一、一种基于HMM的雷达目标识别方法（论文文献综述）
罗雪溶[1]（2021）在《基于时间序列分类算法的地下空洞目标识别》文中指出
陈正阳[2]（2021）在《基于毫米波雷达的HRRP目标识别分类》文中指出毫米波雷达受外界影响小,因此能够在各种环境下稳定工作。近年来,毫米波雷达在诸多场景中被广泛应用,路口监测场景下也需要使用毫米波雷达识别车辆的种类。本文重点研究了高分辨距离像（HRRP）的识别算法,分析了传统算法的缺点,设计了车辆目标的识别分类方法,并在实验仿真中验证了算法性能。本文工作主要分为以下两个部分:第一部分研究了雷达的散射点模型,分析HRRP的敏感性和解决方案。然后深入讨论了传统算法的缺点。基于CNN的识别方法致力于提取HRRP中的局部结构特征,但忽略了样本的时序相关性。而RNN网络缺乏长时间依赖性,性能较差。本文提出AC-LSTM算法,利用一维CNN提取HRRP中的局部特征,引入通道调整模块改善模型对于不同通道的特征识别能力,提高模型性能。将提取的特征用双向LSTM模型进行时序特征提取,在充分利用HRRP时序特征的同时有效改善了长时间依赖性问题。引入注意力机制,进一步提高识别准确率。该方法对时移有很强的抗干扰性。使用MSTAR数据库的仿真实验也证明了本方法的性能。第二部分针对实测数据的识别结果较差的问题进行分析。在实际场景中,车辆目标所处环境复杂,地面杂波、路边的障碍物都会干扰目标回波,严重影响识别算法。因此需要通过目标检测得到所需目标的信号。而由于毫米波雷达的距离分辨率较高,目标往往处于多个距离单元内。传统CFAR算法一般用于点目标检测,如果用于毫米波雷达会将属于目标的信号筛去,损失大量目标信息。本文提出了一种基于能量增强的CFAR算法,在检测目标点时同时考虑它周围多个点的能量,有效检测毫米波雷达回波中的目标,提高了实际场景下的模型识别能力。使用实测数据库的仿真实验也证明了本方法的性能。
李文韬[3]（2021）在《考虑旁车行驶意图的自适应巡航控制策略研究》文中研究说明自适应巡航控制（Adaptive Cruise Control,ACC）近年来受到广泛关注,其主要功能是根据雷达及摄像头等传感器信息,自动调节自车车速保持与前方车辆的安全距离,减少驾驶员的驾驶负担。快速准确确定跟车目标是ACC系统的关键,但是在车辆切入或弯道行驶等场景下,现有ACC系统会遇到不能及时准确更新跟车目标的问题,导致ACC产生误加速或误制动,影响车辆安全性与驾乘体验。为了避免ACC产生误加速或误制动,本文从考虑旁车行驶意图出发,充分利用旁车运动参数信息,建立辨识模型确定旁车行驶意图,设计基于旁车行驶意图的跟车目标更新规则,解决ACC不能及时准确更新跟车目标的问题,建立了一种考虑旁车行驶意图的自适应巡航控制策略。主要研究内容与研究结论如下:1.用于ACC系统的车辆运动参数估计:估计本车和旁车的运动参数信息,消除旁车运动参数中来自本车状态的影响,获得世界坐标系下的旁车实时运动参数。具体研究内容为:建立本车纵向速度、横摆角速度与质心侧偏角的扩展卡尔曼滤波估计器,通过本车三自由度车辆动力学模型获得本车上述运动参数信息;建立旁车的恒定转速与速度运动学模型,结合坐标变换消除旁车状态中来自本车状态的影响,以毫米波雷达获取的本车与旁车的相对距离 ρ、相对方位 φ、相对速度（?） 为观测值,获取旁车在世界坐标系下的位置、速度、运动方向等运动参数。在仿真实验中,旁车各运动参数的均方根误差统计值均小于0.4,表明该方法可以得到较为准确的旁车实时运动参数信息,为旁车行驶意图辨识提供数据基础。2.建立旁车行驶意图的辨识模型:使用NGSIM数据训练通过隐马尔可夫模型方法建立的旁车行驶意图辨识模型,利用旁车运动参数判定旁车实时行驶意图。具体研究内容为:分析隐马尔可夫随机过程特性与ACC场景下旁车换道特性之间的联系,确定并建立向左换道、向右换道、车道保持三种行驶意图辨识模型;从NGSIM中提取行驶数据对相应类型的行驶意图辨识模型进行训练;设定长度较为合理的识别时间窗口,综合保证行驶意图辨识过程中的实时性与准确性。最终,建立测试数据集对行驶意图辨识模型进行测试,结果表明,在识别时间窗口长度为2s时,各行驶意图辨识模型的识别准确率都在90%以上,可以较快较准地识别旁车的行驶意图,为跟车目标确定过程提供旁车的实时行驶意图。3.使用变车头时距间距策略与MPC控制方法的ACC上层控制器:使用修正项确定变车头时距间距策略,结合MPC控制方法输出ACC期望加速度。具体研究内容为:利用相对速度与前车加速度对固定车头时距进行修正,得到跟车效率更优的变车头时距间距策略,验证当前车的车速趋于稳定时,变车头时距间距策略的跟车间距稳定性;综合考虑安全性、跟车效率、舒适性等设计目标,使用MPC控制方法,输出考虑上述多个设计目标的ACC期望加速度。