| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的背景 | 第9-10页 |
| ·信息融合技术 | 第10-11页 |
| ·基于信息融合的目标识别技术 | 第11-13页 |
| ·目标识别概述 | 第12页 |
| ·目标识别现状 | 第12-13页 |
| ·本文主要工作 | 第13-15页 |
| 第2章 信息融合和目标识别的基本概念和原理 | 第15-23页 |
| ·信息融合的基本概念 | 第15-16页 |
| ·信息融合的级别 | 第16-17页 |
| ·多传感器信息融合的层次和结构 | 第17-20页 |
| ·信息融合的层次 | 第17-19页 |
| ·信息融合的结构 | 第19-20页 |
| ·多传感器信息融合的方法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于证据理论和神经网络的目标识别算法研究 | 第23-40页 |
| ·引言 | 第23-24页 |
| ·证据理论算法研究及其在目标识别中的应用 | 第24-31页 |
| ·引言 | 第24页 |
| ·证据理论的基本概念 | 第24-26页 |
| ·证据理论方法缺陷及改进 | 第26-29页 |
| ·改进D-S 算法的仿真分析 | 第29-31页 |
| ·神经网络求取基本概率赋值相关研究 | 第31-39页 |
| ·神经网络理论概述 | 第31-32页 |
| ·神经元模型 | 第32-34页 |
| ·神经网络的联接形式 | 第34页 |
| ·神经网络的学习训练和学习规则 | 第34-36页 |
| ·神经网络求取基本概率赋值 | 第36页 |
| ·BP 和RBF 的仿真分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 支持向量机的相关理论及其在空中目标识别中的应用 | 第40-60页 |
| ·支持向量机的理论基础 | 第40-43页 |
| ·统计学习一致性条件 | 第40-41页 |
| ·统计学习理论推广性的界 | 第41-42页 |
| ·结构风险最小化原则 | 第42-43页 |
| ·标准支持向量机与多类分类支持向量机 | 第43-50页 |
| ·线性可分与最优分类超平面 | 第43-44页 |
| ·非线性可分 | 第44-45页 |
| ·非线性SVM 和核函数 | 第45-46页 |
| ·支持向量机算法 | 第46-47页 |
| ·多分类支持向量机 | 第47-50页 |
| ·多类分类支持向量机的仿真分析 | 第50-57页 |
| ·多类分类算法的选取 | 第50-53页 |
| ·模型框架 | 第53页 |
| ·多类分类支持向量机的相关仿真 | 第53-54页 |
| ·Arg 和C 参数的调整 | 第54-56页 |
| ·三种算法的仿真分析 | 第56-57页 |
| ·基于DAGSVM 的并行算法 | 第57-58页 |
| ·基于DAGSVM 的并行训练 | 第57页 |
| ·基于DAGSVM 的并行决策 | 第57-58页 |
| ·并行算法的仿真分析 | 第58页 |
| ·本章小结 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68页 |