| 第一章 绪论 | 第1-19页 |
| 1．1 本文研究的背景及意义 | 第10-12页 |
| 1．2 目标识别的研究现状 | 第12-17页 |
| 1．2．1 水下目标识别的特殊复杂性 | 第12-13页 |
| 1．2．2 混沌与分形的发展及其在目标识别中的应用 | 第13-15页 |
| 1．2．3 小波理论的发展及其在目标识别中的应用 | 第15-17页 |
| 1．3 本文研究内容及安排 | 第17-19页 |
| 第二章 混沌、分形与小波变换的理论基础 | 第19-37页 |
| 2．1 引言 | 第19页 |
| 2．2 混沌特征参数 | 第19-23页 |
| 2．2．1 混沌的定义 | 第19-20页 |
| 2．2．2 Lyapunov指数 | 第20-22页 |
| 2．2．3 分形维数 | 第22-23页 |
| 2．3 小波分析理论 | 第23-29页 |
| 2．3．1 小波变换 | 第23-25页 |
| 2．3．2 多分辨分析 | 第25-27页 |
| 2．3．3 小波包分析 | 第27-29页 |
| 2．4 目标识别的问题描述 | 第29-31页 |
| 2．5 特征压缩 | 第31-33页 |
| 2．5．1 特征选择 | 第31-32页 |
| 2．5．2 特征投影 | 第32-33页 |
| 2．6 分类器 | 第33-35页 |
| 2．6．1 最小距离分类器 | 第33-34页 |
| 2．6．2 近邻分类器 | 第34-35页 |
| 2．6．3 径向基函数网络 | 第35页 |
| 2．7 本章小结 | 第35-37页 |
| 第三章 状态空间重构技术 | 第37-60页 |
| 3．1 引言 | 第37-38页 |
| 3．2 状态空间重构 | 第38-40页 |
| 3．2．1 理论基础 | 第38-39页 |
| 3．2．2 延迟方法 | 第39-40页 |
| 3．3 主元分析方法 | 第40-48页 |
| 3．3．1 奇异值分解 | 第40-41页 |
| 3．3．2 奇异系统 | 第41-42页 |
| 3．3．3 独立性与正交性 | 第42-45页 |
| 3．3．4 奇异值分解与噪声 | 第45-48页 |
| 3．4 基于状态空间重构的混沌特征参数估计 | 第48-57页 |
| 3．4．1 状态空间重构的参数选择 | 第48-49页 |
| 3．4．2 吸引子的关联维和最大Lyapunov指数估计算法 | 第49-50页 |
| 3．4．3 Lorenz模型的仿真估计 | 第50-54页 |
| 3．4．4 实测宽待回波的混沌参数估计 | 第54-57页 |
| 3．5 基于状态空间重构与K-L变换的特征提取 | 第57-59页 |
| 3．5．1 特种提取和目标识别的步骤 | 第57-59页 |
| 3．5．2 仿真结果 | 第59页 |
| 3．6 本章小结 | 第59-60页 |
| 第四章 小波域特征提取的方法研究 | 第60-83页 |
| 4．1 引言 | 第60页 |
| 4．2 常用小波函数介绍 | 第60-61页 |
| 4．3 离散小波变换 | 第61-62页 |
| 4．4 基于多分辨分析的特征提取 | 第62-70页 |
| 4．4．1 信号的多分辨正交小波分解 | 第63-64页 |
| 4．4．2 特征向量的构成 | 第64-65页 |
| 4．4．3 特征提取与分类 | 第65-70页 |
| 4．5 基于小波包分析的特征提取 | 第70-80页 |
| 4．5．1 信号的小波包分解 | 第70-71页 |
| 4．5．2 最优小波包分解 | 第71-73页 |
| 4．5．3 特征向量的构成 | 第73-75页 |
| 4．5．4 特征提取与分类 | 第75-80页 |
| 4．6 基于小波和分形理论的特征提取 | 第80-82页 |
| 4．7 本章小结 | 第82-83页 |
| 第五章 小波多分辨分形特征研究 | 第83-94页 |
| 5．1 引言 | 第83-84页 |
| 5．2 基本思路和方法 | 第84-88页 |
| 5．2．1 分形维的定义 | 第84-85页 |
| 5．2．2 小波多分辨能量分形特征 | 第85-88页 |
| 5．3 计算结果与讨论 | 第88-93页 |
| 5．3．1 特征的提取 | 第88-90页 |
| 5．3．2 特征加权 | 第90-91页 |
| 5．3．3 分类识别与分析 | 第91-93页 |
| 5．4 本章小结 | 第93-94页 |
| 第六章 小波神经网络研究 | 第94-110页 |
| 6．1 引言 | 第94-95页 |
| 6．2 小波神经网络的基本原理 | 第95-98页 |
| 6．2．1 数据压缩表达网络 | 第95-97页 |
| 6．2．2 数据分类网络 | 第97-98页 |
| 6．3 小波神经网络的学习算法 | 第98-101页 |
| 6．3．1 数据压缩表达网络 | 第99-101页 |
| 6．3．2 数据分类网络 | 第101页 |
| 6．4 小波神经网络的参数确定 | 第101-102页 |
| 6．5 实验结果 | 第102-108页 |
| 6．5．1 数据压缩表达网络 | 第102-105页 |
| 6．5．2 数据分类网络 | 第105-108页 |
| 6．6 本章小结 | 第108-110页 |
| 第七章 结论与展望 | 第110-113页 |
| 7．1 引言 | 第110页 |
| 7．2 本文的主要研究内容与结论 | 第110-111页 |
| 7．3 本文的主要贡献 | 第111-112页 |
| 7．4 进一步的工作 | 第112-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-124页 |
| 作者在攻读博士学位期间发表的论文 | 第124-125页 |
| 西北工业大学学位论文知识产权声明书 | 第125页 |
| 西北工业大学学位论文原创性声明 | 第125页 |