雷達目標檢測非線性理論及應用

第1章 緒論 001
1.1 經(jīng)典雷達目標檢測方法 002
1.2 混沌理論在雷達目標檢測中的應用 013
1.3 自相似（分形）理論在雷達目標檢測中的應用 018
1.4 非線性回歸理論在雷達目標檢測中的應用 024
1.5 深度學習方法在雷達目標檢測中的應用 025
參考文獻 030

第2章 非線性理論 046
2.1 自相似（分形）理論 046
2.1.1 數(shù)學基礎 046
2.1.2 自相似與自仿射 052
2.1.3 標度不變性 055
2.1.4 Hausdorff測度與維數(shù) 056
2.1.5 盒維數(shù) 059
2.2 非線性回歸理論 063
2.2.1 ARCH模型及性質 064
2.2.2 ARCH模型參數(shù)估計 065
2.2.3 GARCH模型及性質 067
2.2.4 GARCH模型參數(shù)估計 068
2.3 深度學習方法 070
2.3.1 卷積神經(jīng)網(wǎng)絡 070
2.3.2 殘差神經(jīng)網(wǎng)絡 072
2.3.3 長短期記憶網(wǎng)絡 074
參考文獻 078

第3章 雷達目標檢測理論基礎 080
3.1 引言 080
3.2 固定門限檢測 081
3.2.1 檢測過程 081
3.2.2 奈曼 皮爾遜準則 085
3.2.3 雷達信號的門限檢測 088
3.3 CFAR檢測 093
3.3.1 基本模型 094
3.3.2 CA-CFAR檢測器 097
3.3.3 非參量CFAR檢測器 099
3.3.4 自適應CFAR檢測器 110
3.4 特征檢測 117
參考文獻 121

第4章 時域海雜波均勻自相似（分形）特性與目標檢測 124
4.1 海雜波序列自相似特性及影響因素 124
4.1.1 分形海面的電磁散射信號特性 124
4.1.2 自相似判定與無標度區(qū)間 143
4.1.3 分形參數(shù)估計與分析 146
4.1.4 分形參數(shù)的影響因素 150
4.2 利用單一Hurst指數(shù)的目標檢測方法 160
4.3 基于分形相關系數(shù)的目標檢測方法 165
4.4 基于DFA分段自相似特征的目標檢測方法 170
4.4.1 檢驗統(tǒng)計量的選取 171
4.4.2 檢測方法原理 173
4.4.3 檢測性能分析 174
4.5 海雜波的模糊自相似特性與目標檢測 178
4.5.1 海雜波的模糊自相似分析 178
4.5.2 基于LGF的海雜波中微弱目標檢測 180
4.6 基于擴展自相似特征的目標檢測方法 187
4.6.1 擴展自相似特征 187
4.6.2 基于Bayes分類的目標檢測方法 188
4.6.3 實驗結果分析 190
4.7 基于組合非線性特征的模糊目標檢測方法 193
4.7.1 分形模型擬合誤差與分形維數(shù)尺度變化量 193
4.7.2 組合分形參量下的模糊檢測與性能分析 195
4.8 基于高階非線性特征的目標檢測方法 198
4.8.1 縫隙的概念與計算方法 198
4.8.2 海雜波與目標信號的縫隙特征 199
4.8.3 基于累積縫隙值尺度變化率的目標檢測方法 201
參考文獻 203

第5章 時域海雜波非均勻自相似（分形）特性與目標檢測 207
5.1 多重自相似的基本理論 208
5.1.1 多重自相似的基本概念 208
5.1.2 多重自相似的描述參數(shù) 208
5.2 無標度區(qū)間的自動確定 212
5.2.1 相空間重構 212
5.2.2 無標度區(qū)間自動選取 212
5.2.3 實測數(shù)據(jù)驗證與分析 215
5.3 海雜波的多重自相似性判定 217
5.3.1 海雜波的幅度分布與時間相關特性 217
5.3.2 海雜波的隨機乘法模型 220
5.3.3 多重自相似判定 222
5.3.4 基于結構函數(shù)的多重自相似分析 224
5.4 海雜波的多重自相似特征與分析 233
5.4.1 廣義分形維數(shù) 233
5.4.2 多重分形譜 238
5.5 基于多重分形譜和BP神經(jīng)網(wǎng)絡的檢測方法 239
5.6 雷達掃描模式下分形維數(shù)及多重自相似特征 242
5.6.1 掃描模式海雜波的分形維數(shù) 243
5.6.2 掃描模式海雜波的局部廣義分形維數(shù)與局部多重分形譜 244
5.6.3 雷達掃描模式下目標的模糊檢測方法和性能分析 246
5.7 多重自相似關聯(lián)特性分析與目標檢測方法 253
5.7.1 多重自相似關聯(lián)理論基礎與參數(shù)估計 253
5.7.2 多重自相似關聯(lián)特性分析 257
5.7.3 海雜波中微弱目標的多重自相似關聯(lián)檢測方法 265
5.7.4 海雜波中微弱目標的多重自相似關聯(lián)檢測性能分析 268
5.8 基于自仿射預測的目標檢測方法 274
5.8.1 分形自仿射理論基礎與表示 274
5.8.2 分形自仿射信號的預測 277
5.8.3 基于分形自仿射的預測結果 278
5.8.4 基于預測誤差的目標檢測方法與性能分析 279
參考文獻 282

