一、基于RCS的空间雷达目标识别（论文文献综述）
王鹏达,曲卫[1]（2021）在《基于RCS序列的空间目标识别技术综述》文中研究表明随着科技水平的发展和人类航天活动的愈发频繁,空间目标识别技术成为国内外学者的一个热点研究领域。空间目标的RCS序列作为雷达窄带信息,对于目标识别具有一定的优势,近年来目标RCS序列在空间目标识别的价值越来越大。梳理了基于RCS序列的空间目标识别的研究现状,从空间目标尺寸估计、空间目标姿态判断与周期提取、空间目标识别特征提取和空间目标分类器设计等4个方面进行了详细的叙述,最后展望了基于RCS序列的空间目标识别技术的未来发展方向。
张少廷[2]（2021）在《基于机理建模的飞行目标智能识别研究》文中提出飞行目标识别是维护空域安全的基础,而日益复杂的空域电磁环境对飞行目标的可靠识别带来了很多挑战。目前对于飞行物的识别方法主要是依靠雷达的回波信息进行判断,然而随着诱饵目标和隐身技术的发展,仅利用雷达图像很难实现对于相似飞行物的识别分类,故需要利用额外信息辅助识别。目前传统的相似目标识别方法,例如特征参数提取、高阶累积量的方法和机器学习方法,多基于高分辨率雷达或雷达信号先验知识提取,其智能化和泛用性较差且在敌对情况下难以获得。深度学习作为一种新的智能方法,具有端到端学习、抽象能力强、泛用性高以及易于移植等特点,在特征提取和分类上具有很好的指导作用,然而基于数据驱动的深度学习对数据量和样本类型的要求较大,这阻碍了其在对抗环境中的发展。雷达散射截面（Radar cross section,RCS）信号蕴含了飞行物的外形、材质、运动特征等诸多性质,因此本文研究了一种基于RCS和机理建模的深度学习方法用于飞行目标识别。首先,建立了一种基于运动机理和电磁学的接收信号分析建模方法。其次,设计了一种基于生成式对抗网络的数据扩增模型。大大降低了动态RCS信号仿真的复杂度,并对RCS数据进行了增强。此外,提出了 TF-AM-GRU模型,以提高从众多诱饵物体干扰中检测飞行物体的精度和可靠性。主要贡献列举如下:（1）针对实地RCS测量成本高、测量难度大的问题,通过对飞行物的运动机理进行建模,提出了一种成本低、可重复、具有指导作用的动态RCS数据仿真方法:首先对飞行物进行三维结构建模和电磁仿真生成静态RCS信号。再对飞行物的运动进行机理建模并对静态RCS信号进行采样,按照运动学方程确定的形式得到动态RCS序列。（2）通过仿真数据分析得到的专家知识结合AC-GAN设计了更为高效快速的数据扩增方法:在对RCS信号进行机理建模和特征分析的基础上,设计了基于生成式对抗网络的模型来扩充RCS样本。同时验证了扩增样本的有效性。（3）提出了一种用于飞行物识别的时频注意机制深度学习模型:该网络利用注意力模型提高门控循环网络对数据周期性的捕捉能力,利用快速傅里叶变换（Fast Fourier Transform,FFT）对输入数据进行处理,得到频域特征辅助识别。与传统神经网络相比较,本文提出的模型在准确率与F1分数上均能提升10%左右。
朱思锐[3]（2020）在《基于无线信号的飞行目标智能识别研究》文中指出飞行目标识别是一个应用广泛的研究领域,在民航安全、国土安全、敏感区域防护等领域具有重要的研究意义。雷达散射截面（Radar Cross Section,RCS）蕴含了飞行目标的电磁散射特征和运动特征等信息,因此广泛应用于飞行目标识别。从RCS中提取表征飞行目标特征进而可靠识别目标一直是飞行目标识别领域的研究热点。传统基于RCS无线信号的飞行目标识别方法通常采用统计方法计算信号的高阶统计特征,并依据已知的飞行目标特征进行模式识别,或采用支持向量机、多层感知器等分类器区分不同类型目标。基于高阶累积量的方法对信号的平稳性、信干噪比等有较高要求,且需要飞行目标的先验知识。实际中对抗性的飞行目标（例如高空高速飞行目标、低空慢速小型目标等）识别任务中,RCS信号通常存在信干比较小、采样值缺失多、目标特征并不掌握等困难,严重影响了统计分析方法的实用性。深度学习具有优异的抽象表示能力与端到端学习能力,在计算机视觉、自然语言处理等领域得到了广泛应用。本文研究基于深度学习的飞行目标识别方法,克服传统统计方法对于信号质量的高要求,并提升飞行目标识别准确性。本文的主要工作包括:1.提出了基于空间卷积神经网络和双向循环神经网络的混合结构的深度学习模型。卷积神经网络可以很好地提取RCS中由飞行目标电磁散射特征所确定的空间特征,而循环神经网络提取RCS的时序特征,通过模型后端的全连接层将空时特征进行融合。深度学习模型将复杂的参数求解简化为了模型的端到端训练,利用神经网络优异的非线性表达能力,充分提取RCS数据的空时特征,显着提高飞行目标的识别精度。实验结果验证了该模型能可靠的识别飞行目标。2.在RCS动态仿真产生模拟信号的基础上,设计了基于迁移学习的识别模型迁移方法。数据驱动的深度学习模型的性能很大程度上取决于良好标注的海量样本,RCS实测数据需要大量的人力和物力。基于飞行目标的运动学与电磁学机理,设计了模拟生成飞行目标RCS信号的方法。基于迁移学习原理,将模拟数据集预训练（Pre-training）的深度学习模型迁移至真实数据构成的小数据集上进行微调（Fine-tuning）。实验结果表明设计的迁移学习模型能获得相似的识别性能。
