| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景及意义 | 第10页 |
| ·雷达目标识别技术概述及发展现状 | 第10-15页 |
| ·二维微波像目标识别简析 | 第11-12页 |
| ·一维距离像目标识别 | 第12-15页 |
| ·论文的主要研究内容和章节安排 | 第15-17页 |
| 第二章 高分辨一维距离像模型及其特性分析 | 第17-24页 |
| ·高分辨一维距离像模型 | 第17-19页 |
| ·一维像特性分析 | 第19-20页 |
| ·实验数据 | 第20-23页 |
| ·数据描述 | 第20-22页 |
| ·数据预处理 | 第22-23页 |
| ·本章总结 | 第23-24页 |
| 第三章 基于改进核主成分分析的HRRP目标识别研究 | 第24-40页 |
| ·基于核主成分分析(KPCA)的改进方法研究 | 第24-28页 |
| ·线性主成分分析 | 第24-25页 |
| ·线性主成分分析的改进 | 第25-28页 |
| ·改进核主成分分析(KPCA)算法 | 第28-32页 |
| ·核主成分分析(KPCA) | 第28-30页 |
| ·混合核函数的构造 | 第30-32页 |
| ·基于马氏距离的分类器设计 | 第32-34页 |
| ·马氏距离 | 第32-33页 |
| ·分类器规则描述 | 第33-34页 |
| ·基于马氏距离的混合核函数HRRP目标识别算法流程 | 第34-35页 |
| ·本章实验结果 | 第35-38页 |
| ·本章总结 | 第38-40页 |
| 第四章 基于凸优化核Fisher判别分析的HRRP目标识别研究 | 第40-63页 |
| ·基于核凸优化的KFDA | 第40-49页 |
| ·体系 | 第40-41页 |
| ·FDR的最大化实现 | 第41-42页 |
| ·通过核技巧优化KFDA | 第42-43页 |
| ·通过凸优化实现最优化核选择 | 第43-45页 |
| ·核样本的特征提取 | 第45-47页 |
| ·算法步骤 | 第47-49页 |
| ·广义K-NN分类器设计 | 第49-53页 |
| ·K-NN方法 | 第49-50页 |
| ·K-NNR | 第50页 |
| ·广义K-NN分类法 | 第50-53页 |
| ·K-NN与贝叶斯组合分类器设计 | 第53-56页 |
| ·贝叶斯原理 | 第53页 |
| ·朴素贝叶斯分类器 | 第53-55页 |
| ·K-NN与贝叶斯组合分类器设计 | 第55-56页 |
| ·本章实验结果 | 第56-61页 |
| ·本章总结 | 第61-63页 |
| 第五章 基于K-NN稀疏化的支持向量机HRRP目标识别研究 | 第63-82页 |
| ·支持向量机 | 第63-68页 |
| ·线性不可分样本集的最优分类面 | 第63-67页 |
| ·支持向量机(SVM) | 第67-68页 |
| ·支持向量机的多类分类识别 | 第68-69页 |
| ·支持向量机的参数寻优 | 第69-73页 |
| ·交叉验证法 | 第69页 |
| ·网格搜索算法 | 第69-70页 |
| ·遗传算法 | 第70-71页 |
| ·粒子群算法 | 第71-73页 |
| ·基于K-NN算法稀疏化的SVM算法流程 | 第73-75页 |
| ·本章实验结果 | 第75-81页 |
| ·本章总结 | 第81-82页 |
| 第六章 结论和展望 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