最终,针对ACC典型工况设计仿真场景,仿真结果表明:变车头时距间距策略可以在保证ACC安全的前提下,更好的跟随前车运动,有效提高交通效率;考虑多个设计目标的ACC上层控制器可以为安全稳定地跟车提供保障。4.考虑旁车行驶意图的自适应巡航控制策略仿真验证:建立考虑旁车行驶意图的自适应巡航控制策略,并对该控制策略的有效性进行验证。具体研究内容为:利用车辆特性与道路环境影响因素划分潜在前方目标筛选区域,确定本车的潜在前方目标,并对其行驶意图进行辨识,确定对本车未来行驶轨迹会造成影响的车辆;制定绝对前方目标判定方法,作为行驶意图辨识模型的安全边界,在辨识模型判断旁车行驶意图出现错误或延迟的情况下,及时更新跟车目标,保证本文ACC的安全性;针对ACC系统运行时本车与旁车的相对位置变化规律,设计ACC跟车目标更新规则,结合旁车行驶意图确定新的跟车目标;阐明各部分研究内容间的逻辑关系,在ACC上层控制器与本文跟车目标确定过程等研究内容的基础上,明确考虑旁车行驶意图的自适应巡航控制策略。最终,针对典型工况设计仿真场景对控制策略进行仿真验证。仿真结果表明,考虑旁车行驶意图的自适应巡航控制策略可以快速、准确、高效地确定新的目标车辆,保证ACC跟车目标发生变化时本车速度的平稳过渡。
邓昊[4]（2021）在《复杂星场背景下暗弱空间运动小目标检测》文中进行了进一步梳理暗弱空间运动小目标检测在航天及军事领域有着广泛的应用,本文面向国家安全和战略制衡对地月空间广域监控的迫切需求,并针对地月空间超远距离目标探测识别中低信噪比运动小目标难以检测的问题,开展了在复杂星场背景下的暗弱空间运动小目标检测的研究,分析了背景及暗弱运动目标的特性并构建了目标与背景的交互模型,实现了在复杂星空背景下极低信噪比运动目标的检测,最终达到提高空间广域目标探测识别水平的目的。本文提出的方法主要是在时域上对信号进行分析处理,利用运动目标进出像元时给时间区间内信号所带来的扰动反演出目标的存在。本文提出一种基于涨落分析的暗弱空间运动小目标关联检测算法,开展了基于光场涨落的目标信号和背景噪声的时域特性分析,构建了时序信号的关联统计模型,通过划分时间窗口的方式提取局部涨落特征,并实现暗弱运动小目标检测。实验结果表明该方法的检测率和虚警率都显着优于其它几种经典常用方法,在仿真数据和真实数据中都有很好的检测效果,在半物理仿真实验中的检测率为87.8%,虚警率为28.84%;在真实的小行星数据中检测率为70.56%,虚警率3.62%。最后提出一种基于隐半马尔可夫模型（Hidden semi-Markov Model,HSMM）的暗弱空间运动小目标检测算法,根据HSMM构建了目标信号与背景噪声在时序上的交互模型,进而对像元内时序信号进行建模和状态划分,在检测时利用窗口内时序信号的涨落等一系列特征作为状态区分的判据,利用Baum-Welch算法求解与观测到的时间序列对应的可能性最大的隐藏状态序列,进而分析出目标存在的状态位置,实验结果表明该方法在近地小行星探测实验中的检测率达到了80.35%,且虚警率为1.38%,验证了该方法的有效性。
曲文奇[5]（2021）在《交通车辆驾驶行为识别与轨迹预测方法研究》文中研究说明智能车辆因搭载了先进自动化和信息化技术,相比于传统车辆具有安全、高效、舒适和节能的优势,因而车辆的智能化日渐成为车辆行业未来的发展趋势。而随着智能驾驶技术的发展,智能车辆呈现从无到有、逐渐发展与普及的过程,未来一段时间内的道路上会出现全自动驾驶车辆、半自主驾驶车辆与人工驾驶车辆并存的复杂场景。由于交通车辆的驾驶行为和行驶轨迹具有多变性和随机性,仅凭着对当前交通环境状态的感知不足以保证智能车辆安全行驶,还需要拥有对动态交通车辆驾驶行为的理解能力和对其未来行驶轨迹的预测能力。本文为了提升智能车辆环境感知理解能力,针对动态环境中交通车辆驾驶行为的识别及其行驶轨迹的预测展开了研究,并通过实车实验采集的数据及仿真平台对算法性能进行了验证分析。针对项目中Mobileye Eye Q3摄像头传感器仅能提供车辆前方的车道线信息、且前向车道线有效距离外存在交叉等问题,本文提出了车道线前向修正算法及后方车道线推测算法。首先,基于结构化道路特性,对前向车道线进行分段描述,纠正了车道线有效距离外交叉等问题,提升了远距离车道线的精度。然后,提出了以多帧历史时刻车道线为输入,通过车辆坐标变换原理结合最小二乘思想,完成对后方车道线的推算工作,弥补了环境感知中后方车道线的缺失,为后方来车的车道定位、驾驶行为识别等提供了有力依据。由于道路环境中动态交通车辆的驾驶行为具有灵活多变性和不确定性,本文分析了车辆的驾驶行为与马尔科夫过程的相关性,分别使用混合高斯-隐马尔科夫模型（GMM-HMM）对左换道、右换道及车道保持建立了驾驶行为识别模型,使用实车实验采集数据,对驾驶行为识别模型进行参数训练和验证。