩充目标的样本风格生成雷达目标的变体样本,增加雷达目标样本的信息量。最后本文基于实测数据集对不同知识缺失程度下的算法性能进行了充分验证。通过可视化生成数据,定量分析识别率变化探究了数据增强策略的有效性。实验结果表明数据增强策略尤其是基于图像转换模型的数据增强方式能够有效扩充监督信息,提升知识缺失下的雷达目标识别率。2.基于元学习模型优化策略的雷达目标识别技术旨在通过改进模型学习方式及网络结构,实现模型更高效地学习以提升雷达目标识别效率和准确率。本文首先将元学习思想引入度量学习中,通过提取高判别性特征提高雷达目标识别效率。其次将元学习思想与迁移学习结合,探究了模型迁移用于雷达小样本目标识别领域的可行性。接着针对元学习应用于小样本目标识别时面临的实际问题,如未结合雷达数据特性、泛化性能差等,提出原型度量网络,通过改进模型结构和学习方式提升了雷达小样本目标识别准确率。最后结合元学习和迁移学习提出一套小样本目标识别综合解决方案,为雷达小样本目标识别的实际工程化应用提供建议,确保算法性能优势得到最大化发挥。所提算法均基于实测数据集验证了其有效性。
常文胜[2]（2020）在《机载对地监视雷达射频隐身、多视角成像与超高速平台GMTI系统技术》文中指出对地监视飞机可在全天候条件下对地面、海面目标进行远距离、大范围、高分辨率的侦察与监视,获取敌方雷达阵地、炮兵阵地、导弹发射阵地、指挥所、通信枢纽、桥梁、港口、机场等静止目标和海上舰船编队、地面车辆和人员编队等移动目标,是情报、监视与侦察（ISR）系统的重要组成部分。以合成孔径雷达（SAR）成像和地面运动目标指示（GMTI）为主要功能的机载对地监视雷达是对地监视飞机的核心载荷。随着地面防空探测雷达和防空武器性能的提升,在高危险拒止区执行任务的对地监视飞机向隐身化、超高速方向发展,从而对机载对地监视雷达提出了新的需求,如飞机隐身对雷达提出了射频（RF）隐身的需求;超高速对大孔径天线在机上的优化布置及系统架构优化提出了要求;高危险拒止区任务执行要求雷达实现基于SAR图像的目标自动检测,而基于SAR图像的目标自动检测则对大场景多视角图像的高效获取提出了需求。因此,本文重点针对隐身、超高速对地监视飞机对雷达提出的需求,从系统角度对低截获射频隐身,大场景多视角SAR图像高效获取,多输入多输出（MIMO）分布式阵列优化布置、低成本高分辨率空时自适应处理（STAP）系统架构等超高速平台GMTI系统技术进行了研究。具体内容如下:1.从系统角度提出了SAR系统的低截获射频隐身设计方法。基于SAR系统的雷达距离方程和电子对抗设备对雷达辐射信号的截获距离方程,推导出了SAR系统的最大低截获作用距离方程;通过分析SAR系统的最大低截获作用距离方程,提出了低截获射频隐身SAR系统的设计方法;在分析电子对抗设备信号分选过程的基础上,提出了低截获射频隐身SAR系统的工作波形要求;依据低截获射频隐身的波形要求,提出了一种随机变脉冲重复频率（PRF）和脉宽的噪声SAR成像新体制,给出了相应的成像算法,并对其抗干扰能力进行了仿真分析。2.针对传统多视角SAR图像获取方式照射场景小、图像配准难、实现成本高等局限性,提出了一种单次飞行即可获取大场景多视角SAR图像的系统和成像方法。相比聚束或多次飞行等常规多视角图像获取方式,该系统采用多波束,一次飞行就可以获得大场景多视角图像,有效提升了多视角图像的获取效率。提出了基于统一坐标系的改进距离迁移成像算法（RMA）,采用该算法成像后,多视角图像经过固定的时移即可进行配准,相比不同航线飞行获取的多视角图像,降低了配准难度。3.针对超高声速平台下地面慢速运动目标检测对大孔径天线的需求,提出了分布式子阵与正负斜率线性调频信号相结合的MIMO阵列架构及其优化方法,提升了超高速平台雷达对地面运动目标的最小可检测速度。在优化算法方面,针对标准遗传算法易陷入局部最优,收敛速度慢等的特点,对标准遗传算法进行了改进,采用基于全局的自适应尺度变换算子对适应度值进行变换,有效提高了算法的收敛速度和全局寻优能力。将改进的遗传算法应用于MIMO分布式子阵阵列的优化,改变传统用于稀疏阵列优化的遗传算法采用以阵元位置为优化变量的方式,改用子阵间隔作为优化变量,降低了算法实现的复杂度和计算量,进一步提升了收敛速度。4.基于超高速平台的GMTI雷达对方位大口径天线提出了需求,轻薄化天线阵面有利于超高速平台适装大口径天线。低瞬时带宽天线相比高瞬时带宽更易实现阵列的轻薄化,但地面运动目标的精确跟踪及目标识别需要距离高分辨像的支撑。针对这一矛盾,提出了一种基于收发互易低瞬时带宽数字阵列的频带合成高分辨STAP系统架构。该系统架构采用不同的多通道阵列发射不同载频的线性调频信号,阵列收发互易实现了等效相位中心的重合,频带合成过程中无需补偿目标偏离波束中心的相位差,可实现大带宽信号的精确合成,有效解决了低瞬时带宽大口径阵列与大带宽高距离分辨率之间的矛盾。
马晓瑛[3]（2020）在《宽带极化雷达地面目标识别技术研究》文中研究说明面对现代信息化战争日益复杂的战场环境,针对雷达升空平台地面目标识别系统,传统的雷达信号处理技术已无法满足现代化战争对目标进行准确识别,因此对雷达目标识别技术的需求愈来愈迫切。随着雷达极化技术的发展,基于目标极化HRRP的目标识别技术也逐渐成为该领域相关研究人员的研究热点。极化HRRP不仅可以反映目标的物理结构信息,更能表征目标的电磁散射特性。目前,随着雷达目标识别技术的发展,基于极化HRRP的目标识别技术已成为该领域相关研究人员的研究热点,并取得了一定的进展与突破。但是针对雷达升空平台地面目标识别这一应用背景条件,其关键技术依然存在一些问题。例如训练样本不足或缺失所导致的非完备训练模板库问题,地面干扰或假目标与目标高相似性导致样本特征空间低可分性问题,以及低信噪比导致噪声与目标发生混叠等问题,都将严重影响雷达目标识别系统对地面目标的识别性能。