唐文博[4]（2020）在《复杂场景下弹道中段雷达目标仿真与识别研究》文中提出随着现代战场环境日益复杂化,信息化技术的提高显得异常重要。目前各国争相发展了先进的弹道导弹突防技术,以弹道中段为例,导弹会释放多种诱饵并且伴随各种微动特性等,形成一个复杂的场景。反导系统的主要任务就是准确及时地识别出真弹头和假诱饵等,以便防空导弹准确拦截。反导系统探测目标的设备是雷达,本文所研究的内容就是仿真反导系统雷达接收回波信号,并准确把不同类型目标区分的过程。主要工作如下:（1）研究了复杂场景的弹道中段及运动的建模。建立了八种真假目标类型,并模拟了弹道导弹的中段运动过程,包含弹道轨迹和不同目标的微动特性。（2）研究RCS序列信号的生成及特征参数的提取。首先是对八种目标建立了静态RCS库,然后结合弹道中段轨迹运动特性仿真生成了所有目标的RCS序列,并提取RCS序列的10种特征,以便后续基于特征参数进行目标识别。（3）研究HRRP信号的生成及特征参数提取。利用CST软件仿真获取了八种目标的的全角域HRRP数据,HRRP需要做能量归一化。再结合RCS序列生成,编写了一款目标信号数据库生成GUI软件。使用PCA、LDA算法提取特征参数,以便后续进行目标识别。（4）分别研究基于特征参数和基于深度学习的目标信号识别。一方面,基于特征参数的目标识别主要采用逻辑斯蒂回归（LR）、随机森林（RF）、支持向量机（SVM）三种分类识别算法,对RCS序列和HRRP信号分别在不同样本数和不同信噪比条件下进行目标识别实验,实验发现样本数越多、信噪比越高识别准确率越高。另一方面,深度学习技术在语音识别、文字识别、图像识别等领域大放异彩,是当前十分火热的一个方向。雷达信号和语音信号类似,所以我们可以尝试用深度学习算法做本文场景下的目标识别。本文研究了MLP、GRU、Bi-GRU、CNN、FCN以及Res Net18等网络算法使用。其中,本文设计Res Net18在所有的识别算法中,对雷达信号的分类平均准确率最高。
马晓瑛[5]（2020）在《宽带极化雷达地面目标识别技术研究》文中提出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。
李昱琛[6]（2020）在《基于高分辨距离像的雷达目标识别算法的研究》文中研究表明雷达自发明至今已经在诸多领域发挥了极其重要的作用,大量雷达技术得到了飞速发展。人们对雷达新技术的探索也在不断进行,现存的雷达目标检测已经远远不能满足雷达探测技术的需要,加上宽带雷达技术日益成熟,更要求雷达能完成目标的识别。因此,雷达目标识别技术已经成为目标识别领域研究的重点。高分辨率一维距离像（HRRP）是宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和,它不仅提供了目标的几何形状和结构特点,还包含很多目标识别的关键特征。因此利用高分辨距离像进行目标识别已经成为雷达目标识别领域的热点。本文针对船舰模型的高分辨距离像在数据仿真、特征提取、基于卷积神经网的目标识别方面进行了研究和实验。首先,对高分辨距离像的基本理论进行了研究,分析了高分辨距离像的成像原理,对高分辨距离像的图像特性进行分析讨论,针对高分辨距离像图像特性中的幅度敏感性、姿态敏感性和平移敏感性三大敏感性问题,分析了三大敏感性问题的产生原因并提出了相应的解决方法,结果表明经过处理后的高分辨距离像能较好的解决自身的敏感性问题。其次,对高分辨距离像的获取方法进行了讨论,其获取方法主要可以分为实际测量法和理论仿真法,其中实际测量法又包括外场实测法和紧凑场测量法。理论仿真法则较多,主要可分为利用专业的电磁仿真软件,构建模型,通过仿真得到距离像和利用点散射模型进行仿真得到目标的距离像。本文主要采用理论仿真的方法,利用电磁仿真软件FEKO及其相应高频算法,仿真了海面环境下船舰目标不同姿态角下的高分辨距离像,对比了 FEKO软件中高频算法的仿真效率和极化方式对仿真的高分辨距离像的影响。实验结果表明在海面环境下利用FEKO软件仿真高分辨距离像的方法仍具有有效性,可以用于接下来的仿真实验。再次,对高分辨距离像特征提取方法进行了研究。分析了主成分分析法、线性判别分析法、核主成分分析法的原理,在此基础上提出了一种基于核函数的双向二维主成分分析法,利用各种特征提取方法提取了高分辨距离像的子空间特征,最后利用支持向量机分类器对不同方法提取的特征信息进行分类,分析比较了各个算法的分类能力以及姿态角变化对识别率的影响。实验结果表明,本文提出的算法在识别率方面有很大提高,并且在姿态角范围缩小时的提升更加明显。最后,引入深度学习的卷积神经网络方法,对船舰目标的高分辨距离像进行目标识别。介绍了卷积神经网络的发展历程和工作原理以及TensorFlow深度学习系统,利用TensorFlow系统搭建了完整的卷积神经网络,在原始卷积神经网络结构的基础上改进了卷积神经网络结构,提出了一种双通道并行的卷积神经网络结构模型。通过优化激活函数和深度学习参数,充分提取高分辨距离像所包含的目标深层次属性特征,实现自动特征提取,最终构造最优的网络结构。在仿真实验中,分析了不同的网络配置方式、激活函数和学习率等因素对卷积神经网络分类能力的影响,对比卷积神经网络与改进的卷积神经网络的识别准确率,实验结果表明,改进的卷积神经网络有着更高的识别率和鲁棒性。