统计分析结果表明,该方法对驾驶行为可以达到及时准确的识别,提升了环境感知能力,为轨迹预测及智能决策规划提供了保障。考虑到单一轨迹预测方法存在着各自的问题,无法实现对预测轨迹的完美表征,本文建立了基于模型交互的长短时域融合轨迹预测方法,结合驾驶行为和运动状态,实现对未来一段时间内车辆轨迹的预测工作。该方法既保证了短时域内的预测精度,又保证了长时域内的预测与其行驶趋势相符。经过仿真验证,融合算法的横向误差在长达5秒的预测时间里保持在0.2米之内,表明了轨迹预测算法的有效性,提升了智能车辆对环境变化的理解,为智能决策提供了坚实的数据依据。本文旨在提高智能车辆对动态环境变化的理解与预测,围绕着智能车辆环境感知技术,提出了车道线拟合的相关算法、交通车辆驾驶行为识别模型及其行驶轨迹预测算法。实验结果表明:1)上述方法有效解决了实验车辆后方车道线缺失和前方车道线错误的问题;2)能够及时准确对交通车辆的驾驶行为进行识别,并拥有较高的轨迹预测精度。本文的研究,提升了智能车辆的环境感知能力,为智能决策与控制提供了坚实的依据,具有较高的实际应用价值。
张一凡,张双辉,刘永祥,荆锋[6]（2021）在《基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法》文中研究表明传统的雷达高分辨距离像（high resolution range profile,HRRP）序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低。针对上述问题,提出一种基于注意力机制的堆叠长短时记忆（attention-based stacked long short-term memory,Attention-SLSTM）网络模型,该模型通过堆叠多个长短时记忆（long short-term memory,LSTM）网络层,实现了HRRP序列更深层次抽象特征的提取;通过替换模型的激活函数,减缓了堆叠LSTM（stacked LSTM,SLSTM）模型梯度消失问题;引入注意力机制计算特征序列的分配权重并用于分类识别步骤,增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明,所提方法具有更快的收敛速度和更好的识别性能,与多种现有方法对比具有更高的识别率,证明了所提方法的正确性和有效性。
刘洪村[7]（2021）在《基于深度学习的雷达信号检测与干扰辨识技术研究》文中进行了进一步梳理现代战争已经是海陆空天电五维战争,雷达作为战争“哨兵”在现代战争中扮演着举足轻重的角色。然而复杂纷繁的电磁环境能够遮蔽战场之眼—雷达,使得雷达在电子信息战中致盲,导致战争失利。当前战争正逐渐演化为作战双方雷达技术对抗博弈,干扰与抗干扰是雷达对抗中的一个重要研究领域。伴随数字射频存储技术的日趋成熟,出现了可自主操作性好、灵活性强、与信号高度相似的雷达灵巧干扰样式,其兼具强欺骗性和压制性,干扰性能好。而传统的抗干扰方式具有针对面窄,局限性大,不够灵活,干扰抑制效果差的缺点,因此亟需新的抗干扰方法抗衡雷达灵巧干扰。在科技的飞速发展进程中,机器学习、深度学习等人工智能方法快速发展。由于深度学习能够深入挖掘样本数据的内在规律,近年来大量研究人员将深度学习引入雷达识别方向,旨在采用智能化的手段实现干扰信号的有效甄别,继而解决以往抗干扰方法的困境。本文针对雷达抗干扰问题进行了基于BP神经网络、卷积神经网络和循环神经网络的雷达信号检测与干扰辨识技术研究。首先,针对现有公开的雷达数据集分散、标准不一的问题,本文使用电子系统级仿真软件System Vue全自主的搭建雷达目标回波一体化模型,用于生成雷达回波信号。通过与实测数据相比较验证了模型的效果与可实施性。其次,对利用了数字射频存储技术的雷达灵巧干扰类型采取了可视化对比,使用仿真平台自主的搭建了雷达灵巧干扰一体化模型。使用干扰机对实测数据进行采样并生成干扰信号,脉压分析结果与仿真一致,确定了模型的正确性。为现有深度学习雷达数据集缺少的问题给出一种解决的契机,有效的弥补了雷达回波数据集的空白,也对深度学习应用于雷达领域给出了数据集支持。最后,完成了雷达信号检测与干扰辨识的智能化方法研究。研究了BP神经网络、卷积神经网络和循环神经网络框架模型。采取Tensorflow自主设计搭建了循环神经网络模型实现信号双择检测和干扰双择与多择识别,然后与BP神经网络、卷积神经网络对比显示出循环神经网络与卷积神经网络识别率较好,在雷达信号识别领域具有深远的探究价值。
霍超颖,闫华,冯雪健,殷红成,邢笑宇,陆金文[8]（2021）在《HRRP稀疏自编码器深层特征与散射中心特征的关联性研究》文中研究指明利用稀疏自编码器网络对典型目标一维高分辨距离像（high resolution range profile, HRRP）进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。
