第1章 绪论 1
1.1 高分辨雷达及其信号处理研究的背景 2
1.1.1 高分辨雷达 2
1.1.2 高分辨雷达信号处理 3
1.2 智能技术及雷达信号智能处理技术研究的背景 4
1.2.1 神经网络技术 5
1.2.2 雷达信号智能处理技术 6
1.3 高分辨雷达信号智能处理系统方案 7
第2章 高分辨雷达杂波及其特性分析 9
2.1 常规雷达杂波特性 9
2.2 高分辨雷达杂波特性 13
2.3 高分辨雷达杂波统计特性分布 16
2.4 评述 17
3.1 一维像的数学模型 19
3.1.1 ISAR成像的基本原理 19
第3章 雷达目标一维像模型和计算机仿真 19
3.1.2 一维像的数学模型 21
3.2 一维像的特性分析 23
3.2.1 一维纵向像的特性分析 23
3.2.2 一维横向像的特性分析 25
3.3 雷达目标一维距离像的计算机仿真 26
3.3.1 坐标变换 26
3.3.2 舰船目标后向散射回波模型 28
3.4 评述 32
第4章 高分辨雷达波形选择与性能分析 33
4.1 步进频率高分辨雷达波形 33
4.2 线性调频连续波高分辨雷达波形 37
4.3 高分辨率波形的性能与误差分析 39
4.3.1 步进频率信号 39
4.3.2 线性调频连续波信号 40
4.4 评述 42
第5章 基于位置信息的高分辨雷达目标检测技术 43
5.1 数据的校正与预处理 44
5.1.1 数据的校正 44
5.1.2 步进频率雷达实测数据的校正 45
5.1.3 数据的预处理 46
5.2 基于位置相关的高分辨雷达目标信号的检测 47
5.2.1 问题的提出 47
5.2.2 基于位置信息的距离段联合检测 48
5.3 基于滑动窗的距离段联合检测器 55
5.3.1 滑动窗与位置相关检测器 55
5.3.2 基于多扫频周期的视频积累 56
5.4 利用极化信息的进一步讨论 57
5.5 评述 60
第6章 基于神经网络的高分辨雷达目标检测技术 61
6.1 简单的多层感知器检测器 62
6.1.1 感知器神经检测器 62
6.1.2 最佳感知器神经检测器 63
6.2 目标航迹的神经网络检测 64
6.2.1 基于单层感知器的最佳后验检测器 64
6.2.2 性能分析 66
6.2.3 多目标检测的推广 67
6.3 基于径向基函数网络的杂波概率密度估计 68
6.3.1 问题的提出 68
6.3.2 径向基函数网络概率密度估计算法 69
6.4 遗传优化的径向基函数网络用于超高分辨雷达信号的检测 71
6.4.1 超高分辨雷达下杂波混沌模型的描述 72
6.4.2 用于杂波混沌过程重建的RBFN预测器 73
6.4.3 遗传算法及其在RBFN训练中的应用 74
6.4.4 使用遗传算法训练的RBFN的收敛特性 77
6.4.5 遗传优化的径向基函数网络用于超高分辨雷达信号的检测 79
6.5 评述 80
第7章 基于高分辨、极化特征的目标识别技术 81
7.1 数据的预处理 81
7.2.1 极化比和交叉极化比特征提取 85
7.2 高分辨、极化特征提取 85
7.2.2 基于瞬时Stokes矢量的特征提取 87
7.2.3 基于散射点回波功率的特征提取 92
7.3 基于目标极化散射功率分布的近邻分类 94
7.3.1 高分辨、双极化雷达目标散射功率分布 95
7.3.2 近邻法分类器 96
7.3.3 分类实验结果 97
7.4 评述 98
第8章 前馈神经网络分类器与雷达目标一维像识别 99
8.1 外监督学习前馈网络分类器 100
8.1.1 模式分类的判决理论方法 100
8.1.2 外监督学习前馈网络分类器及其映射特性 101
8.2 雷达目标一维距离像的特征分析 103
8.2.1 旋转目标的特征获取 104
8.2.2 平移目标的特征获取 104
8.3.1 径向基函数网络简介 106
8.3 广义径向基函数神经网络 106
8.3.2 广义径向基函数网络 107
8.4 广义径向基函数网络的学习算法 108
8.4.1 隐层至输出层连接权值的递归最小二乘学习算法 108
8.4.2 核函数宽度参数的梯度下降学习算法 110
8.4.3 实验结果 111
8.5 径向基概率神经网络 116
8.5.1 概率神经网络 116
8.5.2 径向基概率神经网络 116
8.6 评述 117
第9章 基于时间神经网络的高分辨雷达目标一维距离像识别 119
9.1 基于全极化HRR目标距离像的Prony参数提取 119
9.1.1 多散射点的Prony模型描述 120
9.1.2 多散射点的Prony参数估计 121
9.2 隐马尔可夫模型 124
9.2.1 马尔可夫模型的基本定义 124
9.2.2 隐马尔可夫模型 126
9.3 最大似然概率的前后向估计方法 127
9.3.1 前向估计法 128
9.3.2 后向估计法 128
9.4 基于神经网络的HMM参数估计 129
9.4.1 基于BP算法的HMM参数迭代 129
9.4.2 HMM参数的Baum-Welch学习算法 132
9.4.3 Viterbi算法 134
9.5.1 前后向似然变量的比例运算 136
9.5 参数估计值的计算机溢出问题 136
9.5.2 HMM网络学习算法中迭代公式的修正 137
9.6 基于HMM网络的高分辨雷达目标识别 138
9.6.1 基于矢量量化的HMM状态和符号参数提取 139
9.6.2 基于HMM网络的高分辨雷达目标识别 140
9.7 评述 142
第10章 高分辨雷达目标跟踪技术 143
10.1 高分辨雷达目标距离信息的提取 143
10.1.2 机动目标距离信息的提取 144
10.1.1 非机动目标距离信息的提取 144
10.2 高分辨雷达目标多普勒信息的提取 145
10.2.1 单个正弦信号频率的MLE原理 145
10.2.2 步进频率高分辨雷达对应的目标多普勒信息的提取 147
10.2.3 线性调频连续波高分辨雷达对应的目标多普勒信息的提取 148
10.3 高分辨雷达目标角误差信息的提取 149
10.3.1 基于平均散射点中心的高分辨雷达目标角误差信息提取方法 149
10.3.2 基于多散射点中心平均的高分辨雷达目标角误差信息提取方法 151
10.4 评述 151
附录 152
附录A 极化信息处理基础 152
附录B 第6章中有关定理或结论的证明 154
附录C 第9章中有关定理或结论的证明 155
附录D 第10章中公式(10-10)的推导 157
主要名词汉英对照表 159
参考文献 167