本论文将针对该应用背景下雷达地面目标识别技术中存在的关键技术问题展开研究。具体包括以下几点:1.为解决雷达地面目标识别技术中,由于目标非合作性所导致的训练样本不足或缺失造成的训练模板库非完备问题,本论文研究了一种基于电磁仿真软件FEKO雷达非合作目标HRRP仿真方法。通过将待仿真目标的CAD模型导入该软件,利用软件内部集成的目标RCS计算方法,得到目标各个频点的RCS进而得到目标HRRP。在目标识别训练阶段,可以利用该方法生成的仿真数据生成训练模板库,以此来解决训练样本数据不足或缺失导致的非完备训练模板库问题。同时将仿真数据与目标实测数据对比,该方法所生成的目标HRRP能够较准确表征目标实际电磁散射特性,并利用该方法生成的仿真数据在训练阶段形成目标训练模板库,然后用实测数据在测试阶段对未知待测试目标进行判别,以此来验证此方法在目标识别技术中的有效性。2.特征提取是目标识别环节关键问题,为对目标HRRP提取高可分性、低维度的特征,本论文提出一种基于目标极化HRRP极化分解的特征提取方法。该方法基于一种极化分解方式,实现目标多通道HRRP的特征提取,较传统直接对单个极化通道HRRP进行特征提取的方法,该方法更能充分利用目标极化HRRP的极化信息,降低特征提取阶段对目标HRRP的极化信息损失,同时减少目标特征中的冗余信息,保证特征低维度特性。并利用实测数据对本方法进行验证,结果表明,在保证目标特征向量低维度的条件下,本方法有效地提高了各目标间特征向量的可分性,从而使得目标识别性能得到有效提升。3.针对雷达升空平台地面目标识别系统,研究了一种基于宽带极化雷达目标HRRP鉴别-分类二级处理的目标识别方法,将地面雷达目标识别系统分为目标鉴别与目标分类两个阶段。目标鉴别阶段,由于目标HRRP的姿态敏感性,导致目标特征空间的非均匀多区域分布问题,该目标识别方法在目标鉴别阶段利用快速密度聚类算法对特征空间进行区域划分,然后利用基于密度权重支持向量域描述的鉴别器完成目标鉴别,实现对库内目标（感兴趣目标）的鉴别与库外干扰（地面干扰与假目标）的拒判。目标分类阶段,利用基于高斯核函数的支持向量机实现目标分类,完成对库内目标的类型分析。本方法解决了针对感兴趣目标的鉴别与分类,通过对训练特征空间进行区域划分,将特征空间划分为多个子区域,完善了目标识别系统的性能。同时,该方法实现了对特征空间域更为精确的描述,有效减小了鉴别器与分类器的运算复杂度。最后通过实测数据进行实验,验证了本方法具备优良的鉴别与分类性能。
宋涵[4]（2019）在《针对小型无人机目标的多雷达数据融合方法研究》文中提出近年来,随着无人机技术的逐渐成熟,在低空、超低空范围内具有掠地、掠空能力的小型无人机得到了大量的应用,对现有的雷达探测能力是一个巨大的挑战。而多雷达融合技术作为当前的研究热点,能够从不同种类的雷达中综合印证判性,从而更好的对小型无人机目标进行跟踪和识别。本文就根据上述存在的现实问题,以小型无人机作为“低慢小”目标的典型代表,首先对雷达数据融合的基本方法进行了分析研究,主要是雷达数据的预处理,目标坐标变换和系统时空对准,多信息多层次的航迹关联,航迹数据的融合以及灰色系统理论;其次,对小型无人机目标的运动模态特性进行了分析研究,利用多雷达数据融合方法中的灰色系统理论,实现对目标的准确定位跟踪;再次,对小型无人机目标多雷达定位跟踪和识别方法进行了分析研究,主要是雷达杂波点的抑制,航迹起始的方法和航迹起始后的目标跟踪方法,小型无人机目标的多雷达识别技术,基于神经网络的决策层融合目标识别,结合实际情况,分别从多雷达数据融合方法和小型无人机的特性出发,讨论了对两者的基本处理方法,进一步探讨了小型无人机目标在多雷达系统下的定位、跟踪和识别问题;最后,以灰色系统理论为基础,进行了仿真应用,为小型无人机等“低慢小”目标的低空、超低空多雷达数据融合方法提出了新的研究思路。
孙泽渝[5]（2019）在《地面侦察雷达目标分类技术研究》文中研究指明随着军事电子技术的发展,现代战争逐渐演变为高技术信息战,对战场信息的动态监测和处理能力关系着战争胜败,战场侦察雷达的功能已经不能仅仅满足于探测目标的位置和速度信息。雷达目标属性对判别敌方目标的威胁程度从而进行目标精确打击有着重要意义,目标识别技术应运而生。鉴于高分辨宽带雷达的制造成本高、体积大,不适用于便携式地面侦察雷达应用环境,现役便携式地面侦察雷达大多是低分辨雷达,因此研究低分辨地面侦察雷达自动目标识别技术的重要性不言而喻。本文首先介绍地面侦察雷达回波信号的预处理流程、特征提取方法及常用分类器原理,分析实际采集的人、车回波数据特征,通过对雷达回波数据做傅里叶变换,定义了时域回波结构特征和频谱结构特征,并对定义的特征进行分布统计。随后,对提取的组合特征利用K近邻分类器、SVM分类器、BP神经网络分类器进行分类,在此基础上验证了网格搜索、随机搜索、贝叶斯优化三种超参数优化方法对于K近邻分类器和SVM分类器的有效性,比较了不同分类器以及不同超参数寻优方法的性能。进一步地,本文采用卷积神经网络（Convolutional Neural Network,CNN）分类识别技术,将CNN网络结构简化,使其适用于低分辨雷达的一维数据流。在此基础上,将时域回波、功率谱以及幂变换后的功率谱组合为CNN输入的三个通道,提出一种基于特征融合的一维卷积神经网络（1-D CNN）的目标分类识别方法,与传统分类器相比具有更好的性能。此外,论文比较了不同网络超参数配置对1-D CNN分类器识别性能的影响,利用贝叶斯优化超参数寻优方法进行超参数寻优,克服了分类器训练构建过程中需要依据经验设置超参数的人为因素影响。在此基础上,本文进一步利用自编码器对特征降维,在提高分类器参数自主选择能力的基础上减小网络结构和参数计算规模。最后,本文利用FPGA+DSP硬件架构的地面侦察雷达信号处理平台,在FPGA上实现了回波信号的下变频、脉冲压缩的预处理流程,在DSP上实现了相参积累、目标检测以及目标分类识别模块,目标样本数据库测试和外场试验结果表明,所设计的目标分类识别系统可达到93%以上的正确分类识别率。