江彦桥[9]（2021）在《视听觉信息特征提取与融合方法研究》文中指出随着人工智能技术的迅猛发展,使用图像或声音信息表征目标的方法日益增多。由于目标所处物理环境的信息多样性和复杂性,单独使用视觉或听觉信息难以完整表征感知目标。为此,本文围绕视听觉信息特征提取与融合方法展开研究,实现低信噪比环境条件下对目标视听觉信息的综合处理、融合与感知。主要研究工作如下:首先,本文建立了包含900秒声音和1150张图片的数据集,并根据实际环境中的噪声干扰、增益异常等情况,通过设定信噪比、增益等参数,对初始数据集进行扩增,获得了包含9955秒音频和12595张图片的扩增数据集。然后,本文分析了残差结构的顺序对网络性能的影响,提出了一种基于改进残差结构的听觉信息特征提取模型和基于多层卷积神经网络的视觉信息特征提取模型。对于提出的模型,分别在公开数据集ESC-50、CIFAR-10以及本文建立的测试集上进行了分类实验,并与预训练模型VGGish和VGG19进行了对比,证明了特征提取模型的有效性。接着,本文在模型融合、特征拼接和互关联自编码器三种视听觉信息融合方法的理论基础上,提出了一种改进的基于互关联自编码器的视听觉信息融合模型,该模型在自编码器的基础上添加了视听觉信息的隐层关联损失,从而获得视听觉信息相互关联的隐层表示,并在损失函数中添加了正则化项,从而避免视听觉信息隐层表示的过拟合倾向,保持隐层信息的可利用性。最后,本文使用F1分数评价指标与T-SNE评价方法对上述特征提取与融合方法的分类实验结果进行了评价分析。结果表明,仅使用听觉信息表征时,目标识别准确率最高为47.5%,F1分数最高为0.407;仅使用视觉信息表征时,目标识别准确率最高为60.8%,F1分数最高为0.611;使用基于互关联自编码器的视听觉信息融合方法时,目标识别准确率最高为84.2%,F1分数最高为0.846,比单独使用视觉或听觉信息表征时识别准确率提高了至少23.4%,F1分数提高了至少0.235,有效提升了低信噪比环境条件下的目标感知性能。
代策宇[10]（2021）在《多功能雷达工作状态识别与行为预测研究》文中研究说明随着雷达技术的发展,以相控阵雷达为代表的多功能雷达被广泛应用于战场中,为了在雷达对抗中掌握对抗的主动权,需要及时准确地掌握雷达的工作信息。而多功能雷达的工作状态与工作行为可被抽象出来,对其工作信息进行高效简洁的描述。因此,对于多功能雷达的工作状态与工作行为的研究成为了雷达对抗中的重要内容。本文结合了雷达工作状态与工作行为的关系以及自身属性等先验知识,建立了雷达工作行为的层次化模型。在此基础上,对雷达的工作状态的识别、工作行为的识别与预测技术进行了研究,本文的主要工作与贡献如下:第一,实现了对多功能雷达已知工作状态与未知雷达工作状态的识别。本文根据雷达工作状态的脉冲描述字,搭建了两级的识别网络,实现了对于雷达类型与该类型下的已知工作状态的准确识别。结合了经典的信号处理的方法,将关于工作状态的脉冲描述字进行特征提取,进一步获得了有关工作状态的特征子空间的先验知识,完成了对未知雷达的识别。第二,构建了脉冲-工作状态-工作行为-雷达任务的层次化模型,实现了对雷达行为的识别与预测。本文在对雷达工作状态有效分析的基础上,完善了对雷达工作行为的描述。结合工作行为自身特征和工作行为与工作状态的关系的知识,建立了一个主要用于描述雷达工作行为的层次化模型,通过分析与抽象每一层的信息,实现了对雷达行为的识别。并在层次化模型的基础上,结合了雷达工作行为与工作状态的关系,提出了对于雷达未知工作行为识别的方法。利用隐马尔可夫模型,将雷达任务与雷达工作行为映射到模型中,实现了对于雷达行为的预测。第三,搭建了雷达识别的演示系统。该系统集成了雷达工作状态识别算法、雷达行为识别与预测算法,完成了识别结果的可视化展示。构建了雷达的知识图谱,并以此搭建了雷达样本库与雷达知识库,通过两类数据库与系统识别预测结果的数据交互,实现了对雷达知识的自增长,丰富了雷达工作分析所需的知识。
二、一种基于HMM的雷达目标识别方法（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、一种基于HMM的雷达目标识别方法（论文提纲范文）
（2）基于毫米波雷达的HRRP目标识别分类（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雷达识别技术的历史和国内外研究 |
| 1.2.1 雷达目标识别技术的历史 |
| 1.2.2 高分辨距离像国内外研究现状 |
| 1.3 本文的主要研究内容及目标 |
| 1.4 本文章节安排 |
| 第二章 高分辨距离像目标识别理论 |
| 2.1 雷达目标高分辨距离像介绍 |
