雷达高分辨距离像目标识别的关键应用研究PDF电子书下载

第1章 绪论 1

1.1雷达自动目标识别综述 1

1.1.1雷达自动目标识别的基本概念 1

1.1.2雷达自动目标识别的划分方法 1

1.1.3雷达自动目标识别的意义、历史和现状 2

1.2雷达高分辨距离像目标识别研究的关键问题 4

1.2.1HRRP的方位敏感性问题 4

1.2.2HRRP的平移敏感性问题 4

1.2.3HRRP的幅度敏感性问题 5

1.2.4HRRP的杂波抑制问题 5

1.2.5HRRP的库外目标拒判问题 5

1.2.6HRRP的特征提取问题 6

1.3凸优化问题简介 7

1.3.1凸优化的定义 7

1.3.2凸优化的形式 7

1.4基于核函数的模式分析方法 8

1.4.1模式分析方法的发展历程 9

1.4.2核方法的基本概念 9

1.4.3核函数优化 11

1.5数据介绍和内容安排 12

1.5.1数据介绍 12

1.5.2内容安排 13

参考文献 15

第2章 宽带雷达自动目标识别的杂波抑制问题 20

2.1引言 20

2.2信号模型 21

2.3多普勒域直接滤波 22

2.3.1杂波抑制 23

2.3.2基于实测数据的仿真实验 24

2.3.3本节小结 27

2.4基于Keystone变换的宽带雷达自动目标识别杂波抑制 27

2.4.1多普勒域直接滤波 28

2.4.2频率-多普勒域信号的提取与杂波抑制 28

2.4.3基于实测数据的仿真实验 29

2.4.4本节小结 32

2.5基于Hough变换的宽带雷达自动目标识别杂波抑制 33

2.5.1Hough变换的原理 33

2.5.2利用Hough变换提取信号信息 34

2.5.3运动补偿后提取信号信息 35

2.5.4基于实测数据的仿真实验 35

2.5.5本节小结 38

2.6本章小结 39

参考文献 39

第3章 雷达高分辨距离像库外目标拒判问题研究 41

3.1库外目标样本生成 41

3.2拒判性能评估准则 43

3.3基于超球体边界的拒判算法 44

3.3.1支持向量域描述 44

3.3.2多核支持向量域描述 47

3.3.3本节小结 51

3.4基于近邻边界的拒判算法 52

3.4.1NN分类器 52

3.4.2A-KNN分类器 52

3.4.3W-KNN分类器 53

3.4.4本节小结 53

3.5实验结果 53

3.5.1基于AUC准则的实验结果 54

3.5.2基于LF准则的实验结果 58

3.5.3结果分析 59

3.6本章小结 59

参考文献 59

第4章 融合距离准则学习和分类器设计的特征提取算法 61

4.1算法设计 61

4.1.1欧氏距离准则测度下最近均值（NM）分类器的应用缺陷 62

4.1.2局部均值和最近局部均值（NLM）分类器 62

4.1.3大间隔最近局部均值（LMNLM）特征提取算法 65

4.2相关算法比较 69

4.2.1稀疏子空间最小误差（LESS）算法 70

4.2.2支持向量机（SVM） 70

4.2.3大间隔近邻（LMNN）算法 71

4.2.4局部距离准则（LDM）学习算法 72

4.3相关算法对LMNLM的启发和LMNLM的创新点 73

4.3.1启发工作 73

4.3.2创新工作 73

4.4实验结果 73

4.4.1人工合成数据集 74

4.4.2UCI公共数据集 76

4.4.3雷达HRRP数据集 81

4.4.4结果分析 82

4.5本章小结 83

参考文献 83

第5章 组合判别分析 85

5.1基于全局优化准则和局部优化准则的特征提取算法 85

5.1.1全局特征提取算法 86

5.1.2局部特征提取算法 87

5.1.3两种特征提取算法的分析比较 88

5.2融合全局优化准则和局部优化准则的组合判别分析（CDA）算法 89

5.2.1算法设计 89

5.2.2算法分析 90

5.3UCI公共数据集实验结果 90

5.4雷达HRRP数据集实验结果 93

5.5本章小结 94

参考文献 94

第6章 广义重加权局部均值判别分析 95

6.1LDA算法的应用缺陷 95

6.1.1缺陷1 95

6.1.2缺陷2 96

6.1.3缺陷3 96

6.1.4缺陷4 97

6.2局部均值判别分析（LMDA） 97

6.3广义重加权（GRW）学习框架 101

6.3.1重加权（RW）方法 102

6.3.2对RW方法的扩展 103

6.4相关算法的比较 105

6.5实验结果 105

6.5.1人工合成数据集 106

6.5.2UCI公共数据集 110

6.5.3雷达HRRP数据集 113

6.6本章小结 115

参考文献 115

第7章 未来发展趋势 117

7.1趋势一：拒判算法研究 117

7.2趋势二：在线学习问题研究 117

7.3趋势三：不同信噪比条件下识别算法的移植问题研究 118

7.4趋势四：流型学习研究 118

7.5趋势五：非参数贝叶斯统计学习研究 119

7.6趋势六：微多普勒调制特性研究 119

7.7趋势七：其他问题研究 119

参考文献 120