朱克凡[6]（2019）在《基于深度学习的低分辨雷达目标识别技术研究》文中进行了进一步梳理现代战争对雷达目标识别提出了更高的要求,由于现役雷达大部分是低分辨雷达,对其开展目标识别技术的研究具有重要军事意义。在小样本、样本不均衡等复杂电磁环境条件下,传统低分辨雷达目标识别方法存在泛化性较差、识别率较低等问题。本文围绕深度学习方法对低分辨雷达目标识别技术开展研究,主要研究内容如下:传统低分辨雷达目标识别技术采用先提取信号特征,再基于特征进行识别的两步识别方法。论文首先研究了基于深度学习的低分辨雷达目标识别技术,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）的低分辨雷达目标一步识别方法,直接将采样数据作为输入,利用CNN自动提取数据深层本质特征,实现对雷达目标的一步识别。其次,针对小样本条件下雷达目标识别率较低的问题,提出了基于加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法,该算法利用WACGAN产生并自动选择高质量的生成样本训练判别网络,使判别器能够挖掘数据更深层特征,选择更好的分类面,提高一步识别方法在小样本条件下的识别效果。然后,针对样本不均衡条件下雷达目标识别率下降问题,提出了基于分段损失函数的雷达目标识别算法。该算法通过分段损失函数,使CNN能够针对不同的训练时期采用合适的损失函数训练网络,解决样本不均衡带来的识别率下降问题。最后,针对雷达目标识别中无标签样本利用问题,提出了基于生成对抗网络的半监督雷达目标识别算法。该算法基于半监督生成对抗网络（semi-supervised GAN,SGAN）模型,使用CNN作为判别器,通过无标签样本与生成样本的对抗学习,在标签样本监督学习的基础上进一步提高了CNN识别效果。
任汉付[7]（2019）在《基于奇异函数分析模型的距离像特征重构算法研究》文中研究表明高分辨率距离像（High Resolution Range Profile,HRRP）是宽带雷达接收到的目标后向散射回波在距离单元内叠加而成,提供了目标散射强度沿雷达视线的分布情况,具有易于获取和处理简单等优点,因此成为雷达自动目标识别领域的研究热点。首先介绍了 HRRP相关背景知识,包括HRRP成像特点,基于HRRP的目标识别过程中常用的预处理方法、特征提取方法与分类方法等。在此基础上,针对姿态敏感问题,研究了基于奇异点提取目标散射中心位置特征的方法。利用奇异点在距离像中表征散射中心的性质,提取距离像的奇异点构建目标散射中心位置特征。在仿真实验中,比较了散射中心位置特征以及奇异点与其他提取散射中心算法的识别性能。仿真实验结果表明,第一,相对于散射中心强度特征,散射中心位置是一种姿态更加稳健的特征;第二,与其他提取散射中心的算法相比,奇异点能更准确地提取距离像的强散射中心。针对距离像缺失和平移敏感问题,将核磁共振图像处理领域的奇异函数分析模型重构思想引入距离像识别。利用奇异谱函数分析模型能够从部分谱数据重建完整信号的性质,对原始距离像及其FFT幅度特征进行重构,补全距离像未获取的频谱数据。仿真实验中,选择反向传播（Back Propagation,BP）神经网络及其改进算法作为分类器,分析了目标距离像与FFT的重构特征的识别性能。仿真实验结果表明,对距离像特征进行重构可以补全未获取的频谱数据,有助于改善目标识别性能。
荆楠[8]（2019）在《地面相控阵雷达数据处理技术及软件设计研究》文中研究说明雷达数据处理技术是雷达系统的重要组成部分。在地面雷达系统的运行过程中,地表环境非常复杂,目标周围有较多杂波因素,包括楼房、道路等,这些干扰会造成雷达在目标检测时存在虚警、漏警和测量误差等非理想因素,因此需要设计可靠的数据处理方法实现从杂波和噪声中将雷达目标信息精准的输出。相控阵雷达打破了传统雷达的限制,具有波束灵活扫描、空间分配和时间分配可控等特点,更加适用于复杂化的工作环境。本文基于相控阵雷达多功能、自适应等优势,针对杂波和噪声环境下地面相控阵雷达数据处理系统的设计。本数据处理系统主要分为点迹凝聚、航迹起始、航迹维持、航迹终结、杂波图五个模块。本文首先在Matlab环境下对信号处理输送来的目标信息进行处理,通过测量获得的目标距离、方位角、俯仰角、径向Doppler速度等信息完成目标的跟踪和航迹的管理。其中,点迹凝聚处理的目的是将信号处理之后的大量点迹进行判别和删除,将有效点迹留下。航迹起始是基于多假设跟踪的原理,实现了杂波环境下临时航迹到可靠航迹转换。航迹维持基于带有径向多普勒量测的波门实现对航迹的外推并更新航迹信息。航迹终结是当航迹满足消亡条件,或者其不是雷达需要继续跟踪的目标时,会对该航迹进行删除处理。在Matlab仿真处理的基础上,本文接下来基于Microsoft Visual Studio 2010平台,采用DLL动态链接库将各部分功能模块化处理,实现目标运动轨迹的生成。最后,本文将Matlab和Microsoft Visual Studio 2010经数据处理得到的真实的目标运动轨迹信息进行对比,验证了所有设计的地面相控阵雷达数据处理软件系统的有效性。