第6章 頻域海雜波自相似（分形）特性與目標檢測 286
6.1 分數(shù)布朗運動在頻域中的自相似性 287
6.2 基于頻域均勻自相似特征的目標檢測方法 290
6.2.1 海雜波頻譜的單一自相似特性 291
6.2.2 海雜波頻譜單一自相似參數(shù)的影響因素 294
6.2.3 目標檢測與性能分析 298
6.3 基于頻域擴展自相似特征的目標檢測方法 302
6.3.1 海雜波頻譜的擴展自相似特性 303
6.3.2 海雜波頻譜擴展自相似參數(shù)的影響因素 309
6.3.3 目標檢測與性能分析 312
6.4 基于頻域多重自相似特征的目標檢測方法 316
6.4.1 多重分形去趨勢波動分析方法 318
6.4.2 海雜波頻譜的多重自相似特性與參數(shù)估計 319
6.4.3 海雜波頻譜廣義Hurst指數(shù)的影響因素 329
6.4.4 目標檢測與性能分析 333
6.5 基于短時譜自相似特征的目標檢測方法 336
6.5.1 海雜波短時譜的自相似性證明 336
6.5.2 海雜波短時譜的自相似特性分析 338
6.5.3 短時譜分形差異特征提取與目標檢測 344
6.6 基于AR譜自相似特征的目標檢測方法 348
6.6.1 海雜波AR譜多重自相似特性 348
6.6.2 AR譜廣義Hurst指數(shù)檢測方法 349
6.6.3 目標檢測與性能分析 351
參考文獻 359

第7章 分數(shù)階域海雜波自相似（分形）特性與目標檢測 361
7.1 分數(shù)布朗運動在FRFT域的自相似性 362
7.2 FRFT域海雜波的單一自相似特性與目標檢測 367
7.2.1 實測海雜波數(shù)據(jù) 367
7.2.2 海雜波FRFT譜的單一自相似特性 370
7.2.3 目標檢測與性能分析 374
7.3 FRFT域海雜波的擴展自相似特性與目標檢測 377
7.3.1 海雜波FRFT譜的擴展自相似特性 378
7.3.2 海雜波FRFT譜擴展自相似參數(shù)的影響因素 382
7.3.3 目標檢測與性能分析 386
7.4 FRFT域海雜波的多重自相似特性與目標檢測 389
7.4.1 海雜波FRFT譜的多重自相似特性與參數(shù)估計 389
7.4.2 海雜波FRFT譜廣義Hurst指數(shù)的影響因素 397
7.4.3 目標檢測與性能分析 400
參考文獻 403

