| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-36页 |
| ·雷达自动目标识别的基本概念 | 第14-17页 |
| ·高分辨一维距离像（HRRP）雷达自动目标识别研究现状 | 第17-18页 |
| ·雷达HRRP 目标识别技术的关键问题 | 第18-21页 |
| ·HRRP 的方位敏感性问题 | 第19页 |
| ·HRRP 的平移敏感性问题 | 第19-20页 |
| ·HRRP 的强度敏感性问题 | 第20页 |
| ·HRRP 的特征提取和特征选择问题 | 第20-21页 |
| ·雷达HRRP 识别的分类器设计问题 | 第21页 |
| ·基于核函数的算法研究 | 第21-24页 |
| ·核函数的基本概念与历史发展 | 第21-23页 |
| ·如何选择核函数 | 第23-24页 |
| ·本文的内容安排 | 第24-28页 |
| ·数据介绍 | 第24-25页 |
| ·内容安排 | 第25-28页 |
| 本章参考文献 | 第28-36页 |
| 第二章 基于核函数的学习算法 | 第36-58页 |
| ·学习分类 | 第36-40页 |
| ·核函数 | 第40-42页 |
| ·核函数的性质 | 第42-46页 |
| ·Mercer 定理 | 第42页 |
| ·再生希尔伯特核空间（Reproducing Kernel Hilbert Space，RKHS） | 第42-44页 |
| ·表示理论（Representer Theorem） | 第44-45页 |
| ·核函数的构造 | 第45-46页 |
| ·核主分量分析在HRRP 识别中的应用 | 第46-52页 |
| ·主分量分析（PCA） | 第46页 |
| ·局部主分量分析（Localized PCA） | 第46-48页 |
| ·针对HRRP 特征提取的KPCA | 第48-50页 |
| ·实验结果 | 第50-52页 |
| ·本章小结 | 第52页 |
| 本章参考文献 | 第52-58页 |
| 第三章 基于核函数的子类判别分析 | 第58-70页 |
| ·引言 | 第58页 |
| ·子类判别分析（SDA） | 第58-59页 |
| ·核子类判别分析（KSDA） | 第59-63页 |
| ·实验结果 | 第63-67页 |
| ·公共数据实验结果 | 第63-66页 |
| ·实测雷达数据实验结果 | 第66-67页 |
| ·结论 | 第67页 |
| 本章参考文献 | 第67-70页 |
| 第四章 加速SVM 判决的子空间方法 | 第70-86页 |
| ·引言 | 第70页 |
| ·支撑向量机（SUPPORT VECTOR MACHINE ） | 第70-71页 |
| ·相关工作 | 第71-72页 |
| ·简化SVM 的子空间方法 | 第72-78页 |
| ·选择基向量 | 第72-73页 |
| ·简化决策函数 | 第73-75页 |
| ·加速子空间方法 | 第75-78页 |
| ·实验结果 | 第78-82页 |
| ·公共数据集 | 第78-79页 |
| ·实测高分辨一维距离像（HRRP）雷达数据 | 第79-82页 |
| ·讨论 | 第82-84页 |
| 本章参考文献 | 第84-86页 |
| 第五章 核函数优化算法 | 第86-128页 |
| ·引言 | 第86-87页 |
| ·构建依赖数据的核函数 | 第87-88页 |
| ·针对雷达HRRP 识别的融合核优化算法 | 第88-95页 |
| ·雷达HRRP 特性 | 第88-89页 |
| ·基于模-1 距离与模-2 距离的高斯核函数 | 第89-90页 |
| ·基于单核的核优化算法 | 第90-91页 |
| ·基于融合核的核优化方法 | 第91-93页 |
| ·实验结果 | 第93-95页 |
| ·结论 | 第95页 |
| ·基于局部核FISHER（LKFC）准则的核优化算法 | 第95-108页 |
| ·基于核Fisher 准则的核优化算法中存在的问题 | 第95-98页 |
| ·基于LKFC 的核函数优化算法 | 第98-101页 |
| ·实验结果和讨论 | 第101-108页 |
| ·结论和展望 | 第108页 |
| ·在统一的核优化框架下优化基于数据的核函数 | 第108-123页 |
| ·优化依赖数据的核函数 | 第109-114页 |
| ·我们的核优化框架与Xiong 的方法的比较 | 第114-115页 |
| ·实验结果 | 第115-122页 |
| ·结论和未来工作 | 第122-123页 |
| ·本章小结 | 第123页 |
| 本章参考文献 | 第123-128页 |
| 第六章 雷达HRRP 的自适应角域划分方法 | 第128-140页 |
| ·引言 | 第128-129页 |
| ·HRRP 中的流形几何 | 第129页 |
| ·高分辨距离像的特性 | 第129-132页 |
| ·高分辨距离像的方位敏感性 | 第129-131页 |
| ·等方位间隔的数据划分 | 第131-132页 |
| ·自适应角域划分 | 第132-133页 |
| ·基本思想 | 第132页 |
| ·估计HRRP 流形的弯曲率 | 第132-133页 |
| ·基于实测雷达数据的实验结果 | 第133-136页 |
| ·结论和未来工作 | 第136-137页 |
| 本章参考文献 | 第137-140页 |
| 第七章 大间隔特征加权算法 | 第140-160页 |
| ·引言 | 第140-141页 |
| ·大间隔特征加权算法（LMFW） | 第141-142页 |
| ·相关工作 | 第142-144页 |
| ·LESS | 第142-143页 |
| ·RELIEF | 第143页 |
| ·LMNN | 第143-144页 |
| ·实验结果 | 第144-155页 |
| ·人工数据 | 第145-147页 |
| ·UCI 和基因公共数据 | 第147-153页 |
| ·实测雷达HRRP 数据 | 第153-155页 |
| ·本章小结 | 第155页 |
| 本章参考文献 | 第155-160页 |
| 第八章 结束语 | 第160-164页 |
| ·本文内容总结 | 第160-163页 |
| ·工作展望 | 第163-164页 |
| 致谢 | 第164-166页 |
| 作者在读期间的研究成果 | 第166-169页 |