陈志仁[9]（2018）在《低分辨雷达地面运动目标特征提取与分类方法研究》文中进行了进一步梳理随着现代信息化技术的发展,雷达自动目标识别已经成为现代雷达系统重要的发展方向之一。雷达目标识别系统在目标威胁度分级、跟踪、干扰和拦截等领域发挥着重要作用。从雷达的发展历程来看,低分辨雷达主要用于前期探测和预警。目前,由于高分辨雷达造价昂贵且技术复杂,国内装备的雷达还是以低分辨雷达为主,因此研究低分辨雷达目标的初步分类识别具有重要意义。论文围绕低分辨雷达地面目标分类识别这一主题,沿着目标特征提取和分类器设计两条技术路线开展研究。主要工作和创新点如下:1.针对目标回波单个相参处理间隔（Coherent Processing Interval,CPI）特征的不稳定性,提出了一种基于特征概率分布曲线的目标特征提取方法。首先利用目标回波的单个CPI提取出两个基本目标特征量:相对的雷达散射截面积（Radar Cross Section,RCS）和多普勒频谱熵值;然后通过滑窗法对多个CPI联合处理,计算特征序列概率密度分布曲线;最后利用特征概率密度分布曲线提取出概率最大的目标特征。通过雷达实测数据实验表明,提出的算法可以提高目标特征的稳定性,且算法运算量小、实时性高,便于工程实现。2.根据卡车、摩托车以及人三类雷达目标微动特点的差异,在给出相关微动数学模型的基础上,研究了利用时频分布提取目标微动特征的方法。首先根据不同目标时频谱的特点,给出了三种特征提取方法;然后对雷达实测数据各个特征的统计值进行了分析;最后利用支持向量机分类器（Support Vector Machine,SVM）对特征的分类性能进行了实验分析。基于实测数据的平均识别率对比表明,提取的目标特征能够较好的实现三类雷达目标的分类。3.从图像特征提取的角度,给出了基于时频分布的目标特征提取方法。首先通过变换函数将目标的时频分布转换为灰度图像,然后根据灰度图像特征提取方法,提取了图像熵以及三个灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）纹理统计特征。最后利用支持向量机分类器对几种特征进行了分类实验。实验结果表明:提出的特征提取方法能够有效的实现三类地面目标的分类,且对人的分类效果有较大改善。4.从雷达目标分类器设计角度出发,针对低分辨雷达识别系统中不同目标特征识别性能的差异,以及存在干扰目标、虚假目标等库外目标的问题,提出了两种基本分类器的改进方法。首先利用优化算法搜索最优特征权值,调整不同特征属性在分类识别时的贡献程度;然后利用拒判算法对测试样本集进行拒判分析;最后利用分类器对输出的样本进行分类。通过对实测雷达数据的实验,表明了改进后的分类器具有较好的目标分类性能。5.为了克服单一分类器在雷达目标分类性能方面的限制,提出了一种基于注水原理（Water-Filling Theory,WFT）的多分类器融合方法。利用WFT集成多分类器,可以充分利用不同分类器的分类信息,实现多个分类器性能的互补,进而提高系统的分类性能。WFT根据各个子分类器在训练样本集训练时获得的识别率进行多分类器融合权重系数分配,识别率高的样本类别分配较大权值系数,平均识别率高的分类器也分配较大权值系数。通过对雷达实测数据的实验分析,表明注水融合算法能够充分利用训练样本的先验知识,提高多分类器集成系统的整体分类性能。
杨予昊,孙晶明,虞盛康,彭雄伟[10]（2017）在《基于卷积神经网络的高分辨距离像目标识别》文中研究表明特征提取是基于高分辨距离像进行雷达目标识别的关键技术。传统的人工提取特征的算法,只利用了浅层结构特征,不可避免会带来信息损失,从而导致目标识别方法的泛化性不强。针对上述问题,文中尝试引入深度学习工具,提出了一种基于卷积神经网络的目标识别方法。通过构造适用于处理高分辨距离像的卷积神经网络模型,优化深度学习参数,充分发掘高分辨距离像所包含的目标深层次属性特征,实现稳健的自动特征提取,完成目标分类。最后,基于实测数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。
二、基于HRR的地面雷达目标识别方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于HRR的地面雷达目标识别方法研究（论文提纲范文）
（1）知识缺失条件下雷达目标识别技术探究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于数据增强策略的雷达目标识别技术探索 |
| 1.2.2 基于模型优化策略的雷达目标识别技术探索 |
| 1.3 数据集介绍 |
| 1.3.1 HRRP数据集 |
| 1.3.2 MSTAR数据集 |
| 1.3.3 OpenSARShip数据集 |
| 1.4 研究内容及结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 组织结构 |
| 第二章 基础理论与算法 |
| 2.1 生成对抗网络 |
| 2.1.1 算法原理 |
| 2.1.2 优缺点分析 |
| 2.2 元学习 |
| 2.2.1 算法原理 |
| 2.2.2 基于度量的元学习 |
| 2.2.3 基于模型的元学习 |
| 2.2.4 基于优化的元学习 |
| 2.3 迁移学习 |
| 2.4 图像转换模型 |
| 2.5 度量学习 |
| 2.6 本章小结 |
| 第三章 基于数据增强策略的雷达目标识别 |
| 3.1 基于传统策略的数据增强 |
| 3.1.1 SAR图像传统数据增强 |
| 3.1.2 HRRP图像传统数据增强 |
| 3.2 基于深度生成模型的数据增强 |
| 3.2.1 ACGAN基本原理 |
| 3.2.2 基于ACGAN的数据增强 |
| 3.2.3 实验设置及结果分析 |
| 3.3 基于图像转换模型的数据增强 |
| 3.3.1 MUNIT基本原理 |
| 3.3.2 基于MUNIT的数据增强 |
| 3.3.3 实验设置及结果分析 |
| 3.4 本章小结 |
| 第四章 基于元学习模型优化策略的雷达目标识别 |
| 4.1 基于度量学习的雷达少样本目标识别 |
| 4.1.1 基于原型的相似性度量算法 |
| 4.1.2 实验设置及结果分析 |
| 4.2 基于模型迁移的雷达小样本目标识别 |
| 4.2.1 基于模型迁移的小样本学习算法 |
| 4.2.2 实验设置及结果分析 |