袁姿豪[7]（2020）在《谐振雷达目标极点特征提取与识别技术研究》文中指出目标在谐振区时电磁散射特性明显,回波易携带目标谐振特征,其中的极点特征只与目标本身固有属性如大小、材料和形状有关,与雷达入射波的方向、极化方式等外在因素无关,是物体的一种本原信息。利用极点特征进行识别,可大大减少识别所需的特征库模板要求。本文通过对飞机目标回波建模与极点提取,得到目标极点信息并分析极点特性,然后利用极点实现目标的高效识别。本文首先通过电磁仿真软件进行目标的建模剖分与回波构建。而后选用矩阵束法从回波中初步提取目标极点,为了使提取结果更加精确,对矩阵束法的相关参数进行优化选择,并对初步提取的结果进行提纯。由于单方位的极点提取结果易受干扰,因此进一步对多方位极点进行整合,得到最终的极点信息。本文对有理论极点的简单目标细导线进行极点提取与提纯仿真,提取结果可与理论值相对应。对于复杂物体,多方位的极点提取结果可以聚集重合,验证了极点提取流程的合理性。然后研究目标极点与频段选择以及频域峰值的关系,通过仿真论证得到,回波数据频段不能覆盖提取极点所需频率时,极点提取不完整,且丢失的极点个数与缺失频段内的频谱峰值个数对应。在频段不完整的情况下,仅通过峰值数据,也可提取出目标极点。极点也分内部极点与外部极点,闭合中空的目标可以提取外部极点,而开口的目标除了外部极点外,还可以提取内部极点,内部极点与频域回波峰值有一一对应关系,为极点的提取增加了捷径,也为与极点相关的识别方法提供了更多可能。在实际的识别应用中,本文基于目标极点信息构造E脉冲,E脉冲与其对应目标的回波卷积后,可将后时部分消除为零,基于此特性可对目标进行分类,并且避免了实时提取极点过程中受噪声影响较大的问题。本文对飞机目标进行识别仿真实验,利用极少的E脉冲特征模板即可有较高的识别率。由于极点提取与识别易受到电磁散射强度的影响,导致某些飞机头尾方向识别效果较差,为了解决这一影响,本文提出了多特征融合的综合识别方案,仿真表明,该方案识别效果可靠,且对特征库要求较低,利用少量特征模板即可达到较好的识别效果。
李雅欣[8]（2020）在《基于深度学习的地面慢速目标分类及精细化识别方法》文中进行了进一步梳理地面慢速目标识别是雷达目标识别的重要组成部分,在战场监视和安保防卫领域具有巨大的应用价值。行人和车辆是地面监视雷达的主要监视对象,其包含着丰富的微运动,可为地面慢速目标的类型判别和运动状态判定提供有效的特征信息。因此,利用地面慢速目标的微多普勒特性差异进行地面慢速目标的识别是目前的研究热点之一。同时,随着算法的发展和图形计算单元效能的提升,深度学习方法逐渐应用于雷达目标识别领域。因此,研究基于深度学习的地面慢速目标分类及精细化识别具有重要的意义。深度学习方法能够对样本特征进行自主学习,但其获得的特征缺乏物理属性的支撑,因此,如何设计融合网络将物理特征和深度网络进行有机结合以提升对地面慢速目标的识别精度是亟需解决的一个难题。由于录取难度大、周期长,地面慢速目标实测数据难以获得,训练过程易发生过拟合,需要对现有样本库进行增强,使深度网络充分学习样本深层次特征,提升识别精度。除了对地面慢速目标的类型进行判别外,还需要对其微动部件进行精细化识别,从而为地面慢速目标运动参数提取及运动状态预测提供有力支撑。本文在军委科技委课题和国家自然科学基金青年基金课题的资助下,结合地面监视雷达系统对目标探测与识别的实际应用需求,开展了基于深度学习的地面慢速目标分类及精细化识别的研究,重点研究了基于深度融合网络的地面慢速目标识别、基于生成式对抗网络（Generative Adversarial Network,GAN）的地面慢速目标雷达回波数据增强和基于改进全卷积网络（Fully Convolutional Network,FCN）的行人微动部位精细化识别。主要研究内容包括:（1）由于行人和车辆目标具有丰富的微运动,同时,不同的微运动对应不同的微多普勒特性。因此,利用地面慢速目标的微多普勒特性差异是研究地面慢速目标分类和识别的重要前提。首先提出了基于改进生物力学模型的持械行人雷达回波建模方法和基于运动捕获数据和电磁散射特性的行人步态雷达回波生成方法;其次,利用时频分析工具对其微多普勒特性进行分析;最后,建立了地面慢速目标时频谱图样本库,包括基于改进生物力学模型的行人是否持械的样本库、基于运动捕获数据和电磁散射特性的行人不同步态样本库和基于连续波雷达的实测行人与车辆样本库。地面慢速目标时频谱图样本库的构建为后续基于深度学习的地面慢速目标识别、地面慢速目标雷达回波数据增强算法和行人微动部位的精细化识别等研究奠定了基础。（2）针对深度学习算法所提取的特征可解释性不强、有效性不稳定的问题,提出了基于深度融合网络的地面慢速目标识别算法。首先,对目标雷达回波样本进行手工特征提取,形成一维特征向量;其次,使用卷积神经网络（Convolutional Neural Network,CNN）构建目标识别网络;然后,在该网络中引入特征融合的结构,将手工提取特征与深度学习提取的特征通过全连接层进行融合;最后,使用测试集评估识别算法的性能。通过不同训练集比例和不同信噪比条件下原网络和所提出的深度融合网络的对比实验,验证了所提出算法的有效性。（3）针对实测数据录取难度大、周期长,现有地面慢速目标样本库难以满足深度学习需求、导致模型泛化能力差的难题,提出了基于韦氏距离生成式对抗网络（Wasserstein GAN,WGAN）的地面慢速目标雷达回波数据增强算法。