紅外成像空空導(dǎo)彈抗干擾理論與方法

第 1 章 紅外成像空空導(dǎo)彈抗干擾技術(shù)概述
1.1 國內(nèi)外紅外成像空空導(dǎo)彈發(fā)展概況
1.1.1 發(fā)展歷程
1.1.2 發(fā)展趨勢
1.2 紅外成像空空導(dǎo)彈抗干擾技術(shù)發(fā)展概況
1.2.1 單元探測抗干擾技術(shù)
1.2.2 多元探測抗干擾技術(shù)
1.2.3 成像探測抗干擾技術(shù)
1.2.4 雙波段探測抗干擾技術(shù)
1.2.5 紅外 / 雷達(dá)復(fù)合探測抗干擾技術(shù)
1.2.6 抗干擾技術(shù)發(fā)展趨勢
1.3 紅外成像導(dǎo)引頭工作原理
1.3.1 組成與功能
1.3.2 成像探測
1.3.3 信息處理
1.3.4 伺服跟蹤
1.3.5 導(dǎo)引信息生成
1.4 本章小結(jié)
第 2 章 紅外成像空空導(dǎo)彈抗干擾理論基礎(chǔ)
2.1 目標(biāo)與干擾紅外特性分析
2.1.1 目標(biāo)紅外特性分析
2.1.2 干擾紅外特性分析
2.1.3 常用紅外特征
2.1.4 紅外圖像復(fù)雜度量化指標(biāo)
2.2 幾種常用抗干擾方法
2.2.1 基于圖像識別的抗干擾方法
2.2.2 基于光譜信息鑒別的抗干擾方法
2.2.3 基于慣導(dǎo)信息預(yù)測的抗干擾方法
2.3 抗干擾性能評價指標(biāo)
2.3.1 靜態(tài)圖像幀類指標(biāo)
2.3.2 動態(tài)圖像序列類指標(biāo)
2.3.3 綜合抗干擾概率
2.4 本章小結(jié)
第 3 章 基于特征模式匹配的空中紅外目標(biāo)識別與抗干擾技術(shù)
3.1 幾種圖像預(yù)處理方法
3.1.1 空域濾波
3.1.2 頻域濾波
3.1.3 對比度增強(qiáng)方法
3.2 幾種圖像分割方法
3.2.1 基于灰度閾值的分割
3.2.2 基于邊緣檢測的分割
3.2.3 基于區(qū)域生長的分割
3.2.4 基于聚類的分割
3.3 幾種特征模式匹配方法
3.3.1 歐幾里得距離分類準(zhǔn)則
3.3.2 貝葉斯分類準(zhǔn)則
3.3.3 支持向量機(jī)分類準(zhǔn)則
3.4 幾種目標(biāo)識別與抗干擾方法
3.4.1 基于特征距離分類的目標(biāo)識別與抗干擾方法
3.4.2 基于樸素貝葉斯分類器的目標(biāo)識別與抗干擾方法
3.4.3 基于貝葉斯網(wǎng)絡(luò)的目標(biāo)識別與抗干擾方法
3.4.4 基于支持向量機(jī)的目標(biāo)識別與抗干擾方法
3.5 本章小結(jié)
第 4 章 基于相關(guān)跟蹤的空中紅外目標(biāo)識別與抗干擾技術(shù)
4.1 相關(guān)濾波理論
4.1.1 線性回歸簡化
4.1.2 核相關(guān)濾波
4.1.3 目標(biāo)快速檢測
4.1.4 幾種相關(guān)濾波方法
4.2 二維頻域 Gabor 濾波與相關(guān)跟蹤融合理論
4.2.1 Gabor 濾波理論
4.2.2 Gabor 特征提取與融合
4.2.3 GF 特征分析
4.2.4 GF - KCF 目標(biāo)跟蹤方法
4.3 基于頻域尺度信息估計的 GF - KCF 跟蹤算法
4.3.1 頻域尺度特性分析
4.3.2 頻域尺度信息估計方法
4.3.3 算法原理
4.3.4 示例
4.4 基于分塊策略的抗部分遮擋的 GF - KCF 跟蹤算法
4.4.1 高置信分塊跟蹤模型
4.4.2 基于高置信分塊的跟蹤算法
4.4.3 抗遮擋跟蹤算法改進(jìn)策略
4.4.4 全程抗干擾跟蹤算法架構(gòu)
4.4.5 示例
4.5 本章小結(jié)
第 5 章 基于深度學(xué)習(xí)的空中紅外目標(biāo)識別與抗干擾技術(shù)
5.1 卷積神經(jīng)網(wǎng)絡(luò)原理與訓(xùn)練
5.1.1 卷積神經(jīng)網(wǎng)絡(luò)原理
5.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
5.1.3 幾種卷積神經(jīng)網(wǎng)絡(luò)
5.2 幾種網(wǎng)絡(luò)改進(jìn)方法
5.2.1 多尺度卷積核
5.2.2 密集鏈接
5.2.3 注意力機(jī)制
5.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法
5.3.1 基于 D NET 的目標(biāo)識別算法
5.3.2 基于關(guān)鍵點檢測的目標(biāo)識別算法
5.4 本章小結(jié)
第 6 章 基于混合智能的空中紅外目標(biāo)識別與抗干擾技術(shù)
6.1 混合智能原理
6.1.1 傳統(tǒng)方法與深度學(xué)習(xí)混合原理
6.1.2 典型混合方法
6.1.3 混合目標(biāo)識別框架
6.2 深度混合智能設(shè)計
6.2.1 特征層
6.2.2 功能層
6.2.3 決策層
6.3 基于混合智能的目標(biāo)識別方法
6.3.1 結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的目標(biāo)識別方法
6.3.2 結(jié)合二維主成分分析網(wǎng)絡(luò)的貝葉斯目標(biāo)識別方法
6.4 本章小結(jié)
。。。。。。。。。。。。。。。。