| 4.3 基于原型度量网络的雷达小样本目标识别 |
| 4.3.1 原型度量网络 |
| 4.3.2 实验设置及结果分析 |
| 4.4 雷达实际应用场景小样本目标识别技术探究 |
| 4.4.1 雷达实际场景小样本目标识别综合解决方案 |
| 4.4.2 实验设置及结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及取得的研究成果 |
（2）机载对地监视雷达射频隐身、多视角成像与超高速平台GMTI系统技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 发展现状与趋势 |
| 1.2.1 对地监视飞机及雷达系统发展现状 |
| 1.2.2 对地监视飞机及雷达系统发展趋势分析 |
| 1.3 本论文的内容和安排 |
| 第二章 低截获射频隐身SAR系统设计 |
| 2.1 引言 |
| 2.2 SAR系统最大低截获作用距离计算 |
| 2.3 SAR系统最大低截获作用距离提升 |
| 2.4 低截获波形特征 |
| 2.5 低截获SAR系统主要技术特征 |
| 2.6 小结 |
| 第三章 一种随机变PRF和脉宽的噪声SAR体制 |
| 3.1 引言 |
| 3.2 信号模型 |
| 3.3 变PRF的随机脉宽噪声SAR成像算法 |
| 3.4 实际应用 |
| 3.5 仿真实验 |
| 3.6 抗干扰性能分析 |
| 3.7 小结 |
| 第四章 一种单次飞行获取大场景多视角图像的系统与方法 |
| 4.1 引言 |
| 4.2 大场景多视角成像模型 |
| 4.3 大场景多视角设计方法 |
| 4.4 不同设计方法对系统的要求与适应场合 |
| 4.5 基于超高速平台的大场景三视角成像系统与信号模型 |
| 4.6 基于统一坐标系的多视角SAR成像方法 |
| 4.6.1 多视角SAR配准与融合问题 |
| 4.6.2 改进的RMA成像算法 |
| 4.6.3 应用与考虑 |
| 4.6.4 仿真与实测数据验证 |
| 4.7 小结 |
| 第五章 基于改进遗传算法的MIMO分布式阵列优化 |
| 5.1 引言 |
| 5.2 基于两端发射正负斜率线性调频信号的MIMO分布式子阵模型 |
| 5.3 标准遗传算法及其改进 |
| 5.4 基于改进遗传算法的MIMO分布式子阵优化应用 |
| 5.5 仿真实验和性能分析 |
| 5.5.1 标准遗传算法和改进遗传算法MIMO分布式阵列优化对比 |
| 5.5.2 单发多收和双发多收分布式阵列方向图优化对比 |
| 5.6 小结 |
| 第六章 基于收发互易阵列的频带合成STAP系统架构 |
| 6.1 引言 |
| 6.2 系统架构与信号模型 |
| 6.2.1 基于常规自发自收多通道阵列的系统架构 |
| 6.2.2 基于收发互易多通道阵列的系统架构 |
| 6.3 仿真验证 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 7.2.1 后续工作 |
| 7.2.2 发展方向 |
| 7.2.3 交叉学科 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）宽带极化雷达地面目标识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达目标识别的研究背景及意义 |
| 1.2 雷达HRRP目标识别的基本概念 |
| 1.2.1 雷达HRRP的敏感性 |
| 1.2.2 雷达HRRP目标识别的优势 |
| 1.3 目标识别的研究历史与发展现状 |
| 1.4 论文研究内容安排 |
| 第二章 基于电磁仿真软件FEKO的雷达非合作目标HRRP仿真 |
| 2.1 引言 |
| 2.1.1 RCS的定义 |
| 2.1.2 RCS的计算方法 |
| 2.2 基于电磁仿真软件FEKO的雷达非合作目标HRRP仿真方法 |
| 2.2.1 大面元物理光学法 |
| 2.2.2 基于FEKO的目标HRRP仿真 |
| 2.3 仿真参数入射波姿态角间隔选取 |
| 2.3.1 散射点越距离单元走动 |
| 2.3.2 入射波俯仰角间隔选取 |
| 2.3.3 入射波方位角间隔选取 |
| 2.4 本章小结 |
| 第三章 基于双圆极化HRRP极化分解的特征提取方法及其可分性分析 |
| 3.1 引言 |
| 3.2 宽带极化雷达目标特征提取 |
| 3.2.1 m_chi极化分解 |
| 3.2.2 各散射分量所占比例特征 |
| 3.2.3 熵特征 |
| 3.2.4 重心特征 |
| 3.2.5 幅度最大值特征 |
| 3.2.6 中心矩特征 |
| 3.3 高维特征降维算法 |
| 3.4 特征可分性分析 |
| 3.4.1 核Fisher判别准则 |
| 3.4.2 目标鉴别特征可分性分析 |
| 3.4.3 目标分类特征可分性分析 |
| 3.4.4 实验结果及性能分析 |
| 3.5 本章小结 |
| 第四章 基于双圆极化HRRP鉴别-分类二级处理的目标识别方法 |
| 4.1 引言 |
| 4.2 地面典型目标鉴别器设计 |
| 4.2.1 快速密度聚类算法 |
| 4.2.2 密度权重支持向量数据域描述算法 |
| 4.3 地面典型目标分类器设计 |
| 4.4 鉴别-分类二级处理的目标识别方法 |
| 4.4.1 目标鉴别阶段 |
| 4.4.2 目标分类阶段 |
| 4.5 实验结果及性能分析 |
| 4.5.1 根据鉴别性能高低进行特征选择 |
| 4.5.2 不同带宽下目标识别性能分析 |
| 4.5.3 不同信噪比下目标识别性能分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）针对小型无人机目标的多雷达数据融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 论文研究意义 |