| 2.1.1 雷达工作原理 |
| 2.1.2 雷达的测距能力 |
| 2.1.3 高分辨距离像模型 |
| 2.2 高分辨距离像的特性 |
| 2.2.1 时移敏感性 |
| 2.2.2 幅度敏感性 |
| 2.2.3 姿态敏感性 |
| 2.2.4 相位敏感性 |
| 2.3 高分辨距离像的时频特征 |
| 2.3.1 时域特征 |
| 2.3.2 频域特征 |
| 2.4 传统高分辨距离像识别方法 |
| 2.4.1 基于隐马尔可夫模型(HMM)的识别方法 |
| 2.4.2 基于卷积神经网络(CNN)的识别方法 |
| 2.4.3 基于循环神经网络(RNN)的识别方法 |
| 2.5 本章小结 |
| 第三章 基于AC-LSTM的HRRP识别 |
| 3.1 模型整体框架 |
| 3.2 局部特征提取 |
| 3.2.1 卷积层 |
| 3.2.2 归一化层 |
| 3.2.3 池化层 |
| 3.2.4 通道调整层 |
| 3.3 时序特征提取 |
| 3.3.1 循环神经网络(RNN) |
| 3.3.2 双向长短时记忆网络(Bi-LSTM) |
| 3.3.3 注意力机制 |
| 3.4 模型训练 |
| 3.4.1 过拟合处理 |
| 3.4.2 学习率优化 |
| 3.4.3 参数设置与训练步骤 |
| 3.5 数据介绍及仿真结果 |
| 3.5.1 MSTAR数据库 |
| 3.5.2 数据处理 |
| 3.5.3 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于增强能量检测的HRRP识别 |
| 4.1 恒虚警率检测 |
| 4.1.1 单元平均恒虚警 |
| 4.1.2 统计有序恒虚警 |
| 4.1.3 有序平均恒虚警 |
| 4.2 增强能量检测CFAR |
| 4.2.1 扩散目标模型 |
| 4.2.2 能量增强检测CFAR |
| 4.3 基于增强能量检测的HRRP识别 |
| 4.3.1 数据降噪 |
| 4.3.2 预处理 |
| 4.3.3 算法流程 |
| 4.3.4 训练步骤 |
| 4.4 数据采集及仿真结果 |
| 4.4.1 数据采集 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）考虑旁车行驶意图的自适应巡航控制策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 本车与旁车运动参数估计研究现状 |
| 1.2.2 旁车行驶意图辨识研究现状 |
| 1.2.3 自适应巡航上层控制算法研究现状 |
| 1.3 研究内容与论文章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文结构安排 |
| 第二章 用于ACC目标选择的车辆运动参数估计 |
| 2.1 车辆运动参数在世界坐标系内的坐标转换 |
| 2.1.1 坐标系的建立 |
| 2.1.2 车辆运动参数坐标转换方法 |
| 2.2 本车运动参数估计 |
| 2.2.1 本车三自由度动力学模型建模 |
| 2.2.2 卡尔曼滤波算法 |
| 2.2.3 非线性模型线性化 |
| 2.2.4 仿真结果 |
| 2.3 旁车运动参数估计 |
| 2.3.1 旁车运动学模型选取分析 |
| 2.3.2 运动学模型下结合EKF的旁车运动参数估计 |
| 2.3.3 仿真结果 |
| 2.4 本章小结 |
| 第三章 隐马尔可夫模型方法下的旁车行驶意图辨识 |
| 3.1 基于隐马尔可夫模型方法的行驶意图辨识模型建模分析 |
| 3.1.1 隐马尔可夫模型的基本概念 |
| 3.1.2 隐马尔可夫模型的三大基本问题与相关算法 |
| 3.1.3 行驶意图辨识模型建模分析 |
| 3.2 NGSIM训练数据的提取 |
| 3.2.1 NGSIM数据集的数据形式 |
| 3.2.2 提取行驶意图辨识模型的训练数据 |
| 3.3 行驶意图辨识模型的参数训练与仿真验证 |
| 3.4 本章小结 |
| 第四章 基于MPC的自适应巡航上层控制器 |
| 4.1 考虑相对速度与前车加速度修正的变车头时距间距策略 |
| 4.1.1 引入修正系数的变车头时距间距策略 |
| 4.1.2 变车头时距间距策略稳定性分析 |
| 4.1.3 固定车头时距与变车头时距间距策略对比分析 |
| 4.2 自适应巡航的纵向运动学建模 |
| 4.3 模型预测控制算法设计 |
| 4.3.1 理论概述 |
| 4.3.2 算法设计 |
| 4.4 仿真验证 |
| 4.4.1 场景一:稳态跟随 |
| 4.4.2 场景二:车辆切入 |
| 4.4.3 场景三:车辆切出 |
| 4.4.4 场景四:迫近低速车辆 |