首先,研究了GAN的基本原理,从损失函数的角度分析了 GAN存在训练不稳定问题的原因;其次,基于WGAN构建了地面慢速目标雷达回波数据增强网络,基于所获得的生成模型对原始数据集进行了扩充;之后,通过图像评价指标衡量了生成样本与真实样本的分布差异;最后,在不同信噪比条件下对比了基于原有样本和增强样本的目标识别效果。实验证明,生成样本在一定程度上学习到了真实样本的数据分布,使用生成样本对原有数据集进行增强,提升了识别算法的有效性和鲁棒性。（4）针对行人微多普勒信号在时频域互相混叠,难以精细化识别的挑战,提出了一种基于改进FCN的行人微动部位精细化识别算法。首先,在原有的基于生物力学模型的行人不同步态样本库、基于运动捕获数据和电磁散射特性的行人不同步态样本库的基础上,建立行人12个微动部位的微多普勒时频样本库,作为精细化识别的标签;其次,构建了一种基于改进FCN的行人微动部位精细化识别网络,对行人各微动部位的微多普勒信号进行分离及精细化识别。最后,为定量评估所提出精细化识别算法的有效性,使用若干评价指标对预测分离信号和真实分离信号的差异进行了计算。
袁俊英[9]（2020）在《基于动态RCS的雷达目标识别研究》文中进行了进一步梳理雷达目标识别是现代雷达研究的重要发展方向。目前雷达目标识别在宽带高分辨雷达方面的研究已经取得很大的进展,而对于常规雷达的目标识别的研究更具有现实的意义。雷达散射截面积（Radar Cross Section,RCS）是目标电磁散射特性中最重要的幅度特性。本文针对空中飞机目标的分类问题,提出利用径向基（Radial Basis Function,RBF）网络对动态RCS特征进行分类辨识的方法。主要工作有以下几点。首先,研究雷达散射截面的基本理论及雷达目标RCS求解方法。考虑到目标的实测动态RCS难以获取,研究了一种目标动态RCS计算方法。本文以典型飞机目标作为对象,对其进行CAD建模并计算目标全空域的静态RCS值。在此基础上建立雷达坐标系与机体坐标系之间的转换规则,利用Matlab软件分析动态目标的RCS特性,获得目标RCS时间序列。其次,为提高雷达目标特征辨别效果,深入研究基于RCS时间序列的目标特征提取方法。分析目标RCS统计特征中各特征值的重要性,提取各类目标RCS时间序列中的位置特征、分布特征及散布特征,通过对RCS时间序列进行小波分解和重构,提取离散小波能量特征。引入类别可分性测度,通过定量分析特征在各目标集下的可分度,初步验证所提取特征的有效性。最后,深入研究RBF神经网络的分类机理,设计基于RCS时间序列辨识的RBF神经网络,以五类飞机的目标RCS时间序列样本作为输入向量,进行训练和测试。分别使用BP神经网络算法和K近邻算法设计分类器,通过与两种典型算法的对比,对本文提出的基于RCS时间序列的RBF神经网络识别性能作出评估。仿真实验结果表明该方法分类效果较好,为动态RCS特征的分类提供了新思路,对于雷达目标识别的发展有着较重要的意义。
黄盼盼[10]（2020）在《弹道导弹中段雷达目标识别方法研究》文中进行了进一步梳理雷达目标识别（Radar Target Recognition,RTR）是弹道导弹防御（Ballistic Missile Defense,BMD）的关键技术之一。随着现代军事的发展,对于弹道导弹在飞行中段的识别方法研究成为国内外热点课题。本文在弹道导弹目标运动建模和回波建模的基础上,研究基于一维距离像、微多普勒的识别方法和基于置信度的分类器识别性能评估方法,主要工作如下:1.研究了弹道中段目标的基本特性。首先,研究了中段目标的回波特性,分析了一维距离像的获取方法;然后,对中段目标建立微动模型,分析了微动目标的微多普勒效应。为后续中段目标识别奠定基础。2.根据目标一维距离像特性,提出基于自适应进化粒子群算法（Adaptive Evolution Particle Swarm Optimization,AEPSO）优化支持向量机（Support Vector Machine,SVM）的目标识别方法。该方法首先对目标一维距离像进行预处理与特征提取;然后,以训练集的识别准确率做为适应度函数,利用AEPSO算法对SVM的参数进行优化;最后,利用优化后的SVM对测试样本进行分类,识别精度高达97%以上。3.根据目标微多普勒特性,提出基于时频重排＿改进Dijkstra算法的微多普勒特征提取方法。该方法首先利用时频重排方法对回波信号进行时频分析,然后利用改进的Dijkstra算法对时频图进行微多普勒提取,最后利用不同微动下微多普勒特征进行目标识别,识别精度高达96%以上。4.根据统计学习中的置信度理论,提出基于自适应邻域样本（Adaptive Neighborhood Samples,ANS）的SVM置信度估计方法。该方法依据自适应选取待测样本邻域的方法估计样本个体的置信度;对个体样本置信度进行排序并结合拒识率给出拒识域,以拒识后的样本识别率作为整体置信度估计,效果较好。
二、基于RCS的空间雷达目标识别（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RCS的空间雷达目标识别（论文提纲范文）
（1）基于RCS序列的空间目标识别技术综述（论文提纲范文）
| 1 引言 |
| 2 空间目标RCS序列的获得 |
| 2.1 RCS的定义 |
| 2.2 影响RCS的主要因素 |
| 2.3 空间目标RCS的理论计算 |
| 2.4 空间目标的RCS实际测量 |