| 1.4 论文研究内容 |
| 第二章 雷达数据融合基本方法研究 |
| 2.1 雷达数据预处理 |
| 2.2 坐标变换和系统时空对准 |
| 2.3 多信息多层次的航迹关联 |
| 2.3.1 航迹号的关联 |
| 2.3.2 最近领域法与关联的确认 |
| 2.3.3 系统航迹的撤销与生成 |
| 2.4 航迹数据的融合 |
| 2.4.1 航迹空间运动数据融合 |
| 2.4.2 航迹状态数据融合 |
| 2.5 灰色系统理论 |
| 2.6 本章小结 |
| 第三章 小型无人机目标特性研究 |
| 3.1 小型无人机运动模态分析 |
| 3.2 小型无人机的红外辐射特征 |
| 3.2.1 小型无人机流场特性 |
| 3.2.2 小型无人机红外辐射特性 |
| 3.2.3 小型无人机红外辐射特性测量实验 |
| 3.3 本章小结 |
| 第四章 小型无人机目标多雷达定位跟踪研究 |
| 4.1 雷达杂波点的抑制 |
| 4.2 目标跟踪的基本理论 |
| 4.2.1 目标跟踪的基本流程 |
| 4.2.2 跟踪系统的分类 |
| 4.3 航迹起始的方法研究 |
| 4.3.1 两点外推起始法 |
| 4.3.2 三点加速外推起始法 |
| 4.3.3 Hough变换起始法 |
| 4.4 航迹起始后的目标跟踪方法 |
| 4.4.1 数据关联技术 |
| 4.4.2 航迹的滤波与外推 |
| 4.4.3 航迹质量管理 |
| 4.5 本章小结 |
| 第五章 小型无人机目标多雷达识别研究 |
| 5.1 小型无人机目标的多雷达识别技术 |
| 5.1.1 数据层融合的目标识别 |
| 5.1.2 特征层融合的目标识别 |
| 5.1.3 决策层融合的目标识别 |
| 5.2 基于神经网络的决策层融合目标识别 |
| 5.3 本章小结 |
| 第六章 融合方法应用研究 |
| 6.1 融合处理过程 |
| 6.2 仿真分析 |
| 6.3 应用分析 |
| 6.4 小结与展望 |
| 参考文献 |
| 致谢 |
（5）地面侦察雷达目标分类技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究成果及现状 |
| 1.3 论文主要研究内容和章节安排 |
| 2 雷达目标分类技术基础 |
| 2.1 低分辨雷达信号处理 |
| 2.2 低分辨雷达目标分类 |
| 2.2.1 特征提取 |
| 2.2.2 分类器设计 |
| 2.2.3 分类器超参数寻优策略 |
| 2.3 本章小结 |
| 3 基于回波结构特征提取的目标分类方法 |
| 3.1 本文方法提出背景 |
| 3.2 回波时域特征提取及分布情况 |
| 3.2.1 基于回波时域波形的特征定义 |
| 3.2.2 特征分布情况 |
| 3.3 回波频谱结构的特征提取及分布情况 |
| 3.3.1 基于频谱结构的特征定义 |
| 3.3.2 特征分布情况 |
| 3.4 不同分类器的仿真实验 |
| 3.4.1 人-车目标K近邻分类器实验 |
| 3.4.2 人-车目标SVM分类器实验 |
| 3.4.3 人-车目标BP神经网络分类器实验 |
| 3.5 分类器超参数优化实验 |
| 3.5.1 K近邻分类器超参数优化 |
| 3.5.2 SVM分类器超参数优化 |
| 3.6 本章小结 |
| 4 基于特征融合的 1-D CNN 地面侦察雷达目标分类算法 |
| 4.1 卷积神经网络的结构 |
| 4.1.1 卷积层 |
| 4.1.2 激活层 |
| 4.1.3 池化层 |
| 4.1.4 丢弃层 |
| 4.1.5 损失函数 |
| 4.2 基于特征融合的1-D CNN网络结构配置 |
| 4.3 1-D CNN目标分类及性能比较 |
| 4.3.1 不同网络结构的分类性能 |
| 4.3.2 不同激活函数的分类性能 |
| 4.3.3 不同学习率的分类性能 |
| 4.3.4 不同优化器的分类性能 |
| 4.4 基于贝叶斯优化的特征融合1-D CNN目标分类方法 |
| 4.5 自编码特征融合1-D CNN目标分类方法 |
| 4.6 本章小结 |
| 5 目标分类算法的实现及测试 |
| 5.1 信号处理系统 |
| 5.1.1 信号处理硬件平台 |
| 5.1.2 信号处理系统工作原理 |
| 5.1.3 实验环境介绍 |
| 5.2 雷达回波信号处理的FPGA实现 |
| 5.2.1 接收中频回波信号 |
| 5.2.2 数字正交下变频 |
| 5.2.3 脉冲压缩 |
| 5.3 基于DSP的目标检测及分类识别 |
| 5.3.1 DSP软件工作流程 |
| 5.3.2 目标检测模块 |
| 5.3.3 目标分类识别模块 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的学术成果和参与的科研项目 |
（6）基于深度学习的低分辨雷达目标识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 低分辨雷达目标识别的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.2.3 深度学习在低分辨雷达目标识别中的应用 |
| 1.3 本文的主要工作及结构安排 |
| 第二章 基于卷积神经网络的雷达目标一步识别方法 |
| 2.1 基于特征提取的雷达目标两步识别方法 |
| 2.1.1 典型的信号特征 |
| 2.1.2 典型的分类器 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 Softmax分类器 |