| 4.4.5 场景五:迫近静止车辆 |
| 4.5 本章小结 |
| 第五章 考虑旁车行驶意图的自适应巡航控制策略仿真验证 |
| 5.1 潜在前方目标选择 |
| 5.2 绝对前方目标选择 |
| 5.3 跟车目标更新规则 |
| 5.4 考虑旁车行驶意图的自适应巡航控制策略 |
| 5.5 仿真验证 |
| 5.5.1 本车稳定巡航时旁车切入 |
| 5.5.2 本车非稳定巡航时旁车切入 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）复杂星场背景下暗弱空间运动小目标检测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标探测系统 |
| 1.2.2 暗弱运动小目标检测方法研究现状 |
| 1.2.3 密集恒星抑制技术 |
| 1.3 论文主要研究内容和创新点 |
| 1.4 论文结构 |
| 第2章 空间暗弱运动小目标检测机理 |
| 2.1 引言 |
| 2.2 基于光场涨落理论的目标时序特性分析 |
| 2.2.1 单光子探测实验系统 |
| 2.2.2 光场涨落分析 |
| 2.3 背景瞬态分析 |
| 2.3.1 平稳背景分析与建模 |
| 2.3.2 非平稳背景分析与建模 |
| 2.3.3 复杂星场背景特性分析 |
| 2.4 基于HSMM的运动目标与背景交互特性分析 |
| 2.4.1 单像元交互模型 |
| 2.4.2 多像元交互模型 |
| 2.5 小结 |
| 第3章 基于涨落分析的暗弱空间运动小目标关联检测 |
| 3.1 引言 |
| 3.2 基于涨落分析的暗弱空间运动小目标关联检测算法 |
| 3.2.1 检测基本原理 |
| 3.2.2 算法框架 |
| 3.3 实验与分析 |
| 3.3.1 仿真实验 |
| 3.3.2 实际数据实验 |
| 3.4 小结 |
| 第4章 基于HSMM的暗弱空间运动小目标检测 |
| 4.1 引言 |
| 4.2 特征提取方法 |
| 4.3 基于HSMM的暗弱运动小目标检测算法 |
| 4.3.1 HSMM模型 |
| 4.3.2 分类器设计 |
| 4.3.3 算法框架 |
| 4.4 实验与分析 |
| 4.5 小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）交通车辆驾驶行为识别与轨迹预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 交通车辆驾驶行为识别方法研究现状 |
| 1.2.2 交通车辆轨迹预测方法研究现状 |
| 1.3 本文研究内容 |
| 第2章 车道线前向修正与后向推测 |
| 2.1 引言 |
| 2.2 实验数据采集与方法平台 |
| 2.2.1 车道线信息 |
| 2.3 前向车道线修正 |
| 2.3.1 车道线分段模型介绍 |
| 2.3.2 分段车道线参数求解 |
| 2.4 后向车道线推测 |
| 2.4.1 CTRV运动学模型建立 |
| 2.4.2 基于CTRV的车道线坐标变换 |
| 2.4.3 基于最小二乘法的后向车道线推测 |
| 2.5 本章小结 |
| 第3章 交通车辆驾驶行为识别方法 |
| 3.1 引言 |
| 3.2 隐马尔科夫模型(HMM)基本概念及核心问题 |
| 3.2.1 驾驶行为研究对象分析 |
| 3.2.2 隐马尔科夫模型的基本概念 |
| 3.2.3 隐马尔科夫模型的核心问题 |
| 3.3 基于GMM-HMM的车辆行驶建模 |
| 3.3.1 基于GMM-HMM的行为识别建模 |
| 3.3.2 数据预处理及行为特征提取 |
| 3.3.3 模型参数训练 |
| 3.4 驾驶行为识别模型验证分析 |
| 3.4.1 模型测试验证 |
| 3.4.2 驾驶行为识别结果分析 |
| 3.5 本章小结 |
| 第4章 交通车辆行驶轨迹预测方法 |
| 4.1 引言 |
| 4.2 基于CTRA运动学模型的轨迹预测 |
| 4.2.1 交通车CTRA建模 |
| 4.2.2 基于CTRA的轨迹预测 |
| 4.3 基于驾驶行为识别的轨迹预测 |
| 4.3.1 车道保持场景下的轨迹预测 |
| 4.3.2 基于换道行为的轨迹预测 |
| 4.4 基于运动模型与行为模型融合的轨迹预测 |
| 4.4.1 长短时域融合的轨迹预测 |
| 4.4.2 轨迹预测结果对比分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（7）基于深度学习的雷达信号检测与干扰辨识技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 雷达识别技术发展概况 |