| 3 基于RCS序列的空间目标尺寸估计 |
| 4 基于RCS序列的空间目标分类识别研究 |
| 4.1 空间目标姿态判断和周期提取 |
| 4.2 空间目标分类识别的特征提取 |
| 1)基于概率分布的统计特征提取 |
| 2)基于时频图特征参数提取 |
| 3)基于小波变换特征参数提取 |
| 4)分形特征参数提取 |
| 4.3 空间目标识别分类器算法研究 |
| 1)传统分类器 |
| 2)人工神经网络分类器 |
| 3)模糊分类器 |
| 5 基于RCS序列的空间目标识别发展方向 |
| 6 结论 |
（2）基于机理建模的飞行目标智能识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 逆合成孔径雷达 |
| 1.2.2 微动特征提取 |
| 1.2.3 高分辨率图像 |
| 1.2.4 深度学习 |
| 1.3 本文主要工作 |
| 1.4 论文结构安排 |
| 第二章 相关技术与算法原理 |
| 2.1 引言 |
| 2.2 RCS相关技术 |
| 2.2.1 RCS定义 |
| 2.2.2 运动特性 |
| 2.3 GAN相关技术 |
| 2.3.1 网络结构 |
| 2.3.2 训练方法 |
| 2.4 时序神经网络 |
| 2.4.1 循环神经网络 |
| 2.4.2 长短期记忆网络 |
| 2.4.3 门控循环单元 |
| 2.5 注意力模型 |
| 2.6 本章小结 |
| 第三章 飞行器可辨识的机理建模与RCS仿真 |
| 3.1 引言 |
| 3.2 飞行物3D建模及静态RCS仿真 |
| 3.3 飞行物运动机理建模及采样 |
| 3.3.1 飞行物平动轨迹建模 |
| 3.3.2 雷达视线角建模 |
| 3.3.3 微动建模 |
| 3.3.4 数据仿真 |
| 3.4 数据增广模型设计与实现 |
| 3.4.1 数据增广模型 |
| 3.4.2 数据扩增结果校验 |
| 3.5 本章小结 |
| 第四章 时频注意力机制的GRU目标识别网络 |
| 4.1 引言 |
| 4.2 数据分析与预处理 |
| 4.2.1 数据预处理 |
| 4.2.2 数据分析 |
| 4.3 时频注意力机制的GRU模型设计 |
| 4.4 实验与性能验证 |
| 4.4.1 识别模型性能对比 |
| 4.4.2 数据扩增性能验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文小结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）基于无线信号的飞行目标智能识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究历史及现状 |
| 1.3 本文的主要创新与贡献 |
| 1.4 论文组织结构 |
| 第二章 深度学习理论基础 |
| 2.1 深度学习理论 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络 |
| 2.1.3 迁移学习理论 |
| 2.2 本章小结 |
| 第三章 基于RCS信号的飞行目标识别技术研究 |
| 3.1 RCS信号预处理 |
| 3.1.1 RCS噪点处理 |
| 3.1.2 信号归一化 |
| 3.1.3 RCS滑动窗口切片 |
| 3.1.4 RCS信号压缩感知重构 |
| 3.2 飞行目标RCS信号的特征分析 |
| 3.2.1 RCS信号时间特性分析 |
| 3.2.2 RCS信号空间特征分析 |
| 3.3 深度学习模型架构 |
| 3.3.1 空间卷积模块 |
| 3.3.2 双向GRU模块 |
| 3.3.3 全连接层模块 |
| 3.4 模型超参数设置 |
| 3.5 本章小结 |
| 第四章 飞行目标识别模型迁移技术研究 |
| 4.1 RCS数据模拟 |
| 4.1.1 典型飞行目标CAD模型构建 |
| 4.1.2 静态RCS电磁仿真 |
| 4.1.3 动态RCS仿真 |
| 4.1.4 信道闪烁效应仿真 |
| 4.2 飞行目标识别的深度学习模型迁移 |
| 4.2.1 判别模型的迁移学习理论 |
| 4.2.2 识别模型迁移 |
| 4.3 模型训练与评估 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表论文情况 |
（4）复杂场景下弹道中段雷达目标仿真与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的意义 |
| 1.2 课题的研究进展和相关技术理论 |
| 1.2.1 课题的国内外研究进展 |
| 1.2.2 雷达目标识别的技术理论 |
| 1.3 本文的主要研究内容 |
| 第2章 复杂场景的弹道中段目标及运动的建模 |
| 2.1 弹道中段目标类型建模 |
| 2.2 弹道中段目标运动建模 |
| 2.2.1 弹道轨迹研究 |
| 2.2.2 目标微动特性研究 |
| 2.3 本章小结 |
| 第3章 RCS序列信号的生成及特征参数提取 |
| 3.1 RCS基本概念 |
| 3.1.1 RCS的定义 |
| 3.1.2 RCS的影响因素及特性 |
| 3.2 RCS序列信号仿真 |