| 2.2.5 梯度下降算法 |
| 2.3 基于卷积神经网络的雷达目标一步识别方法 |
| 2.3.1 一维卷积神经网络设计 |
| 2.3.2 识别算法步骤 |
| 2.4 实验结果与分析 |
| 2.4.1 实验数据集 |
| 2.4.2 一步识别方法的识别效果 |
| 2.4.3 一维 CNN与二维CNN识别性能对比 |
| 2.4.4 一步识别方法与传统两步识别方法的性能对比 |
| 2.5 本章小结 |
| 第三章 小样本条件下的雷达目标识别算法 |
| 3.1 加权辅助分类生成对抗网络 |
| 3.1.1 生成对抗网络 |
| 3.1.2 条件生成对抗网络 |
| 3.1.3 辅助分类生成对抗网络 |
| 3.1.4 加权辅助分类生成对抗网络 |
| 3.2 基于WACGAN的雷达目标识别算法 |
| 3.2.1 网络模型设计 |
| 3.2.2 识别算法步骤 |
| 3.3 实验结果及分析 |
| 3.3.1 WACGAN生成样本 |
| 3.3.2 小样本条件下的识别效果分析 |
| 3.3.3 不同样本数下的识别效果分析 |
| 3.3.4 不同信噪比下的识别效果分析 |
| 3.4 本章小结 |
| 第四章 样本不均衡条件下的雷达目标识别算法 |
| 4.1 分段损失函数 |
| 4.1.1 交叉熵损失函数 |
| 4.1.2 类别均衡交叉熵损失函数 |
| 4.1.3 焦点损失函数 |
| 4.1.4 分段损失函数 |
| 4.2 基于分段损失函数的雷达目标识别算法 |
| 4.2.1 网络模型设计 |
| 4.2.2 识别算法步骤 |
| 4.3 实验结果及分析 |
| 4.3.1 分段损失函数参数选择 |
| 4.3.2 不同损失函数对识别效果的影响 |
| 4.3.3 基于分段损失函数的雷达目标识别算法识别效果 |
| 4.4 本章小结 |
| 第五章 针对无标签样本的半监督雷达目标识别算法 |
| 5.1 半监督生成对抗网络 |
| 5.2 基于SGAN的半监督雷达目标识别算法 |
| 5.2.1 网络模型设计 |
| 5.2.2 识别算法步骤 |
| 5.3 实验结果及分析 |
| 5.3.1 参数选择 |
| 5.3.2 SGAN生成样本 |
| 5.3.3 单一信噪比下算法的识别效果 |
| 5.3.4 不同信噪比下算法的识别效果 |
| 5.4 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）基于奇异函数分析模型的距离像特征重构算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 雷达高分辨率距离像 |
| 1.3 雷达高分辨率距离像的识别方法 |
| 1.3.1 预处理过程 |
| 1.3.2 HRRP的特征提取方法 |
| 1.3.3 HRRP的分类方法 |
| 1.4 论文的结构安排 |
| 第2章 基于奇异点提取散射中心位置特征 |
| 2.1 散射中心位置特征 |
| 2.2 基于奇异点提取散射中心位置特征 |
| 2.3 其他提取散射中心的方法 |
| 2.3.1 RELAX算法 |
| 2.3.2 MUSIC算法 |
| 2.4 仿真实验 |
| 2.4.1 不同阈值的识别性能 |
| 2.4.2 散射中心位置特征的识别性能 |
| 2.4.3 散射中心位置特征的抗噪性能 |
| 2.4.4 与其他提取散射中心方法比较 |
| 2.5 本章小结 |
| 第3章 基于奇异函数分析模型的距离像重构 |
| 3.1 重构方法概述 |
| 3.2 奇异函数分析模型 |
| 3.2.1 一维奇异函数分析模型 |
| 3.2.2 二维奇异函数分析模型 |
| 3.3 高分辨率距离像重构 |
| 3.3.1 距离像重构分析 |
| 3.3.2 距离像重构参数确定 |
| 3.4 分类器 |
| 3.4.1 BP神经网络 |
| 3.4.2 BP神经网络算法改进 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第4章 总结和展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（8）地面相控阵雷达数据处理技术及软件设计研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 相控阵雷达发展现状 |
| 1.2.2 雷达数据处理技术的发展和现状 |
| 1.3 本文主要内容及章节安排 |
| 2 雷达数据处理的参数估计和滤波方法 |
| 2.1 引言 |
| 2.2 雷达数据处理的参数估计 |
| 2.2.1 参数估计 |
| 2.2.2 四种参数估计方法 |
| 2.3 雷达数据处理的线性滤波方法 |
| 2.3.1 卡尔曼滤波器 |
| 2.3.2 常增益滤波器 |
| 2.4 雷达数据处理非线性滤波方法 |
| 2.5 本章小结 |
| 3 地面雷达数据处理相关算法仿真 |
| 3.1 引言 |
| 3.2 雷达数据处理算法总体流程 |
| 3.3 点迹凝聚 |
| 3.3.1 方位上的点迹凝聚 |
| 3.3.2 距离上的点迹凝聚 |
| 3.3.3 目标参数估值及精度分析 |
| 3.3.4 极坐标和笛卡尔坐标转换 |
| 3.4 航迹起始 |
| 3.4.1 杂波环境下的起始准则 |
| 3.4.2 航迹头关联 |
| 3.4.3 临时航迹关联 |
| 3.4.4 临时航迹到目标航迹的转换 |
| 3.5 航迹维持 |
| 3.5.1 带多普勒量测的点航关联 |
| 3.5.2 Singer模型 |
| 3.6 航迹终结 |
| 3.7 杂波图 |
| 3.8 仿真结果图 |
| 3.9 本章小结 |
| 4 地面相控阵雷达数据处理软件实现 |
| 4.1 引言 |
