基于集成學習的角反射體目標雷達識別理論與方法

第1章 角反射體目標概況\t1
1．1 引言\t1
1．2 角反射體的發(fā)展與應用現(xiàn)狀\t1
1．3 角反射體的雷達目標特性\t5
1．3．1 角反射體的RCS經(jīng)典公式\t5
1．3．2 電磁仿真軟件\t5
1．3．3 角反射體的RCS頻率特性\t7
1．3．4 角反射體的RCS極化特性\t7
1．3．5 角反射體的高分辨率距離像\t9
1．3．6 異型角反射體的雷達目標特性\t10
1．4 角反射體RCS快速預估\t14
1．4．1 基于改進GO/AP法的三面角反射體RCS預估\t15
1．4．2 角切除和角度公差對三面角反射體RCS的影響\t24
1．4．3 角反射體群和異型角反射體的RCS快速預估\t29
1．5 小結(jié)\t35
參考文獻\t36
第2章 全極化高分辨率距離像的特征提取與優(yōu)選\t38
2．1 引言\t38
2．2 異型角反射體布放陣列尋優(yōu)\t39
2．2．1 基于RCS幅值特性的異型角反射體陣列尋優(yōu)\t39
2．2．2 基于HRRP的異型角反射體陣列尋優(yōu)\t43
2．3 全極化HRRP的特征提取\t45
2．3．1 全極化HRRP數(shù)據(jù)集建立\t46
2．3．2 特征提取\t51
2．4 全極化HRRP的特征優(yōu)選\t61
2．4．1 全極化HRRP特征的有效性分析\t61
2．4．2 基于歸一化互信息的特征選擇算法\t69
2．4．3 特征優(yōu)選\t79
2．5 小結(jié)\t83
參考文獻\t83
第3章 集成學習的基本理論\t87
3．1 引言\t87
3．2 集成學習的框架\t87
3．3 分類器輸出的類型\t90
3．4 集成學習的有效性分析\t92
3．4．1 有效性的內(nèi)部條件\t92
3．4．2 有效性的外部原因\t93
3．4．3 一個分類器集成的例子\t95
3．4．4 集成學習在雷達目標識別中的適應性分析\t97
3．5 集成學習的多樣性\t98
3．5．1 多樣性的重要性\t98
3．5．2 多樣性度量方法\t100
3．5．3 多樣性度量方法的集成間隔解釋\t104
3．6 集成學習的主要類別\t106
3．6．1 靜態(tài)分類器集成\t107
3．6．2 動態(tài)選擇集成\t111
3．7 小結(jié)\t112
參考文獻\t112
第4章 基于靜態(tài)分類器集成的角反射體目標雷達識別方法\t116
4．1 引言\t116
4．2 基于元學習的角反射體目標雷達識別算法\t116
4．2．1 基分類算法的選擇\t117
4．2．2 基于元學習的目標識別算法\t123
4．2．3 元學習系統(tǒng)的參數(shù)尋優(yōu)\t127
4．3 基于集成間隔優(yōu)化的角反射體目標雷達識別算法\t135
4．3．1 集成間隔定義\t135
4．3．2 分類器權(quán)值和樣本權(quán)值計算\t137
4．3．3 基于集成間隔優(yōu)化的靜態(tài)選擇集成算法\t139
4．3．4 SSE-MO的參數(shù)尋優(yōu)\t140
4．4 小結(jié)\t144
參考文獻\t145
第5章 基于動態(tài)分類器集成的角反射體目標雷達識別方法\t146
5．1 引言\t146
5．2 基于聚類和隨機參考分類器的角反射體目標雷達識別算法\t147
5．2．1 基于多樣性度量的k-medoids聚類\t148
5．2．2 基于RRC的分類器競爭力度量\t149
5．2．3 KMRRC動態(tài)集成選擇算法\t156
5．2．4 KMRRC的參數(shù)尋優(yōu)\t157
5．3 基于混合集成選擇的角反射體目標雷達識別算法\t160
5．3．1 基于NSGAⅡ的集成分類器靜態(tài)優(yōu)選\t160
5．3．2 元分類器的訓練與動態(tài)選擇\t165
5．3．3 ODS混合分類器集成選擇算法\t169
5．3．4 ODS的參數(shù)尋優(yōu)\t169
5．4 小結(jié)\t178
參考文獻\t178
第6章 4種分類器集成算法的對比研究\t180
6．1 引言\t180
6．2 理想情況下的對比研究\t180
6．3 復雜條件下的對比研究\t184
6．3．1 類別噪聲的影響\t184
6．3．2 小樣本集的影響\t186
6．3．3 庫外目標的影響\t189
6．3．4 3種因素的共同影響\t196
6．4 小結(jié)\t201
參考文獻\t201