| 3.2.1 目标静态RCS库仿真 |
| 3.2.2 目标动态RCS序列仿真 |
| 3.3 RCS序列特征参数提取 |
| 3.4 本章小结 |
| 第4章 HRRP信号的生成及特征参数提取 |
| 4.1 HRRP基本概念 |
| 4.1.1 HRRP的定义 |
| 4.1.2 HRRP的影响因素及特性 |
| 4.2 HRRP信号仿真 |
| 4.2.1 HRRP样本集生成 |
| 4.2.2 目标信号数据库 |
| 4.3 HRRP特征参数提取 |
| 4.3.1 基于PCA算法的特征参数提取 |
| 4.3.2 基于LDA算法的特征参数提取 |
| 4.4 本章小结 |
| 第5章 基于特征参数和基于深度学习的目标信号识别 |
| 5.1 基于特征参数的机器学习识别算法 |
| 5.1.1 逻辑斯蒂回归(Logistics Regression) |
| 5.1.2 随机森林(Random Forest) |
| 5.1.3 支持向量机(Support Vector Machine) |
| 5.2 基于特征参数的算法识别实验 |
| 5.2.1 RCS序列识别实验 |
| 5.2.2 HRRP识别实验 |
| 5.3 机器学习技术到深度学习技术 |
| 5.3.1 感知机和BP算法 |
| 5.3.2 循环神经网络(RNN) |
| 5.3.3 一维卷积神经网络(1D-CNN) |
| 5.4 经典CNN神经网络解析 |
| 5.4.1 全卷积神经网络(FCN) |
| 5.4.2 深度残差神经网络(DRN) |
| 5.5 深度学习算法识别实验 |
| 5.5.1 RCS序列识别实验 |
| 5.5.2 HRRP识别实验 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）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 |
（6）基于高分辨距离像的雷达目标识别算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究的历史和现状 |
| 1.3 论文的结构和安排 |
| 2 雷达目标高分辨距离像的基本原理 |
| 2.1 目标散射中心模型 |
| 2.2 高分辨距离像的成像原理 |
| 2.3 高分辨距离像的特性分析 |
| 2.3.1 幅度敏感性 |
| 2.3.2 平移敏感性 |
| 2.3.3 姿态敏感性 |
| 2.4 本章小结 |
| 3 基于FEKO软件的雷达高分辨距离像获取方法 |
| 3.1 FEKO建模及其算法研究 |
| 3.1.1 FEKO船舰模型的建模 |
| 3.1.2 FEKO的主要算法 |
| 3.1.3 FEKO的主要算法 |
| 3.2 目标RCS及高分辨距离像计算 |
| 3.2.1 目标网格剖分 |
| 3.2.2 目标RCS计算 |
| 3.2.3 目标HRRP的获取 |
| 3.3 目标仿真实验 |
| 3.3.1 船舰目标的RCS仿真 |
| 3.3.2 海面环境下目标RCS特性的研究 |
| 3.3.3 不同船舰目标的高分辨距离像仿真 |
| 3.3.4 姿态角对高分辨距离像的影响 |
| 3.4 本章小结 |
| 4 高分辨距离像的特征提取 |
| 4.1 基于经典子空间算法的高分辨距离像距离像特征提取 |
| 4.1.1 基于PCA的特征提取 |
| 4.1.2 基于LDA的特征提取 |
| 4.2 基于核函数的高分辨距离像特征提取 |
| 4.2.1 核函数简介 |
| 4.2.2 核主成分分析法(KPCA) |
| 4.2.3 改进的基于核函数的双向二维主成分分析法 |
| 4.3 支持向量机 |
| 4.4 高分辨距离像特征提取实验仿真 |
| 4.4.1 基于PCA的特征提取识别 |
| 4.4.2 基于LDA的特征提取识别 |
| 4.4.3 基于核函数的双向二维主成分分析法的特征提取识别 |
| 4.4.4 不同姿态角下船舰模型识别率的对比 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的高分辨距离像目标识别方法 |
| 5.1 卷积神经网络的特点 |
| 5.2 卷积神经网络的基本结构 |
| 5.3 TensorFlow深度学习库 |
| 5.4 改进的基于卷积神经网络的高分辨距离像目标识别 |
| 5.4.1 一维神经网络 |
| 5.4.2 改进的卷积神经网络 |
| 5.5 基于卷积神经网络的高分辨距离像目标识别仿真实验 |
| 5.5.1 不同激活函数的性能识别实验 |
| 5.5.2 不同学习率的识别性能实验 |
| 5.5.3 改进的卷积神经网络目标识别实验 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）谐振雷达目标极点特征提取与识别技术研究（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 研究背景及意义 |
| 1.2 研究历史和现状 |
| 1.2.1 目标散射特性研究现状 |
| 1.2.2 雷达目标识别研究现状 |
| 1.2.3 极点特征研究现状 |
| 1.3 论文主要工作及章节安排 |
| 第二章 目标建模及简单目标极点提取 |