| 1.2.1 深层网络雷达识别技术发展 |
| 1.2.2 卷积神经网络雷达识别技术发展 |
| 1.2.3 循环神经网络雷达识别技术发展 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 雷达原理与目标回波建模 |
| 2.1 雷达系统原理与结构组成 |
| 2.1.1 线性调频基带信号 |
| 2.1.2 发射机 |
| 2.1.3 环境回波 |
| 2.1.4 接收机 |
| 2.1.5 信号处理 |
| 2.2 基于SystemVue平台的雷达系统建模 |
| 2.2.1 SystemVue仿真平台 |
| 2.2.2 模块介绍 |
| 2.2.3 系统模型搭建 |
| 2.3 计算机仿真与实测数据处理 |
| 2.3.1 数字仿真与效果分析 |
| 2.3.2 实测数据处理与验证 |
| 2.4 本章小结 |
| 第三章 雷达灵巧干扰原理与建模仿真 |
| 3.1 雷达灵巧干扰生成原理 |
| 3.1.1 典型雷达灵巧干扰场景 |
| 3.1.2 灵巧干扰数学模型 |
| 3.1.3 干扰性能分析 |
| 3.2 基于SystemVue的灵巧干扰建模 |
| 3.2.1 模块介绍 |
| 3.2.2 系统模型搭建 |
| 3.3 计算机仿真与实测数据处理 |
| 3.3.1 数字仿真与效果分析 |
| 3.3.2 实测数据处理与验证 |
| 3.4 本章小结 |
| 第四章 雷达智能化识别技术 |
| 4.1 雷达智能化识别基本原理 |
| 4.1.1 雷达智能化识别原理 |
| 4.1.2 基于BP神经网络的识别原理 |
| 4.1.3 基于卷积神经网络的识别原理 |
| 4.1.4 基于循环神经网络的识别原理 |
| 4.2 基于循环神经网络原理的雷达识别方法 |
| 4.2.1 实验输入数据设计 |
| 4.2.2 循环神经网络架构设计 |
| 4.2.3 算法设计与处理流程 |
| 4.3 基于循环神经网络原理的信号检测与干扰识别实验 |
| 4.3.1 基于循环神经网络原理的信号检测实验 |
| 4.3.2 基于循环神经网络原理的干扰识别实验 |
| 4.3.3 结论 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（8）HRRP稀疏自编码器深层特征与散射中心特征的关联性研究（论文提纲范文）
| 0 引 言 |
| 1 HRRP稀疏自编码器网络结构与原理 |
| 1.1 稀疏自编码器网络结构 |
| 1.2 HRRP多层稀疏自编码器网络设计 |
| 2 典型标准体HRRP数据集构建与稀疏自编码器网络学习 |
| 2.1 典型标准体HRRP数据集构建 |
| 2.2 典型标准体散射中心特征提取与分析 |
| 2.3 典型标准体HRRP特征学习与权重系数提取 |
| 3 稀疏自编码器深层特征与散射中心特征关联性研究 |
| 3.1 权重系数与散射中心特征关联关系 |
| 3.2 降维特征与散射中心特征关联关系 |
| 3.3 稀疏自编码器网络参数的影响分析 |
| (1) 网络训练层数影响分析 |
| (2) 网络降维维数优化选择 |
| 4 典型复杂体仿真验证 |
| 5 结 论 |
（9）视听觉信息特征提取与融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 研究目标与研究内容 |
| 1.4 论文结构安排 |
| 第二章 视听觉信息特征提取及融合基础理论与方案设计 |
| 2.1 目标表征方法与基本原理 |
| 2.2 视听觉特征提取方法与基本原理 |
| 2.2.1 听觉特征提取 |
| 2.2.2 视觉特征提取 |
| 2.3 视听觉信息融合方法与基本原理 |
| 2.4 视听觉信息特征提取与融合方法总体设计 |
| 2.4.1 总体流程设计 |
| 2.4.2 软硬件环境 |
| 2.5 数据集建立与划分 |
| 2.5.1 数据集建立与扩增 |
| 2.5.2 数据增强方法 |
| 2.5.3 数据集划分 |
| 2.6 性能指标与评价方法 |
| 2.6.1 定量评价指标 |
| 2.6.2 定性评价方法 |
| 2.7 本章小结 |
| 第三章 听觉信息特征提取方法研究与设计 |
| 3.1 基于残差神经网络的听觉信息特征提取模型 |
| 3.1.1 ResNet模型设计 |
| 3.1.2 ResNet模型分类验证 |
| 3.2 基于VGGish网络的听觉信息特征提取模型 |
| 3.2.1 VGGish模型 |
| 3.2.2 VGGish模型分类验证 |
| 3.3 分类验证结果对比分析 |
| 3.4 本章小结 |
| 第四章 视觉信息特征提取方法研究与设计 |