| 4.2 系统总体结构 |
| 4.3 数据处理软件总体设计 |
| 4.3.1 预处理模块 |
| 4.3.2 数据处理模块 |
| 4.3.3 跟踪波束控制模块 |
| 4.3.4 人工干预模块 |
| 4.3.5 目标识别模块 |
| 4.4 系统运行结果对比 |
| 4.5 本章小结 |
| 5 结束语 |
| 5.1 工作总结 |
| 5.2 前景展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间申请的发明专利 |
（9）低分辨雷达地面运动目标特征提取与分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写与中英文对照 |
| 通用符号说明 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展历史与研究现状 |
| 1.2.1 雷达自动目标识别的发展历史与研究现状 |
| 1.2.2 低分辨雷达地面目标识别的关键问题 |
| 1.3 论文的主要工作及内容安排 |
| 2 雷达目标识别的回波预处理 |
| 2.1 引言 |
| 2.2 雷达信号模型分析 |
| 2.2.1 LFMCW雷达的基本特点 |
| 2.2.2 LFMCW雷达系统 |
| 2.3 杂波抑制 |
| 2.4 动目标检测 |
| 2.5 恒虚警处理 |
| 2.6 本章小结 |
| 3 基于特征概率分布的特征提取 |
| 3.1 引言 |
| 3.2 目标基本特征 |
| 3.2.1 相对的雷达散射截面积 |
| 3.2.2 频谱熵值 |
| 3.3 基于特征概率分布的特征提取 |
| 3.3.1 目标特征概率分布 |
| 3.3.2 特征提取 |
| 3.4 目标特征向量 |
| 3.5 基于特征概率分布的分类算法 |
| 3.6 实测数据仿真及结果分析 |
| 3.7 本章小结 |
| 4 基于目标微动的特征提取 |
| 4.1 引言 |
| 4.2 典型微动模型分析 |
| 4.2.1 加速模型 |
| 4.2.2 振动模型 |
| 4.2.3 旋转模型 |
| 4.3 微动特征提取 |
| 4.3.1 时频分析 |
| 4.3.2 微动特征提取 |
| 4.4 目标特征评价 |
| 4.5 实测数据仿真及结果分析 |
| 4.6 本章小结 |
| 5 基于时频分布的图像特征提取 |
| 5.1 引言 |
| 5.2 时频图灰度化 |
| 5.3 时频灰度图的特征提取 |
| 5.3.1 图像熵 |
| 5.3.2 GLCM特征 |
| 5.4 时频分布图像特征提取算法 |
| 5.5 实测数据仿真 |
| 5.6 本章小结 |
| 6 雷达目标分类器改进算法 |
| 6.1 引言 |
| 6.2 改进的支持向量机目标分类算法 |
| 6.2.1 置信度拒识算法 |
| 6.2.2 基于PSO的特征加权算法 |
| 6.2.3 改进的支持向量机分类算法 |
| 6.2.4 实测数据仿真及结果分析 |
| 6.3 基于最小代价拒判的近邻分类算法 |
| 6.3.1 近邻分类算法 |
| 6.3.2 遗传算法的特征加权方法 |
| 6.3.3 基于近邻拒判的目标拒判算法 |
| 6.3.4 基于最小代价的Fisher拒判门限 |
| 6.3.5 最小代价分类算法实验分析 |
| 6.4 本章小结 |
| 7 基于注水原理的雷达目标多分类器集成方法 |
| 7.1 引言 |
| 7.2 雷达目标分类系统 |
| 7.3 多分类器集成融合方法 |
| 7.3.1 投票法 |
| 7.3.2 加权投票法 |
| 7.3.3 行为知识空间法 |
| 7.3.4 局部精度估计分类器选择法 |
| 7.4 基于注水原理的多分类器集成方法 |
| 7.4.1 注水原理 |
| 7.4.2 多分类器融合系数 |
| 7.5 多分类器集成实验 |
| 7.5.1 雷达地面目标识别系统 |
| 7.5.2 仿真及结果分析 |
| 7.6 本章小结 |
| 8 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于卷积神经网络的高分辨距离像目标识别（论文提纲范文）
| 0 引言 |
| 1 卷积神经网络基本原理 |
| 1.1 卷积神经网络基本结构 |
| 1.2 卷积神经网络工作原理 |
| 2 基于卷积神经网络的一维像目标识别 |
| 3 实验结果及分析 |
| 4 结束语 |
四、基于HRR的地面雷达目标识别方法研究（论文参考文献）
- [1]知识缺失条件下雷达目标识别技术探究[D]. 晏媛. 中国电子科技集团公司电子科学研究院, 2021
- [2]机载对地监视雷达射频隐身、多视角成像与超高速平台GMTI系统技术[D]. 常文胜. 西安电子科技大学, 2020(02)
- [3]宽带极化雷达地面目标识别技术研究[D]. 马晓瑛. 西安电子科技大学, 2020(05)
- [4]针对小型无人机目标的多雷达数据融合方法研究[D]. 宋涵. 南京邮电大学, 2019(02)
- [5]地面侦察雷达目标分类技术研究[D]. 孙泽渝. 南京理工大学, 2019(01)
- [6]基于深度学习的低分辨雷达目标识别技术研究[D]. 朱克凡. 国防科技大学, 2019(02)
- [7]基于奇异函数分析模型的距离像特征重构算法研究[D]. 任汉付. 山东大学, 2019(02)
- [8]地面相控阵雷达数据处理技术及软件设计研究[D]. 荆楠. 南京理工大学, 2019(06)
- [9]低分辨雷达地面运动目标特征提取与分类方法研究[D]. 陈志仁. 南京理工大学, 2018(07)
- [10]基于卷积神经网络的高分辨距离像目标识别[J]. 杨予昊,孙晶明,虞盛康,彭雄伟. 现代雷达, 2017(12)