| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 基于规则的方法 | 第11页 |
| 1.2.2 基于隐马尔可夫模型的方法 | 第11-12页 |
| 1.2.3 基于序列比对的方法 | 第12页 |
| 1.2.4 基于神经网络的方法 | 第12-13页 |
| 1.2.5 基于格子滤波的方法 | 第13页 |
| 1.3 本文的研究内容及章节安排 | 第13-18页 |
| 1.3.1 研究内容 | 第13-15页 |
| 1.3.2 本文章节安排 | 第15-18页 |
| 第二章 基础知识 | 第18-38页 |
| 2.1 隐马尔可夫模型(HMM) | 第18-31页 |
| 2.1.1 HMM的形式化定义 | 第18-19页 |
| 2.1.2 HMM的三个基本问题 | 第19-26页 |
| 2.1.2.1 概率计算问题 | 第20-22页 |
| 2.1.2.2 预测问题 | 第22-24页 |
| 2.1.2.3 学习问题 | 第24-26页 |
| 2.1.3 HMM各算法实现中的问题 | 第26-30页 |
| 2.1.3.1 多个观测值序列训练 | 第27页 |
| 2.1.3.2 数据下溢问题 | 第27-30页 |
| 2.1.4 训练数据离散化 | 第30-31页 |
| 2.2 AP聚类算法 | 第31-33页 |
| 2.2.1 AP聚类算法的基本原理 | 第31-32页 |
| 2.2.2 AP聚类算法的算法描述 | 第32-33页 |
| 2.3 前馈神经网络模型 | 第33-36页 |
| 2.3.1 前馈神经网络的形式化定义 | 第33-34页 |
| 2.3.2 前馈神经网络的参数学习 | 第34-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 基于全脉冲雷达数据的雷达语义状态识别 | 第38-64页 |
| 3.1 识别任务简介及数据建模方法 | 第38-44页 |
| 3.1.1 全脉冲雷达数据及其识别任务介绍 | 第38-40页 |
| 3.1.2 隐马尔可夫模型的建模方法 | 第40-44页 |
| 3.1.2.1 模型参数的确定 | 第41-42页 |
| 3.1.2.2 为观测状态建立索引 | 第42-43页 |
| 3.1.2.3 建模流程 | 第43-44页 |
| 3.2 工作模式识别算法 | 第44-55页 |
| 3.2.1 单数据工作模式识别算法 | 第44-46页 |
| 3.2.2 混合数据工作模式识别算法 | 第46-47页 |
| 3.2.3 观测状态的模糊匹配算法 | 第47-49页 |
| 3.2.4 实验结果与分析 | 第49-55页 |
| 3.2.4.1 单数据工作模式识别测试 | 第49-50页 |
| 3.2.4.2 混合数据工作模式识别测试 | 第50-53页 |
| 3.2.4.3 模糊匹配算法性能测试 | 第53-54页 |
| 3.2.4.4 噪声数据工作模式识别测试 | 第54-55页 |
| 3.3 工作模式边界识别算法 | 第55-60页 |
| 3.3.1 工作模式边界识别算法 | 第55-58页 |
| 3.3.2 实验结果与分析 | 第58-60页 |
| 3.4 工作模式子状态识别算法 | 第60-62页 |
| 3.4.1 工作模式子状态识别算法 | 第60-61页 |
| 3.4.2 实验结果与分析 | 第61-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 基于CPI雷达数据的雷达语义状态识别 | 第64-76页 |
| 4.1 识别任务简介及数据建模方法 | 第64-68页 |
| 4.1.1 CPI雷达数据及其识别任务介绍 | 第64-67页 |
| 4.1.2 前馈神经网络模型的建模方法 | 第67-68页 |
| 4.1.2.1 模型参数的确定 | 第67-68页 |
| 4.1.2.2 建模流程 | 第68页 |
| 4.2 工作模式识别算法 | 第68-71页 |
| 4.2.1 基于前馈神经网络的工作模式识别算法 | 第68-70页 |
| 4.2.2 实验结果与分析 | 第70-71页 |
| 4.3 CPI雷达数据单维度分析 | 第71-73页 |
| 4.4 前馈神经网络和决策树模型的工作模式识别性能对比 | 第73-75页 |
| 4.4.1 决策树模型及其优缺点 | 第73-74页 |
| 4.4.2 模型识别性能对比 | 第74-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第五章 系统实现 | 第76-90页 |
| 5.1 系统整体结构 | 第76-77页 |
| 5.2 系统模块功能 | 第77-88页 |
| 5.2.1 哈希文件生成 | 第77-79页 |
| 5.2.2 HMM模型训练 | 第79-82页 |
| 5.2.3 工作模式识别(全脉冲数据) | 第82-84页 |
| 5.2.4 前馈神经网络模型训练 | 第84-86页 |
| 5.2.5 工作模式识别(CPI数据) | 第86-88页 |
| 5.3 本章小结 | 第88-90页 |
| 第六章 总结与展望 | 第90-94页 |
| 6.1 本文工作总结 | 第90-92页 |
| 6.2 未来研究工作展望 | 第92-94页 |
| 参考文献 | 第94-96页 |
| 致谢 | 第96-98页 |
| 作者攻读学位期间发表的学术论文目录 | 第98页 |