| 2.1 引言 |
| 2.2 雷达散射截面积 |
| 2.2.1 雷达散射截面积理论 |
| 2.2.2 目标建模优化及网格划分 |
| 2.2.3 雷达散射特性计算 |
| 2.3 极点提取 |
| 2.3.1 确定晚期响应开始时间 |
| 2.3.2 矩阵束法 |
| 2.3.3 剔除虚假极点 |
| 2.3.4 多方位极点的整合 |
| 2.4 小结 |
| 第三章 复杂目标极点提取及极点特性分析 |
| 3.1 引言 |
| 3.2 复杂目标的极点提取 |
| 3.2.1 导弹形组合体极点提取与分析 |
| 3.2.2 飞机目标极点提取与分析 |
| 3.3 目标极点与频段选择的关系 |
| 3.4 目标极点与频域峰值的关系 |
| 3.5 目标内部谐振点 |
| 3.6 本章小结 |
| 第四章 基于极点的目标识别 |
| 4.1 引言 |
| 4.2 基于极点的识别方案 |
| 4.3 E脉冲技术 |
| 4.3.1 E脉冲技术原理 |
| 4.3.2 强迫E脉冲技术 |
| 4.3.3 简单目标E脉冲仿真实验 |
| 4.3.4 极点对E脉冲卷积效果的影响 |
| 4.3.5 复杂目标E脉冲仿真实验 |
| 4.4 E脉冲能量识别比 |
| 4.4.1 E脉冲能量识别比概念 |
| 4.4.2 复杂目标能量识别比仿真实验 |
| 4.4.3 E脉冲识别仿真实验 |
| 4.5 多特征综合识别 |
| 4.5.1 E脉冲识别的限制 |
| 4.5.2 一维距离像识别 |
| 4.5.3 综合识别方案 |
| 4.6 本章总结 |
| 第五章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于深度学习的地面慢速目标分类及精细化识别方法（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 研究背景和应用 |
| 1.2 国内外研究现状 |
| 1.2.1 地面慢速目标微多普勒特性研究 |
| 1.2.2 地面慢速目标特征融合与识别 |
| 1.2.3 基于深度学习的数据增强算法 |
| 1.2.4 微多普勒信号精细化识别算法 |
| 1.3 本文内容安排 |
| 第二章 地面慢速目标雷达回波建模及微多普勒特征分析 |
| 2.1 引言 |
| 2.2 基于生物力学模型的行人雷达回波建模 |
| 2.2.1 基于生物力学模型的正常行人雷达回波建模 |
| 2.2.2 基于改进的生物力学模型的行人持械雷达回波建模 |
| 2.3 基于运动捕获和电磁散射特性的行人雷达回波建模 |
| 2.4 实测地面慢速目标样本库 |
| 2.5 本章小结 |
| 第三章 基于深度融合网络的地面慢速目标识别 |
| 3.1 引言 |
| 3.2 地面慢速目标特征提取 |
| 3.3 基于深度融合网络的地面慢速目标识别算法网络结构 |
| 3.4 实验结果及分析 |
| 3.4.1 基于生物力学模型的行人持械与否分类 |
| 3.4.2 基于运动捕获和电磁散射特性的行人步态分类 |
| 3.4.3 基于实测的行人和车辆慢速目标分类 |
| 3.4.4 综合分析 |
| 3.5 本章小结 |
| 第四章 基于WGAN的地面慢速目标雷达回波数据增强算法 |
| 4.1 引言 |
| 4.2 GAN的基本原理 |
| 4.3 WGAN的基本原理 |
| 4.3.1 GAN的缺陷 |
| 4.3.2 WGAN基本原理 |
| 4.4 基于WGAN的地面慢速目标数据增强及评估 |
| 4.4.1 WGAN网络结构 |
| 4.4.2 基于WGAN的地面慢速目标样本增强 |
| 4.4.3 增强样本评估 |
| 4.5 基于增强样本的目标分类及性能评估 |
| 4.6 本章小结 |
| 第五章 基于改进FCN的行人微动部位精细化识别 |
| 5.1 引言 |
| 5.2 基于改进的FCN的行人微多普勒信号分离网络结构 |
| 5.3 行人微动部位精细化识别实验 |
| 5.3.1 基于生物力学的行人微动部件精细化识别 |
| 5.3.2 基于运动捕获的行人微动部件精细化识别 |
| 5.4 精细化识别性能评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1. 全文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于动态RCS的雷达目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 雷达散射截面的目标特性 |
| 2.1 目标RCS特性 |
| 2.1.1 雷达散射截面的定义 |
| 2.1.2 目标RCS的分类 |
| 2.2 RCS的计算方法 |
| 2.2.1 矩量法 |
| 2.2.2 多层快速多级子算法 |
| 2.3 基于FEKO的目标RCS建模 |
| 2.3.1 目标建模方法 |
| 2.3.2 网格划分及标准体算例 |
| 2.3.3 典型飞机目标静态RCS仿真 |
| 2.4 本章小结 |
| 第3章 基于航迹生成的RCS时间序列 |
| 3.1 动态RCS获取步骤 |
| 3.2 飞行航路设定和飞行坐标获取 |
| 3.2.1 机体飞行航迹生成原理研究 |
| 3.2.2 侧站盘旋 |
