基于模式识别技术的雷达辐射源分类识别方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·现代局部战争的特点 | 第9页 |
| ·雷达辐射源识别的目的和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文研究的内容及论文结构 | 第11-13页 |
| 第2章 雷达辐射源识别相关知识 | 第13-26页 |
| ·雷达组成原理和用途分类 | 第13-15页 |
| ·雷达组成原理 | 第13-14页 |
| ·雷达用途和分类 | 第14-15页 |
| ·雷达辐射源参数特征与雷达用途的关系 | 第15-18页 |
| ·雷达载频与雷达用途 | 第16-17页 |
| ·脉冲重复频率与雷达用途 | 第17-18页 |
| ·脉冲宽度与雷达用途 | 第18页 |
| ·天线特征与雷达用途 | 第18页 |
| ·常用的模式识别分类方法概述 | 第18-25页 |
| ·贝叶斯分类器 | 第19-20页 |
| ·K-近邻分类器 | 第20-21页 |
| ·聚类分析分类方法 | 第21-22页 |
| ·神经网络分类器 | 第22-25页 |
| ·支持向量机分类器 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第3章 统计学习理论和支持向量机 | 第26-38页 |
| ·统计学习理论 | 第26-30页 |
| ·机器学习问题 | 第26-27页 |
| ·经验风险最小化 | 第27-28页 |
| ·统计学习理论的核心内容 | 第28-30页 |
| ·支持向量机 | 第30-37页 |
| ·最优分类面和广义最优分类面 | 第31-34页 |
| ·高维空间的最优分类面和支持向量机 | 第34-35页 |
| ·支持向量机中内积函数的选择 | 第35-36页 |
| ·支持向量机的训练算法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于多类SVM的雷达辐射源识别 | 第38-48页 |
| ·基于主成分分析的特征提取 | 第38-41页 |
| ·离散K-l展开 | 第38-40页 |
| ·基于K-L展开的特征提取 | 第40-41页 |
| ·支持向量机多类分类算法 | 第41-45页 |
| ·基于主成分析和多类SVM的雷达辐射源识别 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 仿真实验和结果分析 | 第48-52页 |
| ·仿真实验的软硬件环境 | 第48页 |
| ·仿真实验过程和结果分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
