| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-36页 |
| ·雷达自动目标识别综述 | 第14-17页 |
| ·雷达自动目标识别的基本概念 | 第14页 |
| ·雷达自动目标识别的划分方法 | 第14-15页 |
| ·雷达自动目标识别的意义、历史和现状 | 第15-17页 |
| ·雷达高分辨距离像目标识别研究的关键问题 | 第17-21页 |
| ·HRRP的方位敏感性问题 | 第17-18页 |
| ·HRRP的平移敏感性问题 | 第18页 |
| ·HRRP的幅度敏感性问题 | 第18-19页 |
| ·HRRP的库外目标拒判问题 | 第19-20页 |
| ·HRRP的特征提取问题 | 第20-21页 |
| ·凸优化问题简介 | 第21-22页 |
| ·凸优化定义 | 第21页 |
| ·线性规划(LP) | 第21页 |
| ·二次规划(QP) | 第21-22页 |
| ·二阶锥规划(SOCP) | 第22页 |
| ·半正定规划(SDP) | 第22页 |
| ·基于核函数的模式分析方法 | 第22-26页 |
| ·模式分析方法的发展历程 | 第23-24页 |
| ·核方法的基本概念 | 第24-25页 |
| ·核函数优化 | 第25-26页 |
| ·论文内容和安排 | 第26-30页 |
| ·数据介绍 | 第26-27页 |
| ·内容安排 | 第27-30页 |
| 本章参考文献 | 第30-36页 |
| 第二章 雷达高分辨距离像库外目标拒判问题研究 | 第36-58页 |
| ·库外目标样本生成 | 第36-38页 |
| ·拒判性能评估准则 | 第38-40页 |
| ·基于超球体边界的拒判算法 | 第40-48页 |
| ·支持向量域描述 | 第40-43页 |
| ·多核支持向量域描述 | 第43-48页 |
| ·本节小结 | 第48页 |
| ·基于近邻边界的拒判算法 | 第48-50页 |
| ·最近邻分类器 | 第48-49页 |
| ·平均K近邻分类器 | 第49页 |
| ·加权K近邻分类器 | 第49-50页 |
| ·本节小结 | 第50页 |
| ·实验结果 | 第50-56页 |
| ·基于AUC准则的实验结果 | 第51-55页 |
| ·基于LF准则的实验结果 | 第55-56页 |
| ·结果分析 | 第56页 |
| ·本章小结 | 第56页 |
| 本章参考文献 | 第56-58页 |
| 第三章 融合了距离准则学习和分类器设计的特征提取算法 | 第58-86页 |
| ·算法设计 | 第58-67页 |
| ·欧式距离准则测度下最近均值分类器的应用缺陷 | 第59页 |
| ·局部均值和最近局部均值分类器 | 第59-63页 |
| ·大间隔最近局部均值(LMNLM)特征提取算法 | 第63-67页 |
| ·相关算法比较 | 第67-72页 |
| ·稀疏子空间最小误差(LESS)算法 | 第68-69页 |
| ·支持向量机(SVM) | 第69-70页 |
| ·大间隔近邻(LMNN)算法 | 第70-71页 |
| ·局部距离准则(LDM)学习算法 | 第71-72页 |
| ·相关算法对LMNLM的启发和LMNLM的创新点 | 第72页 |
| ·启发工作 | 第72页 |
| ·创新工作 | 第72页 |
| ·实验结果 | 第72-83页 |
| ·人工合成数据集 | 第73-75页 |
| ·UCI公共数据集 | 第75-81页 |
| ·雷达HRRP数据集 | 第81-82页 |
| ·结果分析 | 第82-83页 |
| ·本章小结 | 第83页 |
| 本章参考文献 | 第83-86页 |
| 第四章 组合判别分析 | 第86-98页 |
| ·基于全局优化准则和局部优化准则的特征提取算法 | 第86-90页 |
| ·全局特征提取算法 | 第87-88页 |
| ·局部特征提取算法 | 第88-90页 |
| ·两种类型特征提取算法的分析比较 | 第90页 |
| ·融合了全局和局部优化准则的组合判别分析(CDA) | 第90-92页 |
| ·算法设计 | 第90-91页 |
| ·算法分析 | 第91-92页 |
| ·UCI公共数据集实验结果 | 第92-95页 |
| ·雷达HRRP数据集实验结果 | 第95-96页 |
| ·本章小结 | 第96页 |
| 本章参考文献 | 第96-98页 |
| 第五章 广义重加权局部均值判别分析 | 第98-124页 |
| ·LDA算法的应用缺陷 | 第98-101页 |
| ·缺陷1 | 第98-99页 |
| ·缺陷2 | 第99-100页 |
| ·缺陷3 | 第100页 |
| ·缺陷4 | 第100-101页 |
| ·局部均值判别分析(LMDA) | 第101-106页 |
| ·广义重加权(GRW)学习框架 | 第106-110页 |
| ·重加权(RW)方法 | 第106-107页 |
| ·对RW方法的扩展 | 第107-110页 |
| ·相关算法比较 | 第110-111页 |
| ·实验结果 | 第111-120页 |
| ·人工合成数据集 | 第111-115页 |
| ·UCI公共数据集 | 第115-119页 |
| ·雷达HRRP数据集 | 第119-120页 |
| ·本章小结 | 第120-121页 |
| 本章参考文献 | 第121-124页 |
| 第六章 结束语 | 第124-128页 |
| ·全文内容总结 | 第124-125页 |
| ·工作展望 | 第125-128页 |
| 致谢 | 第128-130页 |
| 作者在读期间的研究成果 | 第130-132页 |