目錄章 緒論 1．1目標偵察概述 1．1．1 目標偵察 1．1．2 偵察技術對作戰的影響及其發展趨勢 1．1．3 電子偵察與聲學偵察 1．1．4 光電偵察 1．2目標衍生屬性光電偵察 1．2．1 目標衍生屬性的概念 1．2．2 目標衍生屬性光電偵察原理與分類 第二章 空中運動目標的風場擾動激光偵察 2．1 大氣風場特性和目標擾動信息獲取 2．1．1大氣風場特性 2．1．2運動目標信息獲取算法原理 2．1．3 大氣風場分布反演算法 2．1．4 運動目標信息獲取算法 2．1．5實驗驗證 2．2 目標大氣風場擾動探測系統與性能分析 2．2．1 探測系統結構 2．2．2 探測系統性能分析 2．3 尾渦擾動場產生機理與特性 2．3．1 尾渦擾動場產生機理 2．3．2 尾渦擾動場解析模型 2．3．3 尾渦擾動場特征參量 2．3．4 仿真分析 2．4 基于相干多普勒激光雷達的尾渦探測 2．4．1 飛機尾渦的相干多普勒激光探測原理 2．4．2 尾渦回波多普勒譜建模與分析 2．4．3 仿真分析 2．5 基于激光回波的飛機尾渦識別與參數提取 2．5．1 激光雷達探測回波的預處理 2．5．2 基于多普勒譜特征的飛機尾渦識別 2．5．3基于激光回波的飛機尾渦參數提取 第三章 空中運動目標擾動大氣成分激光偵察 3．1 大氣CO2擾動激光偵察 3．1．1 目標擾動大氣CO2成分特征 3．1．2大氣CO2擾動激光探測原理 3．1．3差分吸收激光雷達探測系統方案 3．2水汽濃度探測 3．2．1水汽濃度探測原理 3．2．2 差分吸收激光雷達探測系統設計 3．2．3水汽濃度探測性能分析與仿真 3．3 大氣成分擾動探測性能分析 3．3．1 經驗模式分解與數據預處理性能分析 3．3．2 氣體濃度反演精度分析 3．3．3 大氣衰減與湍流對探測性能的影響 第四章 目標載體可視標識的分類識別 4．1標識圖像灰度化預處理 4．1．1 灰度化方法概述 4．1．2 顏色分立特征灰度化原理 4．1．3 灰度化預處理 4．2 基于改進SIFT的標識識別 4．2．1 SIFT算子概述 4．2．2 橢圓鄰域SIFT算子 4．2．3 識別方法 4．2．4 實驗測試 第五章 目標載體逆反射屬性的光電成像偵察 5．1 逆反射特性的量化模型 5．1．1 光照抑制臨界條件歸納 5．1．2 量化模型建立 5．2 圖像獲取 5．2．1 主動成像系統設計 5．2．2 參數匹配 5．2．3 實驗測試 5．3 準確定位與分割 5．3．1 特征顯著性的定量描述 5．3．2 基于特征顯著性的定位與分割 5．3．3 實驗測試 (由于結題、專利申請、論文發表和脫密等原因，未能提供本章樣稿) 第六章 電子目標紅外偵察圖像特征分析 6．1典型目標紅外偵察圖像特征 6．1．1 偵察波段選擇和紅外傳感器 6．1．2 艦船目標紅外圖像特征 6．1．3 建筑目標紅外圖像特征 6．2 天基紅外偵察背景特征 6．2．1 天基紅外偵察圖像的特點 6．2．2 背景特征量分析 6．2．3 背景特征量的有效性驗證 6．3 紅外偵察類特征 6．3．1 總體區別性類特征 6．3．2 個體識別性類特征 6．3．3 背景類特征 6．4 紅外偵察特征選擇方法 6．4．1 基于*小熵和遺傳算法的特征選擇 6．4．2 基于方差與相關系數綜合法的特征優選 6．4．3 特征優化專家系統 第七章 電子目標紅外偵察圖像分類識別 7．1 電子目標紅外圖像增強 7．1．1 自適應形態學處理 7．1．2 基于小波變換的消噪與增強 7．1．3 紅外圖像增強均衡器 7．2 基于二維*大相關準則的閾值分割 7．2．1 基于二維*大相關準則的閾值選取 7．2．2 圖像閾值分割遞推算法原理 7．2．3 圖像閾值分割遞推算法仿真與分析 7．2．4 基于遺傳算法的圖像分割閾值優化原理 7．2．5 基于遺傳算法的圖像分割閾值優化仿真 7．3 目標分類識別 7．3．1基于類特征識別方法 7．3．2基于主成分分析與BP神經網絡的識別方法 7．3．3基于ANFIS和減法聚類的目標分選 7．3．4機場的自適應識別方法 第八章 目標高光譜融合屬性檢測與分類 8．1 空-譜二維蟻群組合優化SVM的數據優化 8．1．1 空-譜二維特征蟻群組合優化 8．1．2 單蟻群優化實驗 8．1．3 蟻群組合優化實驗 8．2 空天一體圖像融合建模仿真 8．2．1 空天一體光譜維變換 8．2．2 空天一體尺度空間變換 8．2．3 空天一體輻射強度變換 8．2．4 空天一體混合像素變換 8．2．5 空天一體噪聲變換 8．2．6 實驗測試 8．3基于三維GMRF模型和D-S證據理論的海背景目標檢測 8．3．1 融合原理 8．3．2 算法設計 8．3．3 實驗與分析 8．4 非線性核空間映射與人工免疫網絡的分類方法8．4．1人工免疫網絡建模與核空間映射 8．4．2人工免疫網絡訓練與高光譜圖像分類 8．4．3 實驗測試 8．5 基于自適應C-mutual比例標準差度量的kNNS算法的分類方法 8．5．1樣本比例與聚類特征分析 8．5．2自適應C-mutual比例標準差度量 8．5．3 基于自適應C-mutual比例標準差度量的kNNS算法 8．5．4 實驗測試