| 4.1 基于卷积神经网络的视觉特征提取模型设计 |
| 4.1.1 多层卷积神经网络模型 |
| 4.1.2 VGG19 网络模型 |
| 4.2 基于卷积神经网络的视觉特征提取模型分类验证 |
| 4.2.1 多层CNN模型分类验证 |
| 4.2.2 VGG19 模型分类验证 |
| 4.3 分类验证结果对比分析 |
| 4.4 本章小结 |
| 第五章 视听觉信息融合方法研究与设计 |
| 5.1 基于模型融合的晚融合方法 |
| 5.2 基于特征拼接与叠加的早融合方法 |
| 5.2.1 早融合方法设计 |
| 5.2.2 早融合方法分类验证 |
| 5.3 基于互关联自编码器的融合方法 |
| 5.3.1 互关联自编码器融合方法设计 |
| 5.3.2 互关联自编码器融合方法分类验证 |
| 5.4 分类验证结果对比分析 |
| 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 |
| 致谢 |
| 参考文献 |
（10）多功能雷达工作状态识别与行为预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及结构安排 |
| 第二章 多功能雷达工作状态识别 |
| 2.1 多功能雷达工作状态介绍与仿真 |
| 2.1.1 远程搜索 |
| 2.1.2 目标跟踪 |
| 2.1.3 目标识别 |
| 2.1.4 雷达工作状态仿真 |
| 2.2 数据预处理与工作状态识别流程 |
| 2.2.1 雷达工作状态数据预处理 |
| 2.2.2 雷达工作状态识别流程 |
| 2.3 已知/未知雷达目标判决 |
| 2.3.1 已知/未知雷达目标判决算法 |
| 2.3.2 结果分析 |
| 2.4 多功能雷达工作状态识别 |
| 2.4.1 已知雷达工作状态识别 |
| 2.4.2 未知雷达工作状态识别 |
| 2.5 本章小结 |
| 第三章 多功能雷达行为识别及预测 |
| 3.1 多功能雷达工作行为介绍 |
| 3.1.1 边搜索边跟踪 |
| 3.1.2 搜索加跟踪 |
| 3.1.3 目标跟踪 |
| 3.1.4 制导行为 |
| 3.2 多功能雷达工作行为建模与先验知识 |
| 3.2.1 多功能雷达工作行为建模 |
| 3.2.2 雷达工作行为先验知识 |
| 3.3 多功能雷达工作行为识别 |
| 3.3.1 多功能雷达已知工作行为识别 |
| 3.3.2 多功能雷达未知工作行为识别 |
| 3.4 多功能雷达工作行为预测 |
| 3.4.1 隐马尔可夫模型介绍 |
| 3.4.2 Baum-Welch算法 |
| 3.4.3 维特比算法 |
| 3.4.4 基于HMM的雷达行为预测 |
| 3.5 雷达威胁评估技术 |
| 3.6 本章小结 |
| 第四章 雷达识别可视化系统 |
| 4.1 可视化系统框架 |
| 4.2 可视化系统功能 |
| 4.3 雷达数据库的自增长 |
| 4.3.1 雷达样本库的自增长 |
| 4.3.2 雷达知识库的自增长 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 待研究内容及展望 |
| 致谢 |
| 参考文献 |
| 个人攻读硕士学位期间的研究成果 |
四、一种基于HMM的雷达目标识别方法（论文参考文献）
- [1]基于时间序列分类算法的地下空洞目标识别[D]. 罗雪溶. 哈尔滨工业大学, 2021
- [2]基于毫米波雷达的HRRP目标识别分类[D]. 陈正阳. 北京邮电大学, 2021(01)
- [3]考虑旁车行驶意图的自适应巡航控制策略研究[D]. 李文韬. 吉林大学, 2021(01)
- [4]复杂星场背景下暗弱空间运动小目标检测[D]. 邓昊. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [5]交通车辆驾驶行为识别与轨迹预测方法研究[D]. 曲文奇. 吉林大学, 2021
- [6]基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法[J]. 张一凡,张双辉,刘永祥,荆锋. 系统工程与电子技术, 2021(10)
- [7]基于深度学习的雷达信号检测与干扰辨识技术研究[D]. 刘洪村. 电子科技大学, 2021(01)
- [8]HRRP稀疏自编码器深层特征与散射中心特征的关联性研究[J]. 霍超颖,闫华,冯雪健,殷红成,邢笑宇,陆金文. 系统工程与电子技术, 2021(11)
- [9]视听觉信息特征提取与融合方法研究[D]. 江彦桥. 电子科技大学, 2021(01)
- [10]多功能雷达工作状态识别与行为预测研究[D]. 代策宇. 电子科技大学, 2021(01)