第1章 绪论

1.1雷达自动目标识别综述

1.1.1雷达自动目标识别的基本概念

1.1.2雷达自动目标识别的划分方法

1.1.3雷达自动目标识别的意义、历史和现状

1.2雷达高分辨距离像目标识别研究的关键问题

1.2.1HRRP的方位敏感性问题

1.2.2HRRP的平移敏感性问题

1.2.3HRRP的幅度敏感性问题

1.2.4HRRP的杂波抑制问题

1.2.5HRRP的库外目标拒判问题

1.2.6HRRP的特征提取问题

1.3凸优化问题简介

1.3.1凸优化的定义

1.3.2凸优化的形式

1.4基于核函数的模式分析方法

1.4.1模式分析方法的发展历程

1.4.2核方法的基本概念

1.4.3核函数优化

1.5数据介绍和内容安排

1.5.1数据介绍

1.5.2内容安排

参考文献

第2章 宽带雷达自动目标识别的杂波抑制问题

2.1引言

2.2信号模型

2.3多普勒域直接滤波

2.3.1杂波抑制

2.3.2基于实测数据的仿真实验

2.3.3本节小结

2.4基于Keystone变换的宽带雷达自动目标识别杂波抑制

2.4.1多普勒域直接滤波

2.4.2频率-多普勒域信号的提取与杂波抑制

2.4.3基于实测数据的仿真实验

2.4.4本节小结

2.5基于Hough变换的宽带雷达自动目标识别杂波抑制

2.5.1Hough变换的原理

2.5.2利用Hough变换提取信号信息

2.5.3运动补偿后提取信号信息

2.5.4基于实测数据的仿真实验

2.5.5本节小结

2.6本章小结

参考文献

第3章 雷达高分辨距离像库外目标拒判问题研究

3.1库外目标样本生成

3.2拒判性能评估准则

3.3基于超球体边界的拒判算法

3.3.1支持向量域描述

3.3.2多核支持向量域描述

3.3.3本节小结

3.4基于近邻边界的拒判算法

3.4.1NN分类器

3.4.2A-KNN分类器

3.4.3W-KNN分类器

3.4.4本节小结

3.5实验结果

3.5.1基于AUC准则的实验结果

3.5.2基于LF准则的实验结果

3.5.3结果分析

3.6本章小结

参考文献

第4章 融合距离准则学习和分类器设计的特征提取算法

4.1算法设计

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

4.1.2局部均值和最近局部均值（NLM）分类器

4.1.3大间隔最近局部均值（LMNLM）特征提取算法

4.2相关算法比较

4.2.1稀疏子空间最小误差（LESS）算法

4.2.2支持向量机（SVM）

4.2.3大间隔近邻（LMNN）算法

4.2.4局部距离准则（LDM）学习算法

4.3相关算法对LMNLM的启发和LMNLM的创新点

4.3.1启发工作

4.3.2创新工作

4.4实验结果

4.4.1人工合成数据集

4.4.2UCI公共数据集

4.4.3雷达HRRP数据集

4.4.4结果分析

4.5本章小结

参考文献

第5章 组合判别分析

5.1基于全局优化准则和局部优化准则的特征提取算法

5.1.1全局特征提取算法

5.1.2局部特征提取算法

5.1.3两种特征提取算法的分析比较

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

5.2.1算法设计

5.2.2算法分析

5.3UCI公共数据集实验结果

5.4雷达HRRP数据集实验结果

5.5本章小结

参考文献

第6章 广义重加权局部均值判别分析

6.1LDA算法的应用缺陷

6.1.1缺陷1

6.1.2缺陷2

6.1.3缺陷3

6.1.4缺陷4

6.2局部均值判别分析（LMDA）

6.3广义重加权（GRW）学习框架

6.3.1重加权（RW）方法

6.3.2对RW方法的扩展

6.4相关算法的比较

6.5实验结果

6.5.1人工合成数据集

6.5.2UCI公共数据集

6.5.3雷达HRRP数据集

6.6本章小结

参考文献

第7章 未来发展趋势

7.1趋势一：拒判算法研究

7.2趋势二：在线学习问题研究

7.3趋势三：不同信噪比条件下识别算法的移植问题研究

7.4趋势四：流型学习研究

7.5趋势五：非参数贝叶斯统计学习研究

7.6趋势六：微多普勒调制特性研究

7.7趋势七：其他问题研究

参考文献