| 3.3 雷达视线角解算和目标散射特性计算 |
| 3.3.1 坐标系和姿态角的定义 |
| 3.3.2 时间序列的计算 |
| 3.4 本章小结 |
| 第4章 基于K近邻算法和BP神经网络的目标识别 |
| 4.1 雷达目标识别流程 |
| 4.2 动态RCS特征信息提取方法 |
| 4.2.1 统计特性特征提取 |
| 4.2.2 基于小波变换的特征提取 |
| 4.2.3 类别可分性测度 |
| 4.3 基于K近邻算法的雷达目标识别 |
| 4.3.1 K近邻算法介绍 |
| 4.3.2 实验及其分析 |
| 4.4 基于BP神经网络的雷达目标识别 |
| 4.4.1 BP神经网络介绍 |
| 4.4.2 实验及其分析 |
| 4.5 本章小结 |
| 第5章 基于改进RBF网络的雷达目标识别 |
| 5.1 RBF神经网络模型 |
| 5.1.1 RBF神经网络介绍 |
| 5.1.2 RBF网络的学习算法 |
| 5.1.3 基于减聚类的K-Means算法 |
| 5.2 实验及结果分析 |
| 5.2.1 数据预处理 |
| 5.2.2 仿真实验 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术成果 |
| 致谢 |
（10）弹道导弹中段雷达目标识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 历史与研究现状 |
| 1.2.1 弹道导弹防御发展历史 |
| 1.2.2 弹道导弹雷达目标识别技术的研究现状 |
| 1.3 本文的工作和内容安排 |
| 第二章 弹道中段雷达目标特性分析 |
| 2.1 引言 |
| 2.2 弹道中段目标散射中心模型 |
| 2.3 弹道中段目标回波特性分析 |
| 2.3.1 RCS特性 |
| 2.3.2 一维距离像特性 |
| 2.4 弹道中段目标微动特性分析 |
| 2.4.1 摆动目标微动分析 |
| 2.4.2 翻滚目标微动分析 |
| 2.4.3 自旋目标微动分析 |
| 2.4.4 锥旋目标微动分析 |
| 2.4.5 进动目标微动分析 |
| 2.4.6 章动目标微动分析 |
| 2.5 本章小结 |
| 第三章 基于一维距离像的弹道中段目标识别 |
| 3.1 引言 |
| 3.2 预处理与特征提取 |
| 3.2.1 预处理 |
| 3.2.2 特征提取 |
| 3.3 分类器优化设计 |
| 3.3.1 支持向量机理论 |
| 3.3.2 AEPSO算法 |
| 3.4 基于AEPSO_SVM算法的雷达HRRP目标识别 |
| 3.5 仿真实验与分析 |
| 3.5.1 数据说明 |
| 3.5.2 实验与分析 |
| 3.6 本章小结 |
| 第四章 基于微多普勒的弹道中段目标识别 |
| 4.1 引言 |
| 4.2 常见时频分析方法 |
| 4.2.1 短时傅里叶变换 |
| 4.2.2 Cohen类时频变换 |
| 4.2.3 时频重排理论 |
| 4.3 基于改进Dijstra算法的微多普勒特征提取 |
| 4.3.1 最短路径描述 |
| 4.3.2 改进Dijkstra算法 |
| 4.3.3 基于改进Dijkstra算法的微多普勒提取 |
| 4.4 基于微多普勒的弹道中段目标识别方法 |
| 4.5 仿真实验与分析 |
| 4.5.1 数据说明 |
| 4.5.2 实验与分析 |
| 4.6 本章小结 |
| 第五章 基于置信度的分类器识别性能评估 |
| 5.1 引言 |
| 5.2 置信度 |
| 5.2.1 置信度概念 |
| 5.2.2 置信度应用价值 |
| 5.2.3 现有的置信度评估方法 |
| 5.3 基于自适应邻域样本的SVM置信度估计 |
| 5.4 实验与分析 |
| 5.4.1 一维距离像的目标识别置信度评估实验 |
| 5.4.2 微多普勒的目标识别置信度评估实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、基于RCS的空间雷达目标识别（论文参考文献）
- [1]基于RCS序列的空间目标识别技术综述[J]. 王鹏达,曲卫. 兵器装备工程学报, 2021(10)
- [2]基于机理建模的飞行目标智能识别研究[D]. 张少廷. 北京邮电大学, 2021(01)
- [3]基于无线信号的飞行目标智能识别研究[D]. 朱思锐. 北京邮电大学, 2020(04)
- [4]复杂场景下弹道中段雷达目标仿真与识别研究[D]. 唐文博. 哈尔滨工业大学, 2020(02)
- [5]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)
- [6]基于高分辨距离像的雷达目标识别算法的研究[D]. 李昱琛. 大连海事大学, 2020(01)
- [7]谐振雷达目标极点特征提取与识别技术研究[D]. 袁姿豪. 西安电子科技大学, 2020(05)
- [8]基于深度学习的地面慢速目标分类及精细化识别方法[D]. 李雅欣. 西安电子科技大学, 2020
- [9]基于动态RCS的雷达目标识别研究[D]. 袁俊英. 哈尔滨理工大学, 2020(02)
- [10]弹道导弹中段雷达目标识别方法研究[D]. 黄盼盼. 南京航空航天大学, 2020(07)