第8章 Hilbert-Huang變換域海雜波自相似（分形）特性與目標檢測 405
8.1 Hilbert-Huang變換簡介 405
8.2 Hilbert-Huang變換原理 408
8.3 海雜波的Hilbert-Huang變換域特性分析 412
8.3.1 海雜波IMF數(shù)目分析 412
8.3.2 海雜波IMF特性分析 415
8.3.3 海雜波Hilbert譜和Hilbert邊際譜特性分析 428
8.3.4 海雜波Hilbert譜脊線特性分析 438
8.4 基于IMF AR模型的海雜波 Hilbert-Huang變換域建模 439
8.5 基于IMF特性的海雜波中微弱目標檢測方法 447
8.5.1 固有模態(tài)能量熵定義 448
8.5.2 目標對海雜波固有模態(tài)能量熵的影響 449
8.5.3 極化方式對海雜波固有模態(tài)能量熵的影響 451
8.5.4 檢測方法原理 452
8.5.5 檢測性能分析 453
8.6 基于Hilbert譜及其邊際譜特性的海雜波中微弱目標檢測方法 457
8.6.1 Hilbert譜時頻熵定義 458
8.6.2 海雜波Hilbert譜時頻熵分析 459
8.6.3 檢測方法原理 466
8.6.4 檢測性能分析 467
8.6.5 S波段雷達實測數(shù)據(jù)驗證 473
8.7 基于EMD和盒維數(shù)的微弱目標檢測方法 476
8.7.1 海雜波低頻成分自相似特性判定 476
8.7.2 海雜波低頻成分的盒維數(shù)分析 477
8.7.3 檢測方法原理 480
8.7.4 檢測性能分析 481
8.7.5 S波段雷達實測數(shù)據(jù)驗證 487
8.8 基于Hilbert譜脊線盒維數(shù)的微弱目標檢測方法 488
8.8.1 海雜波Hilbert譜脊線自相似特性判定 489
8.8.2 海雜波Hilbert譜脊線盒維數(shù)分析 490
8.8.3 檢測方法原理 492
8.8.4 檢測性能分析 493
8.8.5 S波段雷達實測數(shù)據(jù)驗證 496
8.9 基于固有模態(tài)函數(shù)頻域熵的目標檢測方法 498
8.9.1 固有模態(tài)函數(shù)頻域熵定義 498
8.9.2 檢測方法流程 499
8.9.3 多種情況對IMF分量頻域能量百分比的影響 501
8.9.4 固有模態(tài)函數(shù)頻域熵的目標檢測算法及檢測性能 505
8.10 基于海雜波低頻成分重構的目標檢測方法 508
8.10.1 靜止目標對海雜波低頻IMF分量的影響 508
8.10.2 檢測方法流程 509
8.10.3 海雜波低頻IMF分量的自相似特性 511
8.10.4 目標檢測與性能分析 512
8.11 基于分形特性改進的EMD目標檢測方法 515
8.11.1 EMD在目標檢測中存在的問題 515
8.11.2 頻域單一自相似的理論基礎 518
8.11.3 檢測方法流程 519
8.11.4 重構后的單一自相似特性 521
8.11.5 目標檢測與性能分析 525
參考文獻 527

第9章 基于非線性回歸理論的目標檢測 531
9.1 GARCH海雜波模型下的恒虛警率檢測方法 531
9.1.1 GARCH模型及參數(shù)估計 532
9.1.2 GARCH海雜波中的目標檢測方法 534
9.1.3 參數(shù)估計與目標檢測方法仿真性能分析 537
9.1.4 海雜波模型與檢測方法的實測數(shù)據(jù)驗證 541
9.2 基于FB-VSLMS算法的目標檢測方法 548
9.2.1 FB-VSLMS算法與目標檢測模型 548
9.2.2 實測海雜波驗證與分析 551
參考文獻 559

第10章 基于深度學習的海雜波場景分類與目標檢測 562
10.1 基于CNN的探測場景分類方法 562
10.1.1 深度學習網(wǎng)絡結構（LeNet） 562
10.1.2 雜噪背景分類與目標檢測 563
10.1.3 準確率的影響因素分析 571
10.2 基于ResNet的目標檢測方法 573
10.2.1 深度學習網(wǎng)絡模型選取 573
10.2.2 對海探測海雜波背景分類——海況等級劃分與浪高反演 576
10.2.3 海雜波中的目標檢測 581
10.2.4 準確率的影響因素分析 584
10.3 基于CNN的運動狀態(tài)分類方法 590
10.3.1 海面微動目標信號建模與CNN模型構建 590
10.3.2 基于CNN的海上微動目標檢測和分類 593
10.3.3 仿真結果及分析 596
參考文獻 600

第11章 非線性理論在其他信號處理領域中的應用 602
11.1 非線性理論在圖像處理中的應用 603
11.1.1 分形與小波結合在圖像處理中的應用 603
11.1.2 分形在圖像壓縮中的應用 608
11.2 非線性理論在語音信號處理中的應用 610
11.3 非線性理論在水聲信號處理中的應用 613
11.4 非線性理論在機械檢測與監(jiān)測中的應用 615
參考文獻 617

附錄A 621
附錄B 624
附錄C 627
附錄D 631