| 摘要 | 第1-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第14-24页 |
| ·课题的研究背景和意义 | 第14页 |
| ·相关技术的发展及国内外研究现状 | 第14-22页 |
| ·雷达目标识别概述 | 第14-17页 |
| ·统计学习理论的本质和支持矢量机的发展现状 | 第17-19页 |
| ·支持矢量数据描述的发展和国内外研究现状 | 第19-22页 |
| ·本文的主要工作 | 第22-24页 |
| 第二章 核感知器组合分类器和时延神经网络快速算法 | 第24-42页 |
| ·引言 | 第24-25页 |
| ·核方法和支持矢量机基本理论 | 第25-29页 |
| ·核函数 | 第25-26页 |
| ·支持矢量机（SVM）理论 | 第26-29页 |
| ·核感知器组合分类器(Combining Kernel Perceptron, CKP)构造 | 第29-34页 |
| ·核感知器算法基本理论 | 第29-30页 |
| ·核感知器组合分类器结构和算法流程 | 第30-31页 |
| ·仿真实验 | 第31-34页 |
| ·时延神经网络（TDNN）快速算法 | 第34-40页 |
| ·时延神经网络基本原理 | 第34-36页 |
| ·时延神经网络快速识别算法流程 | 第36-37页 |
| ·时延神经网络两种实现方式的比较 | 第37-40页 |
| ·本章小结 | 第40-42页 |
| 第三章 核时延感知器目标识别算法 | 第42-75页 |
| ·引言 | 第42页 |
| ·核时延感知器目标（KTDNN）识别算法 | 第42-46页 |
| ·核时延感知器网络结构的构造 | 第42-44页 |
| ·核时延感知器学习算法的推导 | 第44-45页 |
| ·核时延感知器对非序列数据的处理方法 | 第45-46页 |
| ·核时延感知器算法中核参数的快速选择方法 | 第46-52页 |
| ·准则函数的构造 | 第46页 |
| ·类内类间距离比存在最小值的情况 | 第46-48页 |
| ·类内类间距离比不存在最小值的情况 | 第48-50页 |
| ·数据预处理对参数选择的影响 | 第50-52页 |
| ·参数对KTDNN 分类器性能的影响 | 第52-64页 |
| ·核参数对算法性能的影响 | 第53-58页 |
| ·延时单元对算法性能的影响 | 第58-64页 |
| ·KTDNN 算法仿真实验 | 第64-73页 |
| ·Banana 数据仿真 | 第65-69页 |
| ·人工数据仿真 | 第69-70页 |
| ·飞机一维距离像数据仿真 | 第70-73页 |
| ·本章小结 | 第73-75页 |
| 第四章 SVDD 多类识别算法研究及多算法融合分类器构造 | 第75-97页 |
| ·引言 | 第75-76页 |
| ·SVDD 基本理论 | 第76-77页 |
| ·支持矢量的裁剪 | 第77-78页 |
| ·SVDD 多类识别算法的拒判域处理 | 第78-80页 |
| ·序贯选取方法消除第一类拒判域 | 第79页 |
| ·最小相对距离方法消除第一类拒判域 | 第79-80页 |
| ·基于SVDD 的多类雷达目标识别算法 | 第80-82页 |
| ·SVDD 识别算法训练流程 | 第80-81页 |
| ·SVDD 最小相对距离多类目标识别算法流程 | 第81页 |
| ·SVDD 序贯最小相对距离多类目标识别算法流程 | 第81-82页 |
| ·仿真实验 | 第82-90页 |
| ·二维人工数据仿真 | 第82-84页 |
| ·雷达高分辨距离像数据仿真 | 第84-90页 |
| ·KTDNN、SVDD 和 SVM 分类器的比较 | 第90-92页 |
| ·多算法融合分类器构造 | 第92-96页 |
| ·高分辨雷达目标识别系统结构 | 第92-93页 |
| ·多算法融合分类器的训练和识别流程 | 第93-94页 |
| ·多算法融合分类器仿真实验 | 第94-96页 |
| ·本章小结 | 第96-97页 |
| 结束语 | 第97-98页 |
| 致谢 | 第98-99页 |
| 参考文献 | 第99-103页 |
| 作者在学期间取得的学术成